今天小編分享的互聯網經驗：在“卷模型”和“卷應用”之間，大模型落地還有一重關卡，歡迎閱讀。
一年一度的 " 雲計算春晚 " ——亞馬遜雲科技 re:Invent 2024 雖然落下了帷幕，但不少業内人士還在慢慢消化，試圖從亞馬遜雲科技的思考和行動中找到一些蛛絲馬迹。
既是為了規避和雲巨頭的直接競争，也是研究如何乘着亞馬遜雲科技的東風。在當下生成式 AI 落地的關鍵階段，可能就決定了是否找到通向未來的 " 金點子 "。
在今年的 re:Invent 大會上，有些人關注到了最新的亞馬遜自研基礎模型 Amazon Nova，或者是直接可以上手的 Amazon Q 應用，當然了，亞馬遜自研的訓練芯片 Trainium 也很炸裂，一些專業人士更在意 Amazon Bedrock 和 SageMaker，大模型托管和數據集成都離不開它們。
但是有一種能力沒有這麼酷炫和直接，亞馬遜雲科技卻用了相當比例的篇幅來展示——如何将大模型的所有能力串聯起來，輸出到每一個行業，進而惠及每一家企業，這就是行業解決方案。
在媒體娛樂、遊戲、醫療生命科學、金融服務、制造業、零售電商、能源和汽車等八大行業，亞馬遜雲科技的行業解決方案，演示了 " 為什麼現在大模型落地格外需要行業化 " 的标準操作。
"卷模型"和"卷應用"之間，還有一重關卡
2025 年，是大模型落地的關鍵年。一方面，大模型 Scaling Law 的曲線趨緩，基礎模型廠商開始收斂，基礎模型動辄一次數億美元的投入，以及不斷推高的人才密度等高門檻，意味着只有少數企業能夠留在牌桌。
另一方面，大模型落地的緊迫感前所未有，大家都期待大模型產生實實在在的價值，且超出以往的技術能力範疇，全行業都在默契又統一地走向落地。
在 ChatGPT 爆發的初期，似乎是由新技術創造了新的市場，但是，并非所有的企業都需要一個 ChatGPT，而所有企業都需要生成式 AI。革命性技術發展的早期看起來是從無到有，在成熟期則是從 " 業務靠近技術 " 走向 " 技術靠近業務 "，大模型越往後發展越需要對行業的理解、對產業的專耕。
" 在一個好的市場裡，能夠滿足那個市場需求的產品 "，PMF ( product market fit ) 概念最早是由矽谷頂級風投 a16z 的創始人之一 Marc Andreessen 于 2007 年在 《The Only Thing That Matters》 所提出，大模型所需要的就是讓產品匹配市場的需求。
對于企業來說，要直接将大模型運用好難度較大，畢竟大模型的復雜性、對技術能力和資源等方面的要求較高；而如果抛開行業化這一環節，直接去基于大模型開發具體應用，距離又太過遙遠，缺乏有效的銜接過渡。
其中的關鍵就是技術和行業結合，在當下的生成式 AI 產業叙事邏輯中，比以往任何時候都需要 " 行業化 "。行業化起着降低大模型技術落地門檻的重要作用，它能夠聚焦提煉出各個行業普遍存在的共性難題，進而為大模型更好地适配不同行業提供基礎。
相比于新技術落地的其他環節，行業化是一個容易被忽略的部分，卻又往往需要最專業的廠商投入大量的資源做具體的事，大多數企業享受了行業化帶來的便利，卻對大模型落地這一層級的變化感受不明顯，亞馬遜雲科技這樣的雲平台在此過程中是最為合适的承擔角色。
亞馬遜雲科技生成式 AI 全球副總裁兼總經理 Vasi Philomin 近日表示，亞馬遜雲科技真正擅長的是将生成式 AI 等技術大規模應用于現實世界的業務中，我們之所以能夠做到這一點，是因為我們從端到端（end to end）進行思考。
大模型落地背後的潛台詞
有了以大模型為代表的先進生產力，如何将其運用于實踐形成全新的生產關系，亞馬遜雲科技推出了合适的行業解決方案，并不只是發布一個聊天機器人或一個基礎模型那麼簡單，而是确保這些工具能夠被企業客戶在真實世界中大規模應用，這需要完整的思考和大量的準備工作。
在眾多細分場景之上便是行業，多數廠商都只有能力專心做一個或兩三個大的行業，廠商必須要懂得行業的上下遊關系，對行業内各個玩家的業務、IT 架構都了如指掌，并且也要了解行業的整體趨勢是什麼，知曉各類技術、方案均能產生什麼樣的效果。
亞馬遜雲科技作為平台型的雲廠商，展示出了如何做大模型行業解決方案的參考答案。以亞馬遜最熟稔的零售行業為例，亞馬遜給出了 2025 年值得關注的三個零售特定用例和三項技術。
在用例方面，其一是虛拟購物助手，AI 驅動的助手可以為在線購物者提供專業建議，增加買家信心；其二是超個性化，結合機器學習和生成式 AI，為購物者創造個性化體驗；其三是虛拟試穿，通過 AI 模型智能合成影像，讓購物者可以虛拟試穿產品。
