AWS re:Invent 是 AWS 每年一度在拉斯維加斯舉辦的全球雲端大會，今年（2025）是第 14 屆，時間是 12 月 1–5 日，會場分散在拉斯維加斯大道上的多個大型飯店與會議中心。每年都有來自全球的開發者、架構師、企業決策者與合作夥伴齊聚一堂，一週內集中發布 AWS 最新的雲端與 AI 服務、產品路線與實作案例。
一、AWS re:Invent 2025：六個你不能錯過的關鍵訊號
1. AWS 的規模本身就是一座 AI 護城河
AWS 公布的幾個關鍵數字：
- 年營收已達 1,320 億美元，年成長率回升到約 20%。
- 過去 12 個月新增營收約 220 億美元，比超過一半《財富 500 強》公司的年營收還多。
- 一年內新增約 3.8GW 資料中心容量，是全球最大的新增量之一。
- 全球私有網路總長度已超過 900 萬公里，包含海底電纜。
這些數字代表的是：
AWS 有足夠的規模與資本，把 AI 所需的算力、網路與儲存鋪到別人很難追上的程度。
2. Trainium 3 / 4 + AI Factories：算力與部署模式大翻轉
在晶片與基礎設施上，幾個關鍵更新：
- Trainium 3 UltraServers 正式 GA，被定位為大規模 AI 訓練與推論的高性價比平台。
- 下一代 Trainium 4 已開始設計，FP4 運算效能預計提升數倍，記憶體頻寬與容量也同步放大。
- 全新服務 AWS AI Factories 讓企業可以把 Trainium Ultra、NVIDIA GPU、Bedrock、SageMaker 等能力，直接部署在自己的資料中心，運作方式近似一個「專屬的 AWS 私有 AI 區域」。
未來不一定是「把資料搬到 AWS 跑 AI」，而是可以把「AWS 的 AI 能力搬進你的機房」。
3. Nova 2 + Nova Forge：從用別人的模型，走向養自己的模型
在模型層，AWS 做了兩件事：
- 推出新一代 Nova 2 模型家族：
- Nova 2 Lite：追求高效、低成本推論。
- Nova 2 Pro：強調推理與工具使用能力，是代理人場景的主力。
- Nova 2 Sonic：語音對語音模型，支援即時、自然的語音互動。
- Nova 2 Omni：統一多模態模型，支援文字、影像、音訊、影片輸入。
- 發布 Amazon Nova Forge：
- 引入「開放式訓練模型」（Open Training Models）的概念。
- 企業可以在模型不同訓練階段（checkpoint）注入自家資料，而不是只能事後微調。
- 藉由這種方式產生的企業專屬模型，被稱為 Novellas。
就像人長大後再學語言比較吃力，但在成長期學習卻能吸收得又快又自然。Nova Forge 的做法，就是讓企業能在模型的「成長期」就開始教它自己的語言與規則。
4. Bedrock 已經變成真正的「企業 AI 平台」
幾個關鍵採用數據：
- 全球已有 超過 10 萬家企業 使用 Amazon Bedrock。
- 過去一年，Bedrock 客戶數成長超過一倍。
- 超過 50 家客戶各自處理了超過 1 兆個 token 的推論。
在 Bedrock 之上推出 AgentCore，作為統一的代理人編排與治理層：
- 你可以在這裡註冊企業內部的 API、Lambda、內部系統等各種工具。
- 透過 Policies 設定代理人能用哪些工具、在什麼條件下可以下指令、哪些操作一律禁止。
- 用 Evaluations 持續評估代理人的品質（正確性、有用性、安全性等），並根據真實世界的行為迭代調整。
這表示 Bedrock 已經從「實驗平台」變成「企業級 AI 生產平台」，很多公司在上面跑的已經不只是 demo，而是真正在支撐服務與內部流程。
更多關於 Amazon AgentCore 的介紹，可以參考: AgentCore 讓 AI Agents 擺脫原型階段，真正進入企業生產環境
5. Frontier Agents：AI 不再只是「助手」，而是能接下專案的虛擬同事
AWS 推出三種 Frontier Agents（前沿代理人）：
- Kuro Autonomous Agent
- 幫開發團隊自動處理複雜的工程任務，例如：開新功能、修 bug、提高測試覆蓋率。
- 可長時間運作，與 GitHub、Jira、Slack 等工具整合。
- AWS Security Agent
- 自動審查系統設計文件。
- 掃描程式碼與設定中的安全弱點。
- 將過去需要人工安排的滲透測試，變成「隨需使用」的持續性實務。
- AWS DevOps Agent
- 監控系統事件、偵測異常。
- 自動協助找出 root cause。
