《中國信通院：MaaS框架與應用研究報告（2024年）（46頁）.pdf》由會員分享，可在線閱讀，更多相關《中國信通院：MaaS框架與應用研究報告（2024年）（46頁）.pdf（46頁珍藏版）》請在三個皮匠報告上搜索。

1、MaaSMaaS 框架與應用研究報告框架與應用研究報告（20242024 年）年）中國信息通信研究院人工智能研究所中國人工智能產業發展聯盟2024年6月版權聲明版權聲明本報告版權屬于中國信息通信研究院、中國人工智能產業發展聯盟，并受法律保護。轉載、摘編或利用其它方式使用本報告文字或者觀點的，應注明本報告版權屬于中國信息通信研究院、中國人工智能產業發展聯盟，并受法律保護。轉載、摘編或利用其它方式使用本報告文字或者觀點的，應注明“來源：中國信息通信研究院、中國人工智能產業發展聯盟來源：中國信息通信研究院、中國人工智能產業發展聯盟”。違反上述聲明者，本院將追究其相關法律責任。違反上述聲明者，本院將追

2、究其相關法律責任。前言前言以大模型為代表的新一代人工智能技術迅猛發展，展現出廣闊應用前景，有望成為驅動新質生產力發展的重要技術引擎。然而，大模型的應用面臨著技術復雜、訓練推理成本高、應用開發難度大等挑戰。模型即服務（MaaS，Model as a Service），是指將人工智能算法模型以及相關能力進行封裝，以服務的形式對用戶提供，其核心目標是降低人工智能技術使用門檻，控制應用建設成本，簡化系統運維管理復雜度，提升人工智能技術的綜合應用效能，從而加速“人工智能+”進程。近年來，隨著大模型的快速發展，MaaS 服務和產品也進入快速發展期，并在金融、政務、電信等行業不斷落地，產生了積極成效。但目前

3、產業界各方就 MaaS 定義和框架仍未形成廣泛共識，模型服務能力也尚未標準化，一定程度制約了 MaaS 的發展和應用。本報告系統梳理了 MaaS 的發展歷程、現狀和面臨的挑戰，基于產業實踐進一步明確了 MaaS 的概念，提出了 MaaS 的功能框架，并對 MaaS 落地應用情況進行了分析，最后對 MaaS 發展趨勢進行展望。由于大模型和人工智能技術產業仍然處在快速發展階段，MaaS 技術產品、服務和應用也在快速演變，我們對 MaaS 的認識將隨著產業實踐不斷深化，報告存在的不足之處，懇請大家批評指正，聯系郵箱：。目錄目錄一、MaaS 概述.1（一）MaaS 起源與概念.1（二）大模型促使 Ma

4、aS 快速發展.2（三）MaaS 助推大模型規?；涞?5二、MaaS 發展現狀及挑戰.7（一）MaaS 產業發展現狀.7（二）MaaS 發展面臨的挑戰.10三、MaaS 框架與能力要求.13（一）MaaS 框架說明.13（二）模型平臺層.14（三）模型層.18（四）應用開發層.20（五）模型服務協議框架.23四、MaaS 應用分析.25（一）MaaS 落地條件及優勢場景解析.25（二）MaaS 行業實踐案例及成效剖析.28五、總結與展望.36主要參考文獻.39編制說明.40圖 目 錄圖 目 錄圖 1MaaS 上下游關系示意圖.7圖 2MaaS 產業圖譜.9圖 3MaaS 兩種落地模式特點對比

5、圖.10圖 4MaaS 框架圖.13圖 5MaaS 定位與比較示意圖.14圖 6模型平臺層能力架構圖.15圖 7零代碼微調模型界面示意圖.17圖 8模型層能力架構圖.18圖 9ModelScope 模型層實踐圖.20圖 10應用開發層能力架構圖.21圖 11AppBuilder 架構圖.23圖 12服務協議架構圖.24圖 13MaaS 在各行業應用占比.26圖 14企業價值鏈各環節生產場景占比圖.27圖 15MaaS 應用案例統計圖.28圖 16平安銀行 BankGPT-MaaS 服務平臺.29圖 17平安銀行 MaaS 服務平臺落地效果.30圖 18中國電科院一體化 MaaS 平臺架構.31

6、圖 19廣東移動私域大模型體系.32圖 20金融風控 MaaS.34圖 21金融風控領域 MaaS 建模與傳統建模效果對比.34圖 22金融風控大模型與傳統定制模型性能對比.35表 目 錄表 目 錄表 1大模型落地問題及 MaaS 解決方式.5MaaS 框架與應用研究報告（2024 年）1一、一、MaaS 概述概述隨著以大模型為核心的人工智能技術的深入發展，模型即服務（MaaS，Model as a Service）作為一種新型人工智能服務模式煥發新生。本章將明確 MaaS 的概念及主要的服務能力范圍，剖析大模型時代 MaaS 快速發展的必然性，闡述 MaaS 在解決大模型規?；涞胤矫娴闹匾?/p>

7、意義。（一）（一）MaaS 起源與概念起源與概念MaaS 基本形態早已形成。2012 年美國數據科學家 DJ帕蒂爾（DJ Patil）首次提出 MaaS 概念1，即“將機器學習算法打包成可重復使用的服務，使企業能夠快速地構建、部署和監控模型，無須開發和維護底層基礎架構”，以此來適應 AI 模型需求快速增長的情況。此時 MaaS 多以 AI 能力開放平臺的形式存在，平臺之上承載人臉識別、光學字符識別（OCR）等特定場景的 AI 能力。該類 AI 能力由若干個模型及規則、數據庫等組合構成，但覆蓋功能和場景有限，應用方式較為單一，主要以工具包（SDK）等方式嵌入至業務系統。傳統 AI 模型落地成本低

8、且泛化性不足，MaaS 所帶來的增益尚不明顯。大模型以其龐大的參數量與獨特的模型結構展現了良好性能，推理能力的提高使得模型可以解決復雜邏輯問題，泛化性的提升拓寬了其應用范圍，生成能力的增強賦予了模型更多的創造性。然而，模型的高性能對數據和算力的需求也相應增長，成本的增加使得模1模型即服務：機器學習小而美的未來MaaS 框架與應用研究報告（2024 年）2型規?；涞卮嬖谧璧K。在此背景下，MaaS 通過提供服務的方式，顯著降低了用戶使用大模型的門檻，讓業務能夠更快速、更有效地享受大模型價值。根據畢馬威預測，模型即服務（MaaS）將是 AGI生態構建的核心2。因此，MaaS 成為大模型落地應用的主

