Amazon 的 2026 AI 战略：为什么最大的玩家却最没有存在感

一直困扰我的三个问题

过去两年，每次打开科技新闻，头条永远属于那几个名字：OpenAI 又发布了新模型、Google Gemini 又刷新了某个基准、Anthropic 的 Claude 4 系列让开发者疯狂、Microsoft Copilot 又拿下一笔企业订单……

那 Amazon 呢？

作为”七巨头”之一、全球最大的云计算公司、一家年利润超过 500 亿美元的庞然大物——Amazon 在 AI 时代的存在感与它的体量严重不成比例。

这让我一直放不下三个问题：

第一，Amazon 在 AI 时代掉队了吗？ Google 有 Gemini，每次更新都引发全球热议。Microsoft 有独家的 OpenAI 合作关系（虽然 Amazon 最近也加入了 OpenAI 的 500 亿美元融资）。Anthropic 每次发布 Claude 4 都是开发者的狂欢。可 Amazon 在 AI 上呢？很少上头条。

第二，为什么 Google 的每一个动作都能成为全球话题，而 Amazon 几乎悄无声息？ 在 re:Invent 2025 上，AWS 发布了自研 3nm 芯片、近百个模型、多个 agent……无论怎么衡量这都是实打实的发布，可在 AWS 技术圈之外，讨论几乎为零。

第三——也是最让我困惑的——Amazon 有钱、有芯片、有全球最大的云基础设施，为什么就是造不出一个爆款基础模型？ 在中国，除了科技巨头，连 DeepSeek、Moonshot AI、MiniMax 这样的创业公司都训练出了能力惊人的模型。Amazon 的投入高出好几个数量级，Amazon Nova 却几乎隐形。到底缺了什么？

带着这三个问题，我花了不少时间研究 AWS 当前的 AI 全栈架构。我们先看看 Amazon 到底建了什么，然后再回过头来回答这些问题。

---

全景：六层架构

在深入细节之前，我们先建立一个心智模型。AWS 的 AI 服务生态可以抽象成六层：

这套分层并不是 AWS 官方的分类法——它只是一个帮助理解的逻辑框架。实际上，企业可以从任意一层切入。大多数企业从第 3–4 层起步；只有少数会触及底层的芯片和训练基础设施。

我们从底往上逐层拆解。

---

第 1 层：AI 芯片与算力基础设施

核心问题：AI 算力贵得离谱，能怎么办？

训练一个大模型可能需要数千块 GPU，而推理成本会随用户量线性上升。NVIDIA GPU 很强，但稀缺又昂贵。AWS 的策略是：自研芯片，用规模换成本。 va Forge SDK 支持 CPT（持续预训练）、SFT（监督微调）、DPO（直接偏好优化）和 RFT（强化微调），并同时支持 LoRA 和全参数训练。

在 Bedrock 上做微调

如果你不需要 Nova Forge 那种重量级方案，Bedrock 本身也支持模型微调。2025 年 12 月推出的强化微调（RFT）功能甚至提供了兼容 OpenAI 的 API——如果你之前用的是 OpenAI 的微调 API，迁移到 Bedrock 几乎是零成本。

一句话总结：S3 Vectors 把向量存储成本压到地板；Nova Forge 让企业第一次能从前沿模型的 checkpoint 开始训练——这两个是这一层最亮眼的创新。

---

第 3 层：基础模型平台——Amazon Bedrock

核心问题：模型太多了，怎么选、怎么用？

Bedrock 是 AWS AI 战略的枢纽。它不是一个模型——它是一个模型平台，为来自多家供应商的 100 多个 serverless 模型提供统一的 API 访问。

模型生态

截至 2026 年初，Bedrock 上的模型供应商包括：

第三方模型：

• Anthropic Claude（Claude Opus、Sonnet、Haiku）
• Meta Llama（Llama 4 系列——Scout / Maverick）
• Mistral（Mistral Large 3、Ministral 3 系列）
• DeepSeek
• Google Gemma 3
• OpenAI（GPT 系列开放模型）
• MiniMax
• Qwen
• NVIDIA 模型
• Moonshot

Amazon Nova 2（第一方模型）：

• Nova 2 Lite：快速推理模型，1M token 上下文窗口，内置代码解释器、web grounding、远程 MCP 工具支持。适合日常任务，性价比极高（每百万 token $0.035/$0.14）
• Nova 2 Pro：面向需要深度思考任务的复杂推理模型
• Nova 2 Sonic：面向语音交互场景的语音模型
• Nova Premier：能力最强的模型，1M token 上下文，擅长复杂推理与多步规划；同时也是模型蒸馏中最好的”教师模型”

