从1500个项目里，看见中国AI的未来

来源：36氪

生成式AI的2025：

告别PPT，拥抱生产力革命。

就在现在，拿起手机，打开电商购物网站，搜索“充电器”，大概率弹出的第一个推荐品牌是安克创新。

如果你看中了其中哪一款产品，想要问价比价、咨询参数，你会点击客服，线上咨询。

你可能不知道的是，就只是这短短的2个操作，有多少AI大模型能力参与其中。

在6月19日的2025亚马逊云科技中国峰会上，知名智能硬件科技品牌安克创新首席创新官龚银分享了如何在亚马逊云科技技术的帮助下，利用AI创新智能产品，提升公司运作效率。

安克创新与亚马逊云科技建立了高质量实时知识库大语言模型系统，搭建了50多个Al Agent；搭建了多模态AIGC内容生产平台Vela；搭建了融合Amazon SageMaker平台的智能广告系统，站内广告覆盖率超过90%；通过深度学习算法与AI大模型进行产品开发与升级……

广告投放、物料生成、客服回复、产品升级……有多么前沿黑科技？一点也不。

但有用吗？太有用了。

当前，安克创新的内容生产平台Vela出图数量已经超过120万张、客服工单AI解决率超过70%、站内超过20%以上的广告由AI全自动托管；安克创新内部公司级的AI能力底座——AIME平台上，已经沉淀了超过300款活跃AI Agent，通过AIME构建的AI应用使用量超过千万次。

既不是什么“奇点已至”，也不是什么“Aha Moment”，只是真真切切把日常需求转化为智能化业务，让AI实时干活，不“画饼”，只解决问题。

这并非孤例。

在2025亚马逊云科技中国峰会上，展示了一大批生成式AI在企业落地的丰富场景，除了安克创新外，还有TCL、WPS、货拉拉、金蝶、合合信息、复星医药等等。

亚马逊全球副总裁、亚马逊云科技大中华区总裁储瑞松就提到：“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。”

（亚马逊全球副总裁、亚马逊云科技大中华区总裁 储瑞松；图片来源：亚马逊云科技）

在所有亚马逊云科技成功帮助客户实施量产的1500多个生成式AI项目中，客户从PoC到量产的落地成功率高达82%，足足比Gartner在2024年Gartner企业AI发展任务调查中所统计的行业平均水平41%翻了一倍。

今天，已经没有人再质疑生成式AI是不是实验室的“概念验证”，是不是市场的“新奇噱头”。

根据斯坦福大学人工智能研究所（Stanford HAI）《2024年人工智能指数报告》，当前，全球AI大模型行业正处于技术创新与商业化加速推进的阶段，OpenAI、Google、微软、亚马逊云等企业处于领先地位，主导着全球生成式AI、自然语言处理等领域的行业落地；Meta、DeepSeek等前沿公司则通过探索不断开源模式，增强生态影响力。

每个人在问的都是，AI和大模型怎么落地？如何商用？怎么为我创造价值？

2025年，AI还有什么机会？

没成功的AI，“死”在了哪？

2023年6月，距今两年前，亚马逊云科技成立了一个名为“生成式AI创新中心”的部门，帮助客户进行生成式AI的应用落地和生产部署。

要知道，那时候，第一代ChatGPT才刚推出半年，全球都沉浸在大模型技术带来的缤纷与眩晕里，还在忙不迭地争相训练基础模型。

在此后两年多的时间里，亚马逊云科技的生成式AI创新中心逐渐聚拢了超过350位来自全球的应用科学家、数据科学家、开发人员、行业专家、战略顾问……

他们每日奔走在“战区”一线，与来自游戏、办公、金融、物流、医药的所有客户面对面沟通，搞清楚最适合此时此刻的AI方案是什么？问题出在哪里？我们怎么解决？有什么策略？

失败的项目都“死”在了哪里？问题出在什么地方？

最常见的问题是对项目的最终效果需求不明确，或是在场景的选择上发生偏差——比如，有时企业会发现问题甚至都不需要借助生成式AI来解决。

另外一类常见问题是，企业有时初步尝试生成式AI后发现效果不错，但实际落地的成本却远高于预期。

还有一类生成式AI项目普遍存在的问题在于，企业往往会源于好奇心，以“发现一种时髦技术是否具有实现可能性”的心态，将生成式AI项目作为探索性的尝试，而并没有从战略上就明确它将成为差异化竞争与创新突破的渠道。

最终，极有可能看到的结果就变成了，企业实则在完成PoC后，资源重心又会转向其他“战略重点”。

（亚马逊云科技全球技术总经理 Shaown Nandi）

而在中国峰会上，亚马逊云科技全球技术总经理Shaown Nandi也提到了三点，生成式AI适合用以提高员工生产率、优化业务运营，赋能产品服务乃至商业模式的创新。这便是需要从源头上确定，企业要以何种目的，来开始驾驭生成式AI这样的超级浪潮。

