昨天凌晨，亚马逊云科技宣布在Amazon Bedrock 平台上推出全托管、无服务器的DeepSeek-R1 模型——这是DeepSeek-R1 首次作为全托管、正式商用模型在海外云厂商中推出。

同时DeepSeek 也是首个登陆Amazon Bedrock的国产大模型——自今年1月底上线以来，已有数千客户通过Amazon Bedrock的自定义模型导入功能部署了DeepSeek-R1模型。

亚马逊 CEO Andy Jassy 第一时间在 linkedin 上发布了这一消息：

我们使它更容易使用DeepSeek-R1。

它现在在Amazon Bedrock上作为完全托管模型提供（AWS是第一个提供完全托管、正式可用的云服务提供商）。 无需设置或维护，并且具有创建有影响力、实用的生成式AI应用所需的所有安全保障和工具（如Guardrails、Agents和Knowledge Bases）。

请尽情使用。https://lnkd.in/eSVEvmiG

这背后的逻辑，是在 AI 快速发展、模型百花齐放的2025年，各大云厂商纷纷加码投入，想要争夺这一新兴战场的主导权。

模型变局——颠覆者的不断崛起和云厂商的应对之道

而当我们回顾过去两年 AI 发展史，就会发现一个有趣的现象：最优秀的 AI 模型往往不是来自人们最初预期的科技巨头。

在OpenAI 发布 ChatGPT 之后，从 Claude 的迅速崛起再到开源社区 DeepSeek-R1等模型的横空出世，AI 领域的创新者们不断刷新着我们对模型能力的认知边界。

尤其是今年初发布的 DeepSeek-R1，其以卓越的推理能力和代码生成能力，在短时间内获得了全球开发者社区的广泛认可。

这个现象也验证了一个关键洞察：

顶尖AI模型可能来自任何地方，而非仅限于OpenAI或Google等巨头之手。

对应于企业而言，将会经常会面临的情况是：某个场景先前用的是 LlaMa，但 DeepSeek R1 发布后发现它更为合适；或者今天某业务中用的是Qwen，但明天就需要调整为 Claude 了。

如何能快人一步，灵活调整，就显得尤为重要。

在企业客户诉求将趋向于是多而全，而非单一品类单一模型的背后，云厂商们群起争夺市场的关键，将是谁能洞察并把握住这个关键痛点，顺应企业客户的需求趋势。

而当前的OpenAI，Anthropic，xAI，DeepSeek，LlaMa 等模型公司，均仅提供自有模型服务，进驻云厂商，将自身模型能力与其他模型结合供客户选择，将成为必然的发展趋势。

考验云厂商的模型布局能力的时候到了。

在对各家云厂商对模型的支持情况进行了调研后，我发现一直秉持“选择大于一切”理念的亚马逊云科技，正基于这一趋势的洞察和提前布局，已然构建了一个囊括自研、开源和第三方模型的完整阵营，实现了从经济型到高端的模型全覆盖。

而排在亚马逊云科技之后的第二名，则是对 OpenAI 进行了资本布局的微软，其靠着 ChatGPT 系列模型也占据了不小的市场份额。

但随着微软与 OpenAI 在对未来理念上的分歧，及 OpenAI 模型被DeepSeek，Claude 和Grok 等模型的挤压，微软的竞争优势或将进一步减弱。

一个显著的事实是，亚马逊云科技基于其及时快速响应市场的能力，已经成为模型创新的首选平台——在亚马逊云科技的平台上，有接近200个精选模型，涵盖了各个领域和应用场景。

并且，这一状况似乎正在进入良性循环。

可以看到，目前亚马逊云科技模型目录已包含186个模型，涵盖从自研的Nova系列，到Claude、DeepSeek、Llama、Mistral、Falcon等众多第三方模型。通过明确的差异化定位，亚马逊云科技为企业客户提供了适应不同场景的丰富选择。

以几个代表性模型为例：Amazon Nova 作为亚马逊云科技自研的全能型基础模型，具有高性价比和通用性，适合客服、内容生成和企业内部自动化等日常任务；DeepSeek R1 则专精于复杂推理、数学计算和代码生成，是处理需要深度逻辑链任务的理想选择；而 Claude 系列则凭借其顶尖的综合性能，适合处理开放式复杂问题，提供接近人类水平的理解和创意能力。

