如果您只想得到YES or No的答案，那么肯定会失望的。至少目前，这个问题没有答案。但我们可以试着从多个不同维度，来解读AWS的生成式AI战略，来看看它有什么不同，同时也分析一下未来的演变方向，来看看竞争格局会怎么变化。
严格来说，今年这波生成式AI浪潮的驱动力，并非来自AI技术创新，而是应用模式创新。
与其他AI一样，生成式AI的底层基础都是机器学习。云厂商在这一领域有着长时间的积累，包括在基础模型/大模型方面。OpenAI的创新是创造了提示词、对话框的应用模式，一下子引爆了个人消费者市场，然后再反哺企业级用户。
与其不同，AWS显然在继续坚持服务企业级用户（2B）的定位。无论是今年早些时候推出的基础模型开发工具Amazon Bedrock、Titan大语言基础模型，还是在2023re:Invent上新发布的AI助手应用Amazon Q，都是需要被集成到企业的开发和应用当中的，无法直接被个人用户使用。
未来，生成式AI到底是个人消费者主导，还是行业企业主导，恐无定论，毕竟生成式AI还处于早期阶段，很难对未来的主流商业模式进行预测。但AWS确定走的是后一条路径，倾尽全力服务企业用户，深入行业市场，去创造业务应用场景。
在今年的re:Invent上，生成式AI毫无疑问成为最热门的话题，很多新发布都围绕其展开。即使在基础架构层，也聚焦在AI算力、向量数据库、Zero-ETL数据治理理念等相关领域。
业界惊呼，AWS正在all in GenAI，所有产品都在为生成式AI而重构。现在下这么绝对的结论为时过早，当然AWS显然希望充分抓住生成式AI的机会，而且相比“挖金子”，似乎更青睐于“卖水”。
这个三层架构图，是AWS在生成式AI领域的整体布局，分为训练和推理基础架构、大模型构建工具和应用三个层面，几乎对应了云计算的IaaS、PaaS和SaaS三层架构。
值得注意的是，AWS一直强调做负责任的AI，帮助企业保护数据安全和隐私。
亚马逊云科技大中华区战略业务发展部总经理顾凡表示，无论Amazon Bedrock还是Amazon Q，都会对客户的数据进行加密处理，不会让数据离开客户的虚拟私有云，并且承诺不会利用客户的数据进行模型训练。
AWS一直强调自己的生态开放，这同样表现在生成式AI领域。这样的开放，不意味着避免与生态伙伴的竞争，有时候甚至恰恰相反。
我们由此不难理解，AWS CEO Adam Selipsky在与英伟达黄仁勋大谈深化合作之后，立刻宣布推出自己的模型训练芯片Trainium2。
亚马逊云科技大中华区产品总监周舸表示，这两者给客户提供了更多选择，选择权在客户。一方面，AWS致力于开发更低能耗、更高性价比的Trainium；另一方面，同样致力于让Nvidia GPU在AWS上跑出更高性能。
这种“选择权”在Amazon Bedrock所支持的基础模型上表现得更为突出。企业可以调用这些基础模型，或者利用这些基础模型进行微调，以支持自己的应用。
AWS自家的Titan基础模型产品线正在丰富，包括新推出的Amazon Titan Image Generator、Amazon Titan Multimodal Embeddings、Amazon Titan Text Embeddings等。与此同时，Amazon Bedrock还支持AI21labs、Anthropic、Cohere、Meta和Stability AI的基础模型，包括Meta Llama 2 70B、Anthropic Claude 2.1等最新产品。除了ChatGPT，市场上的主流大模型几乎都位列其中，不知道将来会不会也有机会纳入其中。
由于生成式AI目前还处于“百模大战”的阶段，所以目前的算力需求主要集中在模型训练上，业界对推理算力的关注程度比较低。未来情况可能会发生变化。
亚马逊云科技大中华区技术专家团队总监王晓野介绍说，在传统机器学习里，训练和推理的算力消耗是1：9；大模型如果未来得到大规模应用，对算力的消耗也应该类似。
推理成本的高昂，很可能会限制生成式AI的落地应用。这一方面需要推理芯片成本的继续下降，另一方面也会引发未来业务模式的演变，比如大小模型结合、多模型套用、私有知识库等。未来会不是超大模型一统天下，也值得观察，毕竟模型越大，应用（推理）成本越高。
合作伙伴对生成式AI的参与，同样值得关注。AWS行业技术伙伴负责人Chris Casey建议，合作伙伴可以在定制应用、基础模型评估、模型打造（训练和微调）等方面发挥自己的价值。合作伙伴既可以使用Amazon Sagemaker这样的专业机器学习平台，也可以使用Amazon Bedrock这样的简单易用的新平台。
由于生成式AI仍处于演进过程中，当前还没有非常确定的商业模式和产品方向。因此，要做竞争格局的任何判断，都还为时过早，但值得期待。
