MaaS，云廠商在打一場“翻身仗”

今年以來，大模型的熱度，讓云計算產業為之沸騰。要舉出一個最有力的證明，應該是：MaaS（Model as Service）這種全新模式的出現，一座座“模型工廠”，已經建起來了。

所謂MaaS，模型即服務，指的是用戶可以直接通過API調用基礎大模型，為不同的業務場景，來構建、訓練和部署專屬模型。云平臺會提供從數據、模型到應用服務的全周期管理和工具。

目前，微軟云Azure、阿里云、華為云、騰訊云、百度云、京東云等云計算大廠，都已經推出了MaaS服務。

云廠商做MaaS究竟是為什么？一個主要考量是，作為IT基礎設施服務商，也就是IaaS模式，長期面臨價格戰的市場競爭，而通過PaaS和SaaS為政企提供ToB的數字化服務，又一直沒有完成行之有效的價值回收。

這種情況下，云廠商急需要找到一種全新的、高價值的商業模式，大模型就帶來了這個可能。

可是，方興未艾的MaaS，真的能幫云廠商“翻身”嗎？

必然到來的MaaS

先要聲明一下，MaaS模式的出現，以及大量“模型工廠”的矗立，是非常有必要，也是有極大商業想象空間的。

你可能會問了，連OpenAI的模型訪問量都在下降，真的有那么多大模型的訓練需求，要用到如此多的“模型工廠”和MaaS服務嗎？

我們的判斷是，大模型的產業化之路才剛剛開始，而產業化會催生大量細分的、不同參數、不同規格、不同場景的模型需求，必須提升模型訓練部署的效率，推動模型生產走向工業化。不同模型是各式各樣的鋼材，用來蓋起一個個AI應用，那么“模型工廠”就是“煉鋼廠”，是一定要建的。

MaaS模式的必然性，有三個支點：

第一，需求。通用性的基礎大模型，已經被快速填滿了。剩下很多企業，更希望調用基礎模型的能力來改造自己的業務，或者開發新的AI應用，而這些都需要更懂行業知識、技能更精準、更貼合場景的垂直模型。有數據顯示，行業智能化滲透率將從2021年的7%增長到2026年的30%，更多行業的核心業務系統會被大模型能力滲透。所以，對于大模型的生產需求，還很旺盛。

第二，供給。目前，大模型的生產力依然有限，首先是計算資源稀缺，大模型的訓練和推理對計算資源和存儲資源有很高的需求，很多企業和機構“無卡可用”，導致無法進行大模型的訓練和推理。

同時，訓練專有大模型需要大量的高質量數據，數據清洗、預處理等一系列復雜工程，大大影響了開發效率，訓練周期長，無法快速滿足業務上線的要求。

此外，訓好的大模型要進行部署和應用，需要考慮到計算資源、業務場景、不同參數規格、網絡帶寬、安全合規等方方面面的問題，很多企業和機構缺乏相關的技術和經驗，前期投入的心血很容易就打了水漂。

要提高大模型的供給數量和質量，MaaS模式的“模型工廠”一定要建。

第三，催化劑。云廠商有充足的動力，催化MaaS模式的成熟，并推向市場。IaaS基礎設施即服務，造就了公有云的崛起，但IaaS模式的前期基礎設施投入大，營收能力低下，積弊已久。PaaS需要云廠商投入大量的人力、回報周期長，SaaS的價值不足，客單價低，還需要大量定制化和運維服務。這時候，通過MaaS這一新模式，向用戶全面輸送模型能力，是一種高價值、強確定性的選擇。

一方面，大模型龐大的數據規模，會帶來更多的計算資源需求和用云量。另外，行業企業用戶的定制化需求，可以按項目制付費。大量AI應用程序調用API，已經產生了按token付費、訂閱付費、商業版等多種商業模式。

如此多的商業化前景，就如同一針針強心劑，促使云廠商們加速布局MaaS。

讓我們回歸到現實，來看一看國產云廠商，是如何做MaaS這門生意的。

“前店后廠”的國產MaaS

今天的整體形式是，國產云廠商的MaaS基本都走向了“前店后廠”模式。

怎么理解呢？

云廠商扮演“廠”的角色，是利用基礎設施、行業服務能力等優勢，和全流程開發工具與套件，滿足客戶對模型預訓練、模型精調、模型部署、智能應用開發等多樣化需求，保障客戶的大模型能夠順利交付。

以微軟云的Azure OpenAI 服務為例，就支持開發者調用OpenAI GPT-4、GPT-3、Codex 和 DALL-E等模型的API，來構建、微調模型，為應用提供支持。這就是“工廠”模式，Azure主要提供一些企業級功能，如安全性、合規性和區域可用性等。

