本文来自微信公众号“科技云报到”。
2024年的大模型产业，注定将是会被反复提起的一页。
这一年，被按下加速键的市场刚刚过半，就已经显示出冰火两重天的格局。算法的单模态扩展到多模态，趋势如燎原之火，让全球陷入对世界模型畅想的狂欢中；一级市场逐渐走向冷静，投资人开始频频向企业要收入，百模齐发迅速被简化为几家独角兽之间的资本与技术持久战。
云服务巨头则以一种标准制定者，以及顶级大模型团队背后力量的角色出现，成为市场中隐形的力量。在他们的主导下，过去IaaS、PaaS、SaaS的角色分工，在AI时代被芯片层、框架层、模型层和应用层取代，又迅速进化为基础设施、工具和应用的新“三层架构”。
技术的发展，基础设施的成熟，让千行百业都产生了所有生意都值得在大模型时代重做一遍的信仰。
但如何低成本、高质量的重新做一遍，是所有企业，必须回答的关键问题。
从“业务靠近技术”到“技术靠近业务”
如今，“AI转型”正逐步取代“云转型”，成为IT行业的新趋势，AI也已成为硅谷最具想象力的概念。
2025年，是大模型落地的关键年。一方面，大模型Scaling Law的曲线趋缓，基础模型厂商开始收敛，基础模型动辄一次数亿美元的投入，以及不断推高的人才密度等高门槛，意味着只有少数企业能够留在牌桌。
另一方面，大模型落地的紧迫感前所未有，大家都期待大模型产生实实在在的价值，且超出以往的技术能力范畴，全行业都在默契又统一地走向落地。
在ChatGPT爆发的初期，似乎是由新技术创造了新的市场，但是，并非所有的企业都需要一个ChatGPT，而所有企业都需要生成式AI。革命性技术发展的早期看起来是从无到有，在成熟期则是从“业务靠近技术”走向“技术靠近业务”，大模型越往后发展越需要对行业的理解、对产业的专耕。
对于企业来说，要直接将大模型运用好难度较大，毕竟大模型的复杂性、对技术能力和资源等方面的要求较高；而如果抛开行业化这一环节，直接去基于大模型开发具体应用，距离又太过遥远，缺乏有效的衔接过渡。
其中的关键就是技术和行业结合，在当下的生成式AI产业叙事逻辑中，比以往任何时候都需要“行业化”。行业化起着降低大模型技术落地门槛的重要作用，它能够聚焦提炼出各个行业普遍存在的共性难题，进而为大模型更好地适配不同行业提供基础。
相比于新技术落地的其他环节，行业化是一个容易被忽略的部分，却又往往需要最专业的厂商投入大量的资源做具体的事，大多数企业享受了行业化带来的便利，却对大模型落地这一层级的变化感受不明显。
事实上，以ChatGPT为代表的生成式AI技术兴起的近两年，业内普遍关心AI应用的爆发时间。但从任何高科技行业发展的历史来看，但凡应用要爆发，就离不开“降本”这一要素。
模型价格决定了应用使用成本，因为用户使用应用会调用大模型，需要消耗Token，而大模型训练和推理的成本高，API的调用成本就会高，从而限制企业用户、开发者的应用开发步伐。
这就迫使大模型厂商，一方面要不断迭代大模型，在百模大战中以能力胜出；另一方面要降本提效，通过模型机构优化、分布式推理和混合调度等手段进行优化、大幅压缩成本，来不断降低API调用价格，推动应用兴起。
随着AI技术的普及和深入应用，云厂商也面临着越来越多的挑战。
一方面，企业需要更加定制化、差异化的AI解决方案来满足其独特的业务需求；另一方面，AI技术的复杂性和不确定性也使企业在应用过程中面临诸多风险。
与五六年前相比，当前AI行业正在发生根本性转变，其中最明显的趋势是，生成式AI的广泛应用使业务部门成为技术创新的重要推动力，企业希望通过AI技术来解决实际问题、提升业务效率。
而这也驱使云厂商在业务开展方面出现了一系列新的变革。在AIGC时代，如何积极响应用户需求，通过提供开箱即用的数据分析能力帮助企业快速接入AI技术，成为这个时代云厂商需要思考的难题。
在模型开发方面，云厂商需要思考如何提升模型落地的工厂化能力，降低硬件成本、提高硬件性能，为企业提供更加稳定、高效的AI运行环境。
其中，把握并识别企业需求是一大难点。企业往往只会提出诸如需要更快、更便宜的GPU这类直观需求，但不会透露更深层次的具体需求，如何运用创新办法来解决相应需求是一大痛点。
为千行百业开启数字化新篇章
当前，云服务商的竞争已经从技术维度延展到企业的实际业务需求方面，这也成为亚马逊云科技在AI上的布局重点之一。
在re:Invent 2024全球大会期间，亚马逊云科技不仅展示了其在生成式AI领域的深厚积累，更通过一系列新发布，展示了从模型到应用的全面布局。
作为亚马逊云科技推出的新一代基础模型，Amazon Nova旨在为用户提供多模态、高性能且成本效益显著的生成式AI解决方案。该系列包括Micro、Lite、Pro、Premier等多个版本，分别适用于不同场景下的需求。
Micro作为文本到文本的模型，以极低成本提供低延迟响应；Lite则为成本极低的多模态模型，可快速处理多种输入；Pro在准确性、速度和成本间取得平衡，满足多种复杂需求；而Premier则将是功能最为强大的多模态模型，可处理复杂推理任务并指导定制模型蒸馏。
