AWS：Agentic AI时代的基础设施新角色

模型不再是壁垒之后，AI 竞争进入了新阶段

过去三年，AI 行业将绝大多数精力都投入在了一件事上：不断优化模型性能。然而到了 2026 年，这一投入巨大、但产出却愈发不确定的领域，其边际效益正以肉眼可见的速度递减。

业内逐渐形成了一个共识：模型正在走向商品化。原因并不复杂。一方面，Claude、ChatGPT 这类闭源模型在通用能力上的差距不断缩小，已能充分应对大部分常规任务；另一方面，DeepSeek R1、Llama 等开源模型则从下方持续侵蚀技术红利。最终用户最直观的感受是——大模型的“性价比”越来越高，高到几乎无法在模型层面构建真正的竞争壁垒。

但更深层的问题是，更强的模型并未直接转化为生产力的提升。麦肯锡 2025 年全球 AI 调研透露出一个耐人寻味的数据：仍有 62% 的企业停留在 Agent 试点阶段，仅 23% 实现了规模化落地。Gartner 甚至预测，到 2027 年底，超过 40% 的 AI Agent 项目可能面临终止。简而言之，大多数企业尚未从 AI 中获得可量化的业务成果。

要让 Agent 在企业内部顺畅运行，绝不仅仅是模型本身的问题。数据管道的打通、任务路径的监管、安全边界的界定——这些工程问题的难度与复杂度，丝毫不亚于训练一个大模型，但过去很长一段时间内，它们被严重低估了。

今年早些时候，IBM 首席 AI 架构师 Gabe Goodhart 直接指出：模型本身不会成为核心差异化因素。他判断，企业长期竞争力的真正来源，将是私有行业数据、业务工作流编排以及垂直行业解决方案。换言之，决定成败的关键，不在于选用哪个模型，而在于围绕模型，企业能将数据和工程做到何种程度。

2026 年 AWS 上海峰会的议程安排，正是基于这一判断：竞争焦点已然从单纯的模型能力，转向了更具实操性的价值创造——帮助企业将 Agent 真正落地到生产环境。

Agent 跑进生产之后

小鹏集团数据与 AI 平台负责人何锐邦，带领着数百人的研发团队。在 AWS 上海峰会主论坛上，他分享了一个颇具典型性的案例：团队从 2024 年开始广泛使用 AI 开发工具，结果发现——个别员工效率确有提升，但整个部门的产出并未同步增长。

问题出在何处？他归纳了三大卡点。首先，AI 工具仅能辅助单个环节的代码编写，但整体研发链路的节奏并未因此加快。其次，小鹏专注于物理 AI，软硬件协同开发的完全自动化，在行业内至今仍是禁区。第三点最为关键：AI 代码生成速度极快，人类现有的治理手段已难以跟上。

MIT 今年 6 月的一项研究恰好印证了这一观察：AI 使代码编写量提升了 180%，但实际交付量仅提升了约 30%。原因很简单——写代码只是软件交付的一个环节，后续的测试、审查、部署等流程，没有一项能够单纯依靠一个“更强的模型”来解决。

亚马逊全球副总裁、亚马逊云科技亚太区联席总裁储瑞松，在主论坛上勾勒了一条 AI 进化时间线：2023 年是“你问我答”的 Chatbot 阶段，2024 年进入“你指挥我协作”的 Agent 阶段，到 2025 年底起，AI 才真正开始独立交付业务结果，迈入 agentic AI 阶段。

问题在于，当前 AI 的能力已进入第三阶段，但大多数企业的管理方式仍停留在第一阶段。差距具体体现在两个方面。

第一个瓶颈是数据。 储瑞松整场演讲中提及最多的就是数据。模型是公共产品，所有企业都能获取同等水平的基础大模型。真正拉开差距的，在于 Agent 能够获取什么样的上下文——那些多年积累的业务知识、客户记录与流程规范，短期内根本无法复制。

然而现实是，大量企业的数据分散在数十个系统中，彼此孤立，缺乏有效治理。Agent 需要跨系统调用信息，却缺少统一的数据接入标准。如果提供给 Agent 的上下文本身就是碎片化的，那么模型推理能力再强，也难以交出出色成果。

