生成式AI正站在技术爆发与产业落地的十字路口。一边是技术能力在飞速进化，另一边是大量项目倒在落地的半路上——这个岔路口，到底怎么走？

Gartner的数据很直白：2024年，只有41%的生成式AI试点项目真正跑进了生产环境。换句话说，59%的项目，都死在了路上。这个数字有点尴尬，但也很真实。

亚马逊全球副总裁、亚马逊云科技大中华区总裁储瑞松在现场提到，过去一年，生成式AI确实爆发了。但技术爆发是一回事，从实验室量变到产业质变，中间横着一条巨大的鸿沟。如果任由现状发展，大概率会像过去Gartner曲线的走势一样——短期泡沫膨胀，然后进入漫长的衰退期。但如果能跨过去，大模型就能造福一半企业，成为新的社会基础设施。

为了避免AI的故事一再重演，2023年亚马逊云科技就成立了一个“秘密组织”——生成式AI创新中心。350位战略顾问、应用科学家、数据科学家、开发人员和专家，专门帮客户制定生成式AI战略，构建落地方案。两年下来，这个组织接住了来自不同行业的1500多个项目需求，推动82%以上的客户从PoC走到了量产。换句话说，在亚马逊云科技上，生成式AI已经率先翻过了Gartner定义的“死亡谷”，进入了稳步增长期。

那么，亚马逊云科技凭什么翻过这道坎？这个秘密组织到底积累了哪些经验？答案其实都藏在正在进行中的2025亚马逊云科技中国峰会上。

Gartner死亡谷里藏着什么？

在储瑞松看来，历史的脉络很清晰：蒸汽机放大和解放了人的肌肉，落地纺织、交通、采矿，带来了工业革命；今天，机器智能正在放大和解放人的大脑智力，下一场革命已经敲门。

而且和过去几轮AI泡沫不同，这一波生成式AI的技术成熟度，早就跨过了实验室到工业生产的门槛。峰会现场展示了多个测试数据：无论是MMLU、GPQA、SWE-bench，还是最新推出的HLE（Humans Last Exam），模型的能力都已经隐约展现出巨大的潜力。

既然技术不是问题，那为什么59%的项目都倒在了爆发前夜？

两年多的实践下来，成功的项目各有各的路数，但黄掉的项目，教训却惊人地相似。总结起来有四条：

教训一：场景选错，不是所有问题都值得用AI解决

许多企业在AI项目启动时，犯的第一个错误就是“为AI而AI”。张口闭口“增强效率”“提升智能化”“优化工作流程”，但对于场景价值，却拿不出量化的认知。

一个典型的案例：很多公司想用大模型提升客服效率，于是直接部署GPT接口替代基础问答模块。结果因为缺少专有数据增强和业务上下文处理，模型表现甚至不如原有的规则式FAQ系统。大模型胡说八道，人类跟在后面补锅道歉。成本没降下来，反而惹了一堆麻烦。

教训二：模型错配，大模型唯参数、唯最优论

亚马逊云科技全球技术总经理Shaown Nandi观察到，基础模型的进展以周为单位，永远会有更强、更便宜、更快的模型发布。但没有哪个模型能包打天下。企业真正需要的，是定制模型的能力和选择权。所以Amazon Bedrock里托管了全球各大主流模型，从数千亿参数的巨型模型到几百万参数的小模型，全覆盖。

但现实中，很多团队直接冲市场上最大、最贵、指标最亮眼的模型，忽略了业务对时延、成本、精度的多维需求。结果项目盲目上马，最后潦草收场。

教训三：ROI不可控，没人知道项目值不值，导致不敢上马

多数生成式AI项目最终挂掉，不是技术不过关，而是领导看不到价值。技术团队觉得模型能跑通、响应快、能调优，就算成功；业务部门却冷冷地说：指标没提升，成本没优化，这就是实验室玩具。

整个过程里，基础模型选什么、场景负载特征如何、定制调优策略能做到什么水平——这些需要让决策层有概念，执行层有目标。最终带来了什么效果，不仅得肉眼可见，还得数据可量化、成本能算清。

教训四：没有完善的成果检测闭环，项目静默暴毙

前面三个问题堆在一起，结果就是：项目做出来没人用，找不到原因，无法迭代。后期维护需要成本，怎么说服老板继续投钱？很多团队连个评估框架都没有。

一句话概括：如今的生成式AI已经过了认知普及阶段，但大部分项目黄在了前期不会选，中期不会用，后期没闭环。

爬出死亡谷，亚马逊云科技的两重准备与四大秘籍

关于怎么爬出死亡谷，储瑞松把问题拆成了自上而下和自下而上两个角度。

“在我与很多客户的沟通中能观察到，越来越多的企业都想拥抱AI、Agentic AI，但却不知道从何开始。我认为，企业需要做好双重准备。”

自上而下，是管理。高层拥抱生成式AI时需要有明确的认知和顶层设计，在机制和人才上做准备，认清企业信息化、数字化工作和时代的关系。

自下而上，是技术。技术又可以分为三点：一是统一的AI就绪基础设施——过去一度流行的多云策略，连接性有限，会导致业务孤岛和数据孤岛；二是聚合的、经过治理的数据——模型调用没有门槛，企业独有的差异只来源于数据，只有聚合和管理才能产生价值；三是高效的策略和快速执行。

