从机器学习到生成式AI狂潮：AWS的AI征程从未停息

3月6日一早，国内AI圈被两件事刷屏了。一件是前一天深夜阿里通义千问发布的全新推理模型QwQ-32B，该模型凭借小得多的参数量，实现了与DeepSeek-R1相当的表现，并且在理论层面也区别于DeepSeek，证明了强化学习（RL）路线仍有巨大潜力。

相比于此前已经积累了优异口碑的阿里通义，另一件事的主角Manus，就显得名不见经传了。

其实早在很多年以前AWS云科技就一直在AI的探索路上没有停息过，今天我们一起回顾下AWS的AI探索之路。

当AI还被称为“机器学习”时，AWS已开始布局基础设施：

关键洞察：AWS没有急于推出炫酷的AI功能，而是专注解决底层问题——弹性算力、数据工程、规模化训练。这为后来的爆发埋下伏笔。

随着AlphaGo点燃AI热潮，AWS选择“开放生态”战略：

2016年：开源深度学习框架MXNet，成为TensorFlow、PyTorch外的第三极。
2017年：划时代产品Amazon SageMaker发布，将机器学习开发效率提升10倍。
- 无需管理服务器，支持从标注、训练到部署的全流程。
- 与EC2、Lambda等云服务深度集成，实现“AI即代码”。
2020年：推出AutoPilot（自动机器学习），降低AI应用门槛。

技术制高点：AWS构建了三层技术栈——底层算力（Trainium/Inferentia芯片）、中层平台（SageMaker）、上层AI服务（Rekognition、Lex等），形成完整闭环。

当ChatGPT引发全球狂欢，AWS选择了一条差异化的道路：

2022年：发布SageMaker Studio，支持可视化拖拽式模型构建，集成Hugging Face等开源生态。
2023年：推出生成式AI专用服务Bedrock，提供包括Anthropic、Stability AI在内的多模态大模型API。
- 关键优势：企业无需从头训练，可基于私有数据微调模型，解决数据安全与定制化痛点。
秘密武器：自研芯片Trainium2，将大模型训练成本降低50%。