而縱觀國內云廠商，會同時強調自己“店”的能力。

云廠商扮演“店”的角色，即還會自己參與開發行業大模型及AI原生應用，把控模型和應用的質量，提供精選服務，進行市場推廣和銷售。

比如今年6月份，騰訊云在行業大模型及智能應用技術峰會上推出的MaaS一站式服務，就是依托騰訊云TI平臺打造行業大模型精選商店，其中包含了騰訊企點、騰訊會議、騰訊云AI代碼助手等多款頭部SaaS產品。

9月華為全聯接大會2023，華為云的MaaS服務，則采用了5個基礎大模型+N個行業大模型+X個場景模型的三層解耦架構，從L0層的基礎模型，到適配行業特征的L1層，以及開箱即用的AI應用L2層，并上線了昇騰AI云服務百模千態專區。

而10月剛剛舉辦的百度世界2023，百度智能云的MaaS服務平臺千帆，則推出了千帆AI原生應用商店，成為大模型商業機會的匯集地，為商家提供品牌曝光、流量支持和銷售資源等支持。首批精選應用包含了百度內部的曦靈數字人平臺、百度智能云一念智能創作平臺等。

可以看到，智能時代，垂直模型和AI應用一定會百花齊放，一定離不開模型工廠。但整個階段才剛剛走出了第一步，目前上游的底座模型并不少，能力也都不差，但如何做出有說服力的垂直模型和應用，難度還是很高的。

和數字化及SaaS市場較為成熟的歐美市場不同，這一輪國內智能化的主力軍是傳統行業及企業。很多模型和應用的潛在購買者，對大模型的能力并不清楚，不知道什么模型適合自己的業務，也不知道如何找到需要的模型，更擔心自己的定制模型單子太小不被重視……

而ISV服務商和開發者，擔心投入時間精力一整套流程走下來，產品已經落后了，或者找不到客戶進行商業變現。

這種情況下，云廠商僅僅做幕后“工廠”是遠遠不夠的，需要建立一套更完善的模型供應鏈機制?！扒暗旰髲S”就成了國產MaaS的主流選擇，“工廠”負責生產，“商店”負責推介。

而“前店后廠”模式，則大大增加了MaaS的難度。

突出重圍的持久戰

“前店后廠”模式下，云廠商既是生產者，也是銷售員；既是ToB服務生，也是ToC開發者。多重身份，不僅讓MaaS的競爭要素和難度增多，而且也帶來了云廠商與行業伙伴、客戶、開發者的種種沖突。具體來說有以下幾點：

想賺錢，只靠基礎模型還不夠。

只卷基礎模型，像Azure OpenAI 服務那樣，以OpenAI GPT-4、GPT-3、Codex 和 DALL-E幾個精品為主，是不足以滿足企業用戶、行業伙伴和開發者的需求的。對于國產MaaS服務商來說，還需要在重點領域，比如金融、教育、政務、工業等高要求、高頻次的行業類別上，也做出成熟的垂直大模型，來滿足大模型落地行業的需求。

比如騰訊云的行業大模型精選商店，既提供混元大模型的調用服務，還上架了金融、文旅、零售等20多個領域的行業大模型。華為云、百度云等也不例外，都在“通識教育”的基礎上，對大模型進行“專業課教學”，減少大模型走向行業的門檻。

這就形成了第一個矛盾，云廠商打造行業大模型，需要有大量人才、時間、資源與行業合作，每個重點行業來一遍，投入不菲，周期不短，增加了MaaS的盈利難度。但是，如果云廠商不打造行業大模型，從基礎模型到AI應用之間的縫隙實在太大，ISV服務商、集成商和開發者不敢走、不會走，大量需求根本無法滿足，也會限制MaaS的增長。

第二個矛盾，是算力的充沛與成本。

大模型訓練，算力是基礎。各個MaaS都將自身的算力集群規模和性能，作為首要賣點之一。

我們要意識到，算力充沛對云廠商來說，意味著極高的計算資源成本、能耗、運維成本等。大模型訓練，需要動輒千卡、萬卡的GPU集群，如果一臺GPU服務器過熱宕機，整個集群都要停下來，訓練任務要重啟，這對云服務商的硬件性能、運維能力等要求非常高，往往只有幾大頭部云廠商能支持。

為了提升推理效率、降低成本，云廠商們也在技術層面展開競速。比如為了實現AI算力的極致性能，華為云在基礎設施之上進行了針對AI云服務的技術優化；騰訊云打造了面向模型訓練的新一代HCC高性能計算集群；百度一直通過各種技術優化推理成本，文心3.5版本推理成本較5月剛發布時，下降到原來的幾十分之一。一味堆卡不是長久之計，降本增效才是賽點。