- 提出潛在修復方案與改善建議。
其中最被討論的，是 Kuro 在 Amazon 內部的一個實際案例：原本估計需要 30 位工程師、18 個月 才能完成的大型架構重構專案，在全面導入 Kuro 之後，實際結果是 6 個人、76 天就完成。
這個數字說明：
AI 已經不只是寫程式小幫手，而是有能力交付「一整個專案」的生產力單位。
6. 最後 10 分鐘的 25 項更新：AI 正在重寫整個雲端堆疊
在 Keynote 的最後，AWS 用倒數計時的方式，一口氣公布了 25 項核心雲端服務的更新，涵蓋：
- 運算（EC2、Mac 實例、Lambda Durable Functions）
- 儲存與向量（S3、S3 Tables、S3 Vectors）
- 資料庫與分析（RDS、OpenSearch、EMR Serverless、Database Savings Plans）
- 安全與可觀測性（GuardDuty、Security Hub、CloudWatch）
表面看起來是功能大放送，但如果拉回到 AI 敘事，你會發現：
這些更新通通在替「AI 大量上線」那一天做準備。
二、如果你是 AWS 企業用戶，這些更新實際代表什麼？
前半段比較像「知道 AWS 在做什麼」。
接下來的重點是：那對你現在或未來 1–2 年的雲端與 AI 計畫，到底有什麼實際影響？
1️⃣ AI 基礎設施與成本：你的「AI 成本公式」要改寫了
AWS 做了什麼？
- 持續強化 Trainium 晶片與 UltraServers，並預告下一代 Trainium 4。
- 與 NVIDIA 的合作進一步擴大，推出搭載新一代 GPU 系統的 EC2 實例。
- 引入 AI Factories，讓企業可以在自家機房內部署一套專屬的 AWS AI 基礎設施。
這對企業意味著什麼？
- 「AI 太貴，所以先做做 POC 就好」這種說法，未來會越來越站不住腳：
當推論與訓練成本持續下降，真正的問題會變成「你有沒有把 AI 用在對的地方」，而不是「你付不付得起」。 - 對有大量 on-prem、嚴格法規或資料主權需求較高的組織（金融、醫療、政府、製造）來說，AI 的導入不再只是「上公有雲」與「完全不上雲」兩種極端選項，
而是多了一條：把 AWS 的 AI 能力搬進資料中心的中間路線。
勤英科技如何建議？
- 幫你做一份「AI 成本結構體檢」：
- 目前在 AWS 上已經有的推論與訓練工作，分散在哪些服務？
- 如果未來逐步導入 Trainium 或不同實例家族，可能節省多少成本？
- 協助評估你現有的機房與網路環境，從「AI Factories 有沒有機會落地」的角度重新檢視，而不是只把 on-prem 視為技術債。
2️⃣ 模型與企業資料：從「叫模型幫忙」走向「養自己的模型」
AWS 做了什麼？
- Nova 2 系列模型提供從高效推論到多模態理解的完整組合。
- Bedrock 已被超過十萬家企業採用，處理的 token 量級已經是「兆」為單位。
- 透過 Nova Forge + Open Training Models + Novellas，讓企業可以在模型的「成長階段」就開始注入專有知識，而不是只在最後做微調。
這對企業意味著什麼？
過去常見的企業 AI 導入組合是：
「現成模型 + RAG + 微調」
未來可能會演化成：
「現成模型 + RAG + 局部重新訓練 + 更嚴謹的 Policies」
差別在於：
- RAG：模型可以「查得到」你的資料。
- 微調：模型可以「記住一些」你的資料。
- Nova Forge：模型是「在成長過程中就理解你的業務」，變成一個真正內建公司知識與邏輯的企業專屬 AI。
這會逼企業開始認真面對一個問題：
你的資料現在是為「報表」整理，還是為「AI 可以理解」整理？
勤英科技如何建議？
比較務實的做法，不是直接衝去做「我要一個我的 Novellas」，而是分幾步走：
- 先在現有 AWS 環境中，把資料分類：
- 哪些適合用於 RAG？
- 哪些因為隱私或法規，未來只能在 AI Factories 裡用？
- 選一個具體場景，做一個 「RAG + Nova 2／Mistral」的小型專案：
例如內部知識庫問答、技術支援、售前 Q&A。 - 在這個過程中順便建立：
- 給 AI 看的資料格式與品質標準
- 權限與審計的基本規則
才有機會在之後順利往「部分重新訓練、打造專屬模型」那一步前進。
3️⃣ 那 25 項看起來很雜的更新，其實都在替 AI 打底
AWS 做了什麼？
- 運算升級 – Compute & Lambda
- 新一代 X family 大記憶體實例、C8 系列 CPU 強化、M8 AN 超高時脈實例、Mac M3 Ultra / M4 Max。