有许多 model router 的项目，也正是基于上述需求而生，例如我自己就是自己造了个轮子，来对不同需求来使用不同的模型。

这里顺便展示一下我在用的模型路由系统，它根据不同 AI 模型的专长和用户的任务类型进行匹配。我是这样定义模型的：

import requestsfrom typing import Dict, List, Any, Optional
class AIModel:    def __init__(self, name: str, provider: str, strengths: List[str], use_cases: List[str]):        self.name = name        self.provider = provider        self.strengths = strengths        self.use_cases = use_cases            def describe(self) -> str:        return f"{self.name} by {self.provider}: Specialized in {', '.join(self.strengths)}"        def is_suitable_for(self, task_type: str) -> bool:        return task_type.lower() in [case.lower() for case in self.use_cases]
class TaskRouter:    def __init__(self):        self.models = []            def register_model(self, model: AIModel) -> None:        self.models.append(model)            def find_best_model(self, task_description: str, task_type: str) -> Optional[AIModel]:        suitable_models = [model for model in self.models if model.is_suitable_for(task_type)]                if not suitable_models:            return None                    # 简单示例，实际应用中需要替换为更合适的匹配算法        # 这里仅依据任务类型返回第一个匹配的模型        return suitable_models[0]            def route_task(self, task_description: str, task_type: str) -> Dict[str, Any]:        model = self.find_best_model(task_description, task_type)                if not model:            return {"status": "error", "message": "No suitable model found for this task"}                    return {            "status": "success",            "selected_model": model.name,            "provider": model.provider,            "task_description": task_description,            "task_type": task_type        }

然后把我用到的模型们都进行了实例创建：

# 创建模型实例amazon_nova = AIModel(    name="Amazon Nova",    provider="Amazon Web Services",    strengths=["高性价比", "通用性", "企业级解决方案"],    use_cases=["客服对话", "内容生成", "企业内部自动化", "日常助手"])
deepseek_r1 = AIModel(    name="DeepSeek R1",    provider="DeepSeek AI",    strengths=["复杂推理", "数学计算", "代码生成", "逻辑链分析"],    use_cases=["数学问题求解", "算法开发", "科学研究", "代码生成与调试"])
claude = AIModel(    name="Claude",    provider="Anthropic",    strengths=["开放式问题", "人类水平理解", "创意能力", "综合性能"],    use_cases=["复杂问题求解", "创意写作", "多轮对话", "开放式讨论"])

最终的任务路由和使用则可以这样来完成：

# 创建任务路由器router = TaskRouter()router.register_model(amazon_nova)router.register_model(deepseek_r1)router.register_model(claude)
# 这里只是示意，实例上可以用类似bert 的model 或4o-mini 的小模型来路四def process_user_request(user_query: str) -> Dict[str, Any]:    # 简单示例，实际应用中这部分可能需要更复杂的NLP分析    if "代码" in user_query or "编程" in user_query or "数学" in user_query:        task_type = "代码生成"    elif "创意" in user_query or "写作" in user_query or "开放" in user_query:        task_type = "创意写作"    else:        task_type = "日常助手"            return router.route_task(user_query, task_type)
# 案例test_queries = [    "帮我写一段Python代码计算斐波那契数列",    "为我的产品创作一段营销文案",    "回答我关于公司政策的问题"]
for query in test_queries:    result = process_user_request(query)    print(f"查询: '{query}'")    print(f"推荐模型: {result['selected_model']} (由 {result['provider']} 提供)")    print("-" * 50)

而在github 上，这样的项目也是一搜一大把：

可见多模型的应用，对开发团队和企业客户而言，已经是必选题。

而说回亚马逊云科技，其不同定位和价格的模型构成了一个完整谱系，可以让企业根据实际需求和预算来进行更灵活的选择。

在众多玩家中，亚马逊云科技凭借其独特的战略布局和持续的基础设施投入，正在逐步确立其在 AI 领域的领导地位。而亚马逊云科技之所以能精准击中众多企业用户的切身需求，正是因为其基于对模型变局认知和企业用户的切实需求交叉点，采取的“选择大于一切”(Choice Matters) 前瞻策略。

亚马逊云科技 CEO Matt Garman 也在LinkedIn 上分享表示：

「自从DeepSeek-R1在亚马逊云科技(AWS)上推出以来，我们已经看到了对它的惊人需求，现在我们成为第一个提供它作为完全托管、普遍可用模型的云服务提供商。这意味着强大而又无缝的人工智能，具备所有基本要素：内置安全性、全面监控、可定制的护栏以及对您数据的完全控制。今天就在 Amazon Bedrock上使用DeepSeek AI 的高级推理模型进行构建。」

在“选择大于一切”战略下，亚马逊云科技不押注单一赢家，而是打造开放平台，迅速将市场上涌现的优质模型纳入Bedrock/SageMaker生态，为客户提供多样化的选择。

