中国信通院：MaaS框架与应用研究报告（2024年）

MaaS 框架与应用研究报告（2024年）总结

核心内容概述

本报告系统分析了模型即服务（MaaS）的发展历程、现状及挑战，明确了其在大模型时代的重要作用。MaaS作为一种新型人工智能服务模式，旨在降低AI技术使用门槛，提升模型应用效率，促进AI技术的规模化落地与行业赋能。

主要观点

• MaaS 是将 AI 模型及相关能力封装为服务，以支持企业快速构建、部署、调用模型。
• 大模型的发展推动了 MaaS 的快速发展，使模型服务更广泛地应用于金融、政务、电信等多个行业。
• MaaS 具备三大显著特性：技术低门槛、模型可共享、应用易适配，有助于实现 AI 技术的普惠化与高效化。
• MaaS 产业生态初步形成，涵盖平台服务、模型服务、数据集服务和应用开发服务等多层能力。

关键信息

一、MaaS 概述

1. MaaS 起源与概念

   • MaaS 概念最早由 DJ·帕蒂尔于 2012 年提出，旨在通过服务形式降低 AI 模型的使用门槛。
   • 在大模型时代，MaaS 概念进一步扩展，覆盖从模型训练、调优、部署到应用开发的全生命周期。

2. 大模型推动 MaaS 快速发展

   • 大模型的高泛化能力和生成能力推动了 MaaS 在多个行业中的应用落地。
   • 金融、电信、政务等行业的应用案例表明，MaaS 能有效解决人力成本高、响应速度慢、数据孤岛等问题。

3. MaaS 助力大模型规模化落地

   • MaaS 提供全栈服务，包括模型平台、模型服务、数据集服务和应用开发服务。
   • MaaS 通过降低技术门槛、提升资源利用率和开发效率，推动 AI 模型的高效应用。

二、MaaS 发展现状及挑战

1. MaaS 产业发展现状

   • MaaS 产业图谱初步形成，涵盖平台、模型、数据集及应用开发等环节。
   • 国内外 MaaS 平台如 Google AI Platform、阿里云 PAI、腾讯云等均提供丰富的模型服务和开发工具。

2. MaaS 发展面临的挑战

   • 服务规范性不足：缺乏统一的服务标准，影响用户体验与服务质量。
   • 服务易用性不足：模型信息不透明、可解释性差，影响用户对模型的信任与使用。
   • 基建成本高：需要大量算力资源和专业人才支持，导致建设成本高昂。
   • 合规管理体系不完善：缺乏明确的权责划分与数据隐私保护机制。
   • 生态建设不成熟：行业间接口不统一，阻碍模型服务的共享与复用。

三、MaaS 框架与能力要求

1. MaaS 框架说明

   • MaaS 框架由三部分组成：模型平台层、模型层、应用开发层。
   • 三者可单独使用，也可组合提供更完整的服务。

2. 模型平台层

   • 提供数据处理、模型开发、交付与运营管理能力。
   • 支持低代码/零代码开发，便于模型的快速调优与部署。

3. 模型层

   • 以模型库为核心，提供丰富多样的模型资源与服务管理能力。
   • 模型服务可支持 API、SDK、模型文件等多种形式。

4. 应用开发层

   • 基于模型服务、插件、知识库等能力，提供自然语言交互、工作流编排、界面配置、代码开发等多方式支持。
   • 支持 AI 应用从创建到运营的全生命周期管理。

5. 模型服务协议框架

   • 明确服务可用性、隐私安全性、计量准确性及权责条款等关键要素。
   • 旨在规范模型服务流程，提升服务质量与用户信任。

四、MaaS 应用分析

1. MaaS 落地条件与优势场景

   • MaaS 落地需要外部需求（如 AI+ 全流程应用）和内部驱动力（如模型共享机制）。
   • 优势场景包括经营管理、客服、营销、风控等，适合快速见效且风险较低的业务场景。

2. 行业实践案例

   • 平安银行：通过 BankGPT-MaaS 平台，提供模型共享与微调服务，提升模型使用效率，降低开发成本。
   • 中国电科院：构建一体化 MaaS 平台，实现“预训练+微调”模式，提升模型开发效率与精度。
   • 广东移动：打造私域大模型体系，集成自主研发与第三方模型，提升平台灵活性与数智化转型能力。
   • 腾讯云金融风控 MaaS：通过自动化建模、专家模型调用、小样本建模等技术，显著提升建模效率与模型精度。

五、总结与展望

• MaaS 在大模型时代具有重要价值，有助于推动 AI 技术的规模化应用。
• 当前 MaaS 落地仍处于初期阶段，未来发展趋势包括：
  • 大小模型协同：结合大模型的通用能力与小模型的专业能力，提升服务精准度与效率。
  • 接口统一化：推动模型与应用接口标准化，提升系统兼容性与开发效率。
  • 应用新生态：基于自然语言和多模态能力，构建更加个性化、拟人化的 AI 应用生态。
  • 安全保障强化：完善平台安全、数据隐私、模型可控性等保障体系，提升用户信任与使用安全。

关键数据与成效

• 金融行业 MaaS 应用占比达 49%，成为落地最广泛的行业。
• 经营管理环节应用占比达 50%，见效快、风险低。
• 通过 MaaS，金融风控模型迭代效率提升 8 倍，整体通过率提升 1.5%。
• 某银行通过 MaaS 实现风险防控准确率提升 2 倍，网络运维准确率达 88% 以上。
• 企业内部 AI 应用已覆盖 100+ 场景，助力数智化转型。

结论

MaaS 作为推动大模型规模化落地的重要模式，正在逐步成为人工智能技术应用的核心载体。尽管当前仍面临服务标准化、生态建设、合规管理等挑战，但随着技术与产业的不断成熟，MaaS 将在降低使用门槛、提升应用效率、推动 AI 技术普及方面发挥更大作用，助力“人工智能+”的全面落地。