Sam Altman 和 AWS CEO 罕见同框：聊了智能体、harness、和云的下一仗

AI的“AWS时刻”：让智能体从能跑变成能用

先看一个有趣的场景。就在不久前，Stratechery的Ben Thompson同时采访了OpenAI的Sam Altman和AWS的Matt Garman。当时外界还不知道，仅仅三天后，微软和OpenAI就会宣布修改长达数年的独家协议。但这场对话本身，已经将合作的逻辑矛盾摆在了台面上——这两位掌舵人，为什么会坐到一起？

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

其实，背后的商业逻辑并不复杂。当初微软用“Azure独占OpenAI模型”锁定了巨大的竞争优势，但无形中也绑住了OpenAI的手脚。想想看，大量企业的核心数据早已躺在AWS上，客户可不想为了换个模型就大动干戈地“搬家”。而Anthropic今年的迅猛增长，恰恰吃到了“客户在哪云，就想要哪的模型”这波红利。对微软而言，继续卡住独家权，反而在损害自己对OpenAI这笔最重要的投资。松绑固然痛苦——Azure等于失去了一个核心的差异化武器——但不松绑更亏：如果OpenAI的增长被独家协议限制，那么微软作为大股东的损失，将远大于Azure的短期得利。

于是，便有了这次联合发布的产物：Bedrock Managed Agents，由OpenAI驱动。你可以把它理解为“AWS版的智能体运行环境”——一个运行在云端、自带完整身份、权限、日志与治理能力的平台。关键在于，客户数据始终留在AWS内部，OpenAI不接触原始数据。目标很明确：让那些数据已经在AWS上的企业，无需迁移就能无缝用上最前沿的AI能力。

下面，便是本次对话核心内容的提炼。

1. AI的“AWS时刻”：让智能体从能跑变成能用

Sam Altman分享了一个观察：每次看到用户使用他们的模型，他既高兴于用户觉得这是“魔法”，又崩溃于他们经历了多少不必要的折腾。用户需要把内容在不同地方复制粘贴，琢磨复杂的提示词，反复试错——这些痛苦，行业都看在眼里。

Matt Garman则从基础设施角度补充道，在这套联合产品出现之前，客户想用AI智能体，就得自己当“集成商”——模型调用、身份管理、数据库认证、与内部系统对接，每一个环节都得客户自己从头拼凑。所有这些繁重的集成工作，全都留给了客户自己处理。

他话锋一转，指出AWS过去20年为全球银&行、医疗机构构建的安全框架——VPC（虚拟私有云）、角色权限、网关——恰好能派上大用场。客户最担心的莫过于：“我热爱这项技术，但怎么确保我不会一失误就搞出一个让公司完蛋的事件？”这些问题都是可解的，核心在于提供一个可控的“沙盒环境”。

Sam Altman接着谈到了一个关键趋势：模型和所谓的“编排层”正变得越来越不可分割。以前很多需要在系统提示词层面费心调教的事，随着模型变聪明，它自己就能处理了。比如工具调用——最初业界认为工具调用无需融入训练流程，后来发现融合得越深越好用。编排层和模型的边界会持续模糊，甚至预训练和后训练的界限也会更紧密。但话说回来，整个行业还处在“家酿计算机俱乐部”的年代——也就是个人计算机刚刚萌芽、没人知道最终形态会是什么的早期阶段。

2. 本地运行 vs 云端运行：两条路最终要汇合

关于智能体的部署，Sam Altman认为，Codex从云端转向本地，是因为本地环境更简单——你的文件、配置都在那儿，不需要思考数据在哪。但这绝非终点。最终的形态将是云端智能体——当你合上电脑，它能在云端继续工作；面对高强度任务时，它能在云端并行处理，扩展到单台笔记本根本无法企及的规模。

Matt Garman对此表示认同，并补充了一个历史视角：没有任何计算环境曾真正消灭客户端。iPhone App也有本地组件，因为本地运行天然具备低延迟、简单易用的优势。但一旦进入企业场景——涉及多人协作、权限边界、安全管控——本地方案就捉襟见肘了。最终，一定是本地和云端两条路径深度融合。

Sam Altman进而抛出了一个更前瞻的问题：当智能体以“虚拟同事”身份进入工作流程后，我们关于软件和权限的所有心智模型都可能被重写。员工应该让智能体共用自己的账户吗？还是给智能体单独开一个账户，让系统能区分操作来源？如果一个人拥有十个智能体呢？他设想了一种尚未被发明的“原语”：当用户的智能体登录时，它使用用户的账户，但系统能明确标注这是智能体而非用户本人。这些问题尚未有答案，但随着智能体日益自主，它们很快就会被推到台前。

