在大模型时代，各大云厂商都有自己的打法。亚马逊云科技的打法是让新兴和流行的模型立即可供企业使用，这也与其一贯秉持的“Choice Matters”理念高度契合。

比如，在 Anthropic 发布其迄今为止最智能的模型 Claude3.7Sonnet 的当天，AmazonBedrock 就宣布接入该模型，甚至还将其添加到 Q Developer 的模型列表中，开发者可以根据特定任务选择最合适的模型，从而支持更高级的编码工作流程，提升开发效率。

仅在今年2月份，AmazonBedrock 就“上新”了包括 Meta 的 Segment Anything Model（SAM）2.1视觉分割模型、阿联酋技术创新研究所(TII)的 Falcon3等在内的多款热门大模型。更早之前，AmazonBedrock 第一时间上架了 Meta Llama、Stability AI 等热门模型。

当然，模型要想真正落地应用并产生商业价值，还需要进行适配和开发。这也是为什么亚马逊云科技在接入 DeepSeek 后的两个月内，仍不断为客户提供完整工具链的原因。这种端到端的工具链，是 AmazonBedrock 的强项，也是将“Choice Matters”这个理念落地的真正成本。

除了模型选择，AmazonBedrock 还在成本、延迟和准确率优化，利用私有数据定制，安全负责任的审查，多 Agents 协作解决复杂任务这四个方面，为企业提供了多种工具，比如:

在成本、延迟和准确率优化方面，Amazon Bedrock 支持提示词缓存、智能提示词路由:在过去，开发人员往往需要花费大量时间评估模型是否符合自身需求，尤其是成本和延迟等因素需要非常精细的平衡。AmazonBedrock 能够对多次 API 调用中常用提示词进行缓存，成本降低90%，特定模型效率提升85%。此外，AmazonBedrock 还能将提示词路由，调用设定好的最适合模型以获得最佳性价比，在无损质量、不影响准确性的情况下，成本降低30%。

在利用私有数据定制方面，Amazon Bedrock 知识库支持结构化数据检索、GraphRAG: 要想实现更贴合业务需求的 AI 应用，企业往往需要利用自己的数据训练或微调模型。为了帮助企业充分利用私有数据，AmazonBedrock 知识库自动化了完整的 RAG 工作流程，囊括了编写自定义代码、集成数据源和管理查询。此外，AmazonBedrock 知识库还支持 GraphRAG 自动生成知识图谱，并连接各种数据源之间的关系。AmazonBedrock Data Automation 还能自动将非结构化的多模态内容转换为结构化数据，并自动提取、转换和处理所有的多模态内容，实现大规模处理。

在安全负责任的审查方面，Amazon Bedrock Guardrails 全面护航应用安全:在企业最关心的大模型落地应用安全问题方面，AmazonBedrock Guardrails 可以根据不同应用的要求和负责任的人工智能政策制定保障措施，能够阻止高达85% 的有害内容。企业级 AI 在部署和应用过程中，经常头疼的还有老生常谈的大模型幻觉问题。在 Vectara HHEMAI 幻觉测试中，即便是 DeepSeek-R1，也出现了高达14.3% 的幻觉率。AmazonBedrock Guardrails 引入了自动化推理检查功能，通过运用数学逻辑方法验证生成内容的准确性。此外，Guardrails 还能通过解析和验证生成结果的合理性，生成可审计的输出和清晰的推理过程，从而提升模型的透明度。

在多 Agents 协作解决复杂任务方面，Amazon Bedrock 允许开发者构建、部署和编排多个 Agents: 近期，Manus 掀起的 Agent 风暴，在 AmazonBedrock 上也有相应的解决方案。AmazonBedrock 此前发布的多 Agents 协作功能，允许开发者构建、部署和编排多个 Agents，协同处理复杂的多步骤任务。多 Agents 协作也为生成式 AI 的落地应用开辟了新的可能性。

所以，“货架”只是 AmazonBedrock 的核心概念之一，在“货品”的消费端， AmazonBedrock 几乎完成了一个“大模型商超”的功能搭建。许多厂商将2025视为 AI 应用落地的元年，这一判断的前提便是:由低成本 AI 模型引发的技术潮流，可以在 Amazon Bedrock 这一类大模型平台的配合下，落地成真正的“AI 狂欢”。

因此，模型的性能和服务稳定性也是决定其能否成功落地应用的关键因素。例如，API 访问的响应时间、TPS 以及长上下文窗口的支持能力，都会直接影响用户体验和业务效率。这也是为什么，在不同云平台上部署同一款模型时，体验会存在显著差异。