9、要形態，提升模型規?；涞匦?。大模型背景下 MaaS 概念是指將 AI 模型及其相關能力打包成可重復使用的服務，使企業能夠快速高效地構建、部署、監控、調用模型，無須開發和維護底層基礎能力。與早期 MaaS 概念相比能力范圍有所拓展，一方面機器學習算法擴展至包括深度學習、大模型等在內的所有 AI 模型；另一方面基于模型服務，用戶不僅可直接調用服務進行推理，也可基于服務進行 AI 應用的構建，擴大模型服務的使用范圍。MaaS 主要提供三部分服務能力，一是提供包括模型訓練、調優和部署等在內的全棧平臺型服務，以支持低門檻的模型開發與定制，用戶無需關注 AI 算力、框架和平臺即可生產和部署模型；二是提

10、供包括大小模型及公私域數據集的豐富資產庫服務，以支持模型和數據集的靈活快速調用，用戶無須生產和部署模型即可調用模型和數據集服務；三是提供基于 AI 模型的應用開發工具服務，以支持快速打造場景化應用，用戶無須搭建開發工具即可進行 AI 應用開發。（二）大模型促使（二）大模型促使 MaaS 快速發展快速發展大模型正驅動著“人工智能+”（AI+）需求的迅猛增長，加快了2人工智能全域變革圖景展望：躍遷點來臨（2023）MaaS 框架與應用研究報告（2024 年）3AI+在各行業的落地進程，并由局部散點落地向全流程賦能不斷邁進，催生了龐大的市場需求。如金融行業，主要應用于營銷、客服、風控等場景，有效解決

11、金融領域人力成本高、風險管控滯后等問題，某銀行基于 AI 的智能風控可實現毫秒級別的快速風控，將風險防控準確率提升約 2 倍；電信行業，主要應用于客戶服務、營銷推廣、網絡運維、故障預測等場景，有效解決電信領域用戶需求復雜、網絡優化難度高等問題，某運營商打造基于網絡大模型的網絡運維 AI助手，使得網絡運維準確率達 88%以上；政務行業，主要應用于市民咨詢、輿情分析等場景，有效解決基層工作強度大、響應速度慢、數據孤島等問題，某單位利用大模型提升政務工作效率，在接訴即辦場景中派單準確率達到 87%以上3；除了賦能行業的散點場景外，企業內 AI+逐步向全流程賦能邁進，推進全域數智化轉型，如某頭部互聯網

12、企業內部已有超過 400 個業務及場景接入大模型，其中協作類應用產品全部接入大模型，全面賦能會議、文檔、代碼等相關日常工作，以 AI 代碼助手為例，已覆蓋該企業超 50%的研發人員，編碼效率提升 20%以上4。然而，隨著大模型性能的不斷增強和應用需求大規模增長，其技術成本和經濟成本也愈加高昂，面臨的挑戰也愈加復雜。一是大模型在落地過程中需要海量算力，而企業獲取算力門檻高。隨著模型參數量變大，大模型訓練算力需求以每 2 個月翻一番3中國信息通信研究院企業調研訪談4https:/ 框架與應用研究報告（2024 年）4的速度增長5，模型推理成本也在持續增加。并且大模型訓練推理所需的芯片資源有限，進一

13、步加劇了算力獲取的難度。二是大模型較傳統 AI 模型在訓練、調優、推理和部署等方面的技術難度均有明顯提升。大模型訓練調優所需數據的結構更加復雜，對數據集數量和質量的要求更高，并且出現了提示工程、強化學習等新技術，增加了技術壁壘。同時，巨大的算力需求對分布式并行計算加速提出了更高要求，此外大模型用于邊端推理時，需對模型進行壓縮，并保持足夠的模型性能，技術門檻較高。三是大模型工程化落地時煙囪式建設造成資源浪費。大模型成為當前諸多企業數智化轉型的敲門磚，在企業內部往往有多個團隊希望將大模型與私有業務數據相結合，調優出適合專屬場景的模型，進一步提升業務價值。但從企業整體視角來看，內部場景需求多有重復，

14、而大模型的泛化能力足以應對同類行業場景的不同需求，若仍采用各團隊自行維護模型的煙囪式模式，將會導致算力和人力的極大浪費。四是大模型應用在落地最后一公里時仍存在場景適配難和開發效率不足的挑戰。一方面模型應用方具備豐富的行業經驗和高質量數據集，但缺乏模型落地相關技術，而模型廠商雖然有相關技術儲備但缺乏行業積累，所以場景適配的落地方案存在難度；另一方面，隨著企業 AI+的全線推進，模型應用的場景需求越來越多，而模型應用的開發難度大且周期長，難以適應業務不斷變化的需求。5https:/ 框架與應用研究報告（2024 年）5綜上所述，大模型規?；涞孛媾R高性能、高需求、高成本等落地壓力和挑戰，而 Maa

15、S 基于高效、便捷、靈活等優勢，可成為推動大模型應用落地的重要力量，使得 MaaS 在大模型時代下的增益效果更為突出。（三）（三）MaaS 助推大模型規?；涞刂拼竽Ｐ鸵幠；涞豈aaS 主要具備三個顯著特性。技術低門檻，有助于將模型普惠更廣泛的用戶群體；模型可共享，推動行業資源的有效利用和技術進步；應用易適配，使得模型服務能夠快速融入業務場景。MaaS 圍繞模型生產、模型調用、模型應用開發等過程，提供包括平臺服務、模型服務、數據集服務、AI 應用開發服務在內的全棧服務，并對模型等資產進行統一管理，提升規?；a效率，培育和打造新質生產力，為各行業帶來變革。表 1 大模型落地問題及 MaaS

16、 解決方式大模型落地問題大模型落地問題解決方式解決方式MaaS 特性特性大模型技術門檻高在模型訓調方面，通過全流程工具、快速找到合適的調優路徑，加速模型定制技術低門檻在模型部署方面，提供部署服務，簡化部署上線過程在模型運營管理方面，通過全生命周期運營監控，增強運營效率模型重復開發浪費資源在管理方面，提供可共享的模型服務，減少開發資源浪費，通過統一管理降低風險模型可共享在落地方面，基于已有模型的微調，減少模型選擇和試錯成本AI 應用開發效率低通過 AI 應用開發工具實現多模型協同，應對企業規?；膹碗s場景需求，提高開發效率應用易適配來源：中國信息通信研究院MaaS 通過提供全流程平臺工具降低技術

