今年以來，大模型的熱度，讓雲計算産業爲之沸騰。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，爲不同的業務場景，來構建、訓練和部署專屬模型。雲平台會提供從數據、模型到應用服務的全周期管理和工具。
目前，微軟雲 Azure、阿裏雲、華爲雲、騰訊雲、百度雲、京東雲等雲計算大廠，都已經推出了 MaaS 服務。
雲廠商做 MaaS 究竟是爲什麽？一個主要考量是，作爲 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争，而通過 PaaS 和 SaaS 爲政企提供 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，雲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，真的能幫雲廠商 " 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，真的有那麽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，大模型的産業化之路才剛剛開始，而産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，推動模型生産走向工業化。不同模型是各式各樣的鋼材，用來蓋起一個個 AI 應用，那麽 " 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，行業智能化滲透率将從 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，對于大模型的生産需求，還很旺盛。
第二，供給。目前，大模型的生産力依然有限，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 "，導緻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、預處理等一系列複雜工程，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。雲廠商有充足的動力，催化 MaaS 模式的成熟，并推向市場。IaaS 基礎設施即服務，造就了公有雲的崛起，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 需要雲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、強确定性的選擇。
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雲量。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，已經産生了按 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，促使雲廠商們加速布局 MaaS。
讓我們回歸到現實，來看一看國産雲廠商，是如何做 MaaS 這門生意的。
" 前店後廠 " 的國産 MaaS
今天的整體形式是，國産雲廠商的 MaaS 基本都走向了 " 前店後廠 " 模式。
怎麽理解呢？
雲廠商扮演 " 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。
以微軟雲的 Azure OpenAI 服務爲例，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，爲應用提供支持。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。
而縱觀國内雲廠商，會同時強調自己 " 店 " 的能力。
雲廠商扮演 " 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，騰訊雲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，就是依托騰訊雲 TI 平台打造行業大模型精選商店，其中包含了騰訊企點、騰訊會議、騰訊雲 AI 代碼助手等多款頭部 SaaS 産品。
9 月華爲全聯接大會 2023，華爲雲的 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，到适配行業特征的 L1 層，以及開箱即用的 AI 應用 L2 層，并上線了昇騰 AI 雲服務百模千态專區。
而 10 月剛剛舉辦的百度世界 2023，百度智能雲的 MaaS 服務平台千帆，則推出了千帆 AI 原生應用商店，成爲大模型商業機會的彙集地，爲商家提供品牌曝光、流量支持和銷售資源等支持。首批精選應用包含了百度内部的曦靈數字人平台、百度智能雲一念智能創作平台等。
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，目前上遊的底座模型并不少，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 市場較爲成熟的歐美市場不同，這一輪國内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，不知道什麽模型适合自己的業務，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，産品已經落後了，或者找不到客戶進行商業變現。
這種情況下，雲廠商僅僅做幕後 " 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。" 前店後廠 " 就成了國産 MaaS 的主流選擇，" 工廠 " 負責生産，" 商店 " 負責推介。
而 " 前店後廠 " 模式，則大大增加了 MaaS 的難度。
突出重圍的持久戰