帮助企业管好数据，恰好是 AWS 过去二十年持续深耕的领域。“数据是有引力的”，数据量越大，就越难迁移，应用和服务会自然聚集在数据周围。全球数百万家企业的数据资产本身就运行在 AWS 上。当这些企业打算部署 Agent 时，无需从零迁移数据、搭建管道，只需在现有数据基座上，再增加一层 Agent 可调用的知识层。数据本就在此，Agent 在数据旁工作。从这个角度看，AWS 等于将过去的资产，顺理成章地转化成了 AI 时代的护城河。

第二个瓶颈是规模化管理。 储瑞松在台上打了一个极为生动的比方：初创公司三五个人时，无需复杂系统和专门 HR，埋头干就行。但公司发展到几十人、上百人时，就必须建立相应的系统和制度。

Agent 在规模化部署后，同样面临一系列实际问题：如何知道每个 Agent 做了什么决策、走了什么路径？一项业务任务到底花费了多少成本？Agent 是否存在越权访问不该接触的数据？储瑞松说得很透彻：“如果你说不清一个 Agent 完成一项业务任务究竟花了多少钱，那你所做的可能只是实验，而非真正的部署。”

评估环节同样棘手。Agent 与传统软件截然不同，同一任务每次可能走不同路径。缺少系统化的评估机制，就无法判断其是否可靠。

安克创新的经历，完美体现了这一递进关系。安克 CIO 龚银在峰会上回顾了他们的 Agent 落地过程：深度应用期遭遇的第一个卡点是数据质量，以及现有系统对 AI 的“不友好”。当 600 多个流程智能体上线后，Token 日均消耗从不足 100 亿飙升至 2000 亿，成本管控立刻变得比技术选型更为紧迫。

AgentCore，正是 AWS 针对 Agent 规模化管理的回应。如果说数据层依赖的是 AWS 二十年的积累，那么 Agent 的生产化运行，则需要一个全新的平台层。市面上已有众多 Agent 开发框架，搭建原型并不困难。难的是将原型转化为生产系统——要能支撑高并发下的稳定运行，实现不同 Agent 间的权限隔离，并在出问题后快速定位。

AgentCore 不会取代这些框架，它是一个用于大规模安全构建、连接和优化 Agent 的平台。以“越权”问题为例，每个 Agent 都运行在隔离的沙箱中，通过 Identity 接入企业现有权限体系，仅能访问被授权的资源；安全策略用自然语言定义，在 Agent 代码之外执行，Agent 自身无法绕过。至于“黑箱”问题，AgentCore 实现了全链路观测，每一步推理都有记录，出现问题能定位到具体步骤。

过去六个月内，AgentCore 上 Agent 执行的任务量增长了 15 倍。猎豹移动是国内较早将生产级 Agent 运行在 AgentCore 上的公司之一。借助 AgentCore，他们将 Agent 上线时间从一个月缩短到两周，运营成本降低了 25%。

小鹏则走了另一条路：将买不到的行业 know-how 直接编码进平台。何锐邦团队基于 Kiro 和 AWS 搭建了内部 AI 代码平台“灵犀”，把汽车行业的开发规范沉淀为 Skills，让 Agent 按照规范协同工作。上线后，部分部门的 AI 代码覆盖率超过 70%，14 万多个工作流的成功率超过 99.7%，交付的代码实现了零 P0/P1 缺陷。

从数据、规模化管理到行业 know-how——将 Agent 落地到生产环境，考验的早已不是模型本身。换个角度看，模型商品化的趋势，不仅改变了企业用户的选择，也在重塑模型厂商自身的生存之道。当模型越来越难以凭借单一能力构建绝对壁垒，同时又需要满足不同场景、行业和市场的复杂需求时，它们必须找到一个能让价值落地的出口。而这，恰恰指向了 AWS。