17、門檻。在模型訓調方面，MaaS 框架與應用研究報告（2024 年）6降低了學習新型訓練或調優算法的成本，可快速找到合適的調優路徑并完成閉環的強化學習通路，新手亦可快速完成專屬模型定制；在模型部署及運營管理方面，對于部署上線過程復雜等問題，提供快速部署服務，并匹配全生命周期運營監控工具，降低了模型部署和運維的技術難度。MaaS 通過提供集約化的模型庫和數據集，解決重復造輪子的資源浪費問題。在管理方面，當模型從單點試驗向規?；涞匕l展時，模型的量變將引起效率的質變，通過模型共享可減少開發資源的浪費，通過模型等數字資產的統一管理有助于提升風險可控性，資源的高效利用和規范管理將成為企業長遠發展的保障；

18、在落地方面，通過直接調用模型服務和數據集，減少了數據處理、選擇模型以及模型調優部署的過程，加快了開發進度，快速響應業務需求。MaaS 通過提供模型應用的高效開發能力，適配企業規?；瘓鼍靶枨?。模型應用場景眾多，但企業內部開發資源有限，MaaS 在模型服務的基礎上提供面向業務場景的應用開發平臺或工具，幫助用戶快速構建基于 AI 模型的應用。如在面臨單個模型無法解決復雜業務需求的情況下，提供檢索增強生成（RAG）、大小模型協同、插件編排等多種方式以增強模型能力，并以智能體（AI Agent）等方式向用戶提供更優質的服務。MaaS 讓更多用戶可以生產個性化的模型應用，為 AI 模型規?；涞靥峁┯行?/p>

19、徑。MaaS 框架與應用研究報告（2024 年）7二、二、MaaS 發展現狀及挑戰發展現狀及挑戰MaaS 作為一種智能化服務新模式得到迅速發展，本章將圍繞產業圖譜及落地方式闡述當前 MaaS 的產業發展現狀，并分析 MaaS落地面臨的挑戰。（一）（一）MaaS 產業發展現狀產業發展現狀MaaS 在人工智能產業鏈中處于中游位置，基于平臺服務、模型及數據集服務、應用開發服務的供給能力，形成了初步的產業圖譜，且各類參與方積極發揮自身優勢，形成不同落地模式。1.MaaS 產業圖譜初步形成MaaS 基于算力基礎設施的支持，面向場景提供多種應用，具備從模型生產到模型調取并打造成 AI 應用的全流程能力。來

20、源：中國信息通信研究院圖 1 MaaS 上下游關系示意圖MaaS 產業圖譜（如圖 2 所示）中，平臺服務構成了 MaaS 生態系統的基座能力。國外如 Google 的 AI Platform、微軟的 AzureMachine Learning 以及亞馬遜的 Amazon SageMaker 等平臺，提供了從數據處理到模型訓練、驗證、部署及監控的流水線服務。國內如MaaS 框架與應用研究報告（2024 年）8阿里云 PAI 平臺、騰訊云太極平臺、百度千帆大模型平臺和華為的ModelArts 平臺等，均支持多種機器學習算法和大模型，并提供低代碼開發環境與高效的模型訓練及部署能力，能夠適應多樣化的模

21、型定制需求。在模型服務方面，通過提供豐富多樣的模型資源以支持各種應用需求。如 Hugging Face 提供模型及模型調用服務，截止 2024 年 5月，其模型數量已超 60 萬個，單個模型的最高下載次數超 4 億次6。國內模型服務生態迅速發展，頭部企業通過搭建模型服務開源社區或平臺，匯聚各類模型及服務能力，包括大模型、傳統 AI 模型及各場景各模態的模型等。在數據集服務方面，通過匯聚和管理處理好的數據集，為其他AI 模型的訓練與微調提供可直接獲取的高質量數據集，一定程度上幫助企業快速獲取某些模型訓練所需的數據集。截至 2023 年ScaleAI 數據集服務商已累計標注 10 億條 2D、3D

22、 場景化數據7，提供了豐富的數據集服務，據 Grand View Research 報告顯示，全球數據收集和標注市場規模預計從 2023 年到 2030 年將以 28.9%的復合年增長率增長8。在 AI 應用開發服務方面，基于模型的應用開發平臺，借助配置、編排及代碼開發等多元化工具，為用戶提供了一條高效便捷的 AI 應用開發新路徑。如 GPTs 作為基于大模型的應用開發工具，可通過自然語言方式創建 GPT 應用，截至 2024 年 1 月已創建多達 300 萬6https:/huggingface.co/7https:/ 框架與應用研究報告（2024 年）9個 GPTs9。國內頭部企業也紛紛推

23、出各類應用開發平臺，可實現 AI原生應用開發，并支持構建 AI Agent（智能體），達到大模型與各組件或系統工具的強互動及關聯，據 MarketsandMarkets 預測，至2028 年全球 AI Agent 市場規模將達到 285 億美元，2023 至 2028 年復合增長率將達到 43.0%10。來源：中國信息通信研究院圖 2 MaaS 產業圖譜2.MaaS 兩種落地方式MaaS 具備公有云和私有云兩種落地方式，公有云模式下模型資源更加豐富，但私有云模式下模型資源的行業領域屬性更專業（如圖 3 所示）。公有云方式下，通過豐富的資源可吸引更多用戶而提升產品知名度，有助于進一步商業轉化。其

24、模型面向社會大眾提供服務，模型的種類和數量更多，通用性更強，但是對于業務需求較高的特定場景，部分模型難以直接應用。私有云方式下，企業內研發團隊專注于研究符合垂直領域場景需求的模型，旨在通過調用模型9https:/ Opportuntites in theAutonomousAgents Markethttps:/ 框架與應用研究報告（2024 年）10服務以直接解決業務需求，且模型資產和數據隱私性強，各團隊在模型共享的過程中可降低資產泄露的風險。來源：中國信息通信研究院圖 3 MaaS 兩種落地模式特點對比圖MaaS 在公有云和私有云兩種落地方式下體現出不同的商業模式。在公有云環境下面向 C

25、端用戶主要有按量計費和訂閱兩種模式，其中按量計費是指按照模型實際調用量或者算力消耗量計費，如按照調用模型接口（API）次數或輸入輸出數計費；訂閱模式是指按照月租或年租的方式計費，常見于模型應用的使用場景，適合追求“開箱即用”便捷性的用戶群體。在私有云環境下面向 B 端客戶以私有化部署的項目制方式計費，可根據企業需求部署對應的服務，如需提供模型生產的工具則部署模型平臺，如對應用開發有需求則部署應用開發平臺，私有化部署的 MaaS 在企業內部實現服務的共享使用，并根據需求決定服務調用是否內部結算。（二）（二）MaaS 發展面臨的挑戰發展面臨的挑戰隨著 MaaS 的快速發展，平臺、模型等服務能力迅速

