对话AWS生成式AI全球副总裁：解读AWS生成式AI服务的“三板斧”如何应用人工智能（AI）进行创新和增强业务竞争力？这是当下许多企业正在思考的方向。在生成式AI和大模型热潮驱动下，各家云计算巨头都在摩拳擦掌，从计算层、平台与工具层到应用层，提供面向企业生成式AI训练和部署的多元选项。

　　每年举行的云计算盛会AWS re:Invent大会，是科技行业具有参考意义的“风向标”之一。在今年11月底举行的re:Invent大会上，全球最大公有云巨头亚马逊云科技（AWS）全面披露了其生成式AI技术堆栈，并公布多项生成式AI新服务、新工具，特别是改变用户构建、部署、运维应用和工作负载方式的企业级生成式AI助手Amazon Q。

　　期间，AWS生成式AI全球副总裁Vasi Philomin博士接受智东西等少数媒体的采访。他告诉智东西，Amazon Q的命名来自007系列电影中给詹姆斯邦德提供各种技术工具的著名军需官Q；而Amazon Q之所以能成为企业业务的“懂王”，实现让客户能够更轻松地探索新服务和功能、学习不熟悉的技术、构建解决方案、发现问题、升级应用程序等多种复杂的任务，其背后不是单一模型，而是多种模型的组合。

　　过去五年，Vasi Philomin负责推出并管理了亚马逊云科技的多项AI服务，包括语言类、视觉类、工业类AI服务以及开发者工具。在采访中，他谈论了AWS围绕生成式AI落地、监管等议题的见解，强调AWS擅长让AI技术在现实世界的商业环境中真正有用，并将其所有的AI能力提供给客户，以便企业在竞争中脱颖而出。

　　早在20世纪90年代，Vasi Philomin还在读博士时，坐拥电商平台的亚马逊已经大规模应用机器学习算法来为客户推荐书籍。如今，亚马逊有大量的AI落地用例，例如装机量超过1亿的智能语音助手Alexa，每周与用户有超过10亿次语音互动；在订单履行中心，人类与机器人协作，每天搬运上百万个包裹。

　　“我们知道如何利用这些东西，并将其应用于现实世界的业务问题与规模，这是我们正用通用人工智能做的事情。”Vasi Philomin说，这需要端到端的思考，在不同堆栈层上进行创新，最终客户才能真正接受你的服务。

　　首先，单一模型不能包揽一切，AWS提供不同种类的模型选择，能够以非常简单的方式为客户提供适合其业务工作负载的最佳模型组合。

　　其次，云计算企业会将相同的功能提供给所有客户，那么企业如何利用这些功能才能变得与其竞争对手不同？企业自有的数据是关键。可对托管基础模型进行访问的Amazon Bedrock平台提供了定制功能，让企业能使用自己的数据私密且安全地定制模型，构建差异化的生成式AI应用。

　　其中，Amazon Titan图像生产器的独特之处在于从实际用例开始逆向工作，其工作方式不是考虑需要最好的图像生成技术，而是首先了解它将用在哪里（广告或营销行业的创意人员定义新品、新公司想要创建一个品牌logo等），然后确定模型是什么、应用如何运作。AWS投入很多精力来确保现实世界的偏见不会影响生成图像。

　　在Vasi Philomin看来，99.9%的客户不应该尝试构建新的大模型，这是没有商业意义的，只有当你重新思考一个非常具体的业务，它才有意义。构建大模型需要花费大量资金和人才，现有定制功能可以将构建生成式AI应用的过程变得更便宜、更容易，把事情从几个月减少到几小时、从1亿美元减少到不到100万美元。

　　在取得客户信任方面，进行上述工作时，AWS始终牢记企业客户对隐私安全的需求，多年来已建立一系列安全控制，并在实现负责任AI的道路上做了五件事：

　　第一，护栏功能。企业可根据自身用例及负责任的AI政策，制定模型必须规避的主题，通过自动评估最终用户的输入和基础模型的回应，提高模型对应用程序中不良内容的响应方式的一致性，促进最终用户与生成式AI应用的安全交互。

