至顶网软件频道消息: 近日,在旧金山举行的AWS峰会上,9000名与会者倾听了大会上午的主题演讲,AWS宣布图像发布服务公司Shutterfly和汽车服务公司Cox Automotive成为自己新的云客户。
"他们全部采用了AWS,"亚马逊首席技术官Werner Vogels说,他提到Cox将在过渡期间关闭40个数据中心。"这是我们看到的一直在持续的模式。"

机器学习其中的驱动因素之一,也是从开始就赢得客户的原因之一。亚马逊将通过SageMaker为客户提供一系列智能应用,SageMaker是一项比较新的云服务,旨在简化模型的构建和训练,以分析和获取企业数据的价值。
AWS人工智能总监Matt Wood表示:"有成千上万的客户正在AWS上进行机器学习。机器学习正在云中复兴。"
SageMaker的本地模式
亚马逊宣布SageMaker将增加"本地模式"工具,该工具将允许开发人员在笔记本电脑上训练机器学习模型。同时,亚马逊也宣布以人工智能为动力的语言和文本到语音翻译服务Amazon Translate和Amazon Transcribe已经全面上市。
此外,亚马逊还将推出SageMaker的最新版本,广泛使用深度学习软件框架TensorFlow和MXNet,并使其成为开源软件。Wood说:"现在机器学习的秘密就是,它就像是一种底汤。我们正试图将机器学习交付给每个开发者。"
SageMaker的推进速度标志着AWS在人工智能和机器学习的野心,正在催生无数新服务,从图像和语音识别到自动驾驶汽车。亚马逊已经不仅仅做基础设施和云了。
深度学习摄像头DeepLens上市
这次峰会上,AWS特别提到了一个更有趣的产品,那就是是深度学习型摄像头DeepLens。去年11月AWS re:Invent大会上亮相的这款高清设备,代表了即将在网络边缘处理大量数据流的智能产品新浪潮。
AWS已经将大量DeepLens免费赠送给开发者,现在用户可在亚马逊上以249美元的价格提前预订。这次峰会上AWS高管提到了一些使用场景,包括在当地公园确定各种狗的品种。
Wood说:"这是一个非常有用的设备。我们看到很多DeepLens客户在使用完之后非常的兴奋。"
Marketplace客户达到17万
除了专注于机器学习外,AWS还简要介绍了其他一些云相关的服务。AWS Marketplace是用于查找和部署软件以运行在AWS云上的电子目录,现在有170,000名活跃用户和4,100多个列表。
Vogels说:"如果你是一家软件供应商,那么你就是运行在AWS上的。为什么?因为你的客户都在AWS那里。"
Amazon Aurora是一款为2014年推出的云计算而构建的、兼容PostgreSQL和MySQL的关系数据库,这个数据库不断获得了企业的认可。Vogels说:"这是AWS历史上发展最快的服务,我们将以开源的成本为客户提供企业级的数据库。"
从本质上讲,AWS正在将其庞大且迅速增长的服务组合打造成企业技术工作所需的一站式商店。
不过,尽管到目前为止AWS仍在云计算领域占主导地位,但也将面临更激烈的竞争,无论是微软和谷歌等公有云竞争对手,还是Oracke和IBM等IT领域的佼佼者。
主要的云端玩家将争夺市场份额,我们将第一次看到亚马逊要面对竞争压力。彭博社今天报道说,Oracle联席首席执行官Safra Catz星期二晚上与美国总统特朗普共进晚餐,并对政府与AWS签订的云合同表示了担忧。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。