26、得以完善，MaaS 框架與應用研究報告（2024 年）11但 MaaS 在規范性、生態建設等方面仍存在不足，模型服務的易用性仍有待提升。模型服務質量缺乏規范性。目前產業界已發布多個 MaaS 產品，并匯聚了大量的模型服務，但服務內容和服務質量難以統一和衡量，無法確保用戶獲得滿意的服務。一方面模型服務本身的可用性要求尚未建立統一規范，另一方面服務規?；涞厮仨毜姆€定性、可靠性和安全性等并未形成標準體系。模型服務易用性不足。由于模型卡片的建設尚不完善，導致模型信息的不透明現象較為普遍。用戶無法獲取清晰、準確的模型信息，從而難以選擇所需模型。此外，模型的可解釋性也相對較弱，使得用戶難以理解模型的運

27、作機制和輸出結果。因此，加強模型卡片的信息透明度，增強模型的可解釋性，提升模型服務易用性，是當前面臨的重要挑戰。MaaS 基建成本控制能力需加強。MaaS 的體系構建離不開堅實的基建支撐，涵蓋云計算基礎設施如算力資源和數據中心的搭建，以及專業技術人才的培育，這些都需要巨額的資金投入。因此 MaaS建設方應考慮有效地管理和利用基建資產，降低運營成本提高運營效率，從而降低和控制建設成本。合規管理體系亟需進一步完善。MaaS 在合規性方面面臨數據規范與權責確認的雙重考驗。就數據合規而言，既要關注用戶在使用模型服務時個人數據的隱私安全，也要確保用于模型訓練和優化的數據來源合法合規。在權責確認方面，當模

28、型服務出現不可用時，MaaS 框架與應用研究報告（2024 年）12如何明確和處理使用方因此遭受的損失，目前尚缺乏明確的規范。國內 MaaS 生態建設尚不完備。一方面由于當前 MaaS 各層之間，以及同層的不同企業服務之間接口模式尚未統一，使得 MaaS的推廣和應用也面臨數據互通、技術對接等難題，這在一定程度上制約了其生態建設的步伐；另一方面國內模型服務和用戶的體量較國際先進水平還存在差距，模型共建共享的生態環境有待進一步完善。MaaS 框架與應用研究報告（2024 年）13三、三、MaaS 框架與能力要求框架與能力要求MaaS 能夠解決大模型規?；涞仉y題，同時滿足傳統人工智能模型的使用需求

29、，提供更加高效的模型觸達方式。本章由中國信息通信研究院（以下簡稱“信通院”）和行業專家結合產業實踐對 MaaS開展研究，圍繞模型落地的全生命周期，分析和總結框架體系及能力要求，并對服務的質量保障進行研究，闡述模型服務協議框架。（一）（一）MaaS 框架說明框架說明MaaS 框架（如圖 4 所示）由三部分組成，分別包括模型平臺層、模型服務層和模型應用開發層，每層可作為單獨服務供用戶調取，也可搭載下層設施提供更完整的服務。來源：中國信息通信研究院圖 4 MaaS 框架圖在人工智能體系架構中，MaaS 處于應用層和基礎設施層之間（如圖 5 所示），與云計算架構相比，對其原有的平臺層和應用層進行了增強

30、與補充。MaaS 框架與應用研究報告（2024 年）14來源：中國信息通信研究院圖 5 MaaS 定位與比較示意圖一方面，云計算架構下的平臺層將操作系統、中間件等軟件棧通過服務模式提供給用戶，用戶只需關注應用程序的開發和管理，減少了開發過程中基礎設施相關問題的考慮。而 MaaS 在其基礎上增強了平臺層能力，首先通過對模型訓練框架、工具等進行抽象和服務化，使得用戶可以直接構建、使用或基于模型再次調優；同時MaaS 補充了模型層能力，對模型及服務進行集約化管理，為用戶提供可直接調取的 AI 能力。另一方面，云計算架構下的應用層通過 SaaS 的方式使用戶可直接在線使用應用程序，無需安裝及維護本地軟

31、件。而 MaaS 對應用層進行了補充，支持用戶基于多種模型服務及組件進行編排或開發，創造更加個性化更加便捷的 AI 應用。以下將對 MaaS 各層能力架構和模塊進行介紹，并對產業典型案例進行分析。（二）模型平臺層（二）模型平臺層模型平臺層為模型定制開發提供全套的工具鏈及全流程管理能MaaS 框架與應用研究報告（2024 年）15力，包括數據處理、模型開發交付和運營等能力?；谠搶?，一方面通過全套的工具鏈幫助企業降低模型定制開發的技術門檻，另一方面通過全流程的運營管理提高多團隊協作效率，并實時監控線上模型運行情況，保障業務效果。1.能力架構模型平臺層包括數據工程、模型開發、模型交付、服務運營。該

32、層以基礎大模型、算法、私有數據集等為輸入，以企業專屬模型為輸出，具體能力架構如圖 6 所示。來源：中國信息通信研究院圖 6 模型平臺層能力架構圖2.能力模塊 數據工程：通過數據處理及管理工具，將原始數據集處理成可直接被用于模型訓練和模型評估的高質量數據集。數據采集方面支持主流數據源接入以及本地數據導入，具備處理海量、多模態和多格式數據的能力；數據標注方面平臺支持在線標注，提供人工與自動等多種標注方式，并對標注好的數據集做統一管理；數據MaaS 框架與應用研究報告（2024 年）16處理方面支持清洗、過濾、去重、去隱私等流水線處理方式，從而提升數據質量優化模型效果；數據生成方面支持在數據分布不均

33、衡或缺少數據的情況下，根據需求生成相應的數據以達到數據平衡；數據回流方面支持將業務數據回流至數據集以持續優化模型性能，經篩選、調整及處理，用于下一次的模型優化或訓練。模型開發：包括大小模型的開發，通過提供模型訓練、調優、重訓，和強化學習等環節的工具支持，以實現模型的定制，同時降低開發的技術門檻。在模型訓練方面支持各類 AI 模型訓練所涉及的特征工程、模型調參和模型實驗等能力；在模型調優方面通過提供多種調優工具，支持自動化或半自動化的模型調優，完成私域模型定制；在模型重訓方面，根據私域數據集進行場景化訓練，生成專屬模型；在強化學習方面，基于人類反饋數據，支持多種強化學習框架及策略，并對強化學習后

