2025年9月19日，亞馬遜雲科技宣布在amazon bedrock上推出qwen3系列4款模型與deepseek-v3.1模型的完全託管服務，並已在全球範圍內正式可用。
其中，qwen3系列是首次上線amazon bedrock，阿里巴巴也因此成為amazon bedrock平台上第13個頂級ai大模型提供商。
而這也是繼亞馬遜雲科技在8月6日宣布openai最新發布的兩款開放權重基礎模型gpt-oss-120b與gpt-oss-20b，首次可通過amazon bedrock和amazon sagemaker ai訪問之後，向業內再次投放的重磅炸彈。
沒有一家雲廠商像亞馬遜雲科技一樣，執著於「收集」幾乎所有的模型，這背後既關乎選擇，也關乎ai成功。
「choice matters」：amazon bedrock迎來兩大「重量級選手」
試想一下，一家中國企業在出海時，有的需要使用海外大模型，也可能因為自身的安全合規原因，繼續使用國內大模型，這在以前需要較高的成本，如今可以在amazon bedrock上輕鬆實現。
此次入駐的模型中，qwen3是阿里巴巴在今年4月發布的最新一代開源模型，在推理、指令遵循、工具調用、多語言能力等方面均大幅增強，並創下所有國產模型及全球開源模型的性能新高。deepseek-v3.1則是被deepseek稱為「邁向agentic ai時代的第一步」，其響應更快，同時也能在深度、透明的思考間實現平衡。
qwen3、deepseek-v3.1本身就有海量的開發者用戶基礎，在各項評測中都表現優秀，海外企業對於中國大模型也有需求，業務使用不同模型組合的可能性進一步提升。
與此同時，亞馬遜雲科技接入的每一個模型都為客戶帶來了獨特的優勢、場景聚焦，共同構建起一個全面且多元的生成式ai生態系統。讓客戶能夠根據具體使用場景選擇最適合的模型，同時享受亞馬遜雲科技在安全、隱私保護和可靠性等方面的優勢。
亞馬遜雲科技ceo matt garman此前在接受媒體採訪時表示：亞馬遜雲科技有簽署數十億美元合同的客戶，也有今天只花10美元的客戶。對我們來說，這些小型初創公司與大額交易同樣重要。
他強調，這種方法反映了亞馬遜雲科技提供基礎技術的戰略，服務於各種規模的組織——從新興創業公司到企業巨頭。這種客戶多樣性不僅使亞馬遜雲科技能夠滿足廣泛的需求，還支持跨不同市場細分和行業的長期可持續增長。
「choice matters」（選擇大於一切）戰略正式提出是在亞馬遜雲科技 re:invent 2024上，這一戰略正是亞馬遜雲科技基礎技術戰略的延續：要為不同客戶的不同業務場景選擇一個適合的模型，而不是只以名氣或性能為衡量標準。
自2023年4月，亞馬遜雲科技推出amazon bedrock這一被業內稱為「模型超市」的平台開始，就一直在踐行為用戶開始提供多樣化以及行業內明星模型選擇的理念。每當大模型明星產品重磅發布後，用戶都能無延時地通過amazon bedrock或sagemaker平台調用。
在宣布接入最新qwen3與deepseek的5款模型的同時，亞馬遜雲科技也宣布進一步將更多模型的可用性擴展到每個擁有亞馬遜雲科技區域的大洲，包括美國東部（弗吉尼亞北部）、美國西部（俄勒岡）、東京、孟買、愛爾蘭、倫敦、米蘭、斯德哥爾摩和南美洲（聖保羅）。
由此可見，亞馬遜雲科技不僅僅一直在用實際行動擴充了amazon bedrock的模型陣容，豐富了開放權重模型的生態，同時也在為客戶提供多元，極致性價比的選擇的優質模型。
ai更重要的，是模型之上
