▎没有一家云厂商像亚马逊云科技一样，执着于“收集”几乎所有的模型，这背后既关乎选择，也关乎AI成功。
2025年9月19日，亚马逊云科技宣布在Amazon Bedrock上推出Qwen3系列4款模型与DeepSeek-V3.1模型的完全托管服务，并已在全球范围内正式可用。 其中，Qwen3系列是首次上线Amazon Bedrock，阿里巴巴也因此成为Amazon Bedrock平台上第13个顶级AI大模型提供商。 这是继8月6日亚马逊云科技宣布OpenAI发布的gpt-oss-120b与gpt-oss-20b两款开放权重基础模型可通过Amazon Bedrock和Amazon SageMaker AI访问后，再次推出的重磅举措。 没有一家云厂商像亚马逊云科技一样，执着于“收集”几乎所有的模型，这背后既关乎选择，也关乎AI成功。
“Choice Matters”：Amazon Bedrock迎来两大“重量级选手”
中国企业出海时，可能既需使用海外大模型，又因安全合规要求保留国内模型。过去实现这一需求成本较高，如今通过Amazon Bedrock即可轻松完成。 此次上线的Qwen3是阿里巴巴2025年4月发布的最新一代开源模型，在推理、指令遵循、工具调用和多语言能力方面显著提升，创下国产及全球开源模型性能新高。DeepSeek-V3.1则被DeepSeek称为“迈向Agentic AI时代的第一步”，具备更快响应速度与更透明的思考过程。 Qwen3和DeepSeek-V3.1拥有广泛的开发者基础，在多项评测中表现优异，满足海外企业对中国大模型的需求，进一步提升了跨模型组合的应用可能性。 亚马逊云科技接入的每个模型均带来独特优势与场景聚焦，共同构建全面多元的生成式AI生态系统。客户可根据具体业务场景灵活选型，同时享受其在安全、隐私保护和可靠性方面的平台优势。 亚马逊云科技CEO Matt Garman曾表示，无论是花费数十亿美元的大客户，还是仅支出10美元的初创公司，都同等重要。该理念体现了其服务全规模企业的战略——从创业公司到行业巨头，覆盖广泛需求，推动跨市场可持续增长。 “Choice Matters”（选择大于一切）战略于re:Invent 2024正式提出，延续了亚马逊云科技提供基础技术的核心理念：以实际业务场景为导向选择适配模型，而非仅凭名气或性能指标决策。 自2023年4月推出Amazon Bedrock以来，亚马逊云科技持续践行多样化模型供给策略。每当主流大模型发布，用户均可通过Bedrock或SageMaker快速调用。 此次新增Qwen3与DeepSeek-V3.1的同时，亚马逊云科技还扩展了模型在全球的可用性，覆盖北美、南美、欧洲、亚洲多个区域，包括弗吉尼亚、俄勒冈、东京、孟买、爱尔兰、伦敦、米兰、斯德哥尔摩和圣保罗等地。 由此可见，亚马逊云科技不仅持续扩充Bedrock模型阵容，丰富开放权重生态，更致力于为客户提供多元、高性价比的优质模型选择。AI更重要的，是模型之上
“都2025年了，你还在纠结选择大模型吗？”亚马逊云科技大中华区产品部技术总监王晓野在2025 ITValue Summit数字价值年会上提出这一问题。 引用Gartner 2024年企业AI发展任务调查数据：三分之二企业高管认为生成式AI将带来颠覆性变革，大量PoC项目启动，但仅有41%能进入生产阶段。这一数字揭示出企业在技术成熟度与运营准备上的短板，成为制约AI规模化落地的主要瓶颈。 导致失败的六大原因中，几乎没有因“选错模型”所致。主要问题集中在：业务目标不清晰、为做AI而做AI、数据准备不足、工程能力欠缺、成本认知不清以及安全风险管理不到位。 “真正创造业务价值时，模型只是前提，而非核心。”王晓野指出，相比2023年热议“选哪个模型”，2025年的焦点已转向如何避免PoC陷阱，实现从想法到生产的跨越。 如何突破41%的成功率魔咒？亚马逊云科技提出“从POC到生产的三大要素”： 1. **场景评估**：当前成熟AI场景如出海、翻译、内容生成等已有大量验证案例。企业应在ROI、预算与时间维度综合评估，而非仅关注模型效果。 