AWS 的老身份和新角色：做 Agentic AI 時(shí)代的基礎(chǔ)設(shè)施

2026 AWS 上海峰會(huì)觀察

作者｜湯一濤

編輯｜鄭玄

過(guò)去三年，AI 行業(yè)的絕大部分注意力都在一件事上：把模型做得更強(qiáng)。到 2026 年，這件事的邊際收益正在迅速變小。

一個(gè)行業(yè)共識(shí)正在形成：模型正在商品化。一方面，前沿模型之間的差距正在收窄。Claude、ChatGPT 這些閉源模型在多數(shù)通用任務(wù)上已經(jīng)能達(dá)到「足夠好」的水平。與此同時(shí)，開(kāi)源模型（DeepSeek R1、Llama 系列）從下方不斷壓縮差距。傳遞到消費(fèi)端，大模型的「性價(jià)比」越來(lái)越高。當(dāng)模型的技術(shù)壁壘逐漸被稀釋，就很容易轉(zhuǎn)化為標(biāo)準(zhǔn)化的算力服務(wù)。

另一方面，模型并未直接轉(zhuǎn)化為生產(chǎn)力。麥肯錫 2025 年全球 AI 調(diào)研顯示，62% 的企業(yè)仍停留在 Agent 試點(diǎn)階段，僅有 23% 完成規(guī)模化落地。Gartner 預(yù)測(cè)，到 2027 年底，超過(guò) 40% 的 AI Agent 項(xiàng)目會(huì)被取消。大多數(shù)企業(yè)沒(méi)拿到業(yè)務(wù)結(jié)果。

Agent 要在企業(yè)里跑得好，往往還需要解決大量的工程問(wèn)題，比如數(shù)據(jù)的管道問(wèn)題，比如任務(wù)路徑的監(jiān)管問(wèn)題。這部分價(jià)值不比訓(xùn)練一個(gè)模型小，但在過(guò)去明顯被低估了。

今年早些時(shí)候，IBM 首席 AI 架構(gòu)師 Gabe Goodhart 就指出「模型本身不會(huì)成為主要的差異化因素」。他認(rèn)為，企業(yè)長(zhǎng)期競(jìng)爭(zhēng)優(yōu)勢(shì)將來(lái)源于私有行業(yè)數(shù)據(jù)、業(yè)務(wù)工作流編排與垂直行業(yè)解決方案。換句話說(shuō)，決定勝負(fù)的不是模型本身，而是圍繞模型的數(shù)據(jù)和工程。

2026 年 AWS 上海峰會(huì)的整個(gè)議程，正是建立在這個(gè)判斷上：當(dāng)前競(jìng)爭(zhēng)的勝負(fù)手，正在從比拼模型的強(qiáng)度，轉(zhuǎn)向更切實(shí)的價(jià)值創(chuàng)造，也就是幫助企業(yè)把 Agent 跑進(jìn)生產(chǎn)。

01

Agent 跑進(jìn)生產(chǎn)之后

何銳邦是小鵬集團(tuán)數(shù)據(jù)與 AI 平臺(tái)負(fù)責(zé)人，管理幾百人的研發(fā)團(tuán)隊(duì)。他在 AWS 上海峰會(huì)主論壇上講了自己團(tuán)隊(duì)正在經(jīng)歷的事：2024 年團(tuán)隊(duì)已經(jīng)在普遍使用 AI 開(kāi)發(fā)工具，個(gè)別員工效率提升了，整個(gè)部門沒(méi)有提升。

卡點(diǎn)有三個(gè)。首先 AI 工具只能幫寫單個(gè)環(huán)節(jié)的代碼，但是整個(gè)鏈路并沒(méi)有得到明顯的提效；小鵬在做物理 AI，軟硬件協(xié)同開(kāi)發(fā)的全自動(dòng)化在行業(yè)里還是禁區(qū)。第三個(gè)卡點(diǎn)則更加根本：AI 代碼生成速度太快，人類治理已經(jīng)跟不上。

MIT 今年 6 月的研究支持了這一觀察：AI 使代碼編寫量提升了 180%，但實(shí)際交付量只提升了約 30%。因?yàn)閷懘a只是軟件交付的一個(gè)環(huán)節(jié)，后面還有測(cè)試、審查、部署等一整套的生產(chǎn)流程，這些都無(wú)法只靠一個(gè)「更強(qiáng)的模型」解決。