- Lambda Durable Functions 讓需要等待數小時或數天的長流程，可以用 Serverless 方式實作。
- 儲存升級 – Storage / Vector
- S3 最大物件從 5TB 提升到 50TB，Batch 操作最多快 10 倍。
- S3 Tables 引入 Intelligent Tiering，可節省大量儲存成本，並支援跨區、跨帳戶複製。
- S3 Vectors GA，可在 S3 上原生存放與查詢向量嵌入，向量儲存與查詢成本大幅下降。
- 資料庫升級 – Database / Analytics
- RDS for SQL Server / Oracle 容量上限提升到 256TB，IOPS 與頻寬也提升。
- 支援指定 vCPU 數量以優化授權成本。
- OpenSearch 向量索引支援 GPU 加速，大幅提升索引效率並降低成本。
- Database Savings Plans 提供資料庫層級的費用折扣。
- Security / Observability
- GuardDuty 擴展支援 ECS。
- 新版 Security Hub 提供更即時的風險分析與趨勢儀表板。
- CloudWatch Unified Data Store 可以統一儲存並分析來自 CloudTrail、VPC Flow Logs 以及第三方來源的記錄。
這對企業意味著什麼？
- 當你真的把 AI 導入到更多產品與內部流程時：
- 儲存量一定會暴增，尤其是非結構化資料與向量。
- 資料庫的 IO 與容量壓力會變大。
- 安全事件與系統事件的數量只會更多不會更少。
這 25 項更新，本質上是在幫你：
- 把「道路加寬」（更強的運算與儲存）
- 把「紅綠燈升級」（更精細的安全偵測與治理）
- 把「監視器裝好」（更好的可觀測性）
讓 AI 這台新引擎上路的時候，不會把整個系統撞壞。
勤英科技如何建議？
- 重新檢視你現有的 AWS 架構與帳單：
- 哪些 S3 Bucket 適合導入 S3 Tables 或 S3 Vectors？
- 哪些 RDS 工作負載適合納入 Database Savings Plans？
- GuardDuty、Security Hub、CloudWatch 的新功能，能不能順勢納入你的 SecOps、FinOps、AIOps 流程中？
三、接下來 6–12 個月，企業可以從哪三件事開始？
如果你已經在用 AWS，或準備在 AI 上加大投資，可以把 re:Invent 2025 當作一個時間點，重新整理一下自己的雲端與 AI 路線圖。這裡有三件事，值得在接下來一年內優先處理：
✅ 1. 重算一次「AI + 雲端」的成本與架構
- 盤點現在所有在 AWS 上跑的工作負載，粗略分成三類：
- 純傳統應用（Web / App / DB）。
- 已經有用到 AI／ML 的服務。
- 未來有機會導入 AI 的場景（客服、內部查詢、營運優化等）。
- 隨著 Trainium、AI Factories、S3 Vectors、Database Savings Plans 等更新，
很多原本覺得「算起來不划算」的 AI 應用，可能會變得合理許多。
✅ 2. 至少選一個「AI 代理人」PoC 場景
- 選一個具備以下條件的場景：
- 資料充足、規則明確。
- 影響範圍可控，適合做 sandbox。
- 成效容易量化（節省人力時間、縮短處理時間、降低 ticket 量等）。
- 從這個場景出發，設計第一個「人 + Agent 協作」的流程，目標不是立刻省掉幾個人，而是學會：
- 怎麼定義代理人的任務與邊界。
- 怎麼設計回饋與審核機制。
- 怎麼把成功模式複製到其他部門。
✅ 3. 把「資料給 AI 看」當成新的治理基準
- 不再只是用「備份是否完整」「有沒有 DR」來看資料，而是多問幾個問題：
- 這些資料如果交給 AI，看得懂嗎？
- 權限與遮罩做得夠不夠細？
- 有沒有清楚的審計紀錄，知道 AI 看過什麼、用了什麼？
- 這會影響你對 S3 結構、Metadata、RDS Schema、Data Lake、Data Warehouse，甚至 IAM、Policies 的設計方式。
結語：從 Keynote 到真正落地
AI 代理人時代已經啟動，AWS 把晶片、模型、平台和工具都準備好了，接下來差別只在於：誰先把它用進每天的營運。
如果你想從重新盤點 AWS 成本、優化架構，到用 Bedrock、向量搜尋或代理人做第一個 PoC，勤英科技作為 AWS 專業代理商，可以一起協助你規劃與落地，讓今年看到的 re:Invent 題目，明年真的變成看得到成效、算得出投報的專案。
*資料來源：AWS 官網 / AWS YouTube