而多数项目之所以最终静默暴毙，除了管理和基础设施的问题，最大的坑就出在策略和执行上。

围绕策略和执行，亚马逊云科技把过往项目中的四大“爬坑”经验做了总结：

首先是针对场景。亚马逊云科技给出了七大评估维度和十一大场景总结。七大评估维度包括：团队、时间节点、可行性、预算、风险、ROI、数据是否支持。十一大场景涵盖翻译、运营、写作、角色扮演、教辅、办公、客服、开发、审核、知识助手、运维。团队只有满足了七大维度评估标准，项目上马才更安全；围绕十一大成熟场景做落地，成功率也会更高。此外，还有成熟案例参考，加速创新。

确定项目可以上马后，接下来是选型阶段的技术错配问题。亚马逊云科技的实践经验是：技术选型需要从模型层、数据层和技术方案层三个维度系统性考虑。

数据层面，企业需要考虑如何做分析、管理、切分和优化；技术层面，要善于使用MCP、多Agent工具调用框架等方案提升开发效率。最关键的是模型层——通常来说，企业在速度/时延、成本、精度这三个因素中，往往只需要三选其二就能满足需求。

一个正面案例：FreeWheel在广告识别场景中对比评估了Nova Lite、GPT-4 mini、Claude 3 Haiku等多个模型。结果发现，在延迟、输出稳定性与推理成本的综合对比下，精度反而不是唯一决定因素。最终他们选择了精度中上、推理速度极快、成本可控的方案，实现了批量部署与高频调用。

选型定好方案后，项目开始落地，此时重点关注ROI。亚马逊云科技给出了六大阶段、三个层面的解决思路。六大阶段围绕如何做用例、评估、POC、生产、规模化、治理都做了细化；三个层面分别是模型层、提示词层、基础设施层，每个层面都有专门的优化策略。

上马之后，团队需要继续关注成果检测闭环。亚马逊云科技同样给出了质量评估、性能评估、应用效果等不同维度的数据，帮助企业衡量系统在实际场景中的效果、成本与用户接受度。

总结起来：让项目前期有预期，中期有选择，后期有优化，每一步都有凭有据有效果——这是多数成功生成式AI项目落地的共同经验。而亚马逊云科技，就是那个保驾护航、提供选择和指标的翻跟斗。

为什么是亚马逊云科技

为什么多数企业都选择亚马逊云科技作为生成式AI转型的翻跟斗？

不同企业有各自的答案。

咨询公司德勤说：他们用Amazon Q Developer评估架构决策、检查和记录代码、生成代码、创建单元测试，并持续审查和执行安全实践。不止开发速度提高了40%，测试时间减少了70%，代码质量也大幅提升，更重要的是解放了开发人员，不用再做那些枯燥的活。

WPS的看法也很典型：WPS AI（海外版）通过Amazon Bedrock进行语义检查与文档润色，模型的快速响应大幅提升了修改速度，减少用户等待时间，还实现了PPT一键生成、一句话扩写PPT大纲、文档转PPT大纲、自动模板匹配等特色功能。出海过程中的研发、成本、用户体验多个困扰，一并解决。

但归根结底，亚马逊云科技带给企业的，不只是一朵云，更是基于云的低成本、高水平安全合规、更多经验与更多AI能力。

云服务的本质是规模效应，对生成式AI落地尤其如此。实验室创新需要天马行空，量产需要大量经验积累，大力出奇迹。亚马逊云科技作为全球第一大云，覆盖245个国家和地区，数据中心数量是下一大云服务商的三倍以上。它还是中国唯一达到“四个九”（99.99%）可用性的云服务提供商。

规模大是其一，能力全更关键。现实中，许多企业有转型意识却没有转型能力，甚至只有数据没有能力。亚马逊云科技过去18个月推出的机器学习和生成式AI功能，比全球主要云服务提供商的总和还多出近两倍。同时，它提供覆盖企业生成式AI创新所需的基础设施、构建工具以及开箱即用型应用程序的全栈能力。

算力侧，亚马逊云科技除了提供最新的Nvidia GPU计算实例，还有自研的高性价比、低能耗AI芯片Trainium。数据侧，数据湖、数据仓库、数据流、实时分析全面覆盖，能打破数据孤岛，统一治理异构数据。AI层面，亚马逊云科技本身就是全球GenAI转型的先行者，同时提供领先的模型和工具——包括Amazon Bedrock平台、Amazon Q、Amazon Transform、Strands Agents SDK等。2025年，亚马逊云科技还宣布投入约1000亿美元用于AI项目，大部分将用于数据中心、网络设备、AI硬件和生成式AI服务能力建设。

事实上，亚马逊云科技能常年保持龙头地位，除了更早的投入和专注，另一大公开秘籍其实是善于分享。

对内，生成式AI创新中心帮助伙伴成功；对外，在中国峰会中分享经验，帮助更多企业顺利转型。让企业生成式AI落地从59%的死亡率，变成82%的成功率，让更多企业基于亚马逊云科技加速创新，用整体的进步来做大蛋糕。

特别策划