34、的模型進行效果評估。模型交付：通過提供模型壓縮轉換、模型測試、模型部署和管理等能力，支持將調優好的模型發布上線，縮短交付周期并快速響應業務需求。在壓縮轉換方面，支持量化、蒸餾、剪枝等多類算法選擇，并預估不同算法的壓縮效果，支持用戶在保持模型性能的同時，能夠將模型運行在更多的計算設備上，提升模型適配度；在模型測試方面，支持對模型各類指標進行評估，驗證模型效果；在模型部署方面，支持在多種環境下快速部署模型，縮短上線周期。服務運營：通過對發布的模型服務進行統一運營管理，包括服務MaaS 框架與應用研究報告（2024 年）17托管、服務監控、服務告警、結果和反饋等，對模型服務進行有效監控與運維。3.實

35、踐案例科大訊飛在模型平臺領域的落地實踐科大訊飛在專屬模型定制過程中，為了進行復雜海量的數據處理，提升大模型調優及部署的效率，通過模型平臺的方式，將模型的能力定制為云化服務，普惠 AI 技術人員?？拼笥嶏w在模型研發環節，將數據管理、模型精調、模型評估、模型托管等能力平臺化，通過平臺工具實現低代碼或零代碼的數據快速處理和模型的高效調優部署，同時將調優好的模型發布成線上服務，以支持企業內其他技術人員在線調用，縮短模型交付周期。來源：科大訊飛圖 7 零代碼微調模型界面示意圖MaaS 框架與應用研究報告（2024 年）18（三）模型層（三）模型層模型層以模型為主體，是 MaaS 的核心 AI 能力，為用

36、戶提供可直接調取的模型服務，降低了用戶使用各類模型的難度，推動了大模型普惠化發展，同時為上層個性化智能應用的開發提供 AI 能力支持。1.能力架構模型層包括豐富的模型庫、數據集和服務管理等能力，提供API、SDK、模型文件、在線推理服務等形式，模型層能力架構如圖8 所示。來源：中國信息通信研究院圖 8 模型層能力架構圖2.能力模塊 模型庫：包括大模型和傳統 AI 模型，通過庫的方式對模型資產進行統一納管。模型庫中的模型支持被模型平臺層調用而進一步調優生成新的模型，并將其發布至模型庫中進行共享；同時也支持被上層的應用開發層調用，配合多模型、知識庫和插件等共同MaaS 框架與應用研究報告（2024

37、 年）19組建成 AI 應用。服務管理：是指對模型庫中的模型進行全生命周期管理，以提供高質效、可持續的模型服務，包括模型卡片管理、模型文件管理、服務調用管理和模型庫管理。模型卡片管理是指管理模型的基礎信息，如同藥品說明書，模型使用者需知曉模型的適配場景及使用方式、使用限制，從而幫助用戶更快選對模型、用對模型；模型文件管理是對所有模型對應的文件進行統一管理，包括模型版本管理、模型追溯、模型存儲等，以便集約化管理模型文件；服務調用管理是指管理不同用戶在各類服務使用過程中的調用權限管理、調用數據監控及分析和調用計費等內容；模型庫管理是為了維護庫的正常運行，對模型進行入庫、更新、出庫等維度的管理。數據

38、集：包含公開數據集和私域數據集及其管理能力。數據集根據用途可與模型庫中的模型服務配套使用，也可將數據集共享發布成數據服務，被其他用戶調取使用，降低數據收集和處理成本。3.實踐案例ModelScope 在模型層的落地實踐ModelScope 建設了模型庫、數據集、知識教程和社區交流等模塊（如下圖所示），以開源的形式鼓勵 AI 從業者在社區中貢獻模型，同時可在社區中快速體驗模型。ModelScope 的模型庫模塊提供模型發布、調用和共享能力，并進行模型版本管理與服務托管，同時數據集模塊提供數據集共享MaaS 框架與應用研究報告（2024 年）20及版本管理和血緣管理等能力。截至 2024 年 3

39、月 ModelScope 已開源超 2300 個 AI 模型，包含計算機視覺、語音、語義、多模態等領域，覆蓋 60 多個通用任務，匯聚 280 萬名 AI 開發者。來源：阿里云圖 9 ModelScope 模型層實踐圖（四）應用開發層（四）應用開發層應用開發層基于各類模型服務和知識庫、插件等能力，通過自然語言、工作流編排、界面配置等方式，完成基于模型的 AI 應用開發和集成，同時對應用從創建到使用的全生命周期進行管理，提高應用開發效率。1.能力架構應用開發層包括支撐能力、應用開發集成、應用生命周期管理三部分。支撐能力是構建 AI 應用所需的基礎能力，如模型服務、插件、知識庫、Prompt（提示

40、）、RAG、Agent 等；應用開發集成根據不同用戶技術水平和場景的需求分為自然語言、界面配置、工作流編排以及代碼開發等方式，滿足不同開發難度和靈活度的需求；應MaaS 框架與應用研究報告（2024 年）21用生命周期管理對應用創建到上線運營的整個流程進行統一管理，保障應用的穩定運行。應用開發層能力架構如圖 10 所示。來源：中國信息通信研究院圖 10 應用開發層能力架構圖2.能力模塊 支撐能力：為應用開發提供了多種基礎能力，用戶可根據需求選擇相應能力進行組合編排或開發。其中模型服務可直接被調取以提供 AI 能力；插件提供了各類可擴展的工具能力，使得應用功能更加豐富，包括自建插件和第三方插件等

41、；知識庫提供了豐富的行業知識和私有數據支持，并結合 RAG 等能力將新數據引入模型，增強輸出結果的準確性；Prompt 提供了創建應用、使用應用的提示詞管理能力，以幫助模型更好地理解用戶意圖；Agent 通過自主感知、決策和執行等環節進一步提升了應用的智能化水平，并加強與已有工具或軟件系統的聯動。應用開發集成：為不同技術水平的用戶提供多樣化的應用開發和集成能力，提高應用開發的靈活性。自然語言交互的模式下用戶MaaS 框架與應用研究報告（2024 年）22通過恰當的 Prompt 可快速實現專屬場景下的應用構建；界面配置的方式支持用戶通過選擇基礎模型、設置模型性能、匹配插件知識庫等組件完成應用構

