划重点：

当地时间 12 月 2 日，亚马逊云计算部门 AWS 的年度技术盛会 re:Invent 2025 在美国拉斯维加斯正式开幕。

大会首日，AWS 一口气发布了 Trainium 3 自研 AI 芯片、Trainium 4 路线图、AI 工厂（AI Factory）主权云服务、Nova 2 系列四大基础模型、Nova Forge 开放式模型定制平台以及 Bedrock AgentCore 智能体工程化平台等一系列产品，系统构建起 " 芯片—模型—智能体—混合云 " 的全栈 AI 生态。

这场全球最具影响力的云与 AI 盛会恰逢人工智能产业从技术爆发期迈向规模化应用期的关键节点。头部企业持续加码算力，传统行业对 AI 的需求已从 " 尝鲜式 " 试点转向 " 刚需式 " 深度应用，数据主权、算力成本、生态兼容性等现实难题日益凸显。AWS 此次没有进行零散的产品迭代，而是推出深度融合的全栈 AI 基础设施与服务体系，以成本优化、生态开放、合规适配三大核心优势，效仿谷歌直击行业痛点，强势抢占全球 AI 算力、模型与云服务市场的战略制高点。

AWS 首席执行官马特 · 加尔曼（Matt Garman）在开幕主题演讲中做出重磅判断：" 智能体 AI（Agentic AI）将成为企业真正释放 AI 价值的关键，未来贡献占比将达 80% 至 90%。" 他指出，当前企业 AI 应用普遍面临碎片化困境：算力成本高企、模型难以深度适配业务、智能体部署缺乏标准化工具，导致技术与商业价值之间存在巨大鸿沟。

此次全线新品正是围绕 " 智能体优先 " 这一核心愿景打造的全链路战略部署，标志着 AWS 正式完成从传统云服务提供商向智能体 AI 生态构建者的转型，致力于用全栈能力彻底打通 AI 落地的 " 最后一公里 "。

01. 硬件突破：Trainium 3 性能提升 4.4 倍，未来将兼容英伟达 NVLink Fusion 技术

Trainium 3 芯片

作为 AI 生态最底层的基石，AWS 在定制芯片领域的深耕已持续多年。目前其定制芯片业务规模已达数十亿美元，Trainium 系列芯片全球部署总量突破 100 万张，成为支撑超大规模 AI 计算的核心支柱，在全球云厂商自研芯片中仅次于谷歌 TPU。

此次发布的 Trainium 3 芯片采用台积电 3 纳米制程工艺，专为 " 推理主导 " 的时代量身打造。随着大模型训练逐步向少数头部玩家集中，广大中小企业的核心需求转向低成本、高效率的推理部署，能耗与成本成为最大瓶颈，Trainium 3 精准切中这一市场痛点，实现性能与成本的双重颠覆。

相较上一代，Trainium 3 原始性能提升 4.4 倍，性能功耗比提升 4 倍，整体能源效率提升 40%，直接破解了大规模数据中心在能耗与成本上的难题。实测数据显示，部署主流开源模型（如 GPT-OSS）时，单芯片吞吐量提升 3 倍，响应延迟缩短 4 倍。

AWS 表示，Trainium 3 有望将 AI 模型全生命周期（训练 + 推理）成本整体降低 50%，在当前算力市场极具竞争力。在英伟达 GPU 长期占据绝对主导、价格居高不下的背景下，Trainium 3 为企业提供了真正可落地的性价比替代方案。

架构层面，Trainium 3 单芯片提供 2.52 PFLOPs（FP8）算力，支持 FP32、BF16、MXFP8 及新增 MXFP4 等多种精度格式。为解决大语言模型最突出的内存瓶颈，该芯片将 HBM3e 内存容量提升至 144GB、带宽提升至 4.9TB/s，同时强化结构化稀疏性和微缩放硬件支持，进一步优化大语言模型训练与推理效率。

