模型即服务(MaaS,Model as a Service),是指将人工智能(AI)算法模型以及相关能力进行封装,以服务的形式对用户提供,其核心目标是降低人工智能技术使用门槛,控制应用建设成本,简化系统运维管理复杂度,提升人工智能技术的综合应用效能,从而加速“人工智能+”进程。当前MaaS已在金融和信息通信等行业逐渐落地,但应用过程中仍然在模型服务规范性、生态建设等方面面临挑战。未来将围绕提升模型服务水平和服务便捷性为目标,构建更加完善健康的MaaS生态,助力大模型等智能化技术普惠化落地。
一、MaaS定义重塑,与大模型展现出协同发展的态势
MaaS概念在大模型时代得以重塑。MaaS将AI模型及其相关能力打包成可重复使用的服务,使企业能够快速高效地构建、部署、监控、调用模型,而无须开发和维护底层基础能力。MaaS主要提供三部分服务能力,一是提供包括模型训练、调优和部署等在内的全栈平台型服务,以支持低门槛的模型开发与定制,用户无须关注AI算力、框架和平台即可生产和部署模型;二是提供包括大小模型及公私域数据集的丰富资产库服务,以支持模型和数据集的灵活快速调用,用户无须生产和部署模型即可调用模型和数据集服务;三是提供基于AI模型的应用开发工具服务,以支持快速打造场景化应用,用户无须搭建开发工具即可进行AI应用开发。
大模型的快速发展推动MaaS增益效果更加突出。大模型加快了AI+在各行业的落地进程,并由局部散点落地向全流程赋能不断迈进,催生了庞大的市场需求,但也面临诸多挑战。一是大模型在落地过程中需要海量算力,而企业获取算力门槛高。二是大模型较传统AI模型在训练、调优、推理和部署等面的技术难度均有明显提升。三是大模型工程化落地时烟囱式建设造成资源浪费。四是大模型应用在落地最后一公里时仍存在场景适配难和开发效率不足的挑战。而MaaS基于高效、便捷、灵活等优势,可成为推动大模型应用落地的重要力量,使得MaaS在大模型时代下的增益效果更为突出。
MaaS成为大模型规模化落地的催化剂。MaaS围绕低技术门槛、模型可共享、应用易适配三大特性,提供包括平台服务、模型服务、数据集服务、AI应用开发服务在内的全栈服务,一方面有助于解决模型服务规模化生产面临的成本高、技术门槛高等问题,另一方面帮助提升基于大模型的AI应用开发效率,适配企业规模化场景需求。
二、AI+云深度融合,MaaS推动模型服务以云的方式对外供给
AI的发展需要云计算基础设施作为强大支撑。随着大模型等AI技术的迅速发展,模型训练和推理过程中对智能算力的需求急剧增长,智能算力每3-4个月增长一倍,这需要增加和优化算力资源,以确保MaaS能够持续稳定地为用户提供便捷的模型服务体验。通过云计算有关计算、存储和网络的有力支撑,MaaS将更好地关注筑牢模型平台的生产和部署能力、提升模型服务水平、提高模型应用创新能力、扩充模型库支持能力、保障模型服务可信等方面。
MaaS作为人工智能架构中间层,对云计算架构进行了补充。MaaS与云计算架构相比,对其原有的平台层和应用层进行了增强与补充,推动云计算架构体系智能化升级。一方面MaaS在PaaS基础上增强了平台层能力,使得用户可以直接构建、使用或调优模型,同时MaaS补充了模型层能力,对模型及服务进行集约化管理,为用户提供可直接调取的AI能力;另一方面MaaS对SaaS应用层进行了扩充,支持用户基于多种模型服务及组件进行编排或开发,创造更加个性化更加便捷的AI应用。
MaaS定位及对比示意图
三、MaaS框架初步形成,应用落地成效显现
聚焦模型效能最大化,MaaS三层落地框架形成。以模型高效规模化落地为目标,围绕模型服务生产及使用的全生命周期,形成了包含模型平台层、模型层以及应用开发层在内的MaaS框架,涵盖模型调优、模型服务发布、模型服务调用及管理和基于模型打造AI应用等环节,帮助用户更快更好得使用模型。
MaaS框架图
内外需求驱动MaaS落地,部分行业场景初见成效。MaaS作为新型智能化服务模式,其落地实践需具备模型规模化落地的外部需求和自顶而下的内部组织驱动两个条件,推进模型开发向集约化方式转变,最大化释放AI资产价值。金融行业因其完善的技术储备和丰富的数据资源率先成为落地最多的领域;经营管理场景具备见效快、风险低的特点,在企业内部实践最为成熟;除此之外,由于模型服务便于获取,基于模型的应用赛道朝着更加个性化和专业化方向发展。
四、MaaS将围绕服务化推动“人工智能+”广泛落地
AI产业正在经历前所未有之大变革,通过MaaS将模型服务供给各行各业将成为大势所趋。当前的MaaS落地主要集中于MaaS体系构建,未来将从模型服务水平提升、模型能力扩充、应用能力创新等方面进一步筑牢MaaS体系,为“人工智能+”广泛落地提供便捷路径。
MaaS服务水平将逐步规范化提升。一方面模型服务水平和输出能力将逐步规范化,未来模型将服务成百上千个业务,模型服务的质量直接关系到业务能否稳定运行,因此服务内容、服务水平、服务计量的标准化等将有助于提高服务效率并节约成本。另一方面企业内部模型服务的接口将逐步统一,标准化的接口便于不同业务调用不同模型服务,提高兼容化处理效率,降低使用门槛,促进不同服务之间的互联互通,推动模型的共享和复用。
MaaS模型能力将得到持续扩充。一是大模型技术能力将持续提升;二是行业大模型、领域大模型或场景大模型将持续涌现,MaaS模型层将涵盖并提供更多解决不同问题的大模型服务;三是大小模型协同将成为场景化落地的重要方式,通过将大模型的通识能力与小模型的专业能力相结合,使模型服务更加精准地满足应用需求,为应用开发提供更强大、更灵活的AI能力。
MaaS将催生基于大模型的应用创新生态。首先基于大模型的应用开发新范式将围绕自然语言持续演进,通过自然语言快速生成特定领域的大模型原生应用,开发门槛大幅降低,这将吸纳更广泛的用户群体参与其中,推动应用开发生态持续扩大。其次基于大模型的应用将向个性化、拟人化方向发展,基于开发新范式,各类应用将更加贴合用户的个性化需求,同时应用的形态将逐步转向视频、音频等更具拟人化特征的多模态形式,使得人机交互更为自然流畅。
MaaS将围绕模型服务持续强化安全保障。未来将从平台安全、数据隐私保护、模型可控性、服务可靠性及应用安全等维度,持续健全MaaS安全保障体系。通过健全的保障体系,保护用户在使用模型服务过程中的数据安全与隐私权益,筑牢模型服务风险管理防线,帮助企业生产更加负责任的AI,推动各行业“人工智能+”行动落地。