　　第二，模型评估功能。Amazon Bedrock的模型评估包括自动和人工评估，可帮助客户评估、比较和选择在构建应用或用Agent来执行自动化工作时哪个模型更适合他们。

　　第三，版权赔偿。如果客户使用Amazon Titan模型或其输出内容侵犯了第三方版权，AWS将对使客户进行赔偿。客户无需担心版权诉讼。

　　第四，隐形水印。所有Amazon Titan模型生成的图像都包含不可见水印，这些水印被设计成“拒绝更改”，对图像被篡改具备抵抗力，有助于减少错误信息传播，确保AI技术安全、透明。

　　第五，服务卡（Service Card）。这比模型卡（Model Card）更有意义，Model Card只针对一个模型来记录模型档案，为安全与伦理道德提供参考，但通常使用模型前后还有一些工作要做，因此需从系统的角度来看。AWS去年定义了超越模型功能的AI Service Card概念，解释了构建模型的目的、做法、限制、原则、隐私安全、偏见与公平等等，这些都有助于客户决定如何以负责任的方式使用该模型。

　　“我认为我们今天所拥有的，足以让客户真正开始使用这个东西，并追求一些真正具有颠覆性的使用案例，这将改变他们今天所拥有的创新潜力。”Vasi Philomin说。

　　Vasi Philomin也分享了对agent概念的理解。在他看来，GPT只是一个模型，而agent更像是一个工作流。Agent是基础模型之上的抽象，本质上是一个可以同时做两件事的数字工作者：

　　你可以用工作流快速教它关于业务的知识，比如AWS今年推出的Agents for Amazon Bedrock功能，可通过简单几步创建和部署完全托管式的agent，借助特定业务的知识库私有数据，动态调用API来执行复杂的业务任务。这样做能够让agent立即变成特定业务知识的专家。

　　企业有很多内部API，需要调用各个API来串联业务逻辑。比如你在亚马逊电商网站上买东西，收货后想换一双同一品牌、不同颜色的鞋，亚马逊做的幕后工作是用agent实现的，其做法是创建一个agent，教agent所有内部API和文件中的知识，比如一个API可以去查询这个牌子是否有这种颜色的鞋子、一个API可以检查颜色是否可用，一个API可以进行订单交换。

　　现在agent会分解任务，首先用你所拥有的知识来了解业务，然后通过了解所有内部API，收集调用API所需的信息，并决定何时调用它们。Agents for Amazon Bedrock功能使生成式AI应用能够跨公司系统和数据源执行多步骤任务。

　　第一步，创建一个企业就绪的agent框架，制定数据安全和隐私策略，确保调用API有正确的权限，为特定应用创建的agent可访问相应信息。

　　下一步，今天尚且不能创建出一个可以教它100个API的agent并期望它知道调用哪些，因为其背后模型还没那么强大，如果想做更复杂的事情，需要更多的科学进步。

　　当前的解法是把问题分解成更小的部分CQ9电子，创建多个有不同功能的agent，然后把这些agent所做的工作结合起来，最终完成任务。这要求开发人员做一些软件开发工作，通过编写代码来解决每一个更小的部分再进行组合。

　　AWS的目标群体是企业开发人员，一直在思考客户面临的挑战以及如何使用技术来帮助他们解决，希望为不同企业客户提供解决方案，使他们尝试做的事情变得更容易或更具成本效益，或者让他们有机会做以前不可能做到的事情。

　　围绕生成式AI模型的创新正在重塑人们在工作和家庭中交互的许多应用，提升人类的生产力。随着生成式AI日益普及，越来越多的企业关注如何在同等资源的基础上取得竞争优势，以及如何以经济有效的方式将AI大规模应用于现实世界。对此，AWS认为企业使用私有数据打造更懂得自身业务、更懂客户的生成式AI应用至为关键。

　　看向未来，Vasi Philomin向智东西总结了他所关注的生成式AI关键挑战：一是企业就绪，必须真正关心企业的数据和数据治理，关心谁有权利访问这些东西，与通用人工智能紧密结合，这是许多客户选择AWS的真正原因；二是取得客户信任，负责任地解决一些挑战，这仍然需要做很多工作，随着时间推移，基础模型会变得更强大，能在未来实现更复杂任务的自动化。