亞馬遜全球副總裁、亞馬遜云科技亞太區(qū)聯(lián)席總裁儲(chǔ)瑞松在主論壇上提了一個(gè) AI 進(jìn)化的時(shí)間線：2023 年你問(wèn)它答（Chatbot），2024 年你指揮它協(xié)作（Agent），2025 年底開(kāi)始它能獨(dú)立交付業(yè)務(wù)結(jié)果（agentic AI）。

當(dāng)前 AI 的能力到了第三階段，但大多數(shù)企業(yè)的管理方式還在第一階段。差距出在兩個(gè)地方。

第一個(gè)瓶頸是數(shù)據(jù)。儲(chǔ)瑞松整場(chǎng)講得最多的一個(gè)詞是數(shù)據(jù)。模型是公共品，所有企業(yè)都能買到同一水平的基礎(chǔ)大模型。真正拉開(kāi)差距的是 Agent 拿到的上下文，業(yè)務(wù)知識(shí)、客戶記錄、流程規(guī)范這些花了很多年才攢下來(lái)的數(shù)據(jù)，短期內(nèi)無(wú)法復(fù)制。

現(xiàn)實(shí)是大量企業(yè)的數(shù)據(jù)散在幾十個(gè)系統(tǒng)里，沒(méi)有經(jīng)過(guò)治理。Agent 需要跨系統(tǒng)調(diào)取信息，但缺少統(tǒng)一數(shù)據(jù)接入標(biāo)準(zhǔn)。如果上下文是碎片化的，模型推理能力再?gòu)?qiáng)也出不了好結(jié)果。

幫企業(yè)管數(shù)據(jù)恰恰是 AWS 過(guò)去二十年一直在做的事。數(shù)據(jù)是有引力的（data gravity），量越大越難搬走，應(yīng)用和服務(wù)會(huì)自然聚集在數(shù)據(jù)周圍。全球數(shù)百萬(wàn)家企業(yè)的數(shù)據(jù)資產(chǎn)跑在 AWS 上。當(dāng)這些企業(yè)部署 Agent，不必從零搬數(shù)據(jù)、建管道，在已有的數(shù)據(jù)基座上加一層 Agent 可調(diào)用的知識(shí)層就夠了。數(shù)據(jù)本來(lái)就在這里，而 Agent 在數(shù)據(jù)旁邊工作。AWS 等于把過(guò)去的資產(chǎn)，變成了 AI 時(shí)代的護(hù)城河。

第二個(gè)瓶頸是規(guī)模化管理。儲(chǔ)瑞松在臺(tái)上打了個(gè)比方：創(chuàng)業(yè)公司三五個(gè)人的時(shí)候，不需要系統(tǒng)，不需要 HR，干就是了。等公司到了幾十人上百人，就需要相應(yīng)的系統(tǒng)和政策。

Agent 也一樣。當(dāng)企業(yè)有成百上千個(gè) Agent 在生產(chǎn)環(huán)境里運(yùn)行，很多實(shí)際的問(wèn)題就會(huì)隨之而來(lái)：怎么知道每個(gè) Agent 做了什么決策、走了什么路徑？一項(xiàng)業(yè)務(wù)任務(wù)到底花了多少錢？Agent 有沒(méi)有越權(quán)訪問(wèn)不該碰的數(shù)據(jù)？「如果你說(shuō)不清楚一個(gè) Agent 完成一項(xiàng)業(yè)務(wù)任務(wù)到底花了多少錢，那你做的可能不是部署而是實(shí)驗(yàn)。」儲(chǔ)瑞松說(shuō)。

評(píng)估同樣不好辦。Agent 和傳統(tǒng)軟件不一樣，同一個(gè)任務(wù)每次可能走不同的路徑，沒(méi)有系統(tǒng)化的評(píng)估機(jī)制就無(wú)從判斷它到底靠不靠譜。

安克創(chuàng)新的經(jīng)歷印證了這個(gè)遞進(jìn)關(guān)系。安克 CIO 龔銀在峰會(huì)上回顧了 Agent 落地過(guò)程：他們?cè)谏疃葢?yīng)用期碰到的卡點(diǎn)是數(shù)據(jù)質(zhì)量和已有系統(tǒng)的 AI「不友好」，等 600 多個(gè)流程智能體上線后，Token 日均消耗從不到 100 億暴增至 2000 億，此時(shí)成本管控變成了比技術(shù)選型更緊迫的問(wèn)題。

AgentCore 是 AWS 對(duì) Agent 規(guī)模化管理的回應(yīng)。如果說(shuō)數(shù)據(jù)層靠的是 AWS 二十年的積累，那么 Agent 的生產(chǎn)化運(yùn)行需要的是一個(gè)新的平臺(tái)層。市面上已經(jīng)有不少 Agent 開(kāi)發(fā)框架，搭一個(gè)原型不難。難的是把原型變成生產(chǎn)系統(tǒng)，滿足高并發(fā)下穩(wěn)定運(yùn)行、不同 Agent 之間的權(quán)限隔離或者是出了問(wèn)題之后的快速定位。

