21世纪经济报道记者 彭新

如果一家企业担心赶不上AI，亚马逊副总裁兼首席技术官Werner Vogels给出的建议是：不妨先暂停一下，看看AI能帮上什么忙。

企业管理者常常担心自己跟不上技术节奏，更怕竞争对手已经先吃到技术发展红利。于是在AI时代，不少公司急于寻找能让员工效率更高、让自身看起来更具备创新姿态的解决方案。

（亚马逊副总裁兼首席技术官Werner Vogels，21世纪经济报道记者彭新 拍摄）

问题在于，有些决定在真正弄清“AI究竟能做什么”之前就已匆匆做出。“恐惧是一种非常糟糕的决策方式。”Werner Vogels告诉21世纪经济报道记者，企业不会因为没有马上使用AI，就立即倒闭。

他认为，当全行业沉浸在FOMO（fear of missing out，害怕错过）的情绪中时，企业最该做的，是先弄清业务要解决什么问题，再判断AI能不能帮上忙。

这番话从他口中说出来，多少有些出人意料。

亚马逊早已站在AI浪潮的中心：三十多年前，这家公司从一家网上书店起步；二十年前，它开始把计算与存储资源卖给其他企业，做大了云计算这门生意。

如今，AI让这家科技巨头的生意加速增长，市值突破了2万亿美元。从商品推荐到训练大模型，再到时下流行的智能体，企业都需要算力，而亚马逊正是这场热潮中提供算力和AI服务最重要的卖家，预计2026年全年资本开支高达2200亿美元。

尽管所在的公司如此热切地拥抱AI，这位亚马逊CTO仍希望客户们先想清楚，自己准备为什么付钱。

对技术抱有适度怀疑，并时刻关注着账单——这不像是一位硅谷布道者的口吻，但却是Werner过去二十年里最擅长的事。

事实上，很多年前，Werner自己也曾看走眼，低估过亚马逊的技术。

在2004年加入这家公司之前，他是康奈尔大学的一名研究员，专攻大规模分布式计算。有一次，亚马逊向他发出演讲邀请，他差点就回绝了。在2020年1月接受科技媒体Verdict采访时，他回忆起当时的“傲慢”，觉得亚马逊“只是一家卖书的公司”，技术架构无非是一台Web服务器外加一个数据库，能有什么难度？

事实证明，他大错特错。当他真正走进亚马逊，才发现支撑这家公司运行的系统规模与技术多样性，远超自己在象牙塔里的想象。他嗅到了将学术研究付诸实践的绝佳机会，随即于2004年收拾行囊，从康奈尔大学加入了亚马逊。

但当他开始负责这家公司的技术支出时，一项“切肤之痛”找上了门：支付数据库账单。

对大多数客户来说，数据库是昂贵的代名词，数据库软件账单往往数额惊人。而且，企业要想降低成本，往往得先乖乖签下五年甚至十年的长期合同。但对处于业务狂飙阶段的亚马逊来说，连预计下一年的资源需求都如同算命，更不用说五年之后。

业务风向随时可能变化，但白纸黑字承诺的巨额开支却没那么容易调整。

在接受采访时，Werner用了一个比喻来解释这种不满：这就好比顾客还没点菜，就必须先交1000美元才能落座用餐，即便最后没有消费满这笔钱，剩下的钱也概不退还。长达十几年里，全球企业面对的都是类似的问题，还没开始使用服务，就得先为尚不确定的需求买单。

后来，亚马逊启动了云业务，决心掀翻这张桌子，让客户只根据实际使用的资源花钱。

外界谈论云计算，常常首先想到“扩容”，生意做大了，计算资源可以实时跟着增加。但Werner更看重另一面：当业务不再需要这么多资源时，能不能少花一点钱？

“如果购买了硬件，晚上没有客户使用，它就闲在那里，但你已经付过钱。在云计算下，晚上可以关掉这些资源，不必继续为它们付费。”他说。

这一模式取得了巨大成功，灵活的云计算模式使得亚马逊颠覆了科技行业，成为全球规模最大、技术领先的公司。

电商流量的波峰波谷，导致弹性计算成为刚需。而亚马逊的坚定投入、对需求本质的追求，则促使云业务从自用走向了市场，开始重塑IT成本。

回顾云业务走过的二十年，Werner说：“在云业务中，真正让我自豪、也产生了重大影响的，是我们改变了一种经济模式。”