对企业客户而言，这不仅能降低押注单一模型的风险，也可根据不同场景灵活选择最适合的模型组合。

资本博弈：云厂商 AI 基础设施投入对比

支撑这种多模型战略的，是亚马逊云科技在AI基础设施方面的巨额投入。

亚马逊CEO Andy Jassy在财报会议上指出，2024年第四季度263亿美元资本支出的“绝大部分”都用于亚马逊云科技的AI投资。

从近两年各大云厂商资本支出数据看，亚马逊云科技的投入力度确实远超竞争对手。

2024年，亚马逊云科技在基础设施方面的支出达到了830亿美元，远超微软的512亿美元和谷歌的525亿美元。这种大规模投资主要用于AI基础设施建设，为支持多样化的模型策略奠定了坚实基础。

另外经查阅了相关财报和资料，可以看到这种投资趋势在未来还将继续加强：

预计在2025年，亚马逊云科技的资本支出将达到1000亿美元，继续保持行业领先地位。

这种面向未来、持续加码的大力投入，也为亚马逊云科技提供了强大的硬件基础，支撑起其多模型战略的实施。

未来的多模型策略

结合前文提到的 Gartner 预测：

到2027年，中国80%的企业将使用多模型生成式 AI 策略来实现多样化的模型功能、满足本地部署要求兵获得成本效益。

公众号：Gartner公司Gartner发布2025年及未来中国企业实现AI价值的重要预测

基于当前AI模型格局和实际应用场景，可以预见的是：

未来主流的企业级AI应用将采用“高性能模型+good-enough模型”的组合策略。

企业实际部署AI应用时，大部分场景并不需要最尖端的大模型，而是需要一个足够好用、安全稳定且成本可控的“好用”模型来处理日常任务。

只有在特别复杂或创意性任务需求时，才需要调用更高端的专业模型。

在各家云厂商中，值得注意的是，亚马逊云科技在年初以来就开始持续快速集成新模型，我梳理了一下2025年以来亚马逊云科技模型的上线时间线：

这种持续不断的密集式模型更新，也正是亚马逊云科技「选择大于一切」策略的实际体现。

亚马逊云科技的多模型策略，也恰好契合企业客户“多+好的模型使用”这一需求趋势。

例如，企业可以使用经济型的 Nova 处理大量的日常任务，用 DeepSeek R1 处理代码和推理任务，而在需要最高质量输出的场景下调用 Claude。

这种灵活组合的能力，能够让企业在性能和成本之间找到最佳平衡点，且切换成本极低，业务迭代很快。

而在提供丰富模型选择的同时，亚马逊云科技也高度重视 AI 应用的安全性。

亚马逊云科技 CEO Matt Garman 指出：

「安全是构建业务的根基。对于我们来说，安全性在每一项工作中都至关重要。」

针对DeepSeek等模型可能出现的幻觉、数据隐私等安全挑战，亚马逊云科技提供了全面的三层防护体系：

1. 基础安全防护：通过Amazon KMS、IAM和VPC等服务，确保模型托管与运营的安全性，提供静态和传输中数据加密、细粒度访问控制等功能

2. 有害信息处理：Guardrails安全防护栏功能可过滤有害内容、限制特定主题和敏感信息，并通过自动化推理检查功能有效减少模型幻觉

3. 深度防御策略：构建全面的安全防御体系，覆盖企业架构、全生命周期安全设计、分层防御和信任边界控制等方面

除了安全防护功能以外，Amazon Bedrock 还提供“一站式”开发组件，包括，知识库、智能体、模型评估、提示词管理，让大模型更简单易用，帮助企业快速落地场景化应用。

选择大于一切的制胜之道

DeepSeek R1 的崛起让我们再次看到，顶尖 AI 创新可能来自任何地方，而非仅限于几家科技巨头。在这个 AI 百花齐放的时代，亚马逊云科技通过打造开放的平台生态、持续加码基础设施投入、以及构建企业级安全防护，已然建立了其独特的竞争优势。

这不仅让企业客户能够灵活应对不同场景的 AI 需求，也为整个行业的创新提供了肥沃土壤。同时也更加印证了亚马逊云科技“选择大于一切”(Choice Matters)的策略正当其时。

对于企业用户而言，无论是DeepSeek 还是Nova 或Claude，能带来商业价值的模型才是源动力，各家云厂商的策略和布局也需要聚焦商业价值，真正从企业用户的商业诉求出发并提前布局。了解企业用户的诉求、解决企业用户的痛点、提前布局企业用户的未来发展，才能与企业用户共同成长，并更好地帮助企业实现商业价值。

纵观各云厂商布局，于企业客户而言，选择亚马逊云科技平台来构建多元化的模型策略组合，或将成为 AI 时代的制胜法宝。

如果你是个人开发者或企业用户的读者，并要想亲身体验多模型开发，可以通过亚马逊云科技最新实验“大模型选型实战”直接参与。

实验特别设计了趣味性强的测试案例，零门槛、重实践、有趣味，这是一次近距离接触 AI 前沿技术的绝佳机会。

准备好开启模型探索之旅了吗？

——立即扫码，与 AI 零距离接触！

（文：AGI Hunt）