---
area: "tech-engineering"
category: technology
companies_orgs:
- DeepSeek
- OpenAI
date: '2025-12-08'
draft: true
guest: ''
insight: ''
layout: post.njk
people:
- Ilya Sutskever
- 老修
products_models:
- Cursor
- ChatGPT
- Gemini
- Claude
- Codex
project: []
series: ''
source: https://www.youtube.com/watch?v=uvfqN3dhfnA
speaker: 人民公園說AI
status: evergreen
summary: 本次亚马逊云科技re:Invent 2025大会揭示了AI发展的新趋势，即从卷大模型和Agent转向垂直模型。大会重点介绍了Amazon Nova
  Forge平台，它允许在预训练阶段融入行业数据，大幅降低垂直模型开发成本。同时，Amazon Nova Act解决了老旧系统无API的集成痛点。Kiro则通过其规范驱动的开发流程，确保AI项目从概念验证（POC）顺利过渡到生产环境，避免了“POC监狱”的困境。此次大会强调了企业级AI的可控性与稳定性，将AI的“魔法”转化为可拆解、可教学的“魔术”，推动AI平权。
tags:
- ai-agent
- business
- development
- enterprise-ai
- vertical-ai-model
title: 从大模型到垂直模型：亚马逊云科技re:Invent 2025深度解读
---
### AI发展新趋势：从大模型到垂直模型

**小苏:** 胎教的时候就已经在给他喂行业数据了，他一出生他就懂得说黑话了，就把一个训练**垂直模型**（Vertical Model: 针对特定行业或领域数据进行训练，具备专业知识和解决特定问题能力的AI模型）的成本大大降低了。就你以前想说我做法律、我做金融，是需要一个自己的垂直模型的，但是谁敢去把他给训练出来呢？这样子的话，他相当于是懂了这个行业的基本的行话嘛，然后又懂了你专有的数据。如果我现在在这个胎教的环节我就给你弄好了，就会很好的去解决做大量后训练的问题。其实就拒绝了现在模型那种当玩具这么一个属性，我觉得更多是真正进入到生产环境中，能让他真正能用上。

**小苏:** 已经开始从卷大模型到去年卷**Agent**（智能代理: 能够自主感知环境、进行决策并执行动作以达成特定目标的AI系统），但是现在我们又看到说，又可以去卷垂直模型了，就是垂直模型的**Scaling Law**（规模法则: 指模型性能随参数量、数据量和计算量的增加而呈现可预测的增长规律）远远还没有结束。今天很荣幸跟大家在线上观看了亚马逊2025的re:Invent大会啊，那我觉得这次看完这个大会，给我最直观的一个感受就是，大家从卷大模型、卷Agent到现在，我觉得已经完全打开了未来我们可以去卷垂直模型的这样一个领域了。

### Agent项目从POC到生产的挑战与“POC监狱”

**小苏:** 这一次大会的最核心的主题应该就是Agent的，对不对？那其实过去我们谈Agent其实谈得非常多，但是其实很多AI项目或者很多AI Agent的项目最后都是死在了Demo里面，对吧？因为以前其实很典型的一个情况就是，大家是上限特别高，我一个东西做**POC**（Proof of Concept: 概念验证，用于确认某个想法或技术的可行性）做**MVP**（Minimum Viable Product: 最小可行产品，具备核心功能以满足早期用户需求的产品），对吧？概念验证一下，最小可用产品看起来都很屌，经常看起来很智能，但实际上你还没上生产线呢，你在测试环境多测两下你就发现我靠，非常拉胯，可能会让你直接怀疑人生。所以我看到这次大会他们提了一个词叫做POC监狱嘛，就是概念验证到生产环境的这样一个跨越其实是非常非常漫长的。

**小苏:** 是过去我们其实做非常多的Agent，其实都是做做成这种像**RAG**（Retrieval-Augmented Generation: 检索增强生成，结合信息检索和文本生成的技术）级别的这种Agent，对吧？就是通过这种知识库去搭建它，要么不够准确，要么就是自己训练的时候又会遇到很多什么上下文遗忘啊，或者是说开始又自由发挥、不受控的情况。