「都2025年了，你還在糾結選擇大模型嗎？」亞馬遜雲科技大中華區產品部技術總監王曉野在前幾天剛剛舉辦的2025 itvalue summit數字價值年會現場拋出了一個尖銳的問題。
他展示了一組行業調研數據：gartner 2024年企業ai發展任務調查顯示，有三分之二受訪企業高管認為生成式ai將帶來顛覆性變革，ai熱潮促使大量試點及概念驗證（poc）項目啟動，僅有41%的生成式ai poc項目能進入生產階段——這一數字揭示了一個嚴峻的現實：在通往ai轉型的道路上，企業在技術成熟度和運營準備兩大關鍵領域仍面臨重大挑戰，這也是制約生成式ai大規模部署的主要瓶頸。
而導致失敗的六大原因，幾乎沒有一條是因為「選錯了模型」。相反，問題主要集中在：業務範圍和建模評估不足、為做ai而做ai、數據準備不充分、工程能力缺失、成本認知不足以及安全風險管理不到位。
「在真正實現業務價值的時候，模型只是前提條件，而不是核心。」王曉野指出。相比於2023年大家熱議「選擇哪個大模型」，2025年的焦點已經轉向了如何避免poc陷阱、如何從想法走到生產。
如何避開陷阱，突破41%的成功率魔咒？亞馬遜雲科技提出了「從poc到生產的三大要素」。上述41%成功落地的項目往往做對了三件事：一、場景評估——成熟的ai場景不再稀缺，像娛樂、出海、翻譯、素材生成等已有大量驗證案例。企業需要在roi、預算和時間維度上進行全面評估，而不是只看模型效果。二、技術選型——選擇合適的合作夥伴，共同支撐生產級的落地。三、系統化思維——不僅關注模型，還要量化生產化後的成本和收益，形成整體的系統評估。
在場景評估上，亞馬遜雲科技基於長期積累的客戶實踐經驗，梳理出了生成式ai當前最具代表性的11大應用場景。這些場景既可應用於特定行業，也具備跨行業落地的潛力。與此同時，越來越多的企業開始探索智能運維、智能終端、ai搜索引擎，以及基於agent的研究報告生成等創新場景。每個場景都代表著獨特的價值創造機會，關鍵在於找到最契合企業自身發展階段和業務特點的切入點。
在選定應用場景後，項目的可行性評估需要構建一個多維度的評估體系：業務影響力評估確保項目能創造實質性價值，風險控制維度考量潛在挑戰，數據支撐能力評估保障項目運行質量，而預算規模和團隊配置則需與項目需求相匹配。這些維度不僅將直接影響項目篩選標準的制定和成功指標的設定，更會貫穿整個項目規劃始終。只有在各個維度都進行充分評估和準備，才能為項目成功奠定堅實基礎。
最後，量產優化階段，投資回報率（roi）不應僅僅作為一個考核指標，而應該成為生成式ai項目全生命周期中的核心思維方式。從場景選擇、技術評估、概念驗證（poc），到生產部署、規模化應用和持續迭代，每個階段都需要以roi為指導原則。這種「roi驅動」的思維模式能夠確保企業在ai轉型過程中始終保持正確方向，實現技術創新與商業價值的有效統一。
不過，這三大要素雖然至關重要，但並非一成不變。在瞬息萬變的ai技術浪潮中，企業還需要保持開放學習的心態，通過持續試驗、優化和迭代，不斷完善自身的ai能力建設。這是一個螺旋上升的過程，每一次嘗試都是通向成功的重要一步。
從構思到生產，面向最終系統，亞馬遜雲科技生成式ai創新中心遵循一個清晰的四步走方法論，為客戶提供全周期的支持與服務。在構思階段，幫助客戶進行場景識別、需求聚焦，並選擇最適合的技術路線；在原型設計階段，快速構建概念驗證原型；在試點階段，根據具體需求提供定製化開發；在生產階段，通過專業諮詢服務幫助客戶提升解決方案在真實環境中的表現，優化輸出質量並降低運營成本。
在這個快速發展的ai時代，企業需要敏捷性、精確性和快速適應能力並舉的夥伴，才能確保生成式ai項目在每個階段都能獲得專業支持，最終實現成功落地和規模化應用。
