MaaS的真相是數(shù)字化施工隊

文：王智遠 | ID:Z201440

到了2025 年中時，大家開始聊MaaS了。

MaaS是什么？

Model-as-a-Service（模型即服務(wù)）。以前，企業(yè)想用 AI，得像蓋房子一樣，自己買地（顯卡）、買圖紙（算法）、組施工隊（開發(fā)），成本極高。

現(xiàn)在，云廠商把這些都打包好了，企業(yè)只要像住酒店一樣，按天、按量付費；模型部署在云端，通過 API 接口，隨取隨用。

MaaS 把 AI 從一種「高精尖的技術(shù)」，變成了一種「即插即用的水電」；但奇怪的是，既然這么方便，為什么現(xiàn)在市面上聽不到太多動靜了？

01

因為大家都在悶聲干活，在思考怎么把「水電」接進業(yè)務(wù)里。

來看一個嚇人的數(shù)據(jù)：

前幾天，字節(jié)跳動旗下火山引擎，悄悄交出了一份嚇人的成績單：日均 Token 調(diào)用量突破 50 萬億；而且，在中國大模型公有云市場的蛋糕里，火山引擎一家就切走了49.2%的份額。

咱們得對數(shù)字有點敬畏心；這 50 萬億 Token，是企業(yè)真金白銀跑出來的。這說明什么？說明企業(yè)真正在「用」。

那么，既然大家都在用，這錢到底被誰賺走了？智遠分析認為，整個市場分化成了「兩大門派」。

第一派，是云大廠做的水電站，代表選手有火山引擎、阿里云、百度智能云；他們的邏輯很簡單，我賣水和電（算力+模型），不管你家里用什么電器，插頭得插我這。

但這三家又完全不同。

尤其火山引擎，它是今年最大的變量。很多人看不懂，為什么火山入局最晚，卻能切走近一半的市場份額？ 難道僅僅是因為便宜嗎？

不，便宜是結(jié)果。火山能把價格打穿，背后的核心邏輯是 「C 端練兵，B 端賺錢」。

你看它手里有誰？豆包。 作為一個日活過億的超級 App，豆包每天海量的交互請求，就是最好的「磨刀石」

大家可以想象一下這個畫面： 每天有幾億人拿著豆包在聊、在搜、在畫圖；這對服務(wù)器來說，是一場全天候、高強度的極限壓力測試

它把「并發(fā)」測透了， 什么樣的流量洪峰沒見過？豆包扛得住，企業(yè)那點業(yè)務(wù)流量才能輕輕松松；它把「成本」榨干了，這是最關(guān)鍵的。

你想想，C 端的流量是有波峰波谷的（白天忙、半夜閑），而字節(jié)內(nèi)部有龐大的推薦算法、搜索業(yè)務(wù)，剛好可以和 AI 任務(wù)做「混排」

這像開餐館，如果不接待散客（C 端），只接企業(yè)包場（B 端），那你的廚房閑置率會很高，菜價一定貴；但火山是廚房 24 小時連軸轉(zhuǎn)，顯卡利用率拉滿了，平攤到每一次調(diào)用的成本，自然就是白菜價。

所以，譚待才敢說，MaaS 是賺錢的。 因為對于火山來說，給 B 端提供服務(wù)，本質(zhì)上是豆包用剩的「能力溢出」。

說白了，B 端企業(yè)哪怕只「蹭」到了這點溢出的紅利，拿到的也是屠殺級的價格。

另外兩家走的路線也不一樣：阿里云像百貨超市，它的邏輯是生態(tài)。魔搭社區(qū)拉攏各路模型，它只求你用它的服務(wù)器跑模型。

百度像操作系統(tǒng)，它的邏輯是入口。李彥宏喊“應(yīng)用為王”，百度強推千帆平臺，更想做 AI 時代的 Windows，讓你在上面長出應(yīng)用來。

第二派是什么呢？是AI原生的廠家。

比如：智譜 AI、MiniMax、硅基流動等；他們沒有云廠商的「基礎(chǔ)設(shè)施包袱」，所以必須夠?qū)！蚱啤保瑢ｉT解決那些云廠商搞不定的“疑難雜癥”。

你看智譜AI，今年它做了大量私有化部署

很多國企、銀行，數(shù)據(jù)死都不能出機房。這時云廠商就尷尬了，但智譜擅長；它能把模型做輕，直接部署到本地服務(wù)器上。

那MiniMax呢？智遠認為，是偏科天才，如果你做游戲、做情感陪伴，首選 MiniMax；它的模型有“人味兒”，它的模型語音合成極其逼真，以后，在這塊細分市場說不定，能切走了不少 B 端客戶。