为什么用 Bedrock 而不是直接调 API？

你可能会问：我直接调 Anthropic 或 OpenAI 的 API 不行吗？当然可以。但 Bedrock 的价值在于：

1. 统一接口：切换模型只需改一个参数，不用重写代码
2. 企业级安全：数据留在 AWS 内部，支持 VPC、IAM、加密和合规
3. AWS 生态集成：Knowledge Bases、Agents、Guardrails——开箱即用
4. 成本优化：按量付费、批量推理、预置吞吐量等多种计费模式
5. 模型蒸馏：用 Nova Premier 作为教师模型，蒸馏出更小、更快的定制模型

一句话总结：Bedrock 是 AWS 的”模型超市”——100 多个模型任你挑，统一 API 访问，企业级安全。

---

第 4 层：Agent 框架与运行时

核心问题：你有了模型，怎么构建真正能干活的 AI 应用？

光有模型只是一个”大脑”。要解决真实的业务问题，你还需要记忆、工具调用、安全护栏、知识检索等等。这一层是构建 agent 的基础设施——不是 agent 本身，而是创造它们的工具和框架。

Amazon Bedrock Agents：赋予模型行动的能力

Amazon Bedrock Agents 把基础模型从”问答机”变成能自主执行任务的执行者。它们利用 FM 的推理能力，把用户请求拆解成多个步骤，调用 API 和数据源，端到端地完成复杂任务。

举例：用户说”把上个月的销售数据拉出来，生成一份报告，发给团队。“Agent 会自动拆解为：查询数据库 → 生成报告 → 调用邮件 API 发送。全程无需人工介入。

Strands Agents SDK：AWS 的开源 Agent SDK

2025 年 5 月，AWS 开源了 Strands Agents SDK，支持 Python 和 TypeScript。它遵循模型驱动的设计理念——不是硬编码任务流程，而是由 LLM 决定如何使用工具、如何规划步骤。

几行代码就能创建一个 Agent，还支持复杂的多 Agent 编排（v1.0 于 2025 年 7 月发布）。AWS 内部服务如 Amazon Q Developer 和 AWS Glue 已经在用它。Strands 和 AgentCore 是互补的：Strands 是开发框架，AgentCore 是生产运行时。

Amazon Nova Act SDK：浏览器自动化 Agent 框架

Amazon Nova Act 是”Python SDK + 专用模型”的组合，让开发者能够构建浏览器自动化 agent。它不是一个开箱即用的产品——它是一个用于编写 agent 的框架，这些 agent 能自主操作浏览器完成 UI 工作流（填写表单、导航、提取信息等）。

Nova Act 的差异化在于垂直整合：模型、编排器、工具和 SDK 是一起训练出来的，而不是拼凑起来的。这让它在浏览器自动化场景中达到约 90% 的可靠性——显著高于通用 agent 框架。2025 年 12 月正式 GA，支持 IDE 插件，并与 AgentCore Browser 兼容。

Amazon Bedrock AgentCore：Agent 的”操作系统”

如果说 Bedrock Agents 讲的是”构建一个 agent”，那么 AgentCore 讲的就是”运营一个 agent”。它于 2025 年推出，是一个全新的 agentic 平台，覆盖从开发到生产的全套工程挑战：

记忆系统：

• 短期记忆：会话内的上下文管理
• 长期记忆：跨会话的用户偏好与知识积累
• 情景记忆：记录 agent 的推理过程、动作和结果，使其能够从经验中学习。这不只是”记住对话”——而是记住”我当时是怎么解决这个问题的”

安全与控制：

• Gateway：agent 访问工具和数据的统一入口
• Cedar Policy：使用 Cedar 策略语言进行细粒度权限控制。例如：这个 agent 可以读取客户数据但不能修改；可以发起退款但不能超过 $100
• 质量评估：对 agent 输出质量进行自动化评估

