10分鐘部署AI應用，你應該用這個

現在以大模型為代表的新一代人工智慧技術迅猛發展，展現出廣闊應用前景。

在 AI 即未來的大路上，眾多國企和上市公司紛紛接入 AI 大模型，然而對於剛開始和 AI 打交道的公司來說，通常都會遇到五個坑：

為AI 找新場景適配，而不是立足核心業務進行痛點最佳化。
對大模型的算力依賴、引數依賴，以為大模型越大、引數越多，就能越好的解決問題。
資料分散在公司各個角落，並且是各種格式，不好清洗與訓練。
大力出奇跡，只想著堆算力，沒有對業務痛點的深刻理解。
利用 AI做了一堆場景適配，不搞持續最佳化。

根據這些痛點，華為雲特地打造了MaaS大模型服務平臺，透過“三層五階十二步”的方法論為企業提供清晰、可靠的大模型落地方案。

“三層五階十二步”的方法論將大模型服務分為三層：重定義智慧業務、模型開發與交付和持續最佳化 AI應用。細分為五階段：場景識別、模型選型、模型調優、資料治理、持續運營，這五個階段內部還有十二個步驟。

可以說，MaaS平臺打通了從底層算力到上層應用的全鏈路。

具體包括：

AI基礎設施：整合了鯤鵬、昇騰、X86等算力，並配套了Flexus系列雲服務，包括儲存、資料庫和雲搜尋，為上層所有 AI 開發和應用，提供穩定高效的雲服務底座和強勁的大模型推理效能。
模型廣場：相容多種開源大模型，給予客戶充分的選擇權，還提供從模型部署到模型微調的全鏈路工具，提升搭建 AI應用、接入 AI應用的效率。
MCP廣場：企業的IT團隊既可以呼叫美團、通達信等精品MCP，也可以選擇上千種流行的MCP，快速構建出智慧客服、智慧問答、互動數字人等多種智慧應用，並與現有業務系統打通整合，極大的提升了應用建立的易用性。

今天就帶大家體驗一下MaaS平臺所帶來的 AI 雲基建能為我們的 AI 應用帶來多麼高效的提升。

1. 預置30+主流開源大模型

一開啟華為雲的 MaaS 大模型服務平臺，就能看到模型廣場，模型廣場內提供了市面上主流的開源大模型：

在模型廣場內你可以透過分類找到你想要的模型，但是上面的分類並不是全部，你還可以在 MaaS 平臺的模型庫中去選擇更多模型進行部署，比如 Meta 的Llama 系列和國內的百川大模型系列：

針對DeepSeek，MaaS 平臺也做了單獨的適配。

今年五月底，DeepSeek 釋出了 DeepSeek R1-0528 版本，該模型在在數學推理、程式碼生成、邏輯推理等多個核心基準測試中，展現出開源模型當前最先進（SOTA）的效能水平。華為雲MaaS快速跟進，針對該模型進行深度適配與最佳化，並推出了 DeepSeek R1-0528 的685B滿血版本。

對於同一個大模型而言，部署滿血版和裁切板，所得到的效能是截然不同的，它就類似 CPU 領域的鎖頻和超頻，只有滿血版的大模型才能發揮出這個模型的上限能力。

得益於華為雲昇騰AI雲服務的全棧最佳化與龐大的底層算力，DeepSeek滿血版在華為雲平臺上實現了高推理效率和資源利用率，不僅能夠讓企業享受最高效能，還能助力企業大幅降低推理成本。

以上這些模型，除了主流版本之外，MaaS 平臺還提供了蒸餾版本和裁切版本（比如上面截圖中的 DeepSeek-R1-32K），這樣更能滿足大中小企業的多樣化需求。

比如在網際網路推薦場景，企業可以選擇具有頂級推理能力的滿血版模型，而在辦公領域，可以選擇中等引數的模型，一切都根據企業的需求來定奪。

一般模型引數越小，價格也往往越便宜，所以對於企業來說，選擇適合自己需求的模型能夠節省更多的成本。

而為企業提供更多選擇，兼顧效能與成本，是華為雲一直努力的方向。

所以，對於需要接入 AI 的企業來說，可以先在 MaaS 平臺快速接入一箇中等引數的大模型，以較低的成本驗證業務，隨著業務驗證完成，再將模型切換為滿血版本的大模型，這一切都可以在 MaaS 平臺滑鼠點幾下完成。

2. MCP 讓大模型擴充更多能力

最近 MCP 在 AI 領域比較火。

可能有一些同學可能聽到MCP 比較陌生，它其實是大模型和其他應用之間的橋樑，比如你問大模型明天什麼天氣，那麼大模型就需要知道你在哪（透過你的地理位置獲取你的城市），透過你的城市去查詢天氣資訊（呼叫MCP廣場中的氣象服務）。