AgentCore 不替代這些框架，它是大規(guī)模安全構(gòu)建、連接與優(yōu)化 Agent 的平臺(tái)。比如「越權(quán)」問(wèn)題，每個(gè) Agent 跑在隔離的沙箱里，通過(guò) Identity 接入企業(yè)現(xiàn)有的權(quán)限體系，只能訪問(wèn)被授權(quán)的資源；安全策略則用自然語(yǔ)言定義，在 Agent 代碼之外執(zhí)行，Agent 自己繞不過(guò)去。至于「黑箱」問(wèn)題，AgentCore 可以做到全鏈路觀測(cè)，每一步推理都有記錄，出了問(wèn)題能定位到具體步驟。

過(guò)去六個(gè)月，AgentCore 上的 Agent 執(zhí)行任務(wù)量增長(zhǎng)了 15 倍。獵豹移動(dòng)是中國(guó)較早把生產(chǎn)級(jí) Agent 跑在 AgentCore 上的公司之一。借助 AgentCore，他們把 Agent 上線時(shí)間從一個(gè)月縮短到兩周，運(yùn)營(yíng)成本降低 25%。

小鵬走的是另一條路：把買不到的行業(yè) know-how 直接編碼進(jìn)平臺(tái)。何銳邦團(tuán)隊(duì)基于 Kiro 和 AWS 搭了內(nèi)部 AI 代碼平臺(tái)「靈犀」，把汽車行業(yè)的開(kāi)發(fā)規(guī)范沉淀成 Skills，讓 Agent 按規(guī)范協(xié)同。上線后部分部門 AI 代碼覆蓋率超過(guò) 70%，14 萬(wàn)多個(gè)工作流成功率超過(guò) 99.7%，交付代碼零 P0/P1 缺陷。

數(shù)據(jù)、規(guī)模化管理、行業(yè) know-how——把 Agent 跑進(jìn)生產(chǎn)，考驗(yàn)的早已不是模型本身。而換個(gè)角度看，這種模型商品化的趨勢(shì)，重塑的不僅是企業(yè)用戶的選擇，也在重塑模型廠自身的活法。

當(dāng)模型越來(lái)越靠單能力建立絕對(duì)壁壘，并能滿足不同場(chǎng)景、不同行業(yè)、不同市場(chǎng)的復(fù)雜客戶需求，他們就需要找到一個(gè)能落地，能把價(jià)值放大的出口。而這，也恰恰指向了 AWS。

02

到全世界去

在 AWS 上，不只是越來(lái)越多企業(yè)開(kāi)始調(diào)用模型、使用服務(wù)來(lái)落地 AI，還有越來(lái)越多主動(dòng)走進(jìn)來(lái)的模型廠商——尤其是中國(guó)公司，對(duì)于越來(lái)越重視全球化的中國(guó)模型廠來(lái)說(shuō)，AWS 遍布全球的基礎(chǔ)設(shè)施和現(xiàn)成的企業(yè)客戶，恰是他們最需要也最難自建的「基礎(chǔ)設(shè)施」。

月之暗面就是個(gè)典型案例。Kimi 的多個(gè)模型已經(jīng)登陸 Amazon SageMaker，開(kāi)發(fā)者可以在上面完成訓(xùn)練與推理；Amazon Bedrock 也已接入 Kimi K2.5 等開(kāi)源模型，用戶無(wú)需自建基礎(chǔ)設(shè)施即可調(diào)用，而雙方還在推進(jìn)把更多最新模型接入 Bedrock。在渠道側(cè)，Kimi 已登陸 AWS Marketplace，全球客戶可以一鍵采購(gòu)、按量付費(fèi)；更上層，Kimi 還和 AWS 的解決方案架構(gòu)師一起，聯(lián)合打造面向金融、醫(yī)療、制造等行業(yè)的方案。

月之暗面 Kimi 的 B 端負(fù)責(zé)人黃震昕把這種關(guān)系形容為「飛輪」：一邊向 AWS 采購(gòu)全球算力，一邊借 AWS 的渠道把模型賣向世界。