代码解释器：让 agent 在安全沙箱中执行代码，用于数据分析、可视化等任务。

Amazon Bedrock Knowledge Bases：全托管 RAG

RAG（检索增强生成）是当今最实用的 AI 应用模式之一——让模型基于你的私有数据来回答问题，而不是只依赖训练时的知识。

Bedrock Knowledge Bases 全托管整个 RAG 流水线：

• 把你的文档丢进 S3
• 自动分块、生成向量嵌入并建立索引
• 查询时自动检索相关内容，注入模型上下文
• 每个答案都附带来源引用

支持多种向量存储后端（S3 Vectors、OpenSearch、Aurora pgvector 等）以及结构化数据查询。

Amazon Bedrock Guardrails：AI 安全的六道防线

在生产环境部署 AI，安全是不可妥协的。Amazon Bedrock Guardrails 提供六种安全策略：

1. 内容过滤：过滤有害内容（文本和图像），包括针对提示注入攻击的防护
2. 主题分类：把模型限制在特定主题内，防止跑题
3. 敏感信息保护：自动检测并脱敏 PII（个人身份信息）
4. 上下文接地检查：验证模型回答是否基于提供的上下文，减少幻觉
5. 自动推理检查：使用逻辑推理验证模型输出的一致性
6. 提示攻击防护：检测并拦截提示注入攻击

这些策略可以独立配置，也可以组合使用。对于金融、医疗等强监管行业，这是把 AI 应用部署到生产环境的前提。

一句话总结：这一层是构建 agent 的工具箱——Strands Agents 和 Nova Act SDK 是开发框架，AgentCore 是生产运行时，Knowledge Bases 提供记忆，Guardrails 提供安全护栏。

---

第 5 层：开箱即用的 AI 服务

核心问题：不想折腾模型和框架，只想直接用 AI 能力？

完全可以。这一层由 AWS 长期积累的预训练 AI 服务组成。调个 API 就能用——不需要机器学习专业知识，也不用组装 agent。

计算机视觉——Amazon Rekognition：图像和视频分析，支持人脸识别、物体检测、内容审核和文字识别。应用于安防监控、身份验证和内容审核。

文档智能——Amazon Textract：不止是 OCR。它能理解文档版式，自动从表格和表单中提取键值对，还能处理手写体。在保险理赔、财务报表和合同审阅中是生产力利器。

语音智能——Amazon Transcribe / Amazon Polly：Transcribe 把语音转成文本（实时转录、多语言、说话人识别）；Polly 把文本转成语音。两者结合就构成了一条完整的语音 AI 助手流水线。

医疗——AWS HealthScribe：自动转录医患对话并生成结构化的临床记录，每一行都带来源标注供医生审阅。符合 HIPAA 合规。这是 AI 在垂直行业落地的教科书式案例。

一句话总结：这些服务是”即插即用”的 AI 层——不需要模型专业知识，不用组装框架。调个 API 就能获得视觉、语音、文档等 AI 能力。

---

第 6 层：Agent 产品

核心问题：AI agent 作为产品到底长什么样？

第 4 层提供了构建 agent 的工具。第 6 层则是成品 agent 产品的所在地。这里的每一项服务本质上都是一个能自主完成特定任务的 AI Agent。

Kiro：规格驱动的 AI IDE

Kiro 是 AWS 于 2025 年 7 月推出的 AI 原生 IDE，基于 VS Code 内核构建。它与其他 AI 编码工具（Cursor、GitHub Copilot）的关键差异在于规格驱动开发（Spec-Driven Development）。

大多数 AI 编码工具的工作方式是：你给一个提示，它生成代码。Kiro 不一样——你给一个提示，它会先生成需求文档、设计方案和任务清单，然后按照这份结构化的规格一步步实现。

这听起来像是多了一道工序，但在真实项目中，这种方式产出的代码质量明显更高，因为 AI 在动笔之前”想清楚了”。

核心特性：

• 规格工作流：提示 → 需求 → 设计 → 任务清单 → 逐步实现
• Agent Hooks：基于 IDE 事件（文件保存、代码提交等）自动触发 AI 动作
• 自定义 Sub-agents：为特定任务创建专门的 AI 助手
• Steering 文件：通过 Markdown 文件向 AI 提供项目上下文和编码规范

Kiro CLI 是 Kiro 的命令行版本，把 AI 能力延伸到终端。你可以用自然语言管理 AWS 资源、MSK 集群和 DevOps 任务，并通过 MCP 协议扩展工具集。2026 年 1 月的更新新增了 Web Fetch 权限控制、自定义 Agent 快捷方式和增强的 diff 视图。IDE + CLI——两条线覆盖开发者的完整工作流。

Kiro 在 2026 年持续迭代，从最初的 Preview 演进成了一款相当成熟的开发工具。

AWS DevOps Agent：自主的 SRE 队友

2025 年 12 月开启 Preview，2026 年 3 月 GA。DevOps Agent 是一个自主运维 agent，定位为”全天候在线的 SRE 队友”。