所以使用 MCP 能為你的大模型應用新增非常多的多樣能力，比如聯網、查車票、查天氣、甚至給照片修圖+美顏。

而華為雲的Maas 平臺早早就在佈局 MCP，目前在Maas 平臺的 MCP 廣場已經有 1400+ MCP應用：

可以看到 MaaS平臺中的 MCP廣場匯聚了多種功能、多種行業的 MCP 服務，其中不乏天眼通、高德地圖、美圖影像這種國民級應用的入駐。

而透過 MCP 廣場中提供的這些能力，我們可以輕鬆讓自己的大模型接入這些能力。

比如你可以使用美圖公司的 MCP 做一個照片美化器的應用，只需要在Maas 平臺建立模型時新增美圖影像這個 MCP 即可：

如上圖所示，我們先選擇一個 DeepSeek模型，再新增美圖影像這個 MCP，接著輸入一些提示詞後，點選建立應用，你就可以得到一個滿血 DeepSeek + MCP 的線上大模型服務了。

接著你就可以在任何平臺，以 HTTP API 的方式接入此模型服務，由於此服務具備了美圖影像的能力，你可以在一些場景下提示使用者上傳照片，利用大模型的能力對照片進行美顏，然後再返回給使用者展示。

再比如你希望在你的 AI 應用場景中，加入搜尋功能，那你可以在建立模型時新增聯網增強這個 MCP，這樣你的模型就具備了聯網功能，可能快速根據最新的資訊做出決策。

如果你要做 toB 的大模型應用，那天眼通這個 MCP 也大機率要接入了，它可以為你查詢企業的相關情況，對於一些智慧問答企業情況的場景比較好用。

還有許許多多，各種能力的 MCP，你都可以在 MaaS 平臺的 MCP 廣場去尋找並使用。

3. 軟硬體協同打造低延遲與高效能

前文中介紹了一些 MaaS 平臺中模型和生態，但是對於接入大模型的企業來說，除了生態，大模型的效能表現更是使用者更能切身感知到的使用者體驗。

大模型的效能其實表現在兩方面，一是高吞吐量：可以承載更多的使用者，二是低延時：可以讓使用者以極快的速度得到回覆。

比如大模型普遍應用的行程旅遊規劃場景，接入方大部分都是網際網路旅遊平臺，他們擁有著海量使用者，所以對於模型的吞吐量要求極高，不能讓客戶感覺到卡頓，同時也會對回覆速度有要求，速度越快，轉化率可能就越高。

這種要求對 MaaS 這種雲端大模型平臺帶來了：算力、吞吐量、延時的三重要求。

所以華為雲 MaaS 平臺為了解決這三個問題，透過系統級協同創新，以架構實現提升，並透過：超節點、推理框架和模型閘道器進行三重最佳化。

首先是A3 超節點以 384個計算卡形成高速互聯，突破傳統叢集頻寬/視訊記憶體瓶頸，使跨機通訊時延降低，為超大模型混合並行提供硬體級競爭力。CloudMatrix384超節點首創將384顆昇騰NPU和192顆鯤鵬CPU透過全新高速網路MatrixLink全對等互聯，形成一臺超級“AI伺服器”，單卡推理吞吐量躍升到2300 Tokens/s。

同時支援混合專家MoE大模型的推理，以“1卡1專家”架構提升推理效率，支撐 DeepSeek 等千億引數模型推理效能 3 倍躍升。

其次是大EP推理框架，這是華為雲專為昇騰最佳化的推理框架，透過大規模“專家並行”（EP）技術，把模型推理任務分配到眾多計算卡上，以此實現每張卡載入小塊推理人物，在關鍵的解碼階段響應更快，實現了整體上的超低延遲，資源利用率提升20%，效能提升10%+ 。

由於推理任務被分散開來，單計算卡能夠預留更多視訊記憶體容量，預留容量用於KV快取，既能支援更大使用者併發所需的KV快取，支援更長的上下文序列，又能實現系統的更大吞吐效能，同時透過大規模專家並行+PD分離+投機推理，實現了3倍單卡吞吐效能。

最後則是模型閘道器為客戶提供支援跨地域就近接入，減少網路傳輸距離，降低使用者側延遲，讓客戶能夠第一時間享受到即開即用的AI算力資源。

華為雲還透過 Prompt 長度感知，將長文字請求定向排程至高視訊記憶體例項，短文字分配至低延遲例項，動態合併空閒算力形成“公共資源池”，提升叢集利用率。

有了以上這些開創式的更新，MaaS 平臺完全能夠同時滿足海量算力、高吞吐量和低延時的要求，比如一些頭部企業的高併發業務需求。