42、建；工作流編排的方式支持用戶將多個模型及各類組件以某種邏輯規則進行編排，可自定義不同模型和組件之間的邏輯關系，提升應用開發的擴展性；代碼開發適合具備編碼能力的用戶，可基于 API 接口、SDK 套件等進行靈活編碼設計，支持更加靈活的應用開發。應用生命周期管理：覆蓋了從應用創建、調試、部署到發布以及監控運營的完整流程。通過全生命周期過程管理，提高應用開發過程可控性；通過監控運營及時發現并解決問題，保障應用的持續運行和優化改進。3.實踐案例AppBuilder 在 AI 原生應用開發領域的實踐百度云 AppBuilder 為提升基于大模型的 AI 原生應用開發效率，提供了 RAG、Agent、GB

43、I 等應用框架，以及大語言模型和多模態的多種能力組件，降低 AI 原生應用的開發門檻，賦能開發者快速實現應用搭建（如下圖所示）。AppBuilder 面向不同開發能力的用戶和開發場景，分別以低代碼態和代碼態的產品形態，提供了應用組件、應用框架兩層服務。低代碼態下通過點選配置，調取所需的模型服務和組件，設置相關參數即可打造 AI 原生應用。代碼態下支持有一定開發能力的技術人員，在開發套件的支持下完成功能更加豐富的 AI 原生應用。MaaS 框架與應用研究報告（2024 年）23來源：百度云圖 11 AppBuilder 架構圖（五）模型服務協議框架（五）模型服務協議框架當前諸多 MaaS 產品集

44、成了大量模型服務，但在服務水平協議（SLA）方面仍存在要求不統一等問題，使得用戶難以獲得滿意的性能和質量體驗，從而阻礙了 MaaS 規?；涞剡M程。為此，信通院聯合產業各界對模型服務協議框架進行總結，為用戶獲取模型服務時如何衡量服務質量提供參考。模型服務協議框架的目標是規范和提升模型服務質量，適用于人工智能領域包括大模型和傳統 AI 模型在內的所有模型服務。該協議框架對服務范圍及服務內容進行明確，并對于如何從多個維度衡量模型服務的水平提供參考，包括服務可用性、隱私安全性、計量準確性及權責條款等部分（如圖 12 所示），幫助用戶篩選符合相關需求的模型服務。MaaS 框架與應用研究報告（2024

45、年）24來源：中國信息通信研究院圖 12 服務協議架構圖 服務可用性：從模型推理結果的可用性和服務可用性等方面考慮，分別包括模型性能、模型可解釋性等要求，以及服務穩定性、可靠性等要求，共同保障模型服務的有效運行。隱私安全性：從服務的安全保障機制、數據的隱私合規及內容安全合規等方面考慮，保障模型服務使用的安全。計量準確性：從計量方式和計量內容等方面考慮，明確服務在可用和不可用情況下的計量規則。權責條款：從服務賠償條款、約束及免責條款和知識產權保護等方面考慮，對服務商和用戶雙方的權益、責任進行了約束。MaaS 框架與應用研究報告（2024 年）25四、四、MaaS 應用分析應用分析各行業積極探索

46、MaaS 落地之道，并在部分領域的應用初見成效。本章首先從全行業角度對 MaaS 進行分析，其次對 MaaS 落地實踐進行闡述，如在金融等領域率先應用，并有效賦能經營管理、營銷服務等生產環節。（一）（一）MaaS 落地條件及優勢場景解析落地條件及優勢場景解析MaaS 作為新型智能化服務模式，其落地實踐需具備外需和內驅兩個條件。一是需要有模型規?；涞氐耐獠啃枨?，當組織面臨全線 AI+需求時，模型應用的需求量隨之變大，導致模型開發及人工成本急劇增加，使組織需變革模型生產和應用工具以提升效率。二是需具備組織內部驅動力，自頂向下層層推進模型共建共享機制，推進煙囪式開發方式向集約式轉變，最大化發揮模型

47、、數據、平臺等 AI 資產的價值。在外需和內驅的條件下搭建 MaaS 多層級服務，有利于高效便捷地助力 AI 規?；瘧寐涞?。中國信通院通過調研百余個場景案例進行綜合分析，當前 MaaS已在多行業落地，覆蓋研發設計、經營管理、營銷推廣等多個生產環節，助力企業在業務、技術、管理等全方面提效，成為大模型時代下企業智能化轉型新途徑。金融行業率先成為落地最多的領域。MaaS 在各行業落地情況如圖 13 所示，金融行業具備 MaaS 落地的良好環境，其案例數量占全行業 49%11，成為落地探索最多最快的行業，一方面是因為技術儲備較為完善，有傳統人工智能的落地通路和經驗，如基礎設施和平MaaS 框架與應用

48、研究報告（2024 年）26臺等層面均有基礎；另一方面是因為業務數據較為豐富，對模型的種類和數量需求多。落地場景主要包括營銷、客服、風控等，可有效解決金融行業人力成本高、風險管控滯后等問題。來源：中國信息通信研究院圖 13 MaaS 在各行業應用占比經營管理環節的落地實踐最為成熟。經營管理環節的應用案例在企業全價值鏈中占比達 50%11（如圖 14 所示），該環節涵蓋的智慧辦公、經營分析、智能流程等場景，以輔助人工提升工作效率為主而非直接對客服務。由于該類場景見效快、風險低，通過大模型基礎能力加私域少樣本數據即可達到場景性能要求，成為最適合模型快速落地的場景。11中國信息通信研究院調研統計Ma

49、aS 框架與應用研究報告（2024 年）27來源：中國信息通信研究院圖 14 企業價值鏈各環節生產場景占比圖基于模型的 AI 應用，已在實際案例中應用于百余個場景。得益于 MaaS 平臺提供的快捷的模型調用服務和豐富的工具套件能力，AI 應用在多樣性和個性化方面取得了顯著提升。同時，隨著應用場景的不斷細分，越來越多的特定場景化應用出現。以實踐案例中應用最多的問答助手為例，在知識管理、客服服務和營銷推廣等領域，均形成了具備行業特性和專業能力的定制化應用，并且在寫作、影視制作等領域，也衍生出了多種風格和用途的應用，充分展現出 AI應用極大的靈活性和實用性。MaaS 框架與應用研究報告（2024 年

