MaaS概述 - MaaS的起源与概念是指将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,无须开发和维护底层基础能力 [6][7][8] - 大模型的发展促使MaaS快速发展,大模型的高性能对数据和算力的需求增长,成本增加使得模型规模化落地存在阻碍,MaaS通过提供服务的方式显著降低了用户使用大模型的门槛 [8][9][10] - MaaS助推大模型规模化落地,通过提供全流程平台工具降低技术门槛、提供集约化的模型库和数据集解决重复造轮子的资源浪费问题、提供模型应用的高效开发能力适配企业规模化场景需求 [13][14] MaaS发展现状及挑战 - MaaS产业图谱初步形成,包括平台服务、模型服务、数据集服务和AI应用开发服务,各类参与方积极发挥自身优势形成不同落地模式 [15][16][17][18] - MaaS存在模型服务质量缺乏规范性、服务易用性不足、基建成本控制能力需加强、合规管理体系亟需进一步完善、国内生态建设尚不完备等挑战 [21][22][23] MaaS框架与能力要求 - MaaS框架由模型平台层、模型层和应用开发层三部分组成,提供全流程的模型生产、模型调用和应用开发服务 [24][25][26] - 模型平台层提供数据工程、模型开发、模型交付和服务运营等能力,帮助企业降低模型定制开发的技术门槛 [26][27][28][29][30][31] - 模型层提供丰富的模型库、数据集和服务管理等能力,为用户提供可直接调取的模型服务 [33][34][35][36][37] - 应用开发层提供支撑能力、应用开发集成和应用生命周期管理,帮助用户快速构建基于AI模型的应用 [38][39][40][41][42][43] MaaS应用分析 - MaaS落地需要外部需求和内部驱动力,金融、电信等行业率先成为落地最多的领域,经营管理环节的应用最为成熟 [48][49][50] - 平安银行的BankGPT服务平台、中国电科院的一体化MaaS平台、广东移动的私域大模型体系、腾讯云的金融风控MaaS等案例展示了MaaS在不同行业的落地实践和成效 [52][53][54][55][56][57][58][59][60][61][62][63][64]