得益于全新一代 Neuron Fabric 互联技术，单台 Trn3 UltraServer 可集成 144 张芯片，总算力达 362 FP8 PFLOPs；通过 EC2 UltraClusters 3.0 架构，可扩展至最高 100 万张芯片的超级集群，规模较上一代提升 10 倍，已为 Anthropic 的 "Project Rainier" 项目提供核心算力支撑（目前已部署 50 万张 Trainium 2，计划年底前扩容至 100 万张）。Karakuri、Metagenomi、NetoAI 等客户反馈，使用 Trainium 3 后训练与推理成本最高降低 50%，充分验证了其在真实生产环境中的成本优势。

AWS 提前披露 Trainium 4 关键特性

更具深远影响的是，AWS 提前披露了 Trainium 4 的关键特性：将原生支持英伟达 NVLink Fusion 高速互联技术，彻底打破云厂商自研芯片长期以来的 " 封闭生态 " 惯例，展现出 " 共存并竞争 " 的务实策略。目前全球约 80% 的 AI 应用基于英伟达 CUDA 生态开发，迁移成本极高。兼容 NVLink Fusion 后，企业可在同一集群内灵活混搭 Trainium 与英伟达 GPU，按需分配任务（如训练用 GPU、推理用 Trainium），大幅降低迁移门槛。

Trainium 4 预计 FP8 算力提升 3 倍、FP4 算力提升 6 倍，内存带宽与容量分别提升 4 倍和 2 倍，并将与 Graviton CPU、EFA 网络及英伟达 MGX 机架深度融合。这一 " 以开放换市场 " 的举措，被业界视为 Trainium 系列真正实现规模化普及的转折点。

02. 基础设施延伸：AI 工厂落地主权云，混合部署一举破解全球合规难题

随着 AI 深入政府、金融、医疗等高敏感行业，数据主权与合规性已成为全球性瓶颈。欧盟 GDPR、美国国防与医疗安全审查等政策使得纯公有云难以满足要求。AWS 此次推出 AI 工厂服务，将全栈 AI 能力从公有云完整延伸至客户本地或指定区域，快速构建功能等同于私有 AWS 区域的专属环境。

通过 AI 工厂，客户可实现数据本地化处理与存储，100% 满足数据主权与行业合规要求，AWS 负责基础设施全生命周期的部署、运维与升级，彻底解决传统私有云 " 部署难、维护贵 " 的问题。结合 Trainium 芯片、英伟达加速卡、高性能网络以及 Bedrock、SageMaker 等全套服务，AI 工厂将私有云部署周期从数年缩短至数月。AWS 同时宣布未来几年投资 500 亿美元建设美国政府专用高性能计算与 AI 数据中心，投入规模远超同行。

全球落地方面，AWS 已同沙特 Humain 公司合作建设部署 15 万张 AI 芯片的 "AI Zone"，基于 GB300 GPU 实现多吉瓦级扩展，服务智慧城市、医疗健康等领域；AWS 欧洲主权云将正式上线，数据中心位于欧盟境内，由欧盟本地团队独立运营。客户可按需选择 Trainium 或英伟达最新 Grace Blackwell、Vera Rubin 平台，实现敏感任务本地化、非敏感任务公有云弹性扩展的最优平衡。

03. 模型革新：Nova 2 家族全面对标行业顶尖，Nova Forge 开创 " 开放式深度定制 " 新范式

在模型层，AWS 此前的表现相对低调，市场份额多被 OpenAI、Anthropic 等专业模型厂商占据。此次升级的 Nova 2 模型家族显然是 AWS 发力模型市场的关键举措，推出 Lite、Pro、Sonic、Omni 四款细分产品，全面覆盖推理、多模态、对话 AI 与代码生成等核心场景，直接对标行业头部模型。