50、）28來源：中國信息通信研究院圖 15 MaaS 應用案例統計圖（二）（二）MaaS 行業實踐案例及成效剖析行業實踐案例及成效剖析MaaS 行業落地目標是降本增效，縮短模型及應用構建的周期，以應對頻繁迭代的業務需求，同時通過模型的共享降低重復建設成本。本節詳細介紹了精選的四個 MaaS 落地代表案例，案例材料來自對應企業。1.銀行業金融 MaaS 平臺應用實踐（1）場景痛點：模型開發及部署效率低平安銀行積極探索大模型在業務場景智能化和降本增效方面的解決方案，雖然模型應用需求向多而廣的趨勢變化，使得傳統模型研發流程中存在的自動化程度低、資源利用率低、知識和能力缺乏共享等問題愈加凸顯，制約了模型應

51、用的快速開發和部署上線效率，限制了大模型等人工智能技術的規?；涞?。（2）解決方案：BankGPT 服務平臺高效賦能模型落地為解決以上痛點，平安銀行自主研發 MaaS 服務平臺，即MaaS 框架與應用研究報告（2024 年）29BankGPT（如圖 16 所示）?；谠撈脚_，用戶可通過 API 調用各種模型，無需關注其內部工作原理、部署和維護。BankGPT 上線以來，為各業務場景的模型應用提供了高效、低成本的模型使用和開發支持。BankGPT 一方面提供模型微調功能，開發人員以極低技術門檻開發上線大模型服務，另一方面提供底座模型的共享，可訓練調優適應于不同場景的專業大模型，提升業務效果。來源

52、：平安銀行圖 16 平安銀行 BankGPT-MaaS 服務平臺（3）實踐成效：多種落地模式賦能全行員工BankGPT 平臺經過持續迭代，截止 2024 年 1 月，已實現支持四種不同的落地模式，支撐行內模型應用的高效、低成本開發，從而實現智能化普及。該平臺目前已上線 10+底座模型，算法團隊、業務開發團隊落地應用數十個，基于 Prompt 調優創建應用數百個，并為全行員工提供大量可直接體驗的應用。MaaS 框架與應用研究報告（2024 年）30來源：平安銀行圖 17 平安銀行 MaaS 服務平臺落地效果2.電網領域 MaaS 實踐（1）場景痛點：電力模型精度及開發效率受限人工智能模型訓練門檻

53、較高，業務人員缺乏機器學習專業知識，導致模型研發及部署不夠便捷，生產效率較低，且各單位模型重復開發造成資源浪費。（2）解決方案：一體化 MaaS 平臺為各層賦能中國電科院結合設備智能巡檢、作業安全管控等典型業務實際需求，構建電網領域的一體化 MaaS 平臺（如圖 18 所示）。該平臺基于“模型+服務+應用”建設模式，包括資源層、平臺層、模型層、服務層、應用層六部分，可以 API、SDK 對外提供服務，還可提供自動建模、智能標注等組件支撐能力，并結合自動化訓練技術，支持在平臺上采用“預訓練+微調”模式開展基于預訓練模型的二次調優，構建專用電力模型，提升模型開發效率。MaaS 框架與應用研究報告（

54、2024 年）31來源：中國電科院圖 18 中國電科院一體化 MaaS 平臺架構（3）實踐成效：縮短周期，提升人效通過一體化 MaaS 平臺，顯著縮短開發周期約 50%，模型精度相比傳統訓練方式有明顯的提升，缺陷識別準確率達 90%以上。3.電信運營商在私域領域的 MaaS 實踐（1）場景痛點：公域模型難滿足特定需求公域大模型直接應用到移動內部，存在問題和風險，公域大模型 To C 思維無法滿足企業的特定需求和場景，數據安全風險較高。同時企業大模型在多域運作中缺乏統一生態管理，需要在現有系統中實現流程連貫性，構建合作伙伴和開發者的良性競爭環境。（2）解決方案：融合 MaaS 打造“平臺+生態”

55、私域大模型體系MaaS 框架與應用研究報告（2024 年）32來源：中國移動廣東分公司圖 19 廣東移動私域大模型體系針對上述痛點，廣東移動打造了自主的私域大模型體系，采用了“平臺+生態”的模式，包括數據源、MaaS 模型能力層、場景組件庫、產品運營平臺以及產品及應用共計五層（如圖 19 所示）。在體系中，集成了自主研發的模型、專業模型以及第三方生態大模型。同時，通過積極開發和整合行業特定大模型，支持企業內部應用的數字化轉型，提高了應用場景落地的效率。（3）實踐成效：提升平臺靈活性推動數智化轉型該方案實現了平臺的高靈活性和可擴展性，通過算力和模型的適配提高了平臺可擴展能力和兼容性。應用層接入接

56、口的統一使平臺能快速拓展至各業務場景，并建立了統一的數智人運營體系，有效支持企業數智化轉型。MaaS 框架與應用研究報告（2024 年）334.金融風控領域的 MaaS 實踐（1）場景痛點：金融動態風控建模效率低、樣本少 高頻的建模需求與低效的建模方案相沖突。每個業務環節都需頻繁迭代模型，而傳統建模周期長，POC、建模、評估、上線各環節共需數月之久，無法快速響應業務變化。小樣本情況下建模難。短時間內樣本累積不足，樣本量少而無法支持模型調優。同時在新產品或新業務上線時，少樣本或零樣本給風控模型帶來壓力。（2）解決方案：金融風控 MaaS，實現低門檻高效率建模騰訊云在金融風控領域的 MaaS（如圖

57、 20 所示），一是通過工具平臺實現全流程的自動化建模和部署上線，縮短模型上線周期，滿足快速迭代需求，適配業務動態變化；二是集成了大量專家模型，以模型服務的方式提供快速調用及組合編排，進一步提升模型的精度和落地效率；三是積累了風控領域豐富的知識經驗，通過大模型加高質量數據解決小樣本訓練難題，并配備 360 度模型評估模塊，加速驗證模型效果。MaaS 框架與應用研究報告（2024 年）34來源：騰訊云圖 20 金融風控 MaaS（3）實踐成效：快速適應存量業務頻繁迭代及新業務開拓 模型精度、建模效率雙提升，快速適配業務變化。在金融風控MaaS 體系下風控模型迭代效率提升 8 倍，整體通過率提升

58、1.5%，效果對比如圖 21 所示，有效解決模型快速迭代的問題。來源：騰訊云圖 21 金融風控領域 MaaS 建模與傳統建模效果對比MaaS 框架與應用研究報告（2024 年）35 快速應對新業務拓展。在新業務缺乏樣本的情況下，基于 MaaS的風控大模型相對于傳統模型效果提升 20%，新業務通過率提升5%，風控大模型在跨場景的泛化性能力提升 30%。來源：騰訊云圖 22 金融風控大模型與傳統定制模型性能對比MaaS 框架與應用研究報告（2024 年）36五、總結與展望五、總結與展望在大模型時代發展的浪潮下，各行業面臨著前所未有的數智化轉型挑戰與機遇。而 MaaS 作為模型服務靈活供給的新模式，

