这几天我在跟朋友聊 AWS re:Invent 上关于智能体的发布，几乎每一页PPT我都反复翻了几遍。
不是为了追技术参数，而是因为这次他们真的把“智能体”这件事讲得很透，也给到了完整、可信的落地路径。
我一开始看到 Matt Garman 的那段开场发言就觉得很清晰：
AI 正在从一个“技术奇迹”转变为提供“真实商业回报”的工具。
而这个转变的核心，是“智能体”。
那些可以理解意图、完成任务、长期运行在系统里的AI，他预测未来将出现数十亿智能体，其影响堪比互联网或云的诞生。
这并不是喊口号。
因为亚马逊云科技确实从底层芯片、模型平台、数据能力、Agent 工具链每一层都做了系统性更新。
他们是真的把底层全重构了一遍。
Trainium 3 是亚马逊云科技推出的第三代 AI 训练芯片，3nm 工艺（行业先进），相比前代性能提升 4.4 倍，内存带宽提升 3.9 倍，能效提升 5 倍。
可以简单理解成是“专为 AI 模型设计的超级芯片”，训练更快、成本更低。
而下一代 Trainium 4 也在路上，FP4 精度下将带来 6 倍性能提升。
同时他们和 NVIDIA 合作，推出了基于 GB300 超级芯片 的 P6e 实例，适用于高强度大模型推理任务。
如果你是有合规、主权要求的企业用户（比如金融政务），亚马逊云科技还发布了 AI Factory 模式，可以把 AI 基础设施“搬”进你自己的数据中心，本地部署，也能用到这些能力。
模型能力更分层、更灵活。
亚马逊云科技这次推出了 Nova 2 系列模型，名词很多，但其实是覆盖了不同类型的业务场景：
Nova 2 Lite：用于快速响应、成本敏感场景；
Nova 2 Pro：专为复杂任务设计；
Nova 2 Sonic：优化语音交互场景；
Nova 2 Omni：是一个“统一多模态模型”，同时支持文本、图片、音频、视频输入，并能输出文字或图片。
这些模型都可以在 Amazon Bedrock（一个大模型平台）上直接调用，同时亚马逊云科技也支持了更多第三方模型，比如 MiniMax、Mistral Large、NVIDIA Nemotron、Google Gemma 等，满足不同行业的性能偏好。
Bedrock 目前已经服务了 50 多家企业，处理的 tokens（大模型的最小处理单元）累计超过 1 万亿。
让模型懂你会是未来企业专属模型的新方式。
很多公司说“通用大模型不懂我们业务”，这不是个新问题，但亚马逊云科技给了一个比较彻底的解法。
这次他们发布的 Amazon Nova Forge，提出“开放训练模型”的方式。
你可以把你公司的业务数据、知识库、操作流程参与到预训练阶段，和亚马逊云科技自己的数据混合使用，训练出真正懂你业务的专属模型，他们叫它“Novellas”。
对比微调，这种方式更底层，意味着你不用再担心模型“答得像外人”，它一出生就知道你是谁、你怎么运营、你的流程是什么样的。
说到底，AI Agent 才是关键主角。
前面讲的所有芯片、模型、数据，最终都是为AI Agent 服务的。
Bedrock AgentCore 提供了智能体运行需要的一整套基础设施。
AgentCore Policy：比如你可以设置“退款超过1000元必须人工处理”，AI不能自己决定；
AgentCore Evaluations：能持续评估智能体行为的正确性、是否有效、有无帮助，辅助开发者持续改进。
这部分听起来像“企业内部的合规系统+绩效系统”，但它是为AI智能体量身打造的。
接下来亚马逊云科技有三款智能体直接进入实战场景。
这次发布会真正的高潮，是三款智能体不再是“技术演示”，而是可以直接落地用的产品：
Kiro Autonomous Agent：能自主处理跨多个微服务库的升级和修复任务，深度理解代码库和协作流程，相当于一位“永不休息”的 AI 研发同事。
AWS Security Agent：将安全审查“前置”，在代码写出来前就审查设计文档，把过去靠手工测试才能发现的风险自动化处理。
AWS DevOps Agent：分析遥测、部署、日志数据，帮助快速定位系统问题，在故障发生前给出修复建议，适合运维团队使用。
智能体怎么才能真正用起来呢？
Swami Sivasubramanian 提出几个核心能力拼图：
Strands Agent SDK：可以快速开发智能体的工具包，支持 TypeScript 和机器人设备。
情景记忆（Contextual Memory）：Agent 能记住你过去的行为，比如你上次旅行航班晚点太累，下次它会自动优先推荐白天航班。
RFT（强化微调）：用强化学习方式优化模型效果，即使你没ML背景也能用，平均准确率可提升 66%。
SageMaker 的 AI 定制体验：你只需要说“我想训练一个理解我们公司采购流程的模型”，剩下的选模型、配数据、跑训练都由AI帮你搞定。
为了让AI更靠谱，他们还加了一层“逻辑保障”。
亚马逊云科技内部的形式化验证现在也开始用于 Agent，配合神经符号AI，可以帮你从逻辑层面检验Agent是不是“瞎说”。
比如：在Kiro IDE 里生成的代码规范会自动被检查、AgentCore 里的策略规则也会通过形式化语言验证，确保权限控制无误。
此外，Amazon Nova Act 正式发布，这是一种 UI 自动化能力，不是传统RPA模拟点击，而是强化学习训练出来的 Agent。
在“数字健身房”中模拟成千上万次企业流程，已达到 90% 的任务完成率，适用于HR、CRM 等实际工作流。
那么问题来了，这些更新对我们有什么用？
对我来说，这不是一个“好像很远的大趋势”，而是一些可以现在就落地的小路径。
我总结了三个最值得马上试试的方向：
一是自动化繁琐任务。
Kiro Agent 可以接入代码仓，自动跑“依赖升级+Bug修复”，还能理解CI/CD流程，推荐一线研发同学都可以尝试一下。
我自己前段时间就一直在使用Kiro去构建非常多的应用了，而且新用户注册了就送 500 credits 免费额度。
Kiro下载地址：https://kiro.dev/
二是让数据“教”模型懂业务。
Nova Forge 提供的是“从底层定制专属模型”的路径，适合你们公司已经有一定结构化数据或操作流程，比如做SaaS、平台型业务、电商、售后等，Vercel其实就在用...
三是做“能上线”的智能体。
有了策略控制+行为评估+记忆功能，你就可以不止做个聊天Demo，而是真正构建一个长期稳定运行的Agent系统。适合产品、AI中台、业务流程团队推进落地。
最后一句话总结这次AWS re:Invent给我的感受：
让构建者真的能“把智能体做起来”。
