亚马逊云与生成式 AI 的融合：未来展望与综述

文章目录 后记

前言

在当今数据时代，人工智能和云计算已经成为了企业发展和创新的必不可少的工具。亚马逊作为一家在云计算和人工智能领域具有领先地位的公司，在不断地探索如何将这两者进行融合，为用户带来更具价值的创新服务。本文将分析亚马逊云与生成式 AI 的融合，探讨其未来展望和发展趋势，为读者提供对这一领域的深入了解和参考。

生成式AI的定义

生成式AI（ AI），也称生成式模型，是一类机器学习模型，可以从输入数据中学习并生成新的数据。这类模型通常通过建立概率分布模型，并使用采样方法来生成新的数据，例如图片、音频、文本等。相比于判别式模型，生成式AI不仅可以对输入数据进行分类和预测，还能够通过学习数据的分布模式生成新的数据。

生成式AI常使用的算法包括生成对抗网络（GAN）、变分自编码器（VAE）、自回归模型（）、生成式对抗网络（GANs）、深度信念网络（DBNs）等。生成式AI在图像处理、自然语言处理、音频处理、视频处理、艺术创作等领域均有广泛的应用。

生成式 AI应用领域 AI+办公软件

办公软件通常包含了文字、表格、演示文稿（PPT）等工具，是本轮生成式 AI 浪潮中产品 逻辑变化最大的细分领域之一。

目前主流的 AI+办公应用可以分为两大类别：一类是办公套件的 AI 助手，主要有微软 和谷歌 Duet AI，目前全面嵌入了 及 办公套件，并已经初步实现商业化；另外一类是单点 AI 工具，通常包括了文本类的 AI、 AI、Copy AI、，表格类的 、演示文稿类的 Tome AI、 等，此外还有许多功能更加细分的产品，比如笔记、思维导图、简历制作，协同办公等工具，目 前常见的 AI+生产力工具已经达到了上百种，这也是 AI+应用中数量最多的一类。具体来看：

AI+创意工具

创意工具包括了图片、视频、音频、3D 模型等 AIGC 应用领，在艺术、设计、娱乐、媒体、 电商等领域有非常广泛的应用。在多种模态的生成中，现阶段最具前景的是图片和 3D 模型的生 成。创意工具的核心在于内容的生成，用户会自动选择最优质的内容，因此应用公司必须在底 层模型和算法上具备很强的能力。当前多模态技术还处于早期，市场格局未完全确定，在英伟 达、谷歌、Adobe 等巨头进入同时，包括 等公司同样拥有一席之地。

AI+企业服务

目前生成式 AI 已经与企业服务领域的主要产品 CRM、ERP、财务、HR、OA 实现了不同 程度的结合，短期来看 CRM 等营销侧的产品成熟度最高，且已经初步实现商业化。同时目前 ERP、财务、HR、OA 已经相对应的 AI+产品推出，主要侧重于利用 AI 来实现业务洞察和流程 优化，相关产品功能还尚待完善，且还未进入商业化阶段。

从参与厂商来看，这一领域的主要参 与者仍是各个赛道上的传统玩家，包括 CRM 领域的 、ERP 领域的 Sap、， HRM 领域的 ，新进入者较少，同时微软 3 月发布了 CRM 和 ERP 领域的生成式 AI 产 品 365 ，是 AI+企业服务领域的有力竞争者。

AI+网络安全

生成式 AI+安全的最大机会来自于安全运营的自动化程度的提升，类 的 AI+“安全大脑”将深度改变现有安全管理平台产品形态。

3 月微软发布了首个基于大模型的 AI+ 安全大脑形态 ，此后 Palo Alto ，， 等头部安全厂 商均发布了 AI+“安全大脑”产品，其中 Palo Alto 发布了 XSIAM、 发布 了 AI。AI+“安全大脑”所带来的的安全运营能力提升主要体现在两个方面，一是提升 威胁检测，即发现问题的能力，二是提升相应处置，即解决问题的效率。可预见随着技术的不断 成熟，用户对于安全运营自动化的需求也在不断提升，因此相关厂商在整个安全产业中的地位将 逐步提升。在 AI 驱动下，今年头部安全厂商 Palo Alto ，， 的股价 均有强劲表现，年初至今涨幅分别达到 74%，53%，25%。