它能做什么：

• 事件响应：自动事件分类、告警关联、根因定位和修复建议
• 降低 MTTR：通过自动化调查与修复大幅缩短平均恢复时间
• 跨环境支持：不只是 AWS——支持多云和混合环境
• 协作集成：通过 Slack、ServiceNow、PagerDuty 等渠道推送调查结果和修复建议
• Kubernetes 原生：深度集成 EKS，理解 K8s 层面的问题
• 跨云协作：甚至能与 Azure SRE Agent 协同进行跨云事件调查

这不是简单的告警聚合工具。它是真正在”调查”问题——查日志、分析指标、追踪调用链，然后给出有理有据的根因分析。

AWS Security Agent：自主的安全测试

同样在 re:Invent 2025 发布（Preview），Security Agent 是一个 AI 驱动的自主安全分析师。它的工作方式就像一名人类渗透测试工程师：

1. 攻击面测绘：分析应用文档和源代码，识别潜在攻击面
2. 漏洞发现：使用真实的攻击载荷和攻击链尝试利用漏洞
3. 验证：生成可复现的攻击路径，证明漏洞确实存在（而非误报）
4. 修复指导：提供对开发者友好的修复建议

它采用多 Agent 架构：一个 Agent 测绘攻击面，另一个分析业务逻辑漏洞，第三个验证发现并排定优先级。这种分工能处理的安全问题远比传统扫描工具复杂。

关键价值：从设计到部署的全生命周期安全验证。 不是等代码上了生产环境才跑安全扫描，而是在整个开发过程中持续验证。

Amazon Quick Suite：企业 AI 工作空间

Amazon Quick Suite 于 2025 年 10 月 GA，是一款企业级 AI 工作空间。它由 Amazon QuickSight 演进而来，但早已超出了 BI 工具的范畴。它是一个把研究、分析和自动化整合进单一界面的 agentic 工作空间。

五大核心能力：

• Quick Index：连接并语境化企业数据，支持 40+ 数据源
• Quick Research：深度研究能力，同时搜索内部和外部数据源
• Quick Flows：简单的自动化工作流
• Quick Automate：多步 agentic 自动化，自主完成复杂任务
• Quick Sight：BI 分析与数据可视化（原 QuickSight 的能力）

Quick Suite 的定位：让企业中的每个人（不只是技术人员）都能通过自然语言与数据交互、获得洞察并采取行动。

一句话总结：Kiro/CLI 是开发者的 AI 队友，DevOps Agent 是运维团队的 AI 队友，Security Agent 是安全团队的 AI 队友，Quick Suite 是业务用户的 AI 队友——AI 渗透进企业运营的每一个角色。

---

六层拆解完了，但大多数企业用不到全部六层

说句实话——大多数企业永远不会碰到这些服务里的绝大部分。

Trainium3 和 HyperPod 是给 Anthropic、Stability AI 这样的公司用的，不是给普通企业的。Nova Forge 面向的是那些拥有独特数据资产、需要领域专用模型的大型机构——金融、医疗、法律。

大多数企业真正的起点是第 3 层：Bedrock。

调个 API，选个模型，接上你的业务逻辑。这才是 90% 企业 AI 项目的实际起点，也是最快见到成效的地方。

然后随着问题出现再往下走：

• 模型回答不准，私有数据没接进来 → 加上 Knowledge Bases 做 RAG
• 需要自动化多步任务 → 用 Bedrock Agents
• 上了生产但担心安全与合规 → 配置 Guardrails
• 规模上来了，成本压力增大 → 考虑用 Inferentia2 或 Nova 模型替换更贵的第三方模型
• 有独特数据，想要定制模型 → 再看 Nova Forge 或 Bedrock 微调

这不是”选一条路”的问题——而是随问题出现逐一解决。AWS 的这套体系本质上是在每个阶段都提供合适的工具。你不需要一开始就规划用哪几层；你只需要知道每一层解决什么问题。

---

现在，回到那三个问题

六层架构已经摊开了。AWS 确实很忙——自研芯片、模型平台、agent 框架、开发者工具，从硅片到应用覆盖了全栈。但这一切都绕不开开头的三个问题。

问题一：Amazon 在 AI 时代掉队了吗？

在”AI 叙事”上掉队了。在”AI 生意”上没有。

先看叙事：2024–2025 年谁占据了 AI 头条？OpenAI 每隔几个月就发新模型——GPT-4o、o1、o3——每一个都是全球热搜。Google 的 Gemini 从追赶到领先，每次更新都点燃全球社区。Anthropic 每次发布 Claude 4 都是开发者的狂欢；光是 Claude Code 就改变了很多人写软件的方式。Microsoft Copilot 几乎成了”AI 办公”的同义词。就连 NVIDIA 和 Apple 都有清晰的 AI 叙事——一个是”AI 时代卖铲子的”，一个是”端侧 AI 的定义者”。

