在亚马逊2026年计划投入2000亿美元资本开支、大部分用于AI基础设施的背景下，亚马逊副总裁兼首席技术官Werner Vogels近日到访中国深圳，给出的并非一张加速路线图。他提出的核心主张包括：成本必须可控、不必追求最强模型、Agent必须被约束、人类需保留最终判断。这一表态与当前业界普遍追求更大、更快、更贵模型的竞赛形成对照。
Werner同时担任亚马逊云科技CTO，是亚马逊云业务从内部发展成为全球云平台的关键推手，参与搭建了云计算行业关于“按需付费”“成本可控”“可靠性优先”的工程文化共识。财务数据显示，2026年第二季度亚马逊云科技营收同比增长37％，年化收入运行率达到1690亿美元；亚马逊自研芯片Graviton、Trainium的年收入运行率已超过200亿美元。
针对企业AI转型决策，Werner观察到，每周都有三个新模型发布，客户越来越焦虑，部分企业在尚未充分理解技术能力的情况下便仓促投入。他建议客户先花时间学习，确保真正理解技术能做什么，所有工程师和工程管理人员都应接受相关学习。他引用Jeff Lawson所著《问问你的开发者》一书的核心观点：企业若想了解技术能做什么，不一定要依赖外部咨询机构，可以直接询问内部开发者，好的开发者很可能早已开始学习这项技术。Werner强调，如果决策建立在知识上，企业更容易作出正确决定；如果建立在恐惧上，那大概不是企业希望走的方向。
在明确先理解再采用的前提下，成本问题随之浮现。Werner指出，企业对AI系统成本的不可预测性存在疑惑，仍在权衡成本与收益，寻求真正的投资回报。他认为，成本与可持续性、安全、性能一样，都应成为非功能性需求，客户需要明确自己愿意为此支付多少费用。企业从昂贵的大模型转向开源模型时，其背后的驱动因素可能也与成本相关。
Werner还提醒，人工智能一词已有七十年历史。在生成式AI兴起之前，乳腺癌筛查中的影像分析、指纹识别、文本转语音、预测模型等大量AI研究成果已在工作中发挥作用，它们不需要生成式AI，但同样属于AI范畴。对于较新的AI系统，他反复追问同一个问题：它们怎样帮助人类。他以中国企业“大米和小米”将AI用于自闭症孩子康复训练的案例说明，技术被放在正确的位置上，是AI应用值得乐观的原因。他强调，应该是AI进入人类的工作闭环，而不是反过来，AI只是工具，工作仍然是人类的。
在Agent层面，Werner拆解了其内部机制：Agent需要知道怎样预订酒店、更改航班，需要访问长期记忆、持续存在并学习偏好，触发因素可能来自界面、电子邮件、Slack或Discord。他认为这与过去的系统并没有那么大的不同，真正的区别在于允许它们自主行动并信任它们完成任务。能力越强、接触知识越多，若没有设置好的护栏，Agent就可能采取错误行动。
为此，亚马逊和亚马逊云科技开发了名为Dogwood的语言，用于准确规定Agent能做什么、不能做什么，并由Dogwood引擎负责执行这些规则。客户使用Strands Agents、Strands Box时，Agent想执行的任何操作都必须经过该引擎。Werner表示，这不是为了节省资源，而是因为Agent能力越强，失控的后果越严重。他提出“你构建它，你就对它负责”，谁开发了Agent，谁就要对其行为负责，必须能够控制它。AI是人类创造的东西，没有独立意志，Agent采取任何行动，最终仍然由人负责。
在技术实现上，Agent经常需要判断是否应采取某个行动，它不需要大语言模型给出长篇答案，只需“可以”或“不可以”以及一个置信度分数，Strands Decider正是承担这一职能的决策模型。该模型完全开源，权重和输入数据集也开源，所有人都可以检查模型训练时使用了什么。Werner认为，开源将继续发挥非常重要的作用。但在开源与护栏之上，仍有一条不可逾越的底线：如果涉及金融服务、生命科学、医疗系统等监管要求，甚至涉及生命安全，可能需要在采取任何行动前由人审核全部内容。他指出，人类在创造力、判断力、智慧和经验方面具有独特性，经验没有压缩算法。
在AI基础设施投入持续攀升、模型迭代速度不断加快的行业环境下，Werner的表态为企业的AI采用路径提供了一个以成本可控、责任明确和人类最终判断为核心的参照框架。对于正在评估AI投资回报的企业而言，如何在能力扩张与风险控制之间建立可执行的边界，将成为下一阶段的关键议题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