### Amazon Nova Forge：预训练阶段融入行业数据

**小苏:** 那这次这个Amazon Nova Forge这个新的平台呢，其实我觉得对我印象最深刻一点就是它支持，就是能够让你用你行业的数据，就在它预训练的阶段就能够植入进去了。也也就是说，就是在一个宝宝还没出生的时候，胎教的时候就已经在给他喂这些行业数据了，他一出生他就懂得说行话说黑话了，对吧？

**老修:** 这一块其实你刚才一个比喻蛮接近的，其实这个Amazon Nova Forge它是非常激进的，就是因为其他的模型厂商训练从来没给你暴露过这种程度的东西。那你就可以在预训练中间，后面的一些环节，它能够让你把你自己专有的一些数据和场景的数据给它混合进去。那这样子的话，就相当于毛坯房的硬装你还能参与进去，不会像以前你只能看那些各种吊机装机，他们在里面打跟你没什么毛关系。现在的话就真的会像你刚才说的，他胎教嘛，他正好快要生出来的那个期间，你把把你的一些东西植入进去。

**小苏:** 对对对对对。也就是说你如果选择了亚马逊云科技，然后你用了Amazon Nova，那你在预训练阶段的时候，就能够用你的数据去训练一个你自己的这种行业模型，就把一个训练垂直模型的成本大大降低了。就你以前想说我做法律、我做金融、我做量化、或者是我做风控，各种各样的行业，其实我们都觉得说好我自己这个行业是需要一个自己的垂直模型的，但是谁敢去把它给训练出来呢？对不对？我们看到这样的模型真的是少之又少嘛。你更多是说在DeepSeek啊、千问上面后期参数做一些微调、做一些对调优，对吧？顶天是这样子。但是谁能够真正在预训练阶段把你的行业的数据融进去，让他原生第一天就具备了这种用行话、用行业思维来思考的方式？

### Amazon Nova Act：解决老旧系统集成痛点

**老修:** 当然老修举咱们自己的例子啊，其实公司企业来讲的话，就是去存续时间很长的，还有巨大的这个数据对吧？过去的历史数据，还有需要训练的东西。然后呢，而且有些公司甚至连**API**（Application Programming Interface: 应用程序编程接口，定义了不同软件组件之间交互的方式）都没有，那这种情况之下，竟然他们能提供的这个底层模型和平台，能够在没有API的公司里面也能够应用起来，现在这种Agents这种方式来做，我觉得这一点上也是一个巨大创新。

**小苏:** 对，这其实是在一个很常见的一个ToB的需求嘛，就是我有非常多老旧的系统，有可能是10年前的，对吧？但是这个系统现在写这个语言的人也走了，对吧？我找不到人了，但是我勉强保证这个代码还它还能运作，没有太多的bug。但是我一改可能就都是bug，对吧？或者是说我有很多这种老旧的系统，现在根本就连API都没有，那你叫我的新的业务怎么去跟他协同工作？这其实是非常大的一个痛点呢，对吧？

**老修:** 对，就这玩意儿，我还记得以前我们做那个企业服务的时候，经常被迫要做什么事情，就是比如说老旧那个**ERP**（Enterprise Resource Planning: 企业资源规划，一套管理公司日常业务活动的软件系统），你根本想不到，他有的时候可能不要说API，他自己他自己内部都很难查清楚。那这个时候这怎么办？我们可能手工去Hack一下，去截一下他们的各种API和一些脚本，然后我们去分析它的数据，都要都要这么干。那实际上我是发现到最新的这个Amazon Nova Act这个产品，它实际上就是Act这个部分，我们所谓的就相当于给AI长了眼睛跟手了这个东西的话，就是解决我刚才说的Hack的那个事情。我们以前Hack还是用技术的方式Hack的，那他的话其实这一次是用到了这个把一些工具还有环境以及整个大模型三样东西放到一起，包括浏览器。