除了基础模型外，亚马逊云科技还推出了新一代图像生成模型Amazon Nova Canvas和视频生成模型Amazon Nova Reel。Canvas能够帮助客户生成高质量图像，并具备图像编辑功能，最高可生成2K分辨率的图像；Reel则以先进的视频生成质量和低延迟著称，提供了性能和成本效益之间的平衡，让视频制作更加普惠化。
为更好地支持生成式AI应用的构建与扩展，亚马逊云科技推出了Amazon Bedrock平台。该平台提供了从模型选择、推理优化到多智能体协作等一系列工具和服务，旨在帮助用户轻松地将生成式AI能力整合到生产环境中。
在模型选择方面，Amazon Bedrock Marketplace汇聚了来自领先供应商的100多个新兴和专业基础模型，用户可以通过统一界面发现、测试并部署所需模型。在推理优化方面，Amazon Bedrock推出了延迟优化选项和模型蒸馏功能，前者基于Amazon EC2 Trn2实例实现更好的推理性能，后者则通过蒸馏技术提升模型运行速度和降低成本。
此外，Amazon Bedrock还支持GraphRAG和自动推理检查功能，分别用于提升数据关联性和预防模型幻觉引起的事实性错误。
除了技术和工具的创新外，亚马逊云科技还通过Amazon Q系列产品加速了生成式AI在业务场景中的应用。Amazon Q Developer和Amazon Q Business分别为开发人员和企业用户提供了强大的生成式AI助手功能。
从行业战略角度看，亚马逊云科技的首要目标是利用领先的云计算、生成式AI和机器学习技术，赋能各行业客户构建业内创新解决方案。
亚马逊云科技正在通过多种方式将这一目标变为现实。比如，目前亚马逊云科技已推出超过40种针对特定行业的专属服务，以及450多个行业专属解决方案。通过这些定制化服务与解决方案，亚马逊云科技助力各种规模的企业加速应用云计算并降低成本，赋能行业专属的工作负载。这些解决方案正以前所未有的速度推动组织创新，助力客户实现突破性里程碑，并为其所在行业带来创新性成果。
同时，亚马逊云科技助力企业加速开启上云之旅，其重点领域涵盖关键系统的迁移和现代化、将本地数据工作负载迁移上云，以及满足各行业的业务需求。通过聚焦这些核心领域，亚马逊云科技帮助各行业客户降低成本（基础设施成本最多可减少66%）、提升运营效率（开发人员生产力最多可提高30%）、加速创新步伐，同时应对复杂挑战并提高可持续性。
生成式AI是亚马逊云科技的另一项重要战略之一。对此，亚马逊云科技与各行业企业携手合作，通过提供企业级安全与隐私保护、多种领先基础模型的选择、坚持数据优先的方法，以及高性能、低成本的基础设施，助力生成式AI创新应用加速落地，充分释放生成式AI的变革潜力。
比如在医疗领域，亚马逊云科技提供为医疗行业设计的专属服务、企业级安全保障以及符合HIPAA标准的工具组件，包括可用于自动生成临床文档的Amazon HealthScribe、增强临床问题解决能力的Amazon Q、可自动将医疗语音转换为文本的Amazon Transcribe Medical，以及准确、快速地从非结构化医学文本中提取信息的Amazon Comprehend Medical，从而为客户转型提供全面的技术支持。
在制造业和工业领域，亚马逊云科技获评2024年Gartner®全球工业物联网平台魔力象限领导者。亚马逊云科技的工业物联网服务套件包括Amazon IoT SiteWise和Amazon Lookout for Equipment，能够助力制造企业彻底革新其运维流程。Coca-Colaİçecek（CCI）以Coca-Cola品牌生产、分销、销售起泡饮料和不充气饮料，该公司通过使用Amazon IoT SiteWise，显著提升了其“原位清洗（Clean in Place,CIP）”流程的可持续性，实现了每年能源消耗降低20%、水资源节约9%，以及流程时间缩短34天的显著成效。
亚马逊云科技全球客户技术支持与服务副总裁Uwem Ukpong表示：“在帮助客户构建生成式AI解决方案的过程中，我们发现企业选择的生成式AI应用场景也在逐渐迭代升级，从原先简单的生成式AI尝试例如对话式聊天机器人，过渡到内容、图像、视频等多媒体内容生成，以及数据洞察与决策等。亚马逊云科技将从客户需求出发，满足客户不同应用场景的痛点与诉求，助力客户构建数字化解决方案。”
在生成式AI的浅水区，重点是找到新技术应用于业务的广度覆盖；在生成式AI的深水区，重点是弥合新技术和业务的认知鸿沟，也就格外需要云平台企业，做中间一层的行业化，弥补大模型落地的版图。
从底层的芯片、云服务，到中间层的模型，再到最上层的应用，整个大模型产业链的各个环节之间，如同互相嵌合连接的精密传动仪器，任何一个环节的进步与迭代，都会掀起整个市场的涟漪不断传导扩散。
其中，云服务等基础设施范式的存在，如同整个板块的地基。上层的算法应用越想改变世界，最底层的地基就要越稳固。
尽管基础大模型的能力提升已将AI应用开发从“最后1公里”推进到“最后100米”，但开发AI应用仍然面临诸多挑战，这正是云计算平台从技术走向服务的重要意义所在。
云计算的进步，也是整个大模型产业链不断向前飞奔过程中，被极大低估的一环。在未来生成式AI持续发展的进程中，云计算将进一步与之深度融合，助力其释放出更大潜能，为千行百业开启更具想象力的数字化篇章。