模型廠商之所以愿意選擇這樣的一個(gè)平臺(tái)，背后的邏輯其實(shí)和出海企業(yè)一樣——模型商品化改變的不只是技術(shù)格局，對(duì)于一家正在出海的中國(guó)企業(yè)來(lái)說(shuō)，選 AI 基礎(chǔ)設(shè)施就不只是模型，他們更關(guān)心的問(wèn)題是合規(guī)部署、低延遲、數(shù)據(jù)主權(quán)。

AWS 在全球部署了 39 個(gè)區(qū)域，覆蓋北美、歐洲、亞太、中東、南美的主要市場(chǎng)，各區(qū)域均具備數(shù)據(jù)本地駐留能力，并配套對(duì)應(yīng)市場(chǎng)基礎(chǔ)合規(guī)資質(zhì)。出海企業(yè)無(wú)需為新市場(chǎng)從零搭建底層硬件基礎(chǔ)設(shè)施。而 AWS 也提供各國(guó)法規(guī)參考材料與合規(guī)工具，大幅降低調(diào)研門檻。

亞馬遜 Bedrock 的模型中立策略在出海場(chǎng)景下有實(shí)際意義。如果模型正在商品化，那么把企業(yè)綁定在任何單一模型上都是不明智的。Bedrock 同時(shí)接入全球前沿模型（Claude、Llama、GPT、Grok 等）和中國(guó)本土模型（DeepSeek、Kimi、Qwen、GLM、MiniMax），出海企業(yè)可以在同一個(gè)平臺(tái)上完成國(guó)內(nèi)開(kāi)發(fā)和全球部署。國(guó)內(nèi)業(yè)務(wù)場(chǎng)景用國(guó)產(chǎn)模型，海外市場(chǎng)按需切換，不需要因?yàn)閾Q了市場(chǎng)就換一套技術(shù)棧。儲(chǔ)瑞松把這個(gè)定位概括為「深耕本地，鏈接全球」。

獵豹?jiǎng)t從一家自己出海的公司變成了幫別人出海的公司。基于和 AWS 多年合作，獵豹成立了聚云科技，把過(guò)去兩年 Agent 落地的實(shí)踐經(jīng)驗(yàn)通過(guò) AWS 生態(tài)輸出給更多中國(guó)出海企業(yè)。傅盛說(shuō)：「從云計(jì)算到 Token 經(jīng)濟(jì)，技術(shù)的邏輯改變了，但是我們和亞馬遜云科技合作的關(guān)系沒(méi)有變。只不過(guò)現(xiàn)在跑的不再是云上的比特，而是 Token。」

安克創(chuàng)新就是出海場(chǎng)景下最直觀的樣本。旗下 Anker、soundcore、eufy、SOLIX 等品牌的產(chǎn)品賣到全球超過(guò) 180 個(gè)國(guó)家和地區(qū)，AI 已經(jīng)嵌進(jìn)了全線產(chǎn)品。但這等于把同一套 AI 能力落在完全不同的監(jiān)管環(huán)境里，尤其 eufy 這類安防產(chǎn)品，攝像頭數(shù)據(jù)在歐盟、北美、中東各有各的隱私和數(shù)據(jù)本地化要求。

自己去啃每個(gè)國(guó)家的法規(guī)并不現(xiàn)實(shí)，這正是出海企業(yè)需要一個(gè)覆蓋全球各市場(chǎng)合規(guī)底座的原因。

從數(shù)據(jù)治理到規(guī)模化管理，再到全球合規(guī)部署，Agent 落地要解決的問(wèn)題遠(yuǎn)不止選哪個(gè)模型。

外部世界一直在變化，今天的第一名可能就是明天的墊底。過(guò)去幾年行業(yè)把大部分注意力都給了模型。但是歸根結(jié)底，所有的要素都是要導(dǎo)向「價(jià)值創(chuàng)造」的。誰(shuí)離這個(gè)目標(biāo)更近，就更有可能承接這條鏈路上的價(jià)值轉(zhuǎn)移。

儲(chǔ)瑞松在臺(tái)上給了一條具體的建議：選一個(gè)有價(jià)值的業(yè)務(wù)場(chǎng)景，端到端跑通一個(gè) Agent，產(chǎn)生真實(shí)的 ROI。「就像給新員工寫一個(gè)崗位描述一樣來(lái)定義你的 Agent：它負(fù)責(zé)什么事情，交付標(biāo)準(zhǔn)是什么，出錯(cuò)了怎么辦。把它做的事情和你業(yè)務(wù)的 KPI 直接關(guān)聯(lián)，從第一天開(kāi)始就能衡量?jī)r(jià)值。」

*頭圖來(lái)源：2026亞馬遜云科技中國(guó)峰會(huì)

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO

極客一問(wèn)

你如何看待 AWS ？