到全世界去

在 AWS 上，不仅有越来越多企业开始调用模型、使用服务来落地 AI，还有越来越多模型厂商——尤其是中国公司——主动加入进来。对于日益重视全球化的中国模型厂商来说，AWS 遍布全球的基础设施和现成的企业客户，正是它们最需要、也最难以自建的“基础设施”。

月之暗面就是一个典型案例。Kimi 的多个模型已登陆 Amazon SageMaker，开发者可在其上完成训练和推理；Amazon Bedrock 也已接入 Kimi K2.5 等开源模型，用户无需自建基础设施即可直接调用。双方还在推进将更多最新模型接入 Bedrock。在渠道方面，Kimi 已登陆 AWS Marketplace，全球客户可以一键采购、按量付费；在最上游的合作层面，Kimi 与 AWS 的解决方案架构师共同打造面向金融、医疗、制造等行业的联合方案。

月之暗面 Kimi 的 B 端负责人黄震昕，将这种关系形容为一种“飞轮效应”：一方面向 AWS 采购全球算力，另一方面借助 AWS 的渠道将模型推向全球市场。

模型厂商之所以愿意选择这样一个平台，背后的逻辑与出海企业其实是一致的——模型商品化改变的远不止技术格局。对于一家正在出海的中国企业来说，选择 AI 基础设施的核心关切早已不是模型本身，而是三个更具体的问题：合规部署、低延迟以及数据主权。

AWS 在全球部署了 39 个区域，覆盖北美、欧洲、亚太、中东、南美等主要市场，每个区域都具备数据本地驻留能力，同时配套了相应市场的基础合规资质。出海企业无需为新市场从零搭建底层硬件基础设施。AWS 还会提供各国法规参考材料和合规工具，极大降低了法规调研的门槛。

亚马逊 Bedrock 的模型中立策略，在出海场景下极具现实意义。既然模型正在商品化，将企业绑定在任何单一模型上都不是明智之举。Bedrock 同时接入了全球前沿模型（Claude、Llama、GPT、Grok 等）和中国本土模型（DeepSeek、Kimi、Qwen、GLM、MiniMax），出海企业可以在同一个平台上完成国内开发和全球部署。国内业务场景使用国产模型，海外市场按需切换，无需因更换市场而更换整套技术栈。储瑞松将这种定位概括为“深耕本地，链接全球”。

猎豹则走了一条更有趣的路——从一个自身出海的公司，转变为帮别人出海的平台。基于与 AWS 多年的合作，猎豹成立了聚云科技，将过去两年 Agent 落地的实践经验，通过 AWS 生态输出给更多中国出海企业。傅盛说：“从云计算到 Token 经济，技术的逻辑变了，但我们与亚马逊云科技合作的关系没有变。只不过现在跑的不再是云上的比特，而是 Token。”

安克创新是出海场景下最直观的样本。旗下 Anker、soundcore、eufy、SOLIX 等品牌的产品销往全球超过 180 个国家和地区，AI 已嵌入全线产品。但这意味着，他们需要在完全不同的监管环境中落地同一套 AI 能力，尤其像 eufy 这类安防产品，摄像头数据在欧盟、北美、中东各有不同的隐私和数据本地化要求。自己逐一攻克每个国家的法规，根本不可能。这恰恰说明，为什么出海企业需要一个覆盖全球各市场的合规底座。

从数据治理到规模化管理，再到全球合规部署，Agent 落地需要解决的问题，远不止选哪个模型那么简单。

外部世界始终在变化，今天的领先者或许明天就会落伍。过去几年，行业将绝大部分注意力都放在了模型上。但归根结底，所有技术要素最终都要指向“价值创造”。谁离这个目标更近，谁就更有可能承接这条链路上价值转移。

储瑞松在台上给出了一个具体建议：选择一个有价值的业务场景，端到端跑通一个 Agent，产生真实的 ROI。“就像为新员工写一份岗位描述一样来定义你的 Agent：它负责什么，交付标准是什么，出错了怎么办。将它做的事情与你的业务 KPI 直接关联，从第一天开始就能衡量价值。”

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AWS：Agentic AI时代的基础设施新角色要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题