來源： https://www.aboutamazon.com/news/aws/trainium-3-ultraserver-faster-ai-training-lower-cost 訓練一個 Frontier Model (前沿模型) 需要多少錢？OpenAI 的 GPT-4 訓練成本估計超過 1 億美元，Google 的 Gemini 和 Anthropic 的 Claude 也都在相似量級。這些數字背後是數千張 GPU (Graphics Processing Unit，圖形處理器)、數月的運算時間，以及龐大的電力和冷卻基礎設施投資。過去，只有 FAANG (Facebook、Apple、Amazon、Netflix、Google) 等科技巨頭能負擔這樣的成本，AI 訓練的門檻將大多數中型企業和研究機構擋在門外。 但這個局面正在改變。AWS 推出的 Trainium3 UltraServers 讓 Anthropic 的訓練成本降低達 50%，讓 Decart 的即時生成影片推論速度提升 4 倍且成本減半，Amazon Bedrock

一家中型電商平台，光是資料庫費用一年可能就高達 120 萬美元。面對這筆龐大支出，企業往往陷入兩難：財務長希望能簽訂長約省錢，技術長卻擔心簽了約會綁死架構，阻礙未來的技術更新。 過去，企業為了獲得折扣，不得不購買 Reserved Instances (RI，預留執行個體) ，但這往往伴隨著高昂的隱形成本：一旦業務轉型、更換資料庫類型或跨國擴張，原本買好的 RI 合約就成了無法變現的「沈沒成本」。 AWS 推出的 Database Savings Plans 正是為了解決這個痛點而生。它打破了傳統合約的僵化限制，提供最高 35% 的折扣，並具備跨服務、跨區域的自動適用特性。本文將解析這個方案如何幫助台灣企業在「降低成本」與「保持彈性」之間取得最佳平衡。 為什麼傳統的 RI 模式不再好用？ 傳統的 Reserved Instances (RI) 邏輯很簡單：你承諾使用特定的資源 (例如：在美國東岸使用 RDS MySQL)，AWS 給你折扣。這對靜態環境有效，但在快速變動的現代商業環境中，RI 的三大限制卻成了絆腳石： 綁死服務種類： 你為 R

一位新創技術長每天都要經歷同樣的困擾：打開開發工具後，花十分鐘向 AI 助手重新解釋專案架構、資料庫設計、程式規範——即使昨天才剛說過。更糟的是，開發工具啟動時自動載入了數十個外掛程式，但今天只需要處理資料庫工作，其他工具只是拖慢速度、佔用寶貴的記憶空間。 這不是個案。根據開發者社群調查，超過 70% 的團隊每天花費 1 至 2 小時「重新教育」AI 工具。在 AWS re:Invent 2025 大會上， AWS 發表 Kiro ，透過持續性記憶與智能工具載入兩大核心能力，徹底解決這些長期困擾開發者的問題。 為何 AI 總是「短期記憶」？ 記憶空間的先天限制 當你與 AI 助手對話時，所有歷史訊息都儲存在一個有限的記憶空間中。即使最先進的模型也只能記住最近的內容，當對話過長時，早期的內容會被「遺忘」。更關鍵的是，當你關閉對話或重啟開發工具時，這些記憶會完全清空——你必須從零開始重新建立理解。 對個人開發者而言，「每次重新解釋」已經夠麻煩；對團隊來說問題更嚴重。當同事昨天與 AI 討論了複雜的邏輯實作，今天你接手相關功能時，AI 對那段討論毫無