如何讓客戶低門檻、低成本、高效率地使用如上用例，亞馬遜雲科技凝練出來三項技術：AI 代理具有自主性和工具，可以完成特定任務，提高團隊生產力；領網域特定基礎模型專注于特定領網域的模型，如零售特定的大語言模型；AI 可以控制計算機執行任務，自動化日常工作。
這些行業化解決方案很大程度上脫胎于亞馬遜雲科技和合作夥伴的實踐，然後通過解決方案的形式予以輸出。例如印度生活方式零售商 Nykaa 利用生成式 AI 和機器學習，實現了自動化產品描述和屬性識别，他們使用 Amazon SageMaker 和 Amazon Bedrock 構建解決方案，實現了 90% 的屬性識别準确率。
典型產品還有亞馬遜的 AI 購物助手 Rufus，Rufus 能夠回答顧客各種購物相關問題，使用自定義大語言模型 ( LLM ) 專門針對購物領網域進行訓練，同時采用檢索增強生成 ( RAG ) 技術，從多種可靠數據源中獲取信息，通過強化學習不斷改進回答質量，底層則是 Trainium 和 Inferentia 芯片實現低延遲和高吞吐量。
企業客戶可能主要使用了 Rufus，但無形中已經享受到了亞馬遜雲科技的行業化解決方案，與零售相關的能力包括大規模分布式數據處理、雲存儲、模型優化等，生成式 AI 在零售行業真正改善了客戶體驗。
生成式AI進入行業化的關鍵時刻
不論是傳統 IT 還是雲計算，企業客戶的訴求始終是更快、更敏捷、更安全、成本更低的底層架構，以更好的支撐上層業務的發展，在大模型時代依然如此，甚至更有所加強。
生成式 AI 的廣泛落地，将推動數字化轉型進入新的階段，各類系統正在跟業務進行深度融合，比如此前财務系統的 " 業财一體化 "、人力系統的 " 業人一體化 "，生成式 AI 與業務的一體化，是其保持旺盛生命力的關鍵。
亞馬遜雲科技之所以能一直站穩 " 全球雲計算一哥 " 的位置，也是因為在行業的不斷變遷中，始終能夠滿足客戶的需求，甚至先一步到達客戶所思所想。
Vasi Philomin 舉例說，20 世紀 90 年代，亞馬遜還是一家書店，當時就有推薦功能，這其實是大規模機器學習應用；快進到現在，看看 Alexa，它已經進入了超過一億個家庭；在物流中心，裡面有機器人和人類并肩工作；Amazon Bedrock 上有很多模型，能幫助人們構建應用程式的工作流，此外，我們還有定制硬體，降低運行模型的成本。
" 我認為公司的 DNA 就在于此，會幫助我們繼續成功。因此，我們不太在意競争對手在做什麼，而是專注于客戶的需求，同時聚焦現實世界的業務問題，并将解決方案大規模地推廣。" 他說。
值得關注的是，大模型不是孤立而存在的技術，雲平台提供了大模型生長所必需的養料，計算、存儲和網絡等多樣化的產品組合，以符合行業流程的方式運行，形成了适合于當代大模型的行業化解決方案。
而行業化經營更有利建設業務組織能力，各個行業團隊更加聚焦，帶來專業化。專業化帶來共享化，有利于将各個行業裡的專業成果在同行業裡規模復制和推廣，亞馬遜雲科技自然可以沉澱更多行業 know-how，在全球範圍内，行業化經營也是全球領先廠商成功的高端業務組織方式。
包括零售行業在内，亞馬遜雲科技共打磨了八大行業化解決方案。譬如醫療行業，通過 Amazon HealthOmics、Amazon HealthImaging 和 Amazon HealthLake 等專業服務，結合生成式 AI 和數據分析技術，亞馬遜雲科技正在徹底改變藥物研發、臨床試驗和患者護理的方式。
默克公司使用 Amazon HealthOmics 将 12 周的藥物研發過程縮短到 1-2 周。Geisinger Health 通過将 Epic 系統遷移到亞馬遜雲科技，實現了 30-60% 的成本節省和 90% 的部署時間減少。諾和諾德開發的 NovoScribe 解決方案将臨床研究報告的創建時間從 12 周縮短到 10 分鍾。
再如金融行業，亞馬遜雲科技推出了基于生成式 AI 的智能抵押貸款助手和個性化财富管理服務，以及先進的安全合規解決方案，包括改進的 KYC 流程和更高效的欺詐檢測系統。
Rocket Companies 使用人工智能和聊天功能改進抵押貸款流程，相比行業平均水平獲得較高的淨推薦值；BBVA 在亞馬遜雲科技上構建了全球數據平台，管理超過 4PB 的數據，近 30000 個表格，每天運行超過 50000 個流程。
在生成式 AI 的淺水區，重點是找到新技術應用于業務的廣度覆蓋，在生成式 AI 的深水區，重點是彌合新技術和業務的認知鴻溝，也就格外需要亞馬遜雲科技這樣的雲平台企業，做中間一層的行業化，補全新技術周期内大模型落地的版圖。
當大家對生成式 AI 的期望回歸正常，意識到大模型不能應用于所有場景，同樣的模型落地效果也可能千差萬别，亞馬遜雲科技所做的行業解決方案，是将生成式 AI 推入 " 實際應用 " 階段。
（本文首發于钛媒體 APP，作者 | 張帥）