大模型/生成式 AI 对于网络安全行业的影响与其他行业有所不同，AI 不仅仅是对于安全产 品形态本身带来改变（防守侧），而且能够通过大幅降低了安全攻击的门槛，赋能攻击方（攻 击侧），加剧安全威胁，进而带来用户安全预算/行业总需求的提升。

大模型、GPT、生成式 AI 技术将大幅降低黑客攻击的门槛，包括批量钓鱼邮件生成、批量漏洞挖掘、批量恶意代码生成等， 将显著加剧整体威胁态势，特别是自从 推出以来，通过电子邮件网络钓鱼的数量有显 著增加。同时，监管侧对于文字、图像内容的监管和审查将成为重中之重，内容安全、数据安全、 流量可视等监管侧需求也随之提升。

AI+IT 运维

生成式 AI+IT 运维主要结合点在于智能运维（AIops），提升 IT 运维的自动化和智能化水 平。

2016 年 首次提出了 AIOps，通过 AI 赋能 IT 运维，能够基于已有的运维数据（日 志、监控信息、应用信息等），协助运维工程师更快速精准地发现故障、定位故障，并排除故障， 进而提高运维效率，降低运维成本。而大模型/生成式 AI 能够进一步提升 IT 运维的自动化和智能 化水平，体现在其具备更强大的数据分析能力，以及更高效的人机交互模式，目前这一领域的龙 头厂 已经推出生成式 AI+IT 运维的相关产品，并发布了未来生成式 AI 的产品路线路。

目前来看生成式 AI+IT 运维的产品成熟度还不够高，未来还具备很大的提升空间。此外，随着 的生成式 AI 模型的应用范围不断扩大，用户对于了解内部大模型的使用情况以增强大 模型的性能，同时监控 API 的使用情况及 Token 的消耗以控制相关成本的需求也在快速提升。 目前 已经推出了监控各种 模型 API 使用模式、成本和性能的应用功能，这一 领域的头部厂商还包括了 、、、。

AI+软件开发

生成式 AI 具备很强的代码生成能力，有望重塑软件开发产业格局。

一方面，各类新兴的代码生成工具出现，包括 GPT-4 自身就具备很强的编程能力，同时包 括 X。GPT-4 在编程能力上相较于之前版本有了很大程度的提升，除了代码生成 能力之外，在容错空间更大的重构代码、代码测试以及修改 bug 等环节得到了更频繁的应用， 能够带来研发过程中显著的效率提升。同时包括 、、 等开发者社区今 年以来的项目和流量大幅增长，今年 3 月 发布了接入 GPT-4 的新版本编程辅助工具 X，在之前的代码生成等基础功能上增加了语音扩展、智能文档、自动告警、自 动扩写等功能，是市场上最先进的 AI 辅助编程工具。

另一方面；低代码平台（LCAP，Low- ）与 AI 的结合能够使开 发人员能够通过少量编程或者无需编程，通过拖放图形界面或自然语言等可视化方式，来实现 快速开发和应用部署。

目前低代码市场的主要参与者，包括微软、、 等 企业服务巨头和 、 等第三方低代码厂商，目前微软的 AI+低代码工具凭借自 身在 AI 上的技术储备和产品集成方面的优势，在行业中处于领先地位。此前微软低代码套件 Power Apps 就是 GPT-3 首批商业化应用，让开发人员能够通过自然语言语句简单地生成业务 查询和逻辑，同时 Power 与其他 产品（例如 365、 365 和 Azure）以及第三方应用程序和数据源无缝集成，在整体解决方案上也具备明显优势， 目前微软已经是企业使用率排名第一的低代码平台，此外 、 两大企业服 务领域的巨头也具备非常有竞争力的低代码产品，并将 AI+低代码能力其集成到自身的解决方案 之中。此外，、 等头部第三方低代码厂商具备各自的优势，目前均推出了生 成式 AI+低代码产品。

AI+数据智能

生成式 AI 与大模型进一步强化了数据分析和决策智能在各行业的落地。

数据智能本质上还 是以半定制化，即产品+解决方案/咨询服务的方式向用户提供，这一领域的头部厂商为全球大数 据龙头厂商 ，今年推出了面向军队和民用领域的生成式 AI 平台 AIP。同时，全球主流的 综合 IT 服务商和 IT 咨询公司均推出了生成式 AI 相关的产品及解决方案，比如 IBM、埃森哲、 博思艾伦等都是 在这一领域的有力竞争者。