當企業擁有數以萬計的影片資產——產品展示、客戶見證、培訓內容、行銷素材——卻無法有效搜尋與利用時，這些資料就只是佔用儲存空間的成本，而非創造價值的資產。傳統的影片搜尋依賴人工標籤或基本的語音轉文字，既耗時又不準確。 2025 年 12 月 1 日，TwelveLabs 在 AWS re:Invent 大會上宣布 Marengo 3.0 正式推出，這個號稱「全球最強」的影片理解模型現已在 Amazon Bedrock 和 TwelveLabs 平台上提供服務。不同於傳統模型的逐幀分析，Marengo 3.0 將影片視為完整的動態系統，能「直接連結」其中涵蓋的對話、手勢、動作與情緒內容。 數據證明其突破性：儲存成本降低 50%、索引效能提升 2 倍、支援長達 4 小時的影片、辨識 36 種語言。這不只是技術進步，而是讓企業能以「搜尋文字的方式」輕鬆搜尋與理解影片內容的典範轉移。 從「看」到「看懂」：影片理解的典範轉移 傳統方法的根本限制 人類觀看影片時，不只是處理一系列靜止畫面。我們理解劇情發展、感受情緒變化、預測接下來會發生什麼。一個角色在開場時

一家 SaaS 公司剛將 AI 客服代理部署到生產環境，原本預期它能自動處理退款申請、加速客戶服務流程。然而，上線第三天，財務部門發現一筆異常：AI 代理在深夜批准了一筆 5 萬美元的退款請求，而公司政策明確規定超過 1,000 美元的退款必須人工審核。更糟的是，團隊花了兩天時間追查日誌，才找到問題根源——AI 代理在理解客戶訴求時，誤判了退款的「合理性」，繞過了原本設計的檢查機制。 這不是孤立案例。當 AI 代理被賦予更多自主權——從存取資料庫、呼叫 API、到執行業務邏輯——它們的「能力」與「風險」同步攀升。傳統的「透過提示詞約束行為」已不足以應對生產環境的複雜性，企業需要的是一套能在代理程式碼之外、即時且確定性地控制代理行為的機制。 AWS Amazon Bedrock AgentCore 推出的 Policy in AgentCore 正是為了解決這個問題：讓團隊用自然語言定義政策 (如「禁止超過 1,000 美元的退款」)，並在毫秒級內攔截違規行為，確保 AI 代理在自主運作的同時，始終遵守企業規範。 為何 AI 代理的自主性讓企業不

當企業試圖將通用 AI 模型客製化以融入專有知識時，往往面臨一個「不可能三角」：選擇透過提示工程 (Prompt Engineering) 或檢索增強生成 (Retrieval Augmented Generation, RAG) 進行淺層客製化，但無法將知識真正嵌入模型核心；或是持續訓練開源模型，卻面臨「災難性遺忘」 (Catastrophic Forgetting) 的風險，讓模型在學習新知識的同時失去原有的基礎能力；又或是從零開始建構模型，但成本高昂且耗時數年，只有少數頂尖企業負擔得起。 這個困境讓許多擁有大量專有數據的企業陷入兩難：通用模型無法理解自己的業務，但客製化模型的技術與成本門檻又過高。AWS 在 re:Invent 2025 大會上發布的 Amazon Nova Forge 服務，正是為了打破這個僵局。透過業界首創的「開放訓練」 (Open Training) 方法，Nova Forge 讓企業能在預訓練、中期訓練、後期訓練三個階段都注入專有知識，同時避免災難性遺忘的風險。 Reddit、Sony、 Booking.com

一家金融服務公司的安全團隊每天早上都面臨同樣的挑戰：安全分析師需要登入 Amazon GuardDuty 檢查威脅偵測警報、切換到 Amazon Inspector 查看漏洞掃描結果、再開啟 Amazon Macie 確認資料洩漏風險、最後還要登入 Security Hub CSPM 檢查配置偏移。四個不同的主控台、四組不同的警報、四種不同的優先級判斷標準——當一個 EC2 執行個體同時出現在 GuardDuty 的惡意活動警報和 Inspector 的高風險漏洞清單中時，團隊需要手動拼湊這些訊號，才能理解真正的風險全貌。更糟的是，當資安長 (CISO) 詢問「過去三個月我們的整體安全態勢是改善還是惡化？」時，分析師必須從四個系統匯出資料、手動製作報表，而這個過程往往需要數天時間。這不是個案，而是許多企業在使用多個 AWS 安全服務時面臨的真實困境。今天， AWS Security Hub 正式發布 (General Availability)，透過統一平台、近即時威脅關聯、以及長達 1 年的歷史趨勢資料，徹底改變企業安全營運的方式。 4