" 前店後廠 " 模式下，雲廠商既是生産者，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 的競争要素和難度增多，而且也帶來了雲廠商與行業夥伴、客戶、開發者的種種沖突。具體來說有以下幾點：
想賺錢，隻靠基礎模型還不夠。
隻卷基礎模型，像 Azure OpenAI 服務那樣，以 OpenAI GPT-4、GPT-3、Codex 和 DALL-E 幾個精品爲主，是不足以滿足企業用戶、行業夥伴和開發者的需求的。對于國産 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、高頻次的行業類别上，也做出成熟的垂直大模型，來滿足大模型落地行業的需求。
比如騰訊雲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。華爲雲、百度雲等也不例外，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，雲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，如果雲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 都将自身的算力集群規模和性能，作爲首要賣點之一。
我們要意識到，算力充沛對雲廠商來說，意味着極高的計算資源成本、能耗、運維成本等。大模型訓練，需要動辄千卡、萬卡的 GPU 集群，如果一台 GPU 服務器過熱宕機，整個集群都要停下來，訓練任務要重啓，這對雲服務商的硬件性能、運維能力等要求非常高，往往隻有幾大頭部雲廠商能支持。
爲了提升推理效率、降低成本，雲廠商們也在技術層面展開競速。比如爲了實現 AI 算力的極緻性能，華爲雲在基礎設施之上進行了針對 AI 雲服務的技術優化；騰訊雲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，雲廠商還面臨 AI 算力國産化、綠色低碳等現實考驗。其中，擁有自研芯片的華爲雲昇騰 AI、昆侖芯片的百度智能雲，能提供更穩定的底層算力，後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，随着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，也是一個考驗雲廠商智慧的問題。
第三個矛盾，則是 MaaS 的教具與教學。
作爲 " 模型工廠 "，MaaS 平台需要提供大模型的全套全流程開發工具與套件，已經成爲行業共識了。
目前，頭部雲平台的準備也非常充分。華爲雲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。百度智能雲的千帆平台，提供預制數據集、應用範式，以及其他幫助企業應用大模型的工具。騰訊雲的 TI 平台，同樣包括數據标注、訓練、評估、測試和部署等全套工具。
如此豐富的工具和平台，相當于把 " 教具 " 交到了行業客戶和夥伴手中，是不是就能實現大模型的工業化生産了呢？
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 平台和工具，比如金蝶、中軟國際等。
但是，更多行業夥伴和企業客戶，就算有了這些工具和套件，沒有技術專家深入指導，沒有産品經理、項目經理、運營、程序員等手把手教學，很難搞定定制化需求。
騰訊雲的工作人員曾分享過一個案例，在攜手中央電視台打造 " 央視人工智能開放平台 " 時，面臨數據量龐大、形态複雜的問題，導緻傳統的數據标簽體系都無法達标。最後，騰訊雲重新構建了一套傳媒專屬的數據标簽體系，同時也研發了創新的 " 标簽權重引擎 "，讓數據标簽顆粒度更細，并按照核心度排序。在這套數據标簽體系支撐下，視頻編輯用自然語言就能實現跨模态檢索。
顯然，MaaS 模式也需要雲廠商具備 ToB 服務能力，這是一個慢活、苦活、累活。指望靠 MaaS 工具 " 躺着賺錢 "，至少目前階段，是肯定沒希望的。
" 前店後廠 " 的 MaaS 模式，還有一個隐含的矛盾，就是雲廠商也做應用，如何避免與行業夥伴和開發者争利的情況。
MaaS 平台上需要大量 AI 應用程序，雲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，來一同基于雲平台創造 AI 應用程序。
但是，基于通用大模型能做出什麽樣的 AI 應用，還有很大的空白，所以雲廠商也會自己 " 打樣 "，上架一些 AI 應用。
比如百度智能雲的千帆 AI 原生應用商店，就上線了百度曦靈數字人直播平台、comate 代碼助手這類百度自己出品的應用，也有來自合作夥伴 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。那麽，" 前店後廠 " 模式下的 MaaS 平台，也在做 AI 應用，就必須打消開發者的顧慮，隻做 " 抛磚引玉 " 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，開發生态的繁榮，意味着内容和體驗足夠豐富，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台。
基于大模型的 AI 原生應用，也是如此。據百度智能雲的工作人員透露，百度智能雲爲什麽成爲業内第一個發布 AI 應用商店，就是因爲大家都有從衆的習慣，目前能做的，就是快，客戶的留存率也會更高一些。
MaaS 模式，雲廠商比以往更加需要生态夥伴。百度智能雲的千帆 AI 原生應用商店、騰訊雲行業大模型生态計劃、華爲雲多樣化的夥伴賦能，都說明，不卷應用卷生态，盡量聚攏開發者，是 MaaS 成功的前提。
可以看到，圍繞 MaaS 模式的競争，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 之于雲廠商，并不是一個進退兩難的選擇困境，而是沒有後路的背水一戰。關關難過關關過，終有守得雲開見月明的一天。