其中，今年 5 月 IBM 发布了生成式 AI 平台 ，并提供以 为中心的完整咨询服务，帮助客户构建基础模型、AIOps、 和 AI 治理机制。同时，埃森哲也在今年推出了基于生成式 AI 的平台 AI for ， 能够帮助客户定义业务、做出决策、选择模型及算法，并预构建了 19 个不同行业的模型，来更 好的实现 AI 技术的落地。

此外，国防外包服务商雷神、BAE 以及电信运营商 ATT、NTT 等，结 合自身的禀赋和资源也都推出了相对应的生成式 AI 产品。不同厂商在产品上有各自的侧重点， 比如 IBM 侧重于提供底层模型能力，而埃森哲侧重于咨询服务和行业解决方案， 则是二 者的结合。总体来看，数据分析和决策智能市场参与的厂商较多，除了头部厂商之外，包括 C3 等许多中小型 AI 厂商都有推出相应生成式 AI 产品。未来在底层模型和算法普惠的趋势下，比拼 的重点将是客户资源以及对垂直行业的深度理解。

AI+数字代理

AI Agent 指在大模型支撑下能够自主理解、规划、执行复杂任务的 AI 系统。

今年 3 到 4 月 的 Camel、、、GPT-、西部世界小镇等多个 AI 集中发布引 发了 AI Agent 热潮，特别是热度最高 在完全无需用户提示具体操作的情况下，就能完 成日常的事件分析、营销方案撰写、代码编程、甚至网站创建等复杂任务，在一定程度上展示了 以大模型为基础作为来构建 AI 系统的能力，即大模型不仅限于生成各种文本内容，还能够解决各种通用的问题，并可以应用于各个领域。同时，目前已发布的 AI Agent 仍以第三方厂商为主， 而 、Meta、 等人工智能巨头也开始在布局这一领域。

至今已发布的 AI Agent 仍 以通用 AI Agent 居多，通用 AI Agent 在使用成本、速度、技术成熟度上仍存在一定的局限，能 力还在不断完善中。而垂直领域的 AI Agent 相较于其他的通用 AI Agent 在结构和功能上更加简 单，速度更快且成本更低，预计将实现更快的落地，比如 8 月初 开发的 AI Agent 主 要侧重于网页端，功能相较于通用 AI Agent 更为简单，能够完成包括订餐厅、订机票等任务， 其中包括自行查找地址，填写邮编，付款完成订单等操作。

AI+金融

生成式 AI 技术在金融领域的主要应用为数据分析工具，通过对金融大数据的挖掘来实现知 识洞察，典型应用包括证券领域的智能投顾，银行领域的智能风控等。与此同时，金融行业的 特性决定了对比于通用大模型，垂直行业大模型在金融领域有着更加有效的应用，一是由于安 全及隐私保护要求金融数据大多存储在本地，通用大模型在缺乏必要的训练数据，二是金融行 业在风控、精度等方面要求较高，系统又比较复杂，数据实时性的要求很高，通用大模型的金 融常识、安全性和准确性都难以达到要求，因此今年彭博社推出了专为金融行业从头打造的 500 亿参数大语言模型 ，训练数据来自于彭博社的财务数据，涵盖了金融领域的一 系列主题，生成了 7000 多亿个标签的大型训练语料库。 在金融领域的任务普 遍拥有着超过通用大模型的表现。

AI+医疗

AI+医疗通常应用于医药研发、医院诊疗、医疗器械等场景，其中化合物合成、靶点发现等 为本次生成式 AI 变革的新应用，电子病历、辅助问诊等医院诊疗为 AI 常用场景，CT、MRI 等 医疗器械在生成式 AI 赋能下进一步增强。AI+医疗参与者众多，除了谷歌、微软等科技巨头的 加入，还包括 、 等医疗科技公司、AbSci、 生物医药初创企业，以及 赛纽仕等 CXO 企业，市场较为分散。

AI+教育

生成式 AI 在教育领域的应用根据功能的不同分为语言学习、在线课程、学习工具三个层面， 而目前应用最多的是语言学习和学习工具，主要在于具有多语言理解、多轮对话能力的大模型 天然适配语言学习和学习工具场景。同时，教育领域的商业化模式较为成熟，生成式 AI 技术的 注入将为其带来价值量的跃升。