**小苏:** 对。

**老修:** 这样子的话，他就能够真的是针对你这个老破小的这个环境，去真正的去理解说，我在没有任何这种给我接口的情况下，我也可以理解你这个系统在做什么，然后去理解你的数据流向是什么样子的。他会里面提到一个是**Web Gyms**（网络训练场: 一种模拟真实网络环境的训练平台，用于AI模型学习与复杂系统交互），然后能够把很多的人对，放到一个训练场里面一起来训练，然后训练之后，这个就是训练出一种AI直觉，我觉得这个挺神奇的。模拟数据其实是很好的一个训练方法嘛，其实现在最新的那个DeepSeek那边，他有大量的数据就是模拟数据做的，DeepSeek3.2的很多的那个就是用这样训练的，所以应该说现在是行业内最好的一种弥补你那个互联网数据不够的方式。

**老修:** 像这个里面，我看到他一个实际的案例嘛，是租车的那个Hertz啊，然后他的话整个系统是非常老的，因为我不知道他那个系统至少20年了，对。然后有大量的老旧系统，然后然后他里面出来讲的那个人刚好是做那个Quality Assurance的，就是做质量保障的。所以我特别能理解，你可能想象不到，他每一次上线一个版本，为了测以前存在的版本，就是上线了一个新版本嘛，那我要测一下以前存在的老版本的功能，要测多久？你可能想象不到，他要测3-4个星期是有可能的。那到现在的话，他就这个上了这套系统之后，他能够提升五倍以上的时间，可能也就是一周以内左右可以把这个事情给测完。那那这个的话，实际上是一个很很明显的一个一个飞跃。

### Kiro：规范驱动的开发与“Spec流程”

**小苏:** 之前有一段时间就是Cursor也非常出圈嘛，对，我们也特别去想去用它。对，然后这一次发布会，他也特别提到了Kiro。对，老修可不可以跟大家讲一下就是这一次他们提的像Kiro的一些案例？

**老修:** 对，Cursor这个东西的话，它最大的一个特点啊，就是说跟Kiro是另外一个方向。就是Cursor其实大家知道说，大部分基本上都是做那个**Vibe Coding**（情绪化编程/随性编程: 指开发者根据直觉和即时灵感快速编写代码，通常缺乏详细规划和文档）的，就是你极致的想要做，马上做，一个什么东西马上可以去做起来。嗯，就是很主打的就是一个随性和一句话去需求。但是这个事情就是，嗯，我们开篇就讲了，这个东西其实最大的问题是基本上会留在POC监狱里。然后你真正把它要上线到一个可运营的产品，它其实还有蛮多的路要走，而且最早做的这个原型可能大部分代码也都用不上，实际的痛点就是这个事情。

**老修:** 但实际上Kiro它解决了一个问题，就是说它是叫**Spec-driven**（规范驱动: 一种软件开发方法，强调通过详细的规范文档来指导开发过程），你可以理解成它就是比较详细的一个文档驱动的一个开发方式，就是先策划再执行这件事情，它就适合是一个真正交付一个稳定的产品。那比如说我们常说哎，我现在想要做一个这个**CRM**（Customer Relationship Management: 客户关系管理，管理企业与客户之间互动关系的系统），我们可能对Cursor就喊一句这个话，他就去干了，对吧？他也不跟你确定个什么，他就干了，然后干了一会跟你说，这个是不是你要的，你会发现基本不是你要的。然后那到了Kiro，他是不让你这么干的。你说这个事情，他就会先跟你开始说，我们必须要先来写这个需求文档，它要产生一个requirement.md的文件。接下来的话，需求写出来了，能得到你的确认了，他再开始去产生一个design.md的文档，也就是设计文档。这些东西也得到你确认了以后，他再出一个任务清单的task.md。然后，只有当你这些东西都确认无误以后，他开始写代码。这个其实跟Vibe Coding是，你可以感受到它是完全截然相反的。所以到最终，相当于是这个叫我们叫SPEC流程，它是能够救你的命的。

