模型即服务（MaaS），云厂商在打一场“翻身仗”

原文来源：脑极体

图片来源：由无界 AI生成

今年以来，大模型的热度，让云计算产业为之沸腾。要举出一个最有力的证明，应该是：MaaS（Model as Service）这种全新模式的出现，一座座“模型工厂”，已经建起来了。

所谓MaaS，模型即服务，指的是用户可以直接通过API调用基础大模型，为不同的业务场景，来构建、训练和部署专属模型。云平台会提供从数据、模型到应用服务的全周期管理和工具。

目前，微软云Azure、阿里云、华为云、腾讯云、百度云、京东云等云计算大厂，都已经推出了MaaS服务。

云厂商做MaaS究竟是为什么？一个主要考量是，作为IT基础设施服务商，也就是IaaS模式，长期面临价格战的市场竞争，而通过PaaS和SaaS为政企提供ToB的数字化服务，又一直没有完成行之有效的价值回收。

这种情况下，云厂商急需要找到一种全新的、高价值的商业模式，大模型就带来了这个可能。

可是，方兴未艾的MaaS，真的能帮云厂商“翻身”吗？ 

必然到来的MaaS

先要声明一下，MaaS模式的出现，以及大量“模型工厂”的矗立，是非常有必要，也是有极大商业想象空间的。

你可能会问了，连OpenAI的模型访问量都在下降，真的有那么多大模型的训练需求，要用到如此多的“模型工厂”和MaaS服务吗？

我们的判断是，大模型的产业化之路才刚刚开始，而产业化会催生大量细分的、不同参数、不同规格、不同场景的模型需求，必须提升模型训练部署的效率，推动模型生产走向工业化。不同模型是各式各样的钢材，用来盖起一个个AI应用，那么“模型工厂”就是“炼钢厂”，是一定要建的。

MaaS模式的必然性，有三个支点：

第一，需求。通用性的基础大模型，已经被快速填满了。剩下很多企业，更希望调用基础模型的能力来改造自己的业务，或者开发新的AI应用，而这些都需要更懂行业知识、技能更精准、更贴合场景的垂直模型。有数据显示，行业智能化渗透率将从2021年的7%增长到2026年的30%，更多行业的核心业务系统会被大模型能力渗透。所以，对于大模型的生产需求，还很旺盛。

第二，供给。目前，大模型的生产力依然有限，首先是计算资源稀缺，大模型的训练和推理对计算资源和存储资源有很高的需求，很多企业和机构“无卡可用”，导致无法进行大模型的训练和推理。

同时，训练专有大模型需要大量的高质量数据，数据清洗、预处理等一系列复杂工程，大大影响了开发效率，训练周期长，无法快速满足业务上线的要求。

此外，训好的大模型要进行部署和应用，需要考虑到计算资源、业务场景、不同参数规格、网络带宽、安全合规等方方面面的问题，很多企业和机构缺乏相关的技术和经验，前期投入的心血很容易就打了水漂。

要提高大模型的供给数量和质量，MaaS模式的“模型工厂”一定要建。

第三，催化剂。云厂商有充足的动力，催化MaaS模式的成熟，并推向市场。IaaS基础设施即服务，造就了公有云的崛起，但IaaS模式的前期基础设施投入大，营收能力低下，积弊已久。PaaS需要云厂商投入大量的人力、回报周期长，SaaS的价值不足，客单价低，还需要大量定制化和运维服务。这时候，通过MaaS这一新模式，向用户全面输送模型能力，是一种高价值、强确定性的选择。

一方面，大模型庞大的数据规模，会带来更多的计算资源需求和用云量。另外，行业企业用户的定制化需求，可以按项目制付费。大量AI应用程序调用API，已经产生了按token付费、订阅付费、商业版等多种商业模式。

如此多的商业化前景，就如同一针针强心剂，促使云厂商们加速布局MaaS。

让我们回归到现实，来看一看国产云厂商，是如何做MaaS这门生意的。

“前店后厂”的国产MaaS

今天的整体形式是，国产云厂商的MaaS基本都走向了“前店后厂”模式。

怎么理解呢？

云厂商扮演“厂”的角色，是利用基础设施、行业服务能力等优势，和全流程开发工具与套件，满足客户对模型预训练、模型精调、模型部署、智能应用开发等多样化需求，保障客户的大模型能够顺利交付。

以微软云的Azure OpenAI 服务为例，就支持开发者调用OpenAI GPT-4、GPT-3、Codex 和 DALL-E等模型的API，来构建、微调模型，为应用提供支持。这就是“工厂”模式，Azure主要提供一些企业级功能，如安全性、合规性和区域可用性等。

而纵观国内云厂商，会同时强调自己“店”的能力。

云厂商扮演“店”的角色，即还会自己参与开发行业大模型及AI原生应用，把控模型和应用的质量，提供精选服务，进行市场推广和销售。