AI+工业

由于工业场景较为复杂，各细分领域生产流程、配置、产品类型等差异较大，且生成式 AI 主要基于自然语言进行代码生成、图像生成等功能，因此当前 AI 大模型在工业中的应用仍处于 探索阶段，主要聚焦在研发设计、生产制造、运维管理三个层面。目前，生成式 AI 多用于研发 设计中的创成式设计、草图生成等辅助类设计的应用，以及运维管理中业务流程信息化 CRM、 ERP 等软件，生产制造环节由于生产环境的安全性与稳定性要求较高，生成式 AI 技术应用还不 成熟。从工业大模型参与者来看，研发设计和生产制造仍然是以 、PTC、、 为代表的工业软件厂商，运维管理则是企业服务相关厂商。

AI+汽车

AI+汽车主要应用于智能座舱与自动驾驶两大领域，其中生成式 AI 技术率先应用于座舱内 部用于人机交互的车载语音助手，以及自动驾驶数据自动标注 、感知规控算法算法的迭代。其 中，智能座舱市场格局较为分散，目前以梅赛德斯奔驰等主机厂，以及 等语音开发厂 商为代表的座舱语音助手已经实现了生成式 AI 与汽车的集成；自动驾驶 AI 大模型的研发主要 有主机厂、科技厂商、初创公司，目前以特斯拉为代表，采用基于 模型的占用网 络（ ）感知算法，实现了感知算法端到端的大模型架构开发。

AI+机器人

生成式 AI+机器人将开启“具身智能”时代，根据下游需求的不同，机器人可分为工业机器 人、人形机器人、服务机器人等，其中生成式 AI 对于人机交互能力的提升将率先促进人形机器 人、服务机器人成为“具身智能”的载体，而工业机器人由于工业领域的环境复杂度较高，以 及与人交互需求较低，更多依赖于机器视觉、神经网络等技术的突破。

人形机器人：人形机器人主要以多模态交互为主，在生成式 AI 的赋能下，人形机器人将 从机器人的单一智能升级为融合智能，不仅能够完成上下文理解、语义识别等通用语言任务，以 及拟合抓取、操作、避障、识别等人类生活场景，同时通过预训练大模型可以实现自动化决策。 如，英国机器人厂商 Arts 推出的人形机器人 Ameca 接入了 GPT-4，语言交流、情 绪表达等能力进一步提升；挪威人形机器人公司 研发的 EVE 实体机器人的部分软件功能由 的 提供支持，增强 EVE 的自然语言、学习等能力，实现 的“实体化”。

服务型机器人：服务型机器人主要面向 C 端，具备海量用户数据，同时清洁、外送、聊 天等应用场景复杂度相较人形机器人较低，因此大模型最先应用于服务型机器人，进一步降本增 效，提高工作效率。包括清洁、外送、聊天等服务场景，服务型机器人通过 AI 实现语音、图片 等多模态方式输入，预测并理解不同的场景下用户当下的情感状态，及时作出反应。目前，主要 有 的自主安全机器人、 的餐饮机器人。

工业机器人：工业机器人目前主要应用于工厂生产线、物流、仓储等场景。一方面，AI 能够帮助机器人自动进行物体检测、目标识别等交互任务，提升环境交互效率；另一方面，AI 可以协助分析生产数据、产品质量等信息，提供质量控制和改进方案。如，瑞士机器人厂商 ABB 与微软在其工业数字解决方案业务方面进行合作，将 Azure 服务集成到 AAB Genix 工 业分析和人工智能套件中，实现代码、图像和文本生成功能。

后记

本文对亚马逊云与生成式 AI 的融合进行了全面综述和深入分析，着重探讨了其背后的技术、应用场景和未来发展趋势。我们可以看到，亚马逊云在人工智能领域的不断探索和创新，为企业和个人用户带来了更多的机会和选择。生成式 AI 的应用也得到了大量的关注和实践探索，为自然语言处理、图像处理和音频处理等领域带来了更加高效和智能的解决方案。同时，云计算的强大能力和灵活性，也为生成式 AI 的发展提供了强有力的支撑和保障。

在未来，我们有理由相信，亚马逊云与生成式 AI 的融合将会进一步加深和拓展，为人们的生产、学习和生活带来更多的便利和创新。我们期待在这一领域的应用和发展中，不断地探索和创新，不断地挖掘和发掘更多的可能性和潜力，为人们的未来带来更加美好的前景和展望。