在技術層面，亞馬遜雲科技也提供了生成式ai技術選型的全景圖譜，這個過程主要涉及三個關鍵維度：第一是模型層面，企業需要基於自身業務指標進行綜合評估，選擇最適配的模型。第二是數據層面，「好的數據等於好的ai」，這直接關係到模型的實際表現和應用效果。第三是技術路線選擇，關鍵技術路徑上選擇將直接影響應用效果和項目落地的成功率。
該圖片疑似ai生成
在模型選擇這一關鍵環節，亞馬遜雲科技建議企業採用一套系統化的評估方法。首先，企業需要明確自身場景的優先考慮因素，並按重要性排序。例如，某企業可能將成本作為首要考量，其次是精度，最後是速度。基於這種優先順序排序，可以對每個入圍的大語言模型進行量化評估和排名。例如，假設模型a在綜合評估中勝出，雖然它並非在所有維度上都是表現最優的選擇，但由於在最關鍵的成本維度表現最佳，且在第二重要的精度維度上排名第二，因此最終成為最佳選擇。
值得注意的是，除了模型本身的性能指標外，我們還需要充分考慮模型提供商的市場影響力，以及其在數據隱私、安全性和負責任ai等方面的表現。這些因素將直接影響模型的可持續發展和迭代能力，是確保項目長期成功的重要保障。
在模型選擇策略上，亞馬遜雲科技發現一個重要趨勢：企業不應拘泥於「一個場景一個模型」的固定思維。相反，應該採取更靈活的「場景適配」策略，讓每個模型都能物盡其用，發揮所長。
對於簡單場景，選擇單一模型往往就能滿足需求。比如在代碼輔助場景中，claude 4這樣專註於編程的模型就能很好地完成任務。然而，在面對複雜場景時，採用模型組合的策略則更為明智。例如，在構建複雜的翻譯系統或多agent系統時，我們可以讓不同模型在業務流程的各個環節各司其職，每個子任務都由最適合的模型來執行，從而實現整體效果的最優化。
這種靈活的模型選擇策略不僅能確保每個場景都能獲得最佳性價比，還能充分發揮各個模型的獨特優勢，最終達到「1+1>2」的效果。
另一個關鍵環節是數據層，數據是企業規模化應用生成式ai的核心驅動力，但這個挑戰遠比表面看起來要複雜得多。
首先，生成式ai應用本質上仍是一個完整的應用程序，要實現規模化應用，企業不僅需要考慮大語言模型的調用，更需要建立完善的資料庫體系來支撐所有交互環節的用戶體驗。其次，企業必須建立嚴格的數據治理流程，包括確保數據質量的標準與控制、保障數據隱私與合規、落實數據安全措施，以及建立精細的訪問控制機制。雖然生成式ai的表層應用令人著迷，但真正的關鍵在於構建現代化的數據架構，實現數據的高效處理和合理使用。這才是確保ai應用能夠持續創造價值的基石。
在技術方案層面，當下最受關注的無疑是agentic ai。agent化的應用正在成為生成式ai的重要發展方向。從技術角度看，主要有兩種實現路徑：一種是基於多模型串聯的mcp（model-chain-pipeline）模式，通過合理編排不同模型的能力來完成複雜任務；另一種是基於agent workflow的模式，通過定義明確的工作流來協調多個智能體的協作。這兩種模式各有優勢：mcp模式實現相對簡單，適合處理確定性強的任務流程；而agent workflow則更適合處理需要動態決策的複雜場景。企業可以根據具體場景需求和技術儲備，選擇合適的實現路徑。
展望生成式ai的發展趨勢，選擇模型不再是問題，真正需要關注的是：數據能否持續投入，組織是否具備工程化能力，以及是否能在新一代agent範式下把握行業方向。
企業的競爭力，已經不在「選哪個模型」，而在「如何讓系統真正走到生產」——亞馬遜雲科技非常清楚這一點。
更多精彩內容，關注鈦媒體微信號（id：taimeiti），或者下載鈦媒體app