Nova 2 Lite 的基准测试数据

其中，Nova 2 Lite 作为高性价比推理模型，支持文本、图像、视频等多格式输入，上下文窗口达 100 万 token，性能对标 Anthropic Claude 4.5 Haiku、OpenAI GPT-5 Mini 等主流高效模型，主要面向中小企业的轻量化推理需求。

Nova 2 Pro 的基准测试数据

Nova 2 Pro 则瞄准复杂任务处理，推理能力媲美甚至超越 OpenAI GPT-5、Google Gemini 3.0 Pro 等旗舰模型，特别适用于智能体相关任务。其强大的逻辑推理与工具调用能力，正是智能体完成复杂业务流程的核心，该模型目前已向 Nova Forge 早期客户开放预览。​

Nova 2 Sonic 专注于实时多语言对话场景，100 万 token 的上下文窗口可容纳 7.5 万行代码或 1500 页文本，支持 20 余种语言的实时转译与对话，瞄准客服、跨境沟通等场景。

Nova 2 Omni 作为全模态模型，能够同时处理图像、音频、视频和文本输入，并通过模拟推理生成多样化输出。例如，该模型可直接分析一段工业生产视频，识别设备故障并生成维修方案，为长文档、视频等复杂媒体处理提供一体化解决方案，填补了 AWS 在全模态领域的短板。​

Nova Forge 服务

AWS 此次发布的 Nova Forge 服务颠覆了传统模型定制模式。传统模型定制多采用 " 微调 " 方式，在预训练完成的模型基础上，用企业数据进行二次训练。这种方式难以让企业专有知识深度融入模型底层，定制效果有限，且成本高昂。动辄数百万美元的定制费用让中小企业望而却步。

Nova Forge 允许企业支付 10 万美元年费，不含工程师协助费用，在模型预训练、中期训练和后训练三个关键阶段接入 Nova 模型的检查点，将自有数据深度嵌入训练过程，打造具备专业领域知识的 " 定制模型 "。这种模式大幅降低了深度定制的门槛，同时让模型更贴合企业业务逻辑。​

实际应用中，Reddit 利用该服务打造的 "Reddit 专家模型 "，在平台敏感内容审核方面表现远超通用大语言模型。该模型能够精准识别 Reddit 社区特有的 slang 用语、梗文化相关的违规内容，误判率降低 30%。生物技术公司 Nimbus Therapeutics 将药物研发数据嵌入 Nova 模型，构建的定制模型在分子结构预测、临床试验数据分析等任务中，效率较通用模型提升 40%。Booking.com 则通过定制模型优化酒店推荐算法，用户转化率提升 15%。

相较于投入数亿美元从零构建模型，Nova Forge 为企业提供了更经济高效的专业化路径，目前已支持 Nova 2 Lite，并计划扩展至 Pro 和 Omni 模型。

04. 应用落地：Bedrock AgentCore 破解工程化难题，智能体加速企业部署

智能体 AI 虽被寄予厚望，但企业部署过程中面临的工程化难题不容忽视。安全合规风险、可靠性难以评估、长期记忆能力不足等问题，导致多数智能体仍停留在概念验证阶段，难以规模化落地。

AWS 重点升级了 Amazon Bedrock AgentCore 平台，针对企业部署中的核心需求提供一站式解决方案。该平台目前已全面通用可用，兼容 CrewAI、LangGraph 等开源框架及各类基础模型。这种开放性避免了企业被单一生态绑定，降低了开发成本。​

在安全治理方面，AgentCore Policy 功能允许开发者通过自然语言定义智能体的操作边界。例如 " 禁止访问财务部门数据库 "" 自动退款额度不得超过 1000 美元 " 等，通过 AgentCore Gateway 实时拦截违规 API 调用，实现独立于智能体代码的确定性控制。这一功能解决了智能体 " 越权操作 " 的风险，尤其适用于金融、医疗等监管严格的行业。该功能目前已进入预览阶段，AWS 表示将后续支持更细粒度的权限管控，例如基于角色的访问控制（RBAC）与数据脱敏处理。​

