各行业积极探索 MaaS 落地之道，并在部分领域的应用初见成效。
1.银行业金融 MaaS 平台应用实践（1）场景痛点：模型开发及部署效率低平安银行积极探索大模型在业务场景智能化和降本增效方面的解决方案，虽然模型应用需求向多而广的趋势变化，使得传统模型研发流程中存在的自动化程度低、资源利用率低、知识和能力缺乏共享等问题愈加凸显，制约了模型应用的快速开发和部署上线效率，限制了大模型等人工智能技术的规模化落地。（2）解决方案：BankGPT 服务平台高效赋能模型落地为解决以上痛点，平安银行自主研发MaaS 服务平台，即BankGPT。基于该平台，用户可通过API 调用各种模型，无需关注其内部工作原理、部署和维护。BankGPT上线以来，为各业务场景的模型应用提供了高效、低成本的模型使用和开发支持。BankGPT 一方面提供模型微调功能，开发人员以极低技术门槛开发上线大模型服务，另一方面提供底座模型的共享，可训练调优适应于不同场景的专业大模型，提升业务效果。
（3）实践成效：多种落地模式赋能全行员工BankGPT 平台经过持续迭代，截止2024 年1 月，已实现支持四种不同的落地模式，支撑行内模型应用的高效、低成本开发，从而实现智能化普及。该平台目前已上线10+底座模型，算法团队、业务开发团队落地应用数十个，基于 Prompt 调优创建应用数百个，并为全行员工提供大量可直接体验的应用。
2.电网领域 MaaS 实践 （1）场景痛点：电力模型精度及开发效率受限人工智能模型训练门槛较高，业务人员缺乏机器学习专业知识，导致模型研发及部署不够便捷，生产效率较低，且各单位模型重复开发造成资源浪费。 （2）解决方案：一体化 MaaS 平台为各层赋能中国电科院结合设备智能巡检、作业安全管控等典型业务实际需求，构建电网领域的一体化 MaaS 平台（如图18 所示）。该平台基于“模型+服务+应用”建设模式，包括资源层、平台层、模型层、服务层、应用层六部分，可以 API、SDK 对外提供服务，还可提供自动建模、智能标注等组件支撑能力，并结合自动化训练技术，支持在平台上采用“预训练+微调”模式开展基于预训练模型的二次调优，构建专用电力模型，提升模型开发效率。
（3）实践成效：缩短周期，提升人效通过一体化 MaaS 平台，显著缩短开发周期约50%，模型精度相比传统训练方式有明显的提升，缺陷识别准确率达90%以上。
3. 电信运营商在私域领域的 MaaS 实践（1）场景痛点：公域模型难满足特定需求公域大模型直接应用到移动内部，存在问题和风险，公域大模型 To C 思维无法满足企业的特定需求和场景，数据安全风险较高。同时企业大模型在多域运作中缺乏统一生态管理，需要在现有系统中实现流程连贯性，构建合作伙伴和开发者的良性竞争环境。（2）解决方案：融合 MaaS 打造“平台+生态”私域大模型体系
针对上述痛点，广东移动打造了自主的私域大模型体系，采用了“平台+生态”的模式，包括数据源、MaaS 模型能力层、场景组件库、产品运营平台以及产品及应用共计五层（如图19 所示）。在体系中，集成了自主研发的模型、专业模型以及第三方生态大模型。同时，通过积极开发和整合行业特定大模型，支持企业内部应用的数字化转型，提高了应用场景落地的效率。（3）实践成效：提升平台灵活性推动数智化转型该方案实现了平台的高灵活性和可扩展性，通过算力和模型的适配提高了平台可扩展能力和兼容性。应用层接入接口的统一使平台能快速拓展至各业务场景，并建立了统一的数智人运营体系，有效支持企业数智化转型。
4.金融风控领域的 MaaS 实践（1）场景痛点：金融动态风控建模效率低、样本少 高频的建模需求与低效的建模方案相冲突。每个业务环节都需频繁迭代模型，而传统建模周期长，POC、建模、评估、上线各环节共需数月之久，无法快速响应业务变化。 小样本情况下建模难。短时间内样本累积不足，样本量少而无法支持模型调优。同时在新产品或新业务上线时，少样本或零样本给风控模型带来压力。 （2）解决方案：金融风控 MaaS，实现低门槛高效率建模腾讯云在金融风控领域的 MaaS（如图20 所示），一是通过工具平台实现全流程的自动化建模和部署上线，缩短模型上线周期，满足快速迭代需求，适配业务动态变化；二是集成了大量专家模型，以模型服务的方式提供快速调用及组合编排，进一步提升模型的精度和落地效率；三是积累了风控领域丰富的知识经验，通过大模型加高质量数据解决小样本训练难题，并配备360 度模型评估模块，加速验证模型效果。
在大模型时代发展的浪潮下，各行业面临着前所未有的数智化转型挑战与机遇。而 MaaS 作为模型服务灵活供给的新模式，为行业转型变革带来新路径。 MaaS 概念在大模型时代得以重塑，助力大模型规模化落地。MaaS 围绕技术门槛低、模型可共享、应用易适配三大特性，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。
MaaS 框架组成逐渐清晰，但落地挑战不一而足。中国信通院联合产业专家对 MaaS 框架做出系统性归纳，包括模型平台层、模型层和应用开发层，并对 MaaS 能力建设要求进行梳理，同时将MaaS与云计算架构进行比对分析，明确其在人工智能体系架构中的定位。但 MaaS 在模型服务质量规范性、服务易用性、风险合规及生态建设等方面存在诸多挑战。 MaaS 应用日趋广泛，落地效果逐渐显现。在外需和内驱双向推动下，金融、电信等行业率先涌现出诸多优秀的MaaS 落地实践，将模型服务更加便捷地提供给用户，使其在使用大模型等AI 技术时能够达到多快好省的效果。同时 MaaS 在生产经营等各环节的落地日渐增多，如基于模型的 AI 应用，在调研案例中覆盖了百余个场景。当前 MaaS 落地仍处于初期阶段，未来大小模型协同、内外部接口统一化、应用新生态、安全保障等能力的持续跃升，将成为MaaS 发展新趋势。
一是大小模型协同将成为模型服务场景化落地的重要方式。大模型以其大而强的特点，擅长处理广泛领域的通用问题，而小模型则以其小而精的特点，专注于解决特定场景下的专业问题。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。大小模型协同策略将促进 AI 技术在各个领域的应用深化，进一步释放AI 技术的商业价值，形成更为丰富多样的应用场景和解决方案。二是 MaaS 服务的能力和内部接口将走向统一化。一方面模型服务水平将逐步规范化，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，模型服务规模化落地后，模型与应用或业务系统间的接口是否统一将直接影响开发效率和质量。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。
三是 MaaS 将催生基于大模型的应用新生态。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。根据 Gartner 预测，到 2026 年，超过80%的企业将使用生成式 AI 的 API 或生成式 AI 模型，或者在生产环境中部署支持生成式的应用（目前这一比例不足 5%）12。 四是 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，根据 Gartner 预测，到2026 年，对AI 应用部署信任、风险和安全管理控制措施的企业，将能过滤掉80%的错误和非法信息，从而提高决策的准确性12。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“AI+”行动进展。