Amazon 呢？你上一次被 Amazon 的 AI 发布真正打动是什么时候？Nova 模型发布？说实话，大多数人连 Nova 有几个版本都说不出来。re:Invent 2025？这场大会发布了很多东西（正是我们上面拆解的那些），但在 AWS 技术圈之外，讨论热度远远比不上 OpenAI 的一场单品发布会。

原因不是 AWS 什么都没做——而是 Amazon 建的是基础设施，而在 AI 时代，注意力属于模型和产品。 Google 发布 Gemini，用户马上就去试。OpenAI 发布 ChatGPT，全世界都在用。可 AWS 发布的是 Trainium3 芯片、AgentCore 平台、S3 Vectors……普通用户甚至大多数开发者都不会直接接触到这些。它们是水面之下的冰山——支撑着上面的一切，却制造不出用户能感知到的”哇”的瞬间。

再看生意：Bedrock 的调用量在 2025 年增长超过 400%（AWS 官方数据）。世界 500 强不会把核心业务数据交给 ChatGPT——他们需要 VPC 隔离、IAM 访问控制、合规审计和 SLA 保障。这些东西 AWS 已经建了近 20 年。护城河很深。

叙事和生意是两回事。但两者之间有一根隐藏的导火索——今天的开发者心智，会在三到五年后变成企业的采购决策。

问题二：为什么 Amazon 在 AI 时代如此缺乏声量？

坦白承认一点：Amazon 在 AI 时代确实栽过跟头，经历过一段痛苦期。

最刺眼的例子就是 Alexa。Amazon 在语音助手上投入超过 200 亿美元，出货超过 5 亿台 Alexa 设备，打造了全球部署最广的语音助手。然后 ChatGPT 来了，Alexa 在”真正的智能”面前显得笨拙。2023 年 Alexa 团队的裁员是 Amazon 最痛苦的 AI 教训——巨额投入、庞大用户基础、全球部署，却几乎被大语言模型的阶跃式变化一举抹平。

再看 AWS 早期的 AI 服务策略。2023 年之前，AWS 的 AI 产品线给人的感觉是”什么都有，什么都不精”——SageMaker 很强但学习曲线陡峭，Bedrock 上线时模型有限、体验粗糙，CodeWhisperer（Q Developer 的前身）根本打不过 GitHub Copilot。AWS 的本能是”把一切做成服务扔进控制台”，可 AI 时代要的是”开箱即用”的体验，不是服务目录。

经历痛苦之后，AWS 一直在调整。 从 2024–2025 年，可以看到几个清晰的转向：

• 放弃”什么都自己做”：向 Anthropic 投 80 亿美元，加入 OpenAI 的 500 亿美元融资——用资本锁定模型生态的位置，而不是死磕第一方模型
• 从”堆服务”到”系统化思考”：AgentCore 的推出，标志着 AWS 开始从整体上思考 agent 的完整生命周期，而不是零散地发布一堆 Agent 功能
• Kiro 的登场：这是 AWS 第一次真正围绕开发者体验去做一款产品，而不只是后端 API。规格驱动这套路子能否在市场上胜出还有待观察，但它至少表明 AWS 意识到了”开发者心智”的重要性
• Nova 的重新定位：看 Nova 2 的产品策略，AWS 已经不再试图与 GPT-5 正面硬刚，而是转向”够用、便宜、深度集成”——像超市的自有品牌

这些调整的方向是对的。但调整需要时间，而竞争对手不会等。

问题三：钱多、有自研芯片——为什么造不出爆款基础模型？

这是最值得深挖的问题。Amazon 不缺钱，不缺算力（自研 Trainium + 全球最大的云基础设施），不缺数据（全球最大的电商平台）。可 Nova 模型在主流基准上表现平庸，几乎没有用户心智。

与此同时在中国，DeepSeek、Moonshot AI、MiniMax 和智谱 AI 用着 Amazon 一个零头的资源，却训练出了能与 GPT-4 级别产品掰手腕的模型。