2. **技术选型**：选择具备生产级支撑能力的技术伙伴，确保系统稳定可靠。 3. **系统化思维**：不仅要关注模型本身，还需量化投产后的成本与收益，建立整体评估体系。 基于实践经验，亚马逊云科技梳理出生成式AI最具代表性的11大应用场景，兼具行业专用性与跨行业复制潜力。越来越多企业正探索智能运维、智能终端、AI搜索引擎及Agent驱动的报告生成等创新方向。关键在于找到契合自身发展阶段的切入点。 选定场景后，需构建多维度可行性评估体系： - **业务影响力**：确保项目可创造实质性价值； - **风险控制**：识别潜在挑战并制定应对策略； - **数据支撑**：保障高质量数据输入； - **资源配置**：团队与预算匹配项目需求。 这些维度贯穿项目始终，直接影响筛选标准与成功指标设定，是项目成功的基础。 在量产优化阶段，投资回报率（ROI）不应仅作为考核结果，而应成为AI项目全生命周期的核心指导原则。从场景选择、技术评估、PoC验证到生产部署与持续迭代，每一阶段都应以ROI为导向，实现技术与商业价值的统一。 然而，三大要素并非固定不变。在快速演进的AI环境中，企业还需保持开放学习态度，通过持续试验、优化与迭代，螺旋式提升AI能力建设。 为支持客户全周期落地，亚马逊云科技生成式AI创新中心提出四步方法论： 1. **构思阶段**：协助识别场景、聚焦需求、选定技术路线； 2. **原型设计**：快速构建概念验证原型； 3. **试点阶段**：按需提供定制开发； 4. **生产阶段**：通过专业咨询优化输出质量、降低运营成本。 在这一过程中，企业需要兼具敏捷性、精准性和适应力的技术伙伴，确保每个阶段获得专业支持，最终实现规模化应用。 在技术选型层面，亚马逊云科技提供生成式AI全景图谱，涵盖三大关键维度： 1. **模型层面**：基于业务指标综合评估，选择最适配模型； 2. **数据层面**：“好数据等于好AI”，直接影响模型表现； 3. **技术路线**：路径选择决定应用效果与落地成功率。 针对模型选型，建议采用系统化评估方法：明确场景优先级（如成本 > 精度 > 速度），对候选模型进行量化评分。例如某模型虽非单项最优，但在最关键维度表现突出且整体均衡，即可成为最佳选择。 除性能外，还需考量模型提供商的市场影响力、数据隐私政策、安全性及负责任AI实践，这些因素关系到模型的长期可持续性与迭代能力。 值得注意的是，企业不应拘泥于“一个场景一个模型”的思维定式，而应采取“场景适配”策略，灵活组合不同模型发挥各自优势。 对于简单任务（如代码辅助），单一专业模型（如Claude 4）即可胜任；而在复杂场景（如多语言翻译系统或多Agent协作），采用模型组合策略更为高效——让不同模型在流程各环节分工协作，实现整体最优。 这种灵活策略不仅能提升性价比，更能实现“1+1>2”的协同效应。 数据是生成式AI规模化的核心驱动力，但挑战远超表面。首先，生成式AI本质仍是完整应用系统，需配套完善的数据库架构支撑用户体验。其次，必须建立严格的数据治理机制，涵盖数据质量管控、隐私合规、安全保障与访问权限管理。 真正的竞争力不在表层应用，而在现代化数据架构的构建能力——这才是AI持续创造价值的基石。 当前最受关注的技术路径是Agentic AI。主要有两种实现方式： - **MCP模式**（Model-Chain-Pipeline）：通过编排多个模型完成任务，适合流程确定性强的场景； - **Agent Workflow模式**：定义工作流协调多个智能体协作，更适合动态决策与复杂逻辑场景。 企业可根据具体需求与技术储备选择合适路径。 展望未来，选择模型已不再是难题。真正的挑战在于：能否持续投入高质量数据、是否具备工程化落地能力、能否在新一代Agent范式下把握行业趋势。 企业的竞争力，早已不在“选哪个模型”，而在“如何让系统真正走向生产”——这一点，亚马逊云科技早已洞悉。
投资回报率（ROI）应贯穿生成式AI项目全生命周期，成为核心思维方式。
亚马逊云科技生成式AI创新中心提供四步方法论，支持客户从构想到生产全流程。
