MaaS 详解：大模型时代最重要的那个 aaS

2026年，AI 应用开发已经变得像调用 API 一样简单。MaaS（Model as a Service，模型即服务） 正在成为继 IaaS、PaaS、SaaS 之后，云计算世界里最具变革性的那个"aaS"。

XaaS 家族全景图

以 "-aaS" 结尾的命名统称为 XaaS（Anything as a Service，一切皆服务）。它们的核心逻辑是：将原本需要购买、部署和维护的物理实体或软件资产，转化为通过网络按需订阅的云端服务。

按照技术栈从底层到上层，可以划分为：

其他衍生概念

• FaaS（Function as a Service，函数即服务）：俗称 Serverless，PaaS 的进一步细化，开发者只需编写单个触发函数，完全不用管底层服务器生命周期。
• DaaS（Data as a Service，数据服务）：将数据采集、清洗、存储和分析能力标准化后对外输出。

MaaS 的本质：智力与数据，而非代码与容器

理解 MaaS 的关键是理解它与前辈们的本质差异。

传统云服务的抽象层次围绕**“计算与工程”**展开——帮你管服务器、管容器、管代码运行。而 **MaaS 的抽象层次围绕"智力与数据"**展开——直接提供理解、推理、生成和决策的能力。

打个比方：IaaS 是把"土地"变成服务，PaaS 把"施工队"变成服务，SaaS 把"房子"变成服务，而 MaaS 把"盖房子需要的知识"变成了服务。

过去，一个 SaaS 要实现智能客服，需要：

1. 自己买 GPU 服务器（IaaS）
2. 搭深度学习环境（PaaS）
3. 训练或微调模型
4. 部署上线

现在，只需要调用 MaaS 的 API，几行代码就能接入顶尖的语义理解能力。这本质上改变了 AI 能力的消费方式——从**“制造”变成“订购”**。

MaaS 的三层架构

一个完整的 MaaS 平台通常包含三个层次：

模型服务层：基于底层 IaaS 提供的算力（尤其是 GPU 集群），托管预训练大模型的推理服务。提供标准化的 REST API，支持 Token 计费或订阅制。

模型平台层：提供模型管理、版本控制、微调（Fine-tuning）、提示词工程（Prompt Engineering）等开发工具，帮助企业基于基础模型构建定制能力。

应用开发层：直接集成到下游应用的开发框架中，如 LangChain、LlamaIndex 等 Agent 开发工具，或者直接嵌入到 SaaS 产品中。

为什么 MaaS 是 2020 年代最重要的变量

1. 改变了"研发"的定义

传统研发范式是：写代码 → 编译 → 部署 → 运行。MaaS 出现后，研发范式变成了：写 Prompt → 调用 API → 获得结果。这意味着自然语言第一次成为了编程语言。

Agent 模式更进一步——AI 不只是执行单个任务，而是自主规划调用一系列 API 和工具来完成复杂目标。

2. 让 AI 能力像"自来水"一样易得

MaaS 将顶尖 AI 能力变成了按 Token 付费的基础设施。以 OpenAI API、Hugging Face、DeepSeek API 为代表的 MaaS 供应商，使得任何规模的开发者都能以极低成本接入世界顶级的语言模型能力。

2025年，微信灰度测试接入 DeepSeek-R1，腾讯元宝也已集成 DeepSeek；百度、华为等厂商纷纷跟进，一时间 DeepSeek-R1 的 MaaS 调用企业用户突破 100 家。这标志着大模型能力在中国正式进入"自来水"时代。

3. 加速 AI-native SaaS 的演进

对传统 SaaS 而言，MaaS 是其演进为 AI-native SaaS 的核心引擎。客服系统、内容审核、数据分析工具——原本需要大量人工介入的环节，现在都可以通过 MaaS API 实现自动化。

技术栈的纵向依赖：谁离不开谁

这些 aaS 之间不是孤立的，存在清晰的纵向依赖关系：

IaaS（GPU 服务器 / 存储 / 网络）
   ↓  所有上层服务的底层算力来源
PaaS（容器编排 / 数据库 / 中间件 / K8s）
   ↓  SaaS 的部署和扩缩容依赖 PaaS
SaaS（最终用户使用的软件产品）
   ↓  AI-native SaaS 需要嵌入 MaaS
MaaS（LLM API / 模型推理服务）

IaaS 是整个体系的基石——大模型训练和推理背后是海量 GPU IaaS 资源在支撑。MaaS 则处于一个微妙的位置：它本质上是一种新型的 PaaS（作为基础设施来构建 AI 应用），但对传统 SaaS 而言它是核心引擎。

控制权与责任的让渡

从 IaaS 到 SaaS，有一个清晰的演进规律：服务商做的越来越多，用户做的越来越少。

• IaaS：用户自己管操作系统、装数据库、调网络
• PaaS：用户只管写业务代码和设计数据表
• SaaS：用户连代码都不用写，只需配置功能和使用服务
• MaaS：用户甚至不需要写代码，通过自然语言（Prompt）直接驱动复杂任务

这条演进路径的本质是抽象层次的不断提高——每一层都在把下一层的复杂度封装掉，让用户更专注于自己的核心价值。

MaaS 的挑战与未来

MaaS 并非没有挑战：

供应商锁定：不同 MaaS 供应商的 API 格式、能力边界和定价差异巨大，切换成本不低。

数据安全与隐私：调用外部 MaaS API 意味着将数据发送到第三方，如何保证数据合规是企业的核心顾虑。

成本不可预测：Token 计费模式下，高流量应用的费用可能迅速失控。

模型同质化：当大多数 MaaS 供应商都基于类似的基座模型构建时，差异化竞争力从何而来？

但更大的图景是：MaaS 正在成为 AI 时代的基础设施标准。信通院 2025 年发布的 MaaS 系列标准，围绕模型服务调用、RAG 构建、Agent 应用开发等横纵向维度建立了行业规范，标志着 MaaS 从野蛮生长进入了有标准可依的新阶段。

参考资料：JEDEC 固态技术协会（云计算标准）、中国信通院 MaaS 系列标准（2025年）、OpenAI API 文档、Hugging Face 技术博客、DeepSeek 官方发布（2025年）。

• AI
• Cloud
• Maas
• 技术
• Agent