2025 年，走向尾声。回顾 2025，这既是「AI 泡沫论」兴起的一年，也是「AI 效用论」兴起的一年。两种论调表面矛盾，实则有一致的内核。 AI 产业规模的扩大，并没有 100% 充分转化为效用、价值。无论是消费端的应用场景，还是企业端的效率、回报，都落后于市场的超高期待。 AI 产品范式有着极简的内核，完全端到端的输入和输出。但到企业场景下，大模型能力的内核依然影响着它的应用效率，用户常常需要花较多时间精力去 构建应用，进行繁琐的效果评估、安全审查、上下文同步等工作，这里付出的成本，甚至可能比原有的工作流程效率更低。 在 2025 年亚马逊云科技 re:Invent 大会上，CEO Matt Garman 指出了这一行业共识：AI 要从「技术奇迹」转变为能提供实际业务价值的实用工具，企业需要 在生产环境中以低成本、可控、规模化的方式部署和使用模型。当下 AI 应用的堵点不是「智能能力」，而是「工程化的能力」。 如何重新思考 AI 的应用范式，提升核心效率，成为了讨论焦点。亚马逊云科技宣示了他们的长期目标，是为企业搭建一套可定制的 AI 框架，创造一个开 放、安全、可控、可扩展的 AI 操作系统。 Age ...

2025 年，走向尾声。回顾 2025，这既是「AI 泡沫论」兴起的一年，也是「AI 效用论」兴起的一 年。两种论调表面矛盾，实则有一致的内核。 AI 产业规模的扩大，并没有 100% 充分转化为效用、价值。无论是消费端的应用场景，还是企业端 的效率、回报，都落后于市场的超高期待。 AI 产品范式有着极简的内核，完全端到端的输入和输出。但到企业场景下，大模型能力的内核依然 影响着它的应用效率，用户常常需要花较多时间精力去构建应用，进行繁琐的效果评估、安全审查、 上下文同步等工作，这里付出的成本，甚至可能比原有的工作流程效率更低。 在 2025 年亚马逊云科技 re:Invent 大会上，CEO Matt Garman 指出了这一行业共识： AI 要从「技 术奇迹」转变为能提供实际业务价值的实用工具 ，企业需要在生产环境中以低成本、可控、规模化 的方式部署和使用模型。当下 AI 应用的堵点不是「智能能力」，而是「工程化的能力」。 | | | 0 | | | | | 0 | | | | 0 | | | 9 | | --- | --- | --- | --- | --- | --- | --- | --- | -- ...

当AI炒作退潮，谁在真正交付价值？云计算一哥打响价值落地之战！ 作者 | 李水青 AI的价值实现路径，正从"模型能力展示"转向"Agent实际部署"。 亚马逊云科技CEO马特·加曼（Matt Garman）在今日凌晨举办的2025 re:Invent主题演讲中直言："Agent的出现使我们在AI轨迹上发生了变化——从一个技 术奇迹的时代，转向真正获得价值的时代。" 他的判断基于一组反差强烈的数据：一方面，生成式AI引发全球狂欢，Amazon Bedrock已服务超过10万家企业，其中50多家客户处理了超1万亿tokens； 另一方面，许多企业仍未看到AI投资带来相匹配的业务回报。 ▲Garman在讲解Amazon Bedrock落地情况 "Agent是企业从AI投资中获得实质性商业回报的地方。"Garman揭示了一个关键转折点，"我相信，在未来每个公司内部和每个可以想象的领域都会有数 十亿的Agent。" 一场重新定义AI价值实现的竞赛已经打响。在亚马逊云科技2025 re:Invent的舞台上，AI芯片性能飙涨600%，构建AI Agent的四大技术支柱同步升级， Agent部署的全栈战争已经升级……到底什 ...

文章核心观点 - AI产业正经历从技术奇观到实际价值创造的关键拐点，AI Agent的出现是这一转变的核心驱动力[5][6] - 大模型商业化的成功不能仅依赖芯片或模型的单点优势，而需要在硬件与软件的每一层进行端到端优化[1] - 亚马逊云科技的核心战略是构建面向Agentic AI时代的完整技术栈，从底层基础设施、芯片、模型到上层工具链和平台，以帮助企业将AI价值落地[6][38] AI基础设施与芯片 - 公司全球数据中心网络覆盖38个区域、120个可用区，过去一年新增3.8吉瓦数据中心容量，规模位居全球首位[5] - 公司是运行GPU的最佳场所，OpenAI等大型企业正在使用拥有数十万颗GPU的EC2 UltraServers集群，并即将升级至GB300系列[7][8] - 推出“客户专属私有区域”AI Factories，客户可在自有数据中心内部署独享的AI基础设施，并访问最新Nvidia GPU和核心AI服务[10] - 自研AI芯片Trainium已部署超过100万颗，Trainium 2成为全球性能最强的推理系统之一，Bedrock上大部分推理任务由Trainium驱动[10][11] - Trainium 3正式可用，采用3纳米工艺，计算能力较Trainium 2提升4.4倍，内存带宽提升3.9倍，每兆瓦功耗可处理的AI tokens数量提升5倍[13] - 下一代芯片Trainium 4已进入深度设计阶段，FP4计算性能预计提升6倍，内存带宽提升4倍，高带宽内存容量提升2倍[16] 模型生态与策略 - 公司认为未来不会出现单一主导模型，策略是持续扩展模型范围，Bedrock平台上的模型数量较去年几乎翻番[17] - 自研模型Amazon Nova系列升级至Nova 2，包括Light、Pro、Sonic和Omni四个版本，覆盖从快速推理到复杂多模态任务的不同场景[20] - 引入开放式训练模型Nova Forge，企业可在模型训练阶段注入专有数据，获得兼具通用能力和行业理解的专属模型[21][23] - 开源模型生态进一步扩展，新引入Google Gemma MiniMax M2、kimi k2、NVIDIA Nemotron以及Mistral AI的最新权重模型[18] AI Agent平台与工具 - 推出Amazon Bedrock AgentCore平台，提供Serverless安全运行时环境，支持Agent间相互调用和隔离式记忆机制，可部署数千并发会话[25][26] - 推出Policy in AgentCore系统，通过自然语言定义可实时执行的策略，确保Agent行为可控与可审计[28] - 推出AgentCore Evaluations功能，支持对正确性、有用性等维度进行自动评估，并将结果在CloudWatch中统一呈现[29] 内部实践与效率提升 - 发布Kiro开发环境，可将自然语言指令转化为可执行代码，公司内部已全面采用Kiro作为官方AI开发环境[34] - Kiro帮助公司一个大型重构项目从原计划30名开发者、18个月缩短至6名开发者、76天完成[34] - 基于Kiro经验推出Kiro自主Agent、Amazon Security Agent和Amazon DevOps Agent，覆盖软件生命周期核心环节[35][36] 业务规模与增长 - 公司业务规模达1320亿美元，同比增长速度加快至20%，过去一年业务营收新增220亿美元[4] - Bedrock平台客户数量同比增长超过两倍，已有逾50家客户单日处理的token数量突破1万亿[17]