   从1500次实践中，

看见AI落地方法论

看过了失败，成功的生成式AI又是如何落地的？

总结起来其实也很简单，场景-技术-量产-反馈，但正如“魔鬼藏在细节里”，每一个环节都有出错的可能。

场景评估

首先——也是最重要的——是企业对于AI应用场景的评估。

毫无疑问，今天没有任何一家企业的CEO对于“AI”“大模型”的概念无动于衷。企业的智能化转型、降本增效需求固然迫切，然而如果追问下去，却又很少有人能够立刻回答“我们为什么要用AI？它能解决什么实际问题？它究竟能带来多少收益？”

不是所有问题都需要用生成式AI来解决。例如，人脸识别、OCR等技术早已有着成熟的深度神经网络算法，它们比AI大模型更简单、更经济，同时也更成熟完备，适合场景需求。

相反，AI大模型的技术本质是Next Token Prediction，擅长创意性、智能性的内容生成与人机交互。

亚马逊云科技提出，在启动生成式AI项目之前，企业需要从七个关键维度进行全面评估（团队、时间线、风险、数据、ROI、预算、可行性），以确保项目落地。

举例来说，虽然都是亚马逊云科技的客户，但是各家所采购的服务、应用的场景均有所不同。

例如，复星医药主要利用亚马逊云科技的生成式AI技术和智能医学内容生成中心解决方案；TCL借助亚马逊云科技实现产品创新迭代，并利用亚马逊云科技的全球基础设施实现全球化发展；合合信息则借助亚马逊云科技构建了开源的AI Agent终端管理工具Chaterm.AI，助力开发者高效创新

只有明确了场景需求与ROI建模，AI才不会是一笔“烂尾糊涂账”。

技术选型

技术选型与场景评估息息相关，简单来说，企业需要找到最适合当前应用场景的AI模型——而非目前最火的。

2025年春节以来，DeepSeek一夜爆火，几乎将“百模大战”打了个寸草不生。然而，DeepSeek并非万能，就像GPT鼎盛之时也未能一统天下。

真正在工业应用场景中，企业决策者最终关心的是生成式AI所带来的商业增长和商业价值，无论是DeepSeek、Claude，还是Nova或是Gemini，都是帮助企业实现商业价值中的一环。

就在6月19日，以色列企业级应用AI初创Base44刚刚以8000万美元现金出售。这是一家成立于2024年12月，仅有9名员工，从未接受任何外部融资，在成立第6个月就斩获25万名用户、18.9万美元净利润的AI创企奇迹。

（Base44官网；图片来源：Base44）

在采访中，Base44创始人Maor Shlomo透露，在构建底层AI能力时，团队在经历了多番评估后，认为OpenAI模型成本过高，最终选择通过亚马逊云平台接入Claude大模型，搭建Base44的底层AI能力。

是的，对于大部分企业客户来说，其实不太在乎手里的“黑猫白猫”来自哪家大模型企业，只要这些模型能用、好用、经济实惠、保持前沿——这与亚马逊云科技一直以来在大模型领域的“Choice Matters”（选择大于一切）战略一脉相承。

根据Jefferies & Company报告数据，当前，只有3%的企业只使用一个语言模型提供商，而34%的企业使用两个，41%的企业使用三个，22%的企业使用四个。而根据Gartner的预测数据，到2027年，80%的中国企业将会选择多模型策略。

毕竟，大模型技术的下一次颠覆性突破，可能又会出现在DeepSeek、Manus、或是其他人们意想不到的地方。

量产优化

在生成式AI项目从PPT走向规模化落地的过程中，量产优化是至关重要的阶段，也是相对“坑”最多的阶段。

场景评估、模型选型都将直接影响项目成本结构，进而关系到项目最终是否能够真正落地、真正创造价值。而模型的定制与调优策略，则在量产优化阶段直接影响着项目的成本、性能、整体表现。

坦白说，这个阶段属于“脏、苦、累”活，但却也是项目落地的必经之路。

前期的数据存储、标注、清洗；中期的模型量化、部署、提示词工程；后期的云端预留实例、缓存机制、预配吞吐量，全都是典型的多环节复杂性工程化难题，需要有着丰富经验的数据工程师、AI工程师进行成本、性能、效率的trade-off平衡。

例如，在亚马逊云科技专家的支持下，国内某文化产业互联网集团的工程师将Amazon Bedrock的提示优化功能与Claude 3.5 Sonnet结合，简化了提示工程流程，节省了Token消耗的同时，将人物对话归属准确率从70%提升至90%，极大地优化了AI项目量产性能。