针对智能体可靠性难题，平台内置 13 种预置评估系统，覆盖准确性、安全性、工具选择逻辑、响应质量等关键维度，可对智能体进行持续监控。与传统人工评估不同，该系统通过大语言模型辅助生成评估报告，并解释失败原因。

例如，智能体未完成预订任务时，系统会自动分析是工具调用错误、参数设置不当还是上下文理解偏差，帮助开发者快速定位问题。这一能力大幅降低了企业自建评估体系的工程成本，据 AWS 客户反馈，采用 AgentCore 评估工具后，智能体从概念验证到生产部署的周期平均缩短 60%。​

记忆功能的升级让智能体具备了长期服务能力。AgentCore Memory 可记录用户交互历史与偏好，支持多轮会话和跨任务场景的上下文连贯性。例如，用户此前告知智能体 " 偏好无烟酒店 "，后续预订时无需重复说明。新增的情景学习（Episodic Learning）功能，能让智能体从过往经验中持续优化决策质量。例如，在多次处理客户投诉后，智能体可自动总结最优解决方案。这些能力已在实际应用中展现价值。

PGA TOUR 通过该平台构建的内容生成智能体，实现赛事新闻、球员数据报告的自动化生成，速度提升 1000%，成本降低 95%。Heroku 基于平台构建的应用开发智能体，可协助开发者完成代码调试、部署流程自动化，开发效率提升 30%。包括纳斯达克、百时美施贵宝等企业都已在借助该平台推动交易风控、药物研发等业务流程的自主化转型。​

从底层 Trainium 芯片的算力突破，到 AI 工厂的混合云部署延伸，再到 Nova 系列模型的定制化能力，最终通过 Bedrock AgentCore 实现智能体工程化落地，AWS 在 re:Invent 2025 上完整呈现了 " 芯片 - 模型 - 智能体 - 混合云 " 的全栈战略布局。

这一架构并非孤立模块的简单叠加，而是通过各层级的深度协同形成合力。Trainium 芯片为模型训练与智能体运行提供低成本算力支撑，AI 工厂解决合规部署难题，Nova Forge 让模型适配业务场景，Bedrock AgentCore 降低智能体开发门槛。这种协同效应构建了强大的竞争壁垒，使其区别于仅专注于单一环节的厂商。​

05. 全栈协同构建竞争壁垒，AWS 欲定义智能体 AI 的未来

在全球 AI 竞争进入深水区的当下，AWS 的战略转型意义深远。硬件层通过能效革命与生态开放，在英伟达主导的市场中开辟出差异化路径。基础设施层以主权云解决方案，切入政府与受监管行业这一高价值市场；模型层用深度定制服务，满足企业 " 专业化 " 而非 " 通用化 " 的核心需求；应用层靠工程化工具，打通 AI 从技术到价值的转化通道。

这种全栈协同的竞争模式，不仅将重塑 AI 基础设施的市场格局，还将推动企业智能化从单点应用走向全域自主化运营。未来，企业无需再整合多个厂商的产品，即可通过 AWS 生态快速构建贴合自身需求的智能体解决方案，这将大幅降低 AI 应用门槛，加速产业智能化进程。​

当然，AWS 的布局也面临挑战。

Trainium 芯片的生态兼容性仍需时间验证，Nova 模型的市场认可度需与 OpenAI、Anthropic 等厂商竞争，AI 工厂的本地化部署能力还需应对不同地区的监管差异。

但不可否认的是，AWS 此次发布的全栈战略，为行业提供了一种 AI 落地的全新范式。随着这一系列创新成果的落地，智能体 AI 有望真正突破技术瓶颈，成为驱动企业增长的核心引擎，开启人工智能商业化的全新阶段。（文 / 腾讯科技特约编译无忌，编辑 / 木木）