MaaS产业发展现状、挑战有哪些？

下面阐述当前 MaaS 的产业发展现状，并分析MaaS落地面临的挑战。

一、MaaS 产业发展现状MaaS

在人工智能产业链中处于中游位置，基于平台服务、模型及数据集服务、应用开发服务的供给能力，形成了初步的产业图谱，且各类参与方积极发挥自身优势，形成不同落地模式。

1. MaaS 产业图谱初步形成MaaS 基于算力基础设施的支持，面向场景提供多种应用，具备从模型生产到模型调取并打造成 AI 应用的全流程能力。

MaaS 产业图谱中，平台服务构成了MaaS生态系统的基座能力。国外如 Google 的AI Platform、微软的AzureMachine Learning 以及亚马逊的 Amazon SageMaker 等平台，提供了从数据处理到模型训练、验证、部署及监控的流水线服务。国内如阿里云 PAI 平台、腾讯云太极平台、百度千帆大模型平台和华为的ModelArts 平台等，均支持多种机器学习算法和大模型，并提供低代码开发环境与高效的模型训练及部署能力，能够适应多样化的模型定制需求。

在模型服务方面，通过提供丰富多样的模型资源以支持各种应用需求。如 Hugging Face 提供模型及模型调用服务，截止2024年5月，其模型数量已超 60 万个，单个模型的最高下载次数超4 亿次6。国内模型服务生态迅速发展，头部企业通过搭建模型服务开源社区或平台，汇聚各类模型及服务能力，包括大模型、传统AI 模型及各场景各模态的模型等。 在数据集服务方面，通过汇聚和管理处理好的数据集，为其他AI 模型的训练与微调提供可直接获取的高质量数据集，一定程度上帮助企业快速获取某些模型训练所需的数据集。截至2023年Scale·AI 数据集服务商已累计标注 10 亿条2D、3D场景化数据7，提供了丰富的数据集服务，据 Grand View Research 报告显示，全球数据收集和标注市场规模预计从 2023 年到2030 年将以28.9%的复合年增长率增长8。

在 AI 应用开发服务方面，基于模型的应用开发平台，借助配置、编排及代码开发等多元化工具，为用户提供了一条高效便捷的AI 应用开发新路径。如 GPTs 作为基于大模型的应用开发工具，可通过自然语言方式创建 GPT 应用，截至 2024 年1 月已创建多达300万个 GPTs9。国内头部企业也纷纷推出各类应用开发平台，可实现AI 原生应用开发，并支持构建 AI Agent（智能体），达到大模型与各组件或系统工具的强互动及关联，据 MarketsandMarkets 预测，至2028 年全球 AI Agent 市场规模将达到 285 亿美元，2023 至2028年复合增长率将达到 43.0%10。

2. MaaS 两种落地方式 MaaS 具备公有云和私有云两种落地方式，公有云模式下模型资源更加丰富，但私有云模式下模型资源的行业领域属性更专业（如图 3 所示）。公有云方式下，通过丰富的资源可吸引更多用户而提升产品知名度，有助于进一步商业转化。其模型面向社会大众提供服务，模型的种类和数量更多，通用性更强，但是对于业务需求较高的特定场景，部分模型难以直接应用。私有云方式下，企业内研发团队专注于研究符合垂直领域场景需求的模型，旨在通过调用模型服务以直接解决业务需求，且模型资产和数据隐私性强，各团队在模型共享的过程中可降低资产泄露的风险。

MaaS 在公有云和私有云两种落地方式下体现出不同的商业模式。在公有云环境下面向 C 端用户主要有按量计费和订阅两种模式，其中按量计费是指按照模型实际调用量或者算力消耗量计费，如按照调用模型接口（API）次数或输入输出数计费；订阅模式是指按照月租或年租的方式计费，常见于模型应用的使用场景，适合追求“开箱即用”便捷性的用户群体。在私有云环境下面向B 端客户以私有化部署的项目制方式计费，可根据企业需求部署对应的服务，如需提供模型生产的工具则部署模型平台，如对应用开发有需求则部署应用开发平台，私有化部署的 MaaS 在企业内部实现服务的共享使用，并根据需求决定服务调用是否内部结算。

二、MaaS 发展面临的挑战

随着 MaaS 的快速发展，平台、模型等服务能力迅速得以完善，但 MaaS 在规范性、生态建设等方面仍存在不足，模型服务的易用性仍有待提升。 模型服务质量缺乏规范性。目前产业界已发布多个MaaS产品，并汇聚了大量的模型服务，但服务内容和服务质量难以统一和衡量，无法确保用户获得满意的服务。一方面模型服务本身的可用性要求尚未建立统一规范，另一方面服务规模化落地所必须的稳定性、可靠性和安全性等并未形成标准体系。

模型服务易用性不足。由于模型卡片的建设尚不完善，导致模型信息的不透明现象较为普遍。用户无法获取清晰、准确的模型信息，从而难以选择所需模型。此外，模型的可解释性也相对较弱，使得用户难以理解模型的运作机制和输出结果。因此，加强模型卡片的信息透明度，增强模型的可解释性，提升模型服务易用性，是当前面临的重要挑战。 MaaS 基建成本控制能力需加强。MaaS 的体系构建离不开坚实的基建支撑，涵盖云计算基础设施如算力资源和数据中心的搭建，以及专业技术人才的培育，这些都需要巨额的资金投入。因此MaaS建设方应考虑有效地管理和利用基建资产，降低运营成本提高运营效率，从而降低和控制建设成本。

合规管理体系亟需进一步完善。MaaS 在合规性方面面临数据规范与权责确认的双重考验。就数据合规而言，既要关注用户在使用模型服务时个人数据的隐私安全，也要确保用于模型训练和优化的数据来源合法合规。在权责确认方面，当模型服务出现不可用时，如何明确和处理使用方因此遭受的损失，目前尚缺乏明确的规范。国内 MaaS 生态建设尚不完备。一方面由于当前MaaS各层之间，以及同层的不同企业服务之间接口模式尚未统一，使得MaaS的推广和应用也面临数据互通、技术对接等难题，这在一定程度上制约了其生态建设的步伐；另一方面国内模型服务和用户的体量较国际先进水平还存在差距，模型共建共享的生态环境有待进一步完善。