至于DeepSeek不用說了，它是典型的理工直男。

大家對它的印象可能還停留在“通用對話”上，但它在 B 端的殺手锏其實是代碼和推理。 如果你是搞量化交易、做數(shù)據(jù)分析的，DeepSeek 簡直是「降本增效」的神器。

所以，智遠認為，現(xiàn)在的 MaaS 市場分三類玩家：

第一類偏「基礎(chǔ)設(shè)施」，講究大而廣。他們鋪路，不論你是誰、你用什么模型，只要你用我的云、耗我的電就行，他們拼生態(tài)的厚度和算力的成本。

第二類偏垂直細分，講究「銳度」；像 MiniMax、智譜、硅基流動這種 AI 原生廠商；用一把尖刀撕開 B 端的口子，做深度的場景適配。

第三類是單純的「賣模型 KPI」； 像 DeepSeek、Kimi；講究「純粹」。你需要腦子，我就賣腦子，拼推理最強、價格最低。

02

說了這么多廠商，其實解決的都只是“有模型用”的問題。但對企業(yè)來說，真正的痛點在于：模型我買了，怎么把它變成能干活的員工呢？

在我看來，要想讓 MaaS 真正落地，得在業(yè)務(wù)流里砍下“三把刀”。

第一刀，Chat to Data（讓數(shù)據(jù)上馬）。

這塊很多人容易想岔，以為把模型買回來，直接跟它聊業(yè)務(wù)就行了。 錯。Chat to Data 的前提是，你的數(shù)據(jù)得先“上桌”。

你想想，你的數(shù)據(jù)現(xiàn)在都在哪？散落在員工電腦桌面的 Excel 里，或者躺在業(yè)務(wù)系統(tǒng)深處的 CSV、CRM 里。對模型來說，這些離線文件是“隱形”的，它根本看不見。

所以，第一步動作叫「結(jié)構(gòu)化上云」。

你得先把死數(shù)據(jù)，上傳到 MaaS 平臺的數(shù)據(jù)容器里。現(xiàn)在像飛書多維表格、釘釘這些工具，干的就是這個活，把死文件變成“在線表格”。

只有數(shù)據(jù)上桌了，模型才能去讀表頭，理解這一列叫「銷售額」，那一列叫「回款率」；鋪墊好這一步，才是聊。

這時，部門伙伴問它：把上個月回款低于 50% 的客戶挑出來，它才能立馬給你跑出一個結(jié)果；說白了，這一刀本質(zhì)給模型配一個“數(shù)據(jù)插座”，有了庫，才有得聊。

數(shù)據(jù)解決了，第二刀：Chat to Knowledge（讓知識進腦）。

這塊跟數(shù)據(jù)一樣。 絕大多數(shù)企業(yè)知識，現(xiàn)在都鎖在老舊的 OA 系統(tǒng)里；PDF、Word、掃描件，模型也是看不見的。 所以，不管你用什么平臺，得先把操作手冊、法律法規(guī)、歷史合同統(tǒng)統(tǒng)上傳到云端建庫。

舉個中石化的例子：

他們面臨大量的工程標(biāo)準(zhǔn)和設(shè)計規(guī)范，查起來非常費勁。于是，他們利用百度千帆平臺，把文檔全部搬了上去，構(gòu)建了一個“標(biāo)準(zhǔn)規(guī)范智能問答助手”。

這里最關(guān)鍵是平臺的「解析」能力。

它把文檔里的表格、公式拆解成模型能讀懂的碎片。只有經(jīng)歷了“上傳-解析-入庫”這三步，知識才算真的進了企業(yè)的 AI 腦子。

這時，你再問它技術(shù)規(guī)范，它才能秒級給你答案，并且告訴你出自哪一頁。

第三刀：Chat to Action（讓流程上手）；這是 2025 年的決勝局，這一刀解決“辦事”的問題。 它的本質(zhì)是API 的原子化。

以前，你得把請假、報銷、訂機票這些業(yè)務(wù)動作，拆解成一個個標(biāo)準(zhǔn)的小積木。但光有積木不夠，誰來搭呢？這時，MaaS 平臺它得變成一個「數(shù)字化施工隊」的總指揮部

我舉個最新的例子：

前幾天火山引擎發(fā)了一個叫AgentKit的開發(fā)框架，它直接把這個施工隊的角色分好了，跟咱們真實的業(yè)務(wù)場景一模一樣。

這就好比一個工程現(xiàn)場：第一步，得有“包工頭”（Router），這是最聰明的大模型（比如 DeepSeek-R1 或豆包-Pro）。

它不干具體的活，只負責(zé)聽懂人話、分派任務(wù)；你說「幫我訂一張明天去上海的機票，預(yù)算 2000 以內(nèi)」，它立刻分析出時間、地點、預(yù)算，然后轉(zhuǎn)頭喊人。