**小苏:** 对，其实很多企业他可能觉得唉，那我Vibe Coding就很好了嘛，对吧？但实际上你通过Vibe Coding，老板觉得可以，但是程序员用的时候，很多时候其实程序员他无从vibe起嘛，最后只剩vibe，没有coding，就写了一大堆这种屎山代码，你可能也用不了，他也看不上我，还不如我人工自己写。那其实像Spec文档，刚才老徐讲的这一套，就是标准的工作流，其实非常成熟的一个工作流。而且像Kiro这样的产品，它自己也是亚马逊内部在正在使用的产品嘛，那应该是沉淀了一整套完整的知识体系，包括这种工作流程、工作方式。包括你刚才讲，他每一步都会生成一个.md的一个文档嘛，其实这些流程在很多小企业它是没有的。那如果你一开始在构建第一个产品的时候，就不注重这些具体的流程的时候，你到后面一定会吃亏的嘛，你知道后面再强的Agent可能也救不了你的屎山代码了。

**老修:** 对，他在大会里面举的例子也是嘛，很震撼的数字啊，比如说代码重构的项目，30个人需要做18个月，结果真正做起来的时候用了Kiro，然后才用了1/5的人，6个人，对吧？做了70多天就做完了。所以就是说，真的有多少，他们亚马逊内部的一个项目，本身Kiro是带了一套他自己成熟的这个方法论过来。而且他这里面在有一些边界，就是说你他真正不知道的一些地方，他不会去装作他他知道，这点也挺重要的。因为其实我们用其他的工具的话，它背后训练的是那些大模型吧，比如说不管是Claude还是Gemini，还有OpenAI的Codex等等那些大模型，其实他们对于这种工作流是不太熟悉的。我举个例子，为了让你的bug通过率提高，他可以说这个bug不用修，这个bug不严重。这个我真的碰到过。

**小苏:** 恰恰恰就是因为不经过没有经过企业流程的那个AI，它才会这样干。如果企业流程应该是非常清楚的知道，有一些级别的bug是一定不可以让他过的。但是他是对bug既不分级，然后他还为了专门去通过这个**KPI**（Key Performance Indicator: 关键绩效指标，衡量工作绩效的量化指标），然后他把一些本来不应该过的bug直接让他过了。这种就是每种受过这种工作流训练的AI会干的事情。但是在亚马逊的这个里面的话，Kiro的这块，你会知道有很多东西不能做，然后你不懂的东西不会装懂。那这点我觉得特别重要。

### 可控的商业级AI：拒绝“讨好型人格”

**小苏:** 老修讲的这些就是有bug硬说没bug，这个事情就有点像Ilya之前讲的那个**讨好型人格AI**（People-pleasing AI: 指AI为了达到预设目标或满足用户指令，可能会过度优化输出，甚至牺牲准确性或真实性，以“讨好”用户或系统）嘛，就他为了完成这个目标，为了是的达到这个结果，为了通过这个考试，他做了非常多的强化学习，但是最后变成了一个讨好型人格嘛，对不对？但是这次亚马逊给到大家的一个做法就是说我们用在ToB里面，这个事情是要可控的。就哪怕你只有1%的概率，那你也是要去阻止它。那实际上在它的Agent的这个这套编排的流程，其实它是支持自然语言，用自然语言去定义Agent的边界嘛。

**老修:** 对。

**小苏:** 我觉得这个其实是我印象非常深刻的，就是他们一直在强调的。那我觉得目前就是大家可能都是在看到Agent AI进步的方向，但很少有人真的在这一块去用很多的力气来解决这些问题。包括我们自己做产品就有遇到非常多这样的问题，就很多时候Agent或者AI为了讨好我们，就是硬把这个东西做出来了。但实际上这个东西做出来是不可控的，我们又没有一个去check的流程。那这个时候，我觉得这个对企业就非常有用，就是你可以用自然语言去定义它Agent的边界，什么能做，什么不能做，什么能退款，对吧？什么不能退款，什么话能说，什么东西不能乱发。对，我觉得这个是对我们自己来讲也是一个非常痛点的一个需求。