在 AI 技術快速演進的 2024 年，企業對「代理式 AI」 (Agentic AI) 的期待達到前所未有的高度。然而，當企業嘗試將代理從實驗室搬進生產環境時,卻發現一個殘酷的現實：代理式 AI 的自主性 (Autonomy) 成為最大的阻礙。代理能夠自主推理、呼叫工具、執行任務，但也正因為這種自主性，企業面臨四大生產環境障礙：失控風險、品質不穩定、無法學習、對話僵硬。 這些障礙的真實代價正在顯現。PGA TOUR 在導入 Amazon Bedrock AgentCore 之前，內容生成流程耗時且昂貴；Workday 的財務規劃團隊每月需要花費數百小時進行例行性分析；Grupo Elfa (巴西經銷零售商) 的銷售團隊每天需處理數千個報價，卻對代理決策缺乏可見性。 但情況正在改變。PGA TOUR 透過 AgentCore 建構的多代理內容生成系統，將內容撰寫速度提升 1000%，同時將成本降低 95%，現在能為賽場上每一位選手提供全面報導。Workday 的 Planning Agent 使用 AgentCore Code Interpre

每個資訊科技 (Information Technology, IT) 團隊都知道技術債的夢魘：當業務需要新功能時，30% 的時間卻必須花在維護老舊系統、手動搬遷資料、重寫過時程式碼。這不是效率問題，而是創新的枷鎖——當最優秀的工程師被困在重複性的現代化工作中，企業的競爭力正在流失。 加拿大航空 (Air Canada) 找到了打破這個循環的方法。透過 AWS Transform 的客製化能力 (Custom Capability)，他們在短短幾天內完成了數千個 AWS Lambda 函數的現代化轉換，專案執行時間與成本雙雙降低 80%。這不是個案，而是代理式人工智慧 (Artificial Intelligence, AI) 改寫應用程式現代化規則的開端。 技術債的真實代價：創新資源的隱形流失 技術債不只是陳舊的程式碼，而是組織敏捷性的持續消耗。當系統建立在過時的程式語言、框架或基礎架構上時，每次升級、每次整合、每次擴展都需要額外的工程時間。AWS 指出，企業 IT 團隊經常需要額外花費 30% 時間成本進行手動現代化工作。 30% 成本背

一家金融科技新創在產品上線兩週後，收到資安研究員的漏洞通報：他們的支付 API 在特定情況下會在回應中洩露其他使用者的交易記錄。更令團隊震驚的是，這個漏洞並非傳統的 SQL 注入或跨站腳本攻擊 (XSS)——所有程式碼掃描工具、靜態分析、甚至第三方安全稽核都沒有發現任何異常。問題出在「業務邏輯」：當使用者查詢交易狀態時，系統正確驗證了身份，但在資料過濾邏輯中存在一個微妙的判斷錯誤，導致回應包含了不該被看見的資訊。修復這個漏洞花了三天，但更大的損失是信任——客戶質疑「還有多少類似的問題沒被發現？」 這不是孤立案例。根據 OWASP (Open Web Application Security Project) 的統計，業務邏輯漏洞佔所有嚴重安全問題的 15% 至 20%，但它們極少被自動化工具偵測到，因為這類問題需要理解應用程式的「預期行為」與「實際行為」之間的差距——這正是傳統工具的盲點。當企業將安全檢查推遲到開發後期或部署前夕，發現問題時往往已經投入大量資源，修復成本與時間壓力都會倍增。AWS 推出的 AWS Security Agent 正