59、為行業轉型變革帶來新路徑。MaaS 概念在大模型時代得以重塑，助力大模型規?；涞?。MaaS 圍繞技術門檻低、模型可共享、應用易適配三大特性，一方面有助于解決模型服務規?；a面臨的成本高、技術門檻高等問題，另一方面幫助提升基于大模型的 AI 應用開發效率。MaaS 框架組成逐漸清晰，但落地挑戰不一而足。中國信通院聯合產業專家對 MaaS 框架做出系統性歸納，包括模型平臺層、模型層和應用開發層，并對 MaaS 能力建設要求進行梳理，同時將 MaaS與云計算架構進行比對分析，明確其在人工智能體系架構中的定位。但 MaaS 在模型服務質量規范性、服務易用性、風險合規及生態建設等方面存在諸多挑戰。M

60、aaS 應用日趨廣泛，落地效果逐漸顯現。在外需和內驅雙向推動下，金融、電信等行業率先涌現出諸多優秀的 MaaS 落地實踐，將模型服務更加便捷地提供給用戶，使其在使用大模型等 AI 技術時能夠達到多快好省的效果。同時 MaaS 在生產經營等各環節的落地日漸增多，如基于模型的 AI 應用，在調研案例中覆蓋了百余個場景。當前 MaaS 落地仍處于初期階段，未來大小模型協同、內外部接口統一化、應用新生態、安全保障等能力的持續躍升，將成為MaaS 發展新趨勢。MaaS 框架與應用研究報告（2024 年）37一是大小模型協同將成為模型服務場景化落地的重要方式。大模型以其大而強的特點，擅長處理廣泛領域的通用

61、問題，而小模型則以其小而精的特點，專注于解決特定場景下的專業問題。通過將大模型的通識能力與小模型的專業能力相結合，使模型服務更加精準地滿足應用需求，為應用開發提供更強大、更靈活的 AI 能力。大小模型協同策略將促進 AI 技術在各個領域的應用深化，進一步釋放AI 技術的商業價值，形成更為豐富多樣的應用場景和解決方案。二是 MaaS 服務的能力和內部接口將走向統一化。一方面模型服務水平將逐步規范化，未來模型將服務成百上千個業務，模型服務的質量直接關系到業務能否穩定運行，因此服務內容、服務水平、服務計量的標準化等將有助于提高服務效率并節約成本。另一方面企業內部模型服務的接口將逐步統一，模型服務規模

62、化落地后，模型與應用或業務系統間的接口是否統一將直接影響開發效率和質量。標準化的接口便于不同業務調用不同模型服務，提高兼容化處理效率，降低使用門檻，促進不同服務之間的互聯互通，推動模型的共享和復用。三是 MaaS 將催生基于大模型的應用新生態。首先基于大模型的應用開發新范式將圍繞自然語言持續演進，通過自然語言快速生成特定領域的大模型原生應用，開發門檻大幅降低，這將吸納更廣泛的用戶群體參與其中，推動應用開發生態持續擴大。其次基于大模型的應用將向個性化、擬人化方向發展，基于開發新范式，各類應用將更加貼合用戶的個性化需求，同時應用的形態將逐步轉向視MaaS 框架與應用研究報告（2024 年）38頻、

63、音頻等更具擬人化特征的多模態形式，使得人機交互更為自然流暢。根據 Gartner 預測，到 2026 年，超過 80%的企業將使用生成式 AI 的 API 或生成式 AI 模型，或者在生產環境中部署支持生成式的應用（目前這一比例不足 5%）12。四是 MaaS 將圍繞模型服務持續強化安全保障。未來將從平臺安全、數據隱私保護、模型可控性、服務可靠性及應用安全等維度，持續健全 MaaS 安全保障體系，根據 Gartner 預測，到 2026 年，對AI 應用部署信任、風險和安全管理控制措施的企業，將能過濾掉80%的錯誤和非法信息，從而提高決策的準確性12。通過健全的保障體系，保護用戶在使用模型服務

64、過程中的數據安全與隱私權益，筑牢模型服務風險管理防線，幫助企業生產更加負責任的 AI，推動各行業“AI+”行動進展。12Gartner 洞察：2024 年重要戰略技術趨勢MaaS 框架與應用研究報告（2024 年）39主要參考文獻主要參考文獻1.David O,Lloyd W,Rojas K,et al.Model-as-a-service(MaaS)using the cloudservices innovation platform J.2014.2.Gan W,Wan S,Yu P S.Model-as-a-service(MaaS):A surveyJ.arXiv preprintar

65、Xiv:2311.05804,2023.3.Roman D,Schade S,Berre A J,et al.Model as a service（MaaS）C/AGILEWorkshop:Grid Technologies for Geospatial Applications,Hannover,Germany.2009.4.Li Z,Yang C,Huang Q,et al.Building Model as a Service to support geosciencesJ.Computers,Environment and Urban Systems,2017,61:141-152.4

66、0編制說明編制說明本報告的撰寫得到了 AI 領域多家企業與專家的支持和幫助，主要參與單位如下：中國信息通信研究院人工智能研究所、中國電信股份有限公司研究院、中國聯通人工智能創新中心、平安銀行股份有限公司、騰訊云計算（北京）有限責任公司、百度在線網絡技術（北京）有限公司、阿里云計算有限公司、華為云計算技術有限公司、華為終端有限公司、中國電力科學研究院、興業銀行股份有限公司、浪潮云信息技術股份公司、杭州網易云音樂科技有限公司、新華三集團有限公司、浪潮軟件科技有限公司、中銀金融科技有限公司、北京思謀智能科技有限公司、北京中電普華信息技術有限公司、星環信息科技（上海）股份有限公司、上海瀾碼科技有限公司、南京新菁年影視科技有限責任公司、成都新希望金融信息有限公司、中國移動通信集團廣東有限公司、美云智數科技有限公司。中國信息通信研究院 人工智能研究所地址：北京市海淀區花園北路中國信息通信研究院 人工智能研究所地址：北京市海淀區花園北路 52 號郵編：號郵編：100191電話：電話：010-62301618傳真：傳真：010-62301618網址：網址：