**老修:** 我觉得我觉得今天小苏说那个感触也是我的感触。就这个可控一定是商业级别的可控，而不是说只是说啊一个图片生成的时候，多少生成一个手指或多生成一个手指这种创意性的可控。这一点是我这一次看他大会啊，我最深的一个感觉。他不是一个那个纯粹用AI炫技，能让大家知道噢，现在你看AI又能做这个了，现在又能做这个。而真的考虑到企业以前在存续阶段，他留下这些历史问题，无论是代码啊重构啊，还是说要整个的流程上面要怎么样加入AI啊，对吧？这是一个巨大的一个工程，怎么去做？然后这个不靠单点的去解决一个AI的模型的一个参数就可以的，一定是说从安全呀，然后云呐，还有存储啊各方面去做。我们之前讲过的很多问题就是大模型本身每一家的大模型有自己的各种各样的人品级别的这个偏好，他们也有每家自己训练过的这种约束，但同样也有他们自己的漏洞。那这些东西其实是非常难管理的。然后在多Agent协作的时候，如果没有这么一个核心的一个策略引擎在下面去把一些硬的一些我们说的红线嘛，对吧？我们的企业管理经常说这是红线，这红线的东西给你给你卡住的话，其实这个东西是就是你怎么跑你都觉得很虚。就好像我们自己做过的一些产品，对吧？这个我们全靠那个大模型跑的，我们知道总会有那么百分之几的概率会出严重的bug，对吧？但是我们又不知道它的百分之几会出在哪。

### AI平权：从魔法到可拆解的魔术

**小苏:** 对，就是我就想到一句话嘛，就总有人是在台前非常闪亮的，但也是总有人是负重前行的嘛。就我们在聊AI的时候，我们聊非常多产品，ChatGPT、Gemini，对吧？这些明星级的产品，他们当然很出彩了，作为我们每个人的**Co-pilot**（副驾驶/智能助手: 指AI作为辅助工具，帮助人类完成任务，提高效率），让我们的效率更高。但是也有非常多在ToB的领域，像亚马逊这样，做着非常多的脏活累活，基础设施，搭了非常大的基建，是为了让我们这些创业者能够在上面跑出一个可靠稳定的，能够去让这个商业社会运转的更好的，一些模型嘛。那我觉得通过这次大会我就看到说，哦，过去我们都在把AI讲成是一个魔法，对不对？哇，这个好神奇啊，这个好炸裂啊，这个是个魔法。但我觉得今天通过像亚马逊云科技这种技术设施的厂商出来发声，告诉我们噢，你们不要只看到台上的明星，你们应该看到AI背后的这些基建，它也在进步。他的每一个进步，能够真正把这个魔法变成一个魔术，就是变成一个可以拆解、可以教学、可以分享，甚至你也能够学得到的一个魔术。我觉得这个是一个真正的**AI平权**（AI Democratization: 指让AI技术和能力更广泛地普及和可及，降低使用门槛，使更多人能够利用AI）。

**小苏:** 所以我个人看完这个发布会，我是觉得说啊，我们整个行业已经开始从卷大模型到去年卷Agent，到现在Ilya出来喊说Scaling law结束了，但是现在我们又看到说，我们又可以去卷垂直模型了，就是垂直模型的Scaling law远远还没有结束。这是我看完这个大会，我觉得我自己非常兴奋的一个点。就非常高兴今天跟大家分享亚马逊的re:Invent大会，那我觉得通过我们自己作为一个创业者跟一个用户的角度来跟大家分享我们看到这次大会的一些兴奋点。然后也非常谢谢大家收看，希望下一次的大会我们再见，拜拜。