在他看来，幼我在Mac mini上跑一个好玩的Agent、随时能够拔电源沉启，和让几千个Agent在企业散布式环境里安全、可信、不中断地不变运行，齐满是两个维度的工程复杂度。 2026中国AIGC产业峰会是由量子位主办的行业峰会，近20位产业代表与会会商。线下参会观多超千人，线上直播观多近400万，获得了主流媒体的宽泛关注与报路。 主题概想梳理87%的企业实现了AI大规模部署，但真正从中获得出产价值的比例只有10%。幼我养龙虾和企业养龙虾，齐满是两码事。AI真的不只是大模型，拿掉模型后剩下的Harness才是关键。从前的数据平台是服务人的，今天的数据平台必须服务好AI Agent。从前30年幼我出产力从未被真正颠覆，直到Working Agent出现。Token贵，好多时辰是由于你喂给模型的信息太多太杂，而非单价贵。 跟前面几位嘉宾分享的方式不太一样，我会直白一些，也会通过一系列产品和案例，跟各人分享我们对企业级Agent落地的思虑。 作为一家持久服务全球客户的科技企业，亚马逊云科技一向在通过云服务支持数百万企业客户，今天我也想借由我们产品更新背后的思路，跟各人聊聊：真正把Agent落到企业出产环境时，企业必要回覆哪些问题。 我们从具身智能企业的变动中能够看到，去年各人还更多关注动态节造，今年已经显著转向——若何网络数据，若何跟物理世界形成感知，再形成行动反馈。 相信好多嘉宾都反复提到了养龙虾在中国已经成为一个非�；鹑鹊幕疤�，好多幼我用户都在尝试，全民都在养龙虾，甚侄裣奥闻提到丽江的工程师会助幼我用户装置、配置这些工具。 幼我环境里，配置好之后可能很少必要再去扭转；但在企业环境里，你能不能让几千个Agent在企业环境中安全、可信地运行起来？背后其实有不少天堑必要逾越。 企业出于性价比思考，也由于模型能力每天都在急剧变动，所以必要实时响应模型变动，并且可能在多个模型之间矫捷选择。 一个能跑在Mac mini上的龙虾，幼我用户能够随时拔电源、沉启；但到了企业出产级场景，它能否靠得住、不变地运行，能否自动沉启且不中断，能否可信地处置数据，就齐满是另一层工程复杂度。 但今天Agent的出现，尤其是各人使用龙虾后的体感，会让人显著感触到：我们的确走到了一个节点，幼我的工作方式在产生变动。 一些关于劳动力的钻研汇报也提到，在2026年到2028年期间，82%的企业辅导者暗示会增长雇用“数字员工”的比例，为企业服务，而不只是招聘人类员工。 同样是麦肯锡的汇报提到，今天已经有87%的企业宣称实现了AI在公司里的大规模出产部署，而一年前这个数字还是78%，进展非�？�。 这些信号听起来可能有些矛盾，但性质上都在注明统一件事：今天AI Agent在企业层面的渗入率已经很高，但真正获得价值、走到出产层面的比例依然有限。麦肯锡统一份汇报里也提到，这个比例可能只有10%左右 Agent固然把回覆问题转造成了行动能力，但就像炒菜一样，若是没有企业知识这类“独家配方”，它始终只能做出西红柿炒鸡蛋这类公共化作为，真正进入企业流程时，Agent必要的是企业自己的数据和知识。 就是企业在性价比上还没有达到能够轻易使用的状态。这有点像早年各人会推算一条短信几多钱，而不是像今天发微信一样，齐全不必要思考成本。 亚马逊云科技从十几年前就起头自研芯片，把一些虚构化技术通过硬件能力实现；之后又推出基于Arm的CPU推算Graviton，目前已经走到第五代；再到专用AI芯片Trainium，也已经走到第三代。 整个平台基于20多年云推算堆集下来的信赖能力，企业能够通过云上的VPC等技术，保障自己的数据不会被中央的一些路由工具截取或获得。 数据和知识这一层，我们以为今天必要看到一个变动：传统的数据平台、数据底座或数据基石，从前重要是服务于人的；但今天，企业平台部门和技术部门必要关注的是，数据平台能否服务好AI Agent 好多人会以为影象存得越多越好，但其实并不是。就像人一样，若是持久影象里有谬误知识、老旧信息，甚至有自相矛盾的知识，城市影响Agent最终的判断，这也是为什么持久影象治理极度沉要 各人都在关注Token亏损多、Token贵，但真正导致Token贵的，很大一部门原因容易被忽略：并不只是Token单价贵，而是你在挪用模型时喂给了模型太多没用的信息。 好比把几千个skills一股脑抛给模型，让它自己去��；又好比在抽取和提取影象时，没有优化好最终喂给模型的信息。这些城市导致Token使用量爆炸。 反过来说，在全链条上，我们能不能观察到模型是怎么被挪用的？能不能观测到它是否产生幻觉？这种全链路可观测性，也是AI-ready数据平台必要满足的新能力。 除了云语境下端到端的静态数据加密、传输中数据加密和安全保障之表，真正让数据可信，还必要分了然解数据代表的业务意思—— 最近由于Agent被宽泛使用，各人也知路，无论是治理影象，还是治理一些其他文件，好多时辰都是通过文件系统、Markdown文件等方式实现的。 到了2026年，在Agent语境下，各人通过使用龙虾，通过感触软件工程能力，已经更明显地意识到，把模型拿掉之后，剩下所有关于出产、节造、管控的出产级要求，都能够叫做Harness，也就是若何驾驭它。 我们还必要软件、操作系统，以及各类可使用的能力，Harness就是把这些可使用、可操作、可管控的能力放在一路，最终让Agent出现为一个齐全利用状态。 它的主题价值，是让用户不用在Harness上花太多功夫，而是关注自己的业务价值。同时它维持盛开，能够接入开源框架，好比LangChain、CrewAI等，都能够自由集成。 能够这样理解：若是各人以为ChatGPT已经远远不只是谈天机械人，而是一个能够助你执行工作的不错Agent，那么Managed Agent就是由OpenAI提供前沿模型，也由OpenAI提供他们在构建Agent过程中堆集的最佳实际Harness，再结合亚马逊云科技底层安全基础设施系统，打包形成的一套能力。 但不变的是，这两类能力都在统一个平台上，企业能够同时选择，并继承亚马逊云科技针对企业安全和信赖的管控与�；�。 这里也急剧引用一个客户案例，紫讯选取AgentCore后，解决的主题问题是：他们不必要过度规划自己的推算资源，能够更经济地急剧迭代，也不必要投入大量精力优化底层Harness必要处置的出产工程问题。 这里有一个矛盾的问题是：员工但愿Agent什么事都助自己做，相识自己的日常，相识自己的信息；企业则但愿员工安全地使用Agent，但愿有管控，不能让Agent什么事都做。 Quick的自动提醒职能，能把这些衔接汇聚在一路。它不只是提醒我有哪些事件，还会自动建议我应该给某位同事约一个会，或者给另一位同事做某件事。 每幼我在使用时城市形成幼我知识图谱，随着使用越来越多，它的决策也会越来越像我，以上是我以为Quick带来的几个极度值得关注和履历的点。