第二步，得有“特種兵”（Tool Use）。

這是被封裝好的 API。包工頭一聲令下，查票 Agent沖上去查航班，比價 Agent沖上去算報銷額度；這里面有個關(guān)鍵叫 MCP 協(xié)議，你就把它理解成特種兵的萬能工具箱，即插即用。

第三步，還得有“質(zhì)檢員”（Evaluation）。這是最容易被忽略的一點。在「點擊支付」之前，必須有一個模型或者人工節(jié)點跳出來復(fù)核：

查到了這三班，符合差旅標(biāo)準(zhǔn)嗎？您確認訂這一班嗎？”如果沒有這個質(zhì)檢員，模型很可能給你訂一張 5000 塊的頭等艙，老板非瘋了不可。

看明白了嗎？這才是 MaaS 的真相；企業(yè)買「包工頭+特種兵+質(zhì)檢員」的建制；MaaS上的AgentKit 工具，在賣這套讓聽得見炮火的人，能指揮 AI 施工隊的系統(tǒng)。

當(dāng)然，智遠判斷，未來會有諸多AI 原生的 MaaS 平臺出來，專門解決垂直細分場景的問題；比如游戲行業(yè)、3D 設(shè)計，它們的流程非常特殊，通用平臺搞不定，一定會出現(xiàn)專門的垂直 MaaS 平臺來吃掉這塊市場。

03

所以，未來做MaaS平臺的大廠，到底迷戀通用大模型，還是把精力放在「垂直」和「小」上面？

這讓我想到了人的大腦。

通用大模型像大腦的原生智力（IQ）。 它的容量很大，邏輯很強，什么都能學(xué)，什么都能聊。在這個層面上，OpenAI 和 Google 還在不斷卷 Scaling Law，試圖把“大腦”的容量擴得無限大。

但「垂直小模型」是什么呢？ 它更像我們在后天工作中修煉出來的「思維模型」。

這好比，一個智商 180 的天才，不懂經(jīng)濟學(xué)，也未必能馬上算清楚一筆復(fù)雜的賬；但給他裝一個「機會成本思維模型」（垂直模型），專門用來計算換算關(guān)系、權(quán)衡利弊，那他在這個領(lǐng)域的判斷力是頂級的。

所以，垂直和小，代表的是「業(yè)務(wù)的深耕」。

它只需要在某一個特定的切面（比如計算機會成本、審核法律合同、篩選簡歷），擁有最專業(yè)的“解題視角”就夠了。

這也解釋了，為什么2025年最流行模型蒸餾、也就是「一個個小模型即服務(wù)」。

我舉一個智聯(lián)招聘的例子：

他們做人崗匹配，全靠“通用大腦”去硬算，成本太高且效率低。 他們的做法是典型的「名師帶高徒」。

先用「大腦」思考（Teacher，請出千億參數(shù)的 DeepSeek-R1。先把復(fù)雜的簡歷和崗位需求跑一遍，通過高智商分析出人崗匹配的深層邏輯。

再把 DeepSeek 跑出來的“邏輯精華”，喂給一個百億參數(shù)的ERNIE Speed（文心輕量版）；最后，讓「模型」出來干活，就是專門懂招聘、懂匹配的“小模型”。

結(jié)果呢？ 推理成本直接下降了 70%。

這說明了什么？企業(yè)真正需要，利用愛因斯坦的智力，把你們業(yè)務(wù)里的“機會成本模型”、“庫存周轉(zhuǎn)模型”、“合同風(fēng)控模型”一個個蒸餾出來，讓它越用越聰明。

所以，未來企業(yè)業(yè)務(wù)之間的競爭，不看誰接的“通用大腦”更聰明（那是大廠的事），要看誰能在大腦之上，誰能長出更多、更深、更懂業(yè)務(wù)的「垂直思維模型」。垂直模型，是公司的「行業(yè)專家」。

總結(jié)下來就八個字，在MaaS平臺，外事不決問大廠（通用模型），內(nèi)事不決靠垂類；到2026年，誰能把模型做小、做專，誰才能在投入產(chǎn)出比上算得過賬來。

除了這些主流路徑，市面上也還有很多賣「一體化解決方案」的玩家，商業(yè)世界，從來沒有標(biāo)準(zhǔn)答案。以上內(nèi)容，純屬智遠個人觀察，僅供參考。