此外，货拉拉在数据处理环节，采用了包括Amazon Nova在内的AI模型对存量客服对话数据进行处理，将非结构化的数据存储为根据对话意图关联的图结构数据，让货拉拉在RAG的基础上也能够使用以CID-GraphRAG为代表的新兴技术框架，大幅提升了AI功能表现。

成果监测

这是整个生成式AI项目落地中最容易理解的一个环节，却也是最容易被忽略的一个环节。

生成式AI项目，怕的不是模型不够大，也不是算力不够强，是干着干着，突然发现“投入如流水，产出却成谜”。

尤其是在AI大模型动辄训练一次成本以十万计的前提下，一套成熟的成果监测相当于企业的智能“仪表盘”，既要通过“红绿灯”告诉决策者系统是否运作正常，更要充当“实时导航”的作用，确保目前AI项目在正确道路上行驶，以及是否需要立即调整、转向。

具体来说，项目的成果监测需要包括质量、性能、应用层这三大维度的评估指标，通过系统延迟、吞吐量、幻觉程度，以及用户反馈、对话长度等数据对项目进行实时“导航”。

——很难想象，亚马逊云科技的团队们究竟是踩了多少“坑”，才总结出这条宝贵经验。

生成式AI的2025：

告别PPT，拥抱生产力革命

从2024年下半年开始，“落地”便成了AI产业的主流名词。

根据The Information对全球50家头部企业的调查显示，共有38家大公司采用了OpenAI模型；17家企业采用了Gemini模型；11家企业采用了Claude，三分天下，强强联合。

（全球巨头AI大模型Top50头部客户（局部）；图片来源：The Information）

但基础模型的世界变化极快，每周都会有更强大、更具成本效益和更快速的模型发布。 更多的情况下，没有一个模型能适用于所有场景。这也是为何在Amazon Bedrock中，亚马逊云科技提供丰富的模型选择 —— 从拥有数千亿甚至万亿参数的巨型模型到只有几百万参数的小型模型。

除了上文中提到的亚马逊云科技服务的中国客户外，在全球层面，澳新银行集团、巴西伊塔乌联合银行、澳大利亚国民银行、Booking、Capital One、Fast Retailing、丰田、索尼、T-Mobile等都与亚马逊云科技达成了合作。

2025年的AI，毫无疑问是“火热”而又“分裂”。

今天，人人都在讲大模型，行业需求爆发式增长，根据IDC《中国模型即服务(MaaS)及AI大模型解决方案市场追踪，2024H2》数据，2024年中国MaaS市场呈现爆发式增长，全年规模达7.1亿元人民币，同比激增215.7%。

但与此同时，随着DeepSeek横空出世，曾经战火燃遍大江南北的“百模大战”逐渐走向尾声，基础模型训练越来越无利可图，“大模型六小龙”和各大AI创业公司陆续传出转型、裁员消息；行业从PoC到量产的生成式AI项目成功率仅为41%，“AI坟场”里住满了“死去”的项目。

这是技术狂欢的时代，我们比史上任何时候都更兴奋、更焦虑、更迷茫。当技术的浪潮无可掉头，唯一能做的只有乘浪而起。

历史上蒸汽机放大和解放了人和动物的肌肉力量，蒸汽机在纺织、交通、采矿和冶炼等领域的应用带来了工业革命。

今天，机器智能放大和解放人的大脑智力，机器智能的应用将带来下一场革命。

2025年，AI模型的训练成本已经降至三年前的1/20，推理响应速度提升数倍，多项技术突破使得实现千亿级AI模型的毫秒级响应、实时决策成为可能，具备了工业化、规模化量产的基础。

可同时，“低垂的果子”已经被摘光，想要真正推动生成式AI落地，解决问题，产生价值，就必须要“挽起袖子”，“面朝黄土”。

这过程很难，但终究是有价值的。

所有技术的终点，都是对人类需求的深层呼应。生成式AI所带来的并不仅仅是生产工具的迭代，而是一场商业模式本质的变化。

互联网从发明到成为基础设施用了30年，云计算从技术探索到广泛应用也用了将近20年，大模型真正成为各行各业的“新基建”，还在更遥远的未来。

但我们已在路上。

参考资料：

《北美生成式AI三分天下：微软借力OpenAI，AWS傍身Anthropic，谷歌自食其力》硅兔君

《用一朵对的云，破AI时代的“浪”》亚马逊云科技

《中国模型即服务(MaaS)及AI大模型解决方案市场追踪，2024H2》IDC

《2024年人工智能指数报告》斯坦福大学人工智能研究所

《9人AI创企卖了6亿：半年0融资，单月净赚137万》智东西

《2024 GCR Bedrock Public Reference》Amazon Web Services

《Jefferies Sticks to Its Buy Rating for Amazon (AMZN)》Market Insider