3. “智能工厂”与定价革命

谈到商业本质，Sam Altman给出了一个精妙的比喻：OpenAI本质上是一家“智能工厂”。客户不关心你用了什么芯片、模型消耗了多少token，他们只关心一件事：以最低的价格获得最好的智能单元，并且要多少有多少。他举例道，刚发布的GPT-5.5模型，单token价格虽比前代高，但完成同样任务所需的token数量大幅减少，整体算下来反而更便宜。未来的趋势是，你不该关心用了多少token，而应关心花了多少钱、活儿干没干完。按token定价长期来看会过时，最终会演变成按“完成一件工作”来收费。

他进一步对比了AI与其他公用事业的不同：水电煤有弹性边界——水再便宜你也不会一天洗两次澡。但智能可能不一样。目前还没见过任何其他效用，能让人说出“只要价格足够低，我就无限制地用”。眼下更多客户是在请求“不管多贵，多给我算力”，而不是在砍价。但他有信心持续大幅压低智能的成本。

Matt Garman呼应了这一观点，指出这与计算能力的发展历史完全一致。今天一个计算周期的成本比30年前便宜了无数倍，但卖出的计算总量却是史上最多的。AI现在还处于极早期——大家争抢前沿模型，是因为只有它能完成真正有价值的工作。未来一定会出现模型结构的混合：小而快的模型处理专项任务，前沿的巨型模型去攻克像癌症这样的复杂难题。

4. 智能体的终局是什么？

主持人Ben Thompson提出了一个架构设想：企业内部可能需要两层智能体。底层是“数据整合智能体”，不断钻入各种数据库、SaaS应用去检索、整理和关联信息；上层则是“用户界面智能体”，负责与人类交互、呈现结果并执行决策。

Sam Altman从客户反馈中印证了这一点。最近与大企业交流时，他们的需求越来越一致：想要一个智能体运行时环境、一个能连接数据并控制消耗的管理层、以及一个给员工用的工作空间。这套东西的描述正变得越来越相似，尽管完全成型的产品尚未出现。但有趣的是，可能在某个时刻我们会发现，这套多层级架构只是我们抱着旧世界不放，当模型足够强大时，整个体系或许应该推倒重来。

Matt Garman坦言，现在还不完全知道最终形态是什么，而这正是做这件事的乐趣所在——让客户先用起来，从他们的实践中学习，再反过来让产品进化得更快更好。

Ben Thompson最后抛出了一个尖锐的对比：Google在Next大会上刚讲完从芯片（TPU）到模型（Gemini）到应用的全栈垂直整合，而你们两位——一个没有自研云，一个没有前沿模型——却坐在一起宣布合作。AWS到底是因为没有自研前沿模型而落后了，还是有意选择了这条开放路线？

Matt Garman的回答清晰地阐述了AWS的哲学：从AWS第一天起，拥抱合作伙伴就是最核心的策略之一。衡量成功的标准不是“我是否拥有一切”，而是“合作伙伴是否成功——他们成功了，我们就成功了”。这与“我必须拥有全栈”的哲学不同，但两种路线各有信奉者。AWS相信客户应该有权选择最好的东西。如果最好的东西是我们自己做的，那很好；如果最好的东西是合作伙伴的，但跑在我们的基础设施上，这对我们同样是胜利。毕竟，没有任何一家公司能拥有所有最好的应用。

Sam Altman为这次合作做了总结陈词。他真心认为开发者现在能构建一类全新的产品。模型能力在未来一年会沿着非常陡峭的曲线进步，选择在这个时机共同打造平台，正是时候。他希望一年后人们回头看，讨论的重点不是“终于能在AWS上用OpenAI了”，而是“我们当时完全低估了这个新产品的重要性”。

采访尾声，Ben Thompson提起了上次与微软Kevin Scott关于New Bing的对话，当时Sam对挑战Google充满自信。现在回头看呢？

Sam Altman的回应既务实又充满敬意：ChatGPT的表现超过了当时的预期——它可能是自Facebook以来第一个真正大规模的新消费产品。API和Codex也做得不错。但Google在很多方面仍然是一家被低估的公司——他们的技术广度和深度令人敬畏。而这次与AWS的合作，不仅是商业层面的双赢，更是技术层面的一个新起点。当模型能力与编排工具终于走到一个关键的汇合点，开发者能做的事，将会截然不同。