差距在哪？我想了很久。我认为归根结底是三件事。

DNA 不对

Google 的 AI 是从基础研究里长出来的——Transformer 架构诞生于 Google，DeepMind 由诺贝尔奖得主 Demis Hassabis 掌舵。Meta 的 FAIR 是全球最强的 AI 研究实验室之一，Yann LeCun 的团队产出了惊人的研究成果。OpenAI 存在的全部意义就是造模型。

Amazon 的 DNA 是零售、物流和运营效率。 它的文化强调”从客户倒推""数据驱动决策""一切都用指标衡量”。对于有明确客户需求的产品，这套文化势不可挡，但基础模型的突破来自没有明确目标的基础研究——你不知道 Scaling Law 会不会一直成立，不知道下一个架构突破从哪来，甚至不知道你花了几十亿训练出来的东西会不会比对手更好。这种不确定性与 Amazon 的文化根本上是相冲突的。

人才引力不对

打造顶级基础模型需要一小撮全世界最聪明的 AI 研究者。光有钱解决不了这个问题。

顶尖 AI 研究者选工作看的是：我能不能做最前沿的研究？我的同事是不是和我一样聪明？这会形成一个正反馈循环——顶尖人才吸引更顶尖的人才。OpenAI、Google DeepMind 和 Anthropic 都建立了这样的引力场。Amazon 有很强的 AI 工程团队，但对于”下一个突破性模型”来说，它从来不是顶尖研究者的首选——因为 AI 只是 Amazon 众多业务中的一项。

为什么中国的基础模型创业公司成功了？ 恰恰是因为它们造出了聚焦的引力场。DeepSeek 的母公司幻方量化从量化交易中积累了 GPU 集群和算法人才。Moonshot AI 的杨植麟出自清华 NLP，吸引了中国最优秀的一批 AI 研究者。这些公司小而专——所有人都在做一件事，把模型推向极限。

战略选择不对——或者说，Amazon 的选择从来就不是造最好的模型

看看 Bedrock 的定位——一个能访问近百个模型的”模型超市”。这不是一家相信自己拥有最好模型的公司会做的事。 如果你相信自己的模型最强，你会让用户直接来找你（像 OpenAI 和 Google 那样）。你只有在得出”模型不是我的核心优势”这个结论时，才会去做聚合平台。

AWS 的战略清晰无比：做 AI 时代的基础设施提供者，而不是 AI 本身。

自研 Trainium 把算力成本压下去，从而留住客户。投资 Anthropic 和 OpenAI，确保平台上有最好的模型。推出 Nova——与其说是要和 GPT-5 竞争，不如说是给 Bedrock 一个自有品牌的选项。就像 Costco 的 Kirkland：不是最好的产品，只是一个”够用又便宜”的选择。

---

最后一点思考：一个没有答案的问题

拆完六层技术栈、回答完三个难题之后，我发现自己面对着一个更大、没有明确答案的问题：

AI 的价值最终会沉淀在哪里？

在这场 AI 淘金热里有三种角色：淘金者（OpenAI、Anthropic、DeepSeek）、卖水的（NVIDIA）和建镇子的（AWS）。历史告诉我们，在淘金热中，最终赚到钱的通常是卖水的和建镇子的。Amazon 押的正是这一点——模型会商品化，差异化会收窄，竞争最终会回到基础设施和平台这一层。

如果这个赌注押对了，AWS 的六层全栈架构就是赢家的蓝图。

但万一 AI 的价值最终集中在模型层呢？万一用户直接通过 ChatGPT 或 Gemini 就能完成一切，不再需要自建应用或云基础设施——那么”军火商”这个角色就会被边缘化。这并非天方夜谭；Google 已经在朝这个方向走了。

一路走来，Amazon 走过一些弯路——200 亿美元的 Alexa 教训、早期 AI 服务的散乱、平庸的第一方模型。但它也在调整——用重资本押注模型生态、系统化的 agent 平台，甚至开始认真对待开发者体验。

这家公司最大的特质是耐心。 Jeff Bezos 是怎么说的来着——“你的利润就是我的机会。“Amazon 习惯在别人忽视的地方默默建设基础设施，然后等时间给出裁决。

只是这一次，对手不是零售商。而是全世界最聪明的一批 AI 研究者。而 AI 迭代的速度，可能不会给任何人太多耐心的余地。

结局会如何？说实话，我不知道。但这恰恰是这个时代如此引人入胜的地方。

---

本文数据截至 2026 年 4 月。主要来源包括 AWS 官方文档、re:Invent 2025 发布内容和 AWS 官方博客。文中观点为作者个人看法，不代表任何公司立场。