除此之外，基礎設施層面，云廠商還面臨AI算力國產化、綠色低碳等現實考驗。其中，擁有自研芯片的華為云昇騰AI、昆侖芯片的百度智能云，能提供更穩定的底層算力，后續應該會有更多機會。而巨大的計算資源，需要用戶規模和使用量級來支撐，隨著幾大基礎模型的優勝劣汰，屆時，誰的成本更高、模型使用量更低，就有可能出現資源閑置，屆時該如何回收成本，也是一個考驗云廠商智慧的問題。

第三個矛盾，則是MaaS的教具與教學。

作為“模型工廠”，MaaS平臺需要提供大模型的全套全流程開發工具與套件，已經成為行業共識了。

目前，頭部云平臺的準備也非常充分。華為云提供了盤古大模型工程化套件，覆蓋了數據工程、模型開發和應用開發三大環節。據稱，完成一個千億行業模型端到端的開發，從過去需要5個月縮短到現在1個月，整體速度提升5倍。百度智能云的千帆平臺，提供預制數據集、應用范式，以及其他幫助企業應用大模型的工具。騰訊云的TI平臺，同樣包括數據標注、訓練、評估、測試和部署等全套工具。

如此豐富的工具和平臺，相當于把“教具”交到了行業客戶和伙伴手中，是不是就能實現大模型的工業化生產了呢？

顯然還不行。要訓練好一個垂直大模型，并不是一件簡單的事，有些行業企業的數字化程度高、人才隊伍強，能第一時間用好MaaS平臺和工具，比如金蝶、中軟國際等。

但是，更多行業伙伴和企業客戶，就算有了這些工具和套件，沒有技術專家深入指導，沒有產品經理、項目經理、運營、程序員等手把手教學，很難搞定定制化需求。

騰訊云的工作人員曾分享過一個案例，在攜手中央電視臺打造“央視人工智能開放平臺”時，面臨數據量龐大、形態復雜的問題，導致傳統的數據標簽體系都無法達標。最后，騰訊云重新構建了一套傳媒專屬的數據標簽體系，同時也研發了創新的“標簽權重引擎”，讓數據標簽顆粒度更細，并按照核心度排序。在這套數據標簽體系支撐下，視頻編輯用自然語言就能實現跨模態檢索。

顯然，MaaS模式也需要云廠商具備ToB服務能力，這是一個慢活、苦活、累活。指望靠MaaS工具“躺著賺錢”，至少目前階段，是肯定沒希望的。

“前店后廠”的MaaS模式，還有一個隱含的矛盾，就是云廠商也做應用，如何避免與行業伙伴和開發者爭利的情況。

MaaS平臺上需要大量AI應用程序，云廠商不可能全部自己開發，必須像Appstore一樣，引入開發者機制，鼓勵軟件企業或個人開發者，來一同基于云平臺創造AI應用程序。

但是，基于通用大模型能做出什么樣的AI應用，還有很大的空白，所以云廠商也會自己“打樣”，上架一些AI應用。

比如百度智能云的千帆AI原生應用商店，就上線了百度曦靈數字人直播平臺、comate代碼助手這類百度自己出品的應用，也有來自合作伙伴WPS365、梧桐招聘助手等應用，并上線了應用精選推薦。

Appstore曾被Spotify等應用開發者質疑，既當裁判員，又當運動員。那么，“前店后廠”模式下的MaaS平臺，也在做AI應用，就必須打消開發者的顧慮，只做“拋磚引玉”式的創意型/代表性的應用，做好業務區隔，聯合售賣，幫助開發者打通商業鏈路，獲得經濟收益。

和移動互聯網時代開發ios或Android一樣，開發生態的繁榮，意味著內容和體驗足夠豐富，滿足用戶的訴求，用戶規模又會吸引更多開發者前來掘金，形成“馬太效應”，讓應用商店持續繁榮，用戶和開發者都很難輕易切換到其他平臺。

基于大模型的AI原生應用，也是如此。據百度智能云的工作人員透露，百度智能云為什么成為業內第一個發布AI應用商店，就是因為大家都有從眾的習慣，目前能做的，就是快，客戶的留存率也會更高一些。

MaaS模式，云廠商比以往更加需要生態伙伴。百度智能云的千帆AI原生應用商店、騰訊云行業大模型生態計劃、華為云多樣化的伙伴賦能，都說明，不卷應用卷生態，盡量聚攏開發者，是MaaS成功的前提。

可以看到，圍繞MaaS模式的競爭，前程遠大，但道阻且長。一旦卷起來，各項成本都會直線上升，形成新的營收壓力。而如果不卷，就會眼睜睜錯過大模型及AI原生應用的機會，徹底沒了從基礎設施服務商“翻身”的希望。

MaaS之于云廠商，并不是一個進退兩難的選擇困境，而是沒有后路的背水一戰。關關難過關關過，終有守得云開見月明的一天。