过去一年，在 Meta、微软、亚马逊和 Alphabet 四大科技巨头中，亚马逊在 AI 领域的投资手笔最大，在 AI 基础设施投方面的支出持续超过其他竞争对手。Andy Jassy 提到，亚马逊第四季度263亿美元资本支出的绝大部分，用于亚马逊云科技的 AI 投资。预计2025年，亚马逊将在 AI 领域支出1000亿美元。

AI 基础设施的投入直接决定了模型的性能和服务的稳定性。在 AmazonBedrock 上，DeepSeek-R1的首 Token 响应时间通过全托管服务优化实现了稳定控制在2秒以内，通过无服务器架构和预置优化配置方案，结合 DeepSeek-R1的强化学习技术（如 GPRO 方法），显著提升推理效率，确保首 Token 生成速度的一致性。

当下，在实际应用中，越来越多的企业开始探索多模型并行的策略。根据投行 Jefferies 的分析，在多数企业中，只有3% 的企业只使用单一语言模型，34% 的企业使用两个，41% 的企业使用三个，22% 的企业使用四个或更多。

DeepSeeK 开启的低成本 AI 模型狂欢，只是 AI 应用落地的前置条件。随着未来更多低成本、高性能模型不断涌现，企业真正需要的是多样化模型选择和灵活的部署方式。正如 Andy Jassy 所言，没有任何单一工具能够“一统天下”。当开发者被赋予模型选择的权利时，他们对模型的使用就是多样的。

2数据才是真正的“底牌”

当然，作为“大模型货架”，像 AmazonBedrock 一般的产品，对外实现功能完备，保障模型品类更新及时，仍然只是“第一步”。随着企业对 AI 的应用逐渐进入“深水期”，更多的竞争差异会从数据层面体现出来。

这也是为什么，同样是接入 DeepSeek 落地应用的企业，有的正在享受“技术红利”，有的还在原地踏步。

一方面，低质量的数据根本无法“养活”像 DeepSeek 这样的大模型。比如，某企业在部署 DeepSeek 后，希望通过 AI 模型优化其推荐系统，但由于训练数据中包含了大量噪声或错误信息，模型生成的推荐结果准确性大幅下降。

另一方面，由于数据通常被分散在多个工具和系统中，企业需要重复进行数据准备和参数调优等步骤，效率低下。工具的不统一，也使得企业难以及时全面监控和分析数据，无法最大化发挥模型优势。

DeepSeek 只是个开始，为“AI 应用落地”吹哨的除了“大模型货架”和端到端的技术方案，还需要数据基础设施的进一步升级。

这几年，无论是亚马逊云科技、微软 Azure 还是谷歌云，都在提升自己的数据处理能力。

以亚马逊云科技为例，其数据底座 S3不仅支持海量数据的存储和管理，还通过引入 S3Intelligent-Tiering 和 S3Glacier Instant Retrieval 等功能，降低数据存储成本，为 AI 模型的训练和实时数据分析提供基础。

为了简化数据集成和 ETL 流程，亚马逊云科技推出了 Glue，不仅支持数据的自动化集成，还通过引入 Glue DataBrew 和 Glue Elastic Views 等功能，进一步简化了数据管道的构建和管理。这种端到端的数据集成能力，使得企业能够更高效地整合多源数据，为 AI 模型的训练和优化提供高质量的数据支持。

在 AI 开发领域，亚马逊云科技在2024年 re:Invent 上宣布 SageMaker 再度进化，为所有数据分析和 AI 提供一站式服务。下一代 SageMaker 几乎涵盖包括数据探索、准备与集成、大数据处理、快速 SQL 分析、机器学习模型开发与训练，以及生成式 AI 应用程序开发所需要的全部组件。

过往企业在开发 AI 应用时，通常使用多种工具来完成不同的任务，例如使用 comet 跟踪和管理训练实验，使用 deepchecks 评估模型质量，使用 fiddler 监控生产环境中的模型性能，以及使用 LAKERA 保护 AI 系统免受安全威胁。这些工具往往分散在不同的平台中，开发者需要在它们间频繁切换，这种重复劳动既降低了工作效率，又增加了出错的风险。下一代 SageMaker 通过集成 comet、deepchecks、fiddler 和 LAKERA 等 AI 应用程序，支持从实验跟踪、模型评估到性能监控和安全防护的全流程管理。

至于最基本的数据质量问题，为了帮助企业构建高质量的数据管道，下一代 SageMaker 提供了自动化数据清洗工具，能够识别并修复数据中的噪声、缺失值和异常值。同时还集成了实时数据质量监控功能，能够动态检测数据流中的质量问题，提供即时反馈。

如果说 AmazonBedrock 解决的是大模型落地的效率问题，那么下一代 SageMaker 解决的就是资源利用和数据分析等大模型落地的速度问题。而这些，既是企业通过 AI 实现商业价值的关键驱动力，也是云厂商在 AI 时代的底牌。