即便到了AI时代，大模型的成本问题也难以回避，如何选择模型成为企业必须面对的现实问题。

Werner对目前流行的各类模型基准测试（Benchmark）持保留态度，在他看来，这些人为构造出来的考题，与企业在实际业务中要解决的复杂工作并不相称。

“有时，模型足够好就够了，”他说，“你真的需要排名第一的模型吗？它可能比其他模型贵得多。”

据他观察，一些客户最初选择了昂贵的大模型，经过试验后发现，体量更小的模型已经足以完成任务，成本却只有原来的一小部分。开放模型还意味着，企业可以按照自己的意愿自行部署和运行。

如今，亚马逊云科技的模型服务平台Amazon Bedrock就像是一座大模型“商店”，提供包括通义千问、DeepSeek和Kimi在内的多种选择，Werner希望企业在上面不断实验、测试和学习，像比价一样对比不同模型，找到最合适的一款。

他也毫不掩饰对于中国开源模型的赞赏：“DeepSeek、通义千问和Kimi都是例子，月之暗面团队在Kimi底层设计了很出色的架构，叫Mooncake，也就是一种键值缓存（KV Cache，用于保存模型计算过程中的中间结果，减少重复计算、加快回答生成速度）。他们去年在重要的文件与存储技术会议上获得了最佳论文奖。他们的工作非常令人印象深刻。”

甚至在有些时候，一些问题根本不需要交给生成式AI。图像识别、语音处理、数据预测，都有更成熟的技术方案，实在不需要杀鸡用牛刀，去让一个大语言模型来为你“生成”答案。

那么，面对令人眼花缭乱的技术，企业管理者该听谁的？Werner建议，不妨先问问下面的开发者。他指出，优秀的开发者很可能已经在自发学习AI，这些人比高管更清楚这项技术的能力边界与局限。

至于这位年过六旬的CTO自己，也没有在AI浪潮中袖手旁观，而是在亲自使用这些新兴AI工具。

今年9月，他在个人技术博客发表的文章中写道，自己正在使用Kiro Crew（亚马逊推出的开源智能体平台）执行研究任务、管理日程、准备会议。

Werner拿自己密集的中国行程举例，如果他临时决定在深圳多待一天、在杭州少待一天，他很愿意让智能体帮忙改签火车票。但前提是，系统必须摸透改签流程，精准记住他的乘车偏好，并在后台持续处理这项任务。

他认可智能体正在成为一种全新的计算工作形式。不过，区别在于，如今的智能体被装入了更多知识，拥有了更强的自主行动能力，这也意味着，开发者必须更清楚地规定它究竟可以做什么。

Werner愿意让智能体代理事务，但他希望限制条件写得足够清楚。例如，硬性规定每天的支出不能超过100美元；一旦需要超过这个数额，就必须让人类参与决策。凡是客户没有明确授权的行动，系统就绝不能放行。

“你构建了它，就要对它负责。”Werner语气笃定，在他看来，智能体固然可以积累记忆、自我改进，但绝不会因此获得人类的独立意志，最终构建和部署它的人，仍然要为它的每一个行为兜底。

哪怕是用AI生成代码，也不能让工程师免除安全责任。在他看来，即便有了AI，初级工程师仍然需要老老实实地阅读代码、参与审查，理解系统底层为什么这样运行。

他明确表示，亚马逊仍保持以往的初级工程师招聘规模。对于参与过开源项目的应届毕业生，他会给予额外认可，因为这很可能意味着对方曾与其他人协作，所写代码也可能经过更多人的审阅。

有趣的是，尽管长期身处技术潮流前沿，Werner自己的多数心得和经验，起初也并不来自计算机行业。

在踏入科技圈之前，他早年曾在医院从事癌症研究相关工作，也曾穿上军装，在海军担任雷达和声呐操作员。据他在一次采访中的回忆，直到上世纪80年代，他纯粹是想找一份“能为家庭带来不错收入”的职业，才半路出家选择了技术行业。

或许正是这段非典型的从业过往，让他始终把技术视为服务于人的实用工具。