一家 SaaS 公司在產品中加入 AI 聊天助理功能，讓使用者能用自然語言查詢產品文件、過往對話紀錄、技術規格。為了實現這個功能，他們建置了專門的向量資料庫儲存數百萬筆文件的語義表徵，每月資料庫成本高達 10 萬美元，其中 70% 花在儲存和索引維護上。技術長問了一個關鍵問題：「我們已經把所有文件存在 S3 了，為什麼還要花這麼多錢維護另一個資料庫？」 AWS 最新推出的 Amazon S3 Vectors 正式回應這個問題。作為全球首個內建向量搜尋能力的雲端物件儲存服務，S3 Vectors 讓企業直接在 S3 上儲存和查詢向量資料，單一索引可支援高達 20 億個向量 (是預覽版時的 40 倍)，查詢延遲低至 100 毫秒，最重要的是成本比專門向量資料庫降低達 90%。對於正在建置對話式 AI、知識檢索、推薦系統的企業來說，這意味著不用再為了向量搜尋功能額外養一套昂貴的資料庫基礎設施。 S3 Vectors 已與 Amazon Bedrock Knowledge Bases 和 Amazon OpenSearch 深度整合，讓企業能快速建

「你能 100% 確定雲端伺服器上沒有其他人能存取你的資料嗎？」這是每位 CTO 和資安長在評估雲端服務時最核心的疑問。傳統雲端安全依賴「我們說很安全」的承諾，但 AWS Graviton5 透過 Nitro Isolation Engine 提供了全球首個「數學證明安全性」的 CPU——不是「相信我們做了很多安全措施」，而是「數學上不可能有其他人存取你的工作負載」。 這是什麼概念？想像你家門鎖的廠商說「我們的鎖很安全」，與數學家證明「在已知物理定律下，這把鎖不可能被撬開」的差異。前者是承諾，後者是證明。Nitro Isolation Engine 使用形式驗證 (formal verification) 技術，透過數學證明確保工作負載之間的隔離、防止 AWS 操作員存取客戶資料、保證虛擬化層不會洩漏資訊。 正因如此，Adobe、Airbnb、Atlassian、Epic Games、Formula 1、Pinterest、SAP、Siemens、Snowflake、Synopsys 等 98% 的 AWS 前 1000 大客戶都選擇 Gravi

企業數位轉型的腳步越來越快。一家電商平台，今天可能還在使用傳統的 MySQL 資料庫，明天就需要引進 NoSQL 來應對暴增的流量；後天又因為新的 AI 應用，需要部署圖形資料庫來分析用戶行為。 這種快速變化的技術需求，讓許多企業陷入兩難：財務部門希望透過長期承諾來獲得成本優勢，技術部門卻擔心綁死架構會阻礙創新。過去，這確實是一個難以兼顧的矛盾。 AWS 推出的 Database Savings Plans 正是為了解決這個現代企業的核心痛點而生。它打破了傳統採購模式的限制，提供最高 35% 的折扣，並具備跨服務、跨區域的自動適用特性。本文將解析這個方案如何幫助台灣企業在「降低成本」與「保持彈性」之間取得最佳平衡。 現代企業的三大資料庫管理挑戰 隨著雲端技術的快速演進，企業的資料庫需求也變得越來越複雜。今天的企業面臨三個前所未有的挑戰。 技術棧快速演進 五年前，大多數企業只需要一種關聯式資料庫就能應付所有需求。但現在，一個現代化的應用程式可能同時需要關聯式資料庫處理交易、NoSQL 資料庫處理高流量讀寫、記憶體快取加速回應速度、圖形資料庫分析複雜

企業在導入 AI 應用時，往往面臨「不可能三角」的困境：高效能模型價格昂貴、平價模型能力不足、整合外部工具需要大量工程資源。這個現實讓許多中小企業只能望 AI 興嘆，或是被迫在成本與品質之間妥協。然而，AWS 在 re:Invent 2025 大會上發布的 Amazon Nova 2 模型家族 ，正試圖打破這個困局。 Amazon Nova 2 並非單一模型，而是四款針對不同應用場景優化的模型家族： Nova 2 Lite 以產業領先的價格效能比處理日常工作負載、 Nova 2 Pro 以最高智慧水準解決複雜任務、 Nova 2 Sonic 提供即時語音對話能力、 Nova 2 Omni 則是業界首創能同時處理並生成多模態內容的統一模型。更關鍵的是，Nova 2 Lite 和 Pro 內建網頁搜尋與程式碼執行能力，讓開發者無需串接外部 API 即可獲得完整功能。 這套模型家族的發布，代表 AWS 正在實踐「AI 民主化」的承諾：讓任何規模的企業都能以合理成本取得高效能 AI 能力，不再需要龐大的技術團隊或預算才能啟動 AI 轉型。 Nov

「您的訂單編號是多少？」客服 AI 問道。客戶提供編號後，AI 回答：「查詢到您的訂單，目前狀態是處理中。」對話結束。客戶掛上電話，問題依然沒有解決——他想知道的是「為什麼延遲」、「何時能收到」、「能否加速處理」。傳統 AI 客服的致命弱點在此顯露：它們能回答問題，卻無法解決問題。 這不是技術能力的問題，而是架構設計的限制。傳統客服 AI 被設計為「資訊查詢系統」——接收輸入、檢索資料、輸出回應。它們缺乏三個關鍵能力：推理複雜情境的能力、主動採取行動的權限、跨系統整合資訊的脈絡。結果是大量簡單問題得到解答，但稍微複雜一點的需求就必須轉接真人客服，造成人力資源的浪費與客戶體驗的斷裂。 2025 年 12 月，AWS 在 Amazon Connect 導入的「代理式 AI」(Agentic AI) 能力，標誌著客服智慧的典範轉移。這些 AI 不再只是「會說話的資料庫」，而是能夠推理、規劃、執行多步驟任務的智慧代理。它們能夠理解客戶真正的需求、主動存取多個系統、協調複雜流程、在背景處理繁瑣事務——同時讓真人客服專注於建立關係與處理複雜情境。 代理式

AWS re:Invent 2025 倒數第二日，AWS 公用運算高級副總裁 Peter DeSantis 聯同 AWS 運算與機器學習服務副總裁 Dave Brown，帶來了一場技術為本的主題演講《基礎設施創新》，系統地闡述了 AI 時代雲端基礎設施的核心價值。 一系列重點發布，包括由 AWS Graviton5 處理器（預覽） 至 AWS Lambda Managed Instances、從 Project Mantle 推論引擎到 Amazon S3 Vectors 向量儲存、再到 Amazon Trainium3 UltraServers 和 Amazon Trainium4 晶片，全面展示了 AWS 從 Amazon Nitro 到 AWS Graviton 再到 Amazon Trainium 的自行研發晶片策略，如何為客戶創造無與倫比的效能和成本優勢。 AI 時代：雲端運算的「基本功」更為重要 Peter DeSantis 開場即提出一個觀點：AI 正在改變應用程式開發方式，但雲端運算的核心屬性不僅不會改變，反而變得更為關鍵。 資安

Natera 是全球遺傳檢測與診斷領域的領導者，正透過 AI 代理轉型腫瘤患者照護 (oncology patient care)。當 AI 代理需要回答患者關於基因檢測結果的詢問、解釋腫瘤標記物的意義、或提供個人化治療建議時，每一個回應都可能直接影響患者的治療決策和生命安全。在這樣的場景下，「AI 說錯了，重新訓練就好」的思維完全不適用——因為一個不準確的回應可能導致患者延誤治療、錯誤用藥，甚至放棄關鍵的治療機會。Natera 軟體工程主管 Mirko Buholzer 深知這個挑戰：「我們團隊正在進行大量工作，以維持 AI 代理在各方面的一致品質和效能，同時符合嚴格的醫療合規標準。」這不是一般科技公司面對的軟體品質問題，而是攸關生命的醫療責任。為了確保 AI 代理在大規模部署時仍能維持醫療級標準，Natera 選擇了 AWS AgentCore Evaluations ——一個能夠持續監控