2026 AWS 上海峰会观察作者｜汤一涛编辑｜郑玄过去三年，AI 行业的绝大部分注意力都在一件事上：把模型做得更强。

        到 2026 年，这件事的边际收益正在迅速变小。一个行业共识正在形成：模型正在商品化。

        一方面，前沿模型之间的差距正在收窄。Claude、ChatGPT 这些闭源模型在多数通用任务上已经能达到「足够好」的水平。

        与此同时，开源模型（DeepSeek R1、Llama 系列）从下方不断压缩差距。

        传递到消费端，大模型的「性价比」越来越高。当模型的技术壁垒逐渐被稀释，就很容易转化为标准化的算力服务。

        另一方面，模型并未直接转化为生产力。麦肯锡 2025 年全球 AI 调研显示，62% 的企业仍停留在 Agent 试点阶段，仅有 23% 完成规模化落地。

        Gartner 预测，到 2027 年底，超过 40% 的 AI Agent 项目会被取消。

        大多数企业没拿到业务结果。Agent 要在企业里跑得好，往往还需要解决大量的工程问题，比如数据的管道问题，比如任务路径的监管问题。

        这部分价值不比训练一个模型小，但在过去明显被低估了。

        今年早些时候，IBM 首席 AI 架构师 Gabe Goodhart 就指出「模型本身不会成为主要的差异化因素」。

        他认为，企业长期竞争优势将来源于私有行业数据、业务工作流编排与垂直行业解决方案。

        换句话说，决定胜负的不是模型本身，而是围绕模型的数据和工程。

        2026 年 AWS 上海峰会的整个议程，正是建立在这个判断上：当前竞争的胜负手，正在从比拼模型的强度，转向更切实的价值创造，也就是帮助企业把 Agent 跑进生产。

        01Agent 跑进生产之后何锐邦是小鹏集团数据与 AI 平台负责人，管理几百人的研发团队。

        他在 AWS 上海峰会主论坛上讲了自己团队正在经历的事：2024 年团队已经在普遍使用 AI 开发工具，个别员工效率提升了，整个部门没有提升。

        卡点有三个。首先 AI 工具只能帮写单个环节的代码，但是整个链路并没有得到明显的提效；小鹏在做物理 AI，软硬件协同开发的全自动化在行业里还是禁区。

        第三个卡点则更加根本：AI 代码生成速度太快，人类治理已经跟不上。

        MIT 今年 6 月的研究支持了这一观察：AI 使代码编写量提升了 180%，但实际交付量只提升了约 30%。

        因为写代码只是软件交付的一个环节，后面还有测试、审查、部署等一整套的生产流程，这些都无法只靠一个「更强的模型」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提了一个 AI 进化的时间线：2023 年你问它答（Chatbot），2024 年你指挥它协作（Agent），2025 年底开始它能独立交付业务结果（agentic AI）。

        当前 AI 的能力到了第三阶段，但大多数企业的管理方式还在第一阶段。

        差距出在两个地方。第一个瓶颈是数据。储瑞松整场讲得最多的一个词是数据。

        模型是公共品，所有企业都能买到同一水平的基础大模型。

        真正拉开差距的是 Agent 拿到的上下文，业务知识、客户记录、流程规范这些花了很多年才攒下来的数据，短期内无法复制。

        现实是大量企业的数据散在几十个系统里，没有经过治理。

        Agent 需要跨系统调取信息，但缺少统一数据接入标准。

        如果上下文是碎片化的，模型推理能力再强也出不了好结果。

        帮企业管数据恰恰是 AWS 过去二十年一直在做的事。

        数据是有引力的（data gravity），量越大越难搬走，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跑在 AWS 上。当这些企业部署 Agent，不必从零搬数据、建管道，在已有的数据基座上加一层 Agent 可调用的知识层就够了。

        数据本来就在这里，而 Agent 在数据旁边工作。

        AWS 等于把过去的资产，变成了 AI 时代的护城河。

        第二个瓶颈是规模化管理。储瑞松在台上打了个比方：创业公司三五个人的时候，不需要系统，不需要 HR，干就是了。

        等公司到了几十人上百人，就需要相应的系统和政策。Agent 也一样。

        当企业有成百上千个 Agent 在生产环境里运行，很多实际的问题就会随之而来：怎么知道每个 Agent 做了什么决策、走了什么路径？

        一项业务任务到底花了多少钱？Agent 有没有越权访问不该碰的数据？

        「如果你说不清楚一个 Agent 完成一项业务任务到底花了多少钱，那你做的可能不是部署而是实验。」储瑞松说。

        评估同样不好办。Agent 和传统软件不一样，同一个任务每次可能走不同的路径，没有系统化的评估机制就无从判断它到底靠不靠谱。

        安克创新的经历印证了这个递进关系。安克 CIO 龚银在峰会上回顾了 Agent 落地过程：他们在深度应用期碰到的卡点是数据质量和已有系统的 AI「不友好」，等 600 多个流程智能体上线后，Token 日均消耗从不到 100 亿暴增至 2000 亿，此时成本管控变成了比技术选型更紧迫的问题。

        AgentCore 是 AWS 对 Agent 规模化管理的回应。

        如果说数据层靠的是 AWS 二十年的积累，那么 Agent 的生产化运行需要的是一个新的平台层。

        市面上已经有不少 Agent 开发框架，搭一个原型不难。

        难的是把原型变成生产系统，满足高并发下稳定运行、不同 Agent 之间的权限隔离或者是出了问题之后的快速定位。

        AgentCore 不替代这些框架，它是大规模安全构建、连接与优化 Agent 的平台。

        比如「越权」问题，每个 Agent 跑在隔离的沙箱里，通过 Identity 接入企业现有的权限体系，只能访问被授权的资源；安全策略则用自然语言定义，在 Agent 代码之外执行，Agent 自己绕不过去。

        至于「黑箱」问题，AgentCore 可以做到全链路观测，每一步推理都有记录，出了问题能定位到具体步骤。

        过去六个月，AgentCore 上的 Agent 执行任务量增长了 15 倍。

        猎豹移动是中国较早把生产级 Agent 跑在 AgentCore 上的公司之一。

        借助 AgentCore，他们把 Agent 上线时间从一个月缩短到两周，运营成本降低 25%。

        小鹏走的是另一条路：把买不到的行业 know-how 直接编码进平台。

        何锐邦团队基于 Kiro 和 AWS 搭了内部 AI 代码平台「灵犀」，把汽车行业的开发规范沉淀成 Skills，让 Agent 按规范协同。

        上线后部分部门 AI 代码覆盖率超过 70%，14 万多个工作流成功率超过 99.7%，交付代码零 P0/P1 缺陷。

        数据、规模化管理、行业 know-how——把 Agent 跑进生产，考验的早已不是模型本身。

        而换个角度看，这种模型商品化的趋势，重塑的不仅是企业用户的选择，也在重塑模型厂自身的活法。

        当模型越来越靠单能力建立绝对壁垒，并能满足不同场景、不同行业、不同市场的复杂客户需求，他们就需要找到一个能落地，能把价值放大的出口。

        而这，也恰恰指向了 AWS。02到全世界去在 AWS 上，不只是越来越多企业开始调用模型、使用服务来落地 AI，还有越来越多主动走进来的模型厂商——

        尤其是中国公司，对于越来越重视全球化的中国模型厂来说，AWS 遍布全球的基础设施和现成的企业客户，恰是他们最需要也最难自建的「基础设施」。

        月之暗面就是个典型案例。Kimi 的多个模型已经登陆 Amazon SageMaker，开发者可以在上面完成训练与推理；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调用，而双方还在推进把更多最新模型接入 Bedrock。

        在渠道侧，Kimi 已登陆 AWS Marketplace，全球客户可以一键采购、按量付费；更上层，Kimi 还和 AWS 的解决方案架构师一起，联合打造面向金融、医疗、制造等行业的方案。

        月之暗面 Kimi 的 B 端负责人黄震昕把这种关系形容为「飞轮」：一边向 AWS 采购全球算力，一边借 AWS 的渠道把模型卖向世界。

        模型厂商之所以愿意选择这样的一个平台，背后的逻辑其实和出海企业一样——

        模型商品化改变的不只是技术格局，对于一家正在出海的中国企业来说，选 AI 基础设施就不只是模型，他们更关心的问题是合规部署、低延迟、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、南美的主要市场，各区域均具备数据本地驻留能力，并配套对应市场基础合规资质。

        出海企业无需为新市场从零搭建底层硬件基础设施。而 AWS 也提供各国法规参考材料与合规工具，大幅降低调研门槛。

        亚马逊 Bedrock 的模型中立策略在出海场景下有实际意义。

        如果模型正在商品化，那么把企业绑定在任何单一模型上都是不明智的。

        Bedrock 同时接入全球前沿模型（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。

        国内业务场景用国产模型，海外市场按需切换，不需要因为换了市场就换一套技术栈。

        储瑞松把这个定位概括为「深耕本地，链接全球」。猎豹则从一家自己出海的公司变成了帮别人出海的公司。

        基于和 AWS 多年合作，猎豹成立了聚云科技，把过去两年 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，技术的逻辑改变了，但是我们和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。」安克创新就是出海场景下最直观的样本。

        旗下 Anker、soundcore、eufy、SOLIX 等品牌的产品卖到全球超过 180 个国家和地区，AI 已经嵌进了全线产品。

        但这等于把同一套 AI 能力落在完全不同的监管环境里，尤其 eufy 这类安防产品，摄像头数据在欧盟、北美、中东各有各的隐私和数据本地化要求。

        自己去啃每个国家的法规并不现实，这正是出海企业需要一个覆盖全球各市场合规底座的原因。

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

        外部世界一直在变化，今天的第一名可能就是明天的垫底。

        过去几年行业把大部分注意力都给了模型。但是归根结底，所有的要素都是要导向「价值创造」的。

        谁离这个目标更近，就更有可能承接这条链路上的价值转移。

        储瑞松在台上给了一条具体的建议：选一个有价值的业务场景，端到端跑通一个 Agent，产生真实的 ROI。

        「就像给新员工写一个岗位描述一样来定义你的 Agent：它负责什么事情，交付标准是什么，出错了怎么办。把它做的事情和你业务的 KPI 直接关联，从第一天开始就能衡量价值。」*头图来源：2026亚马逊云科技中国峰会本文为极客公园原创文章，转载请联系极客君微信 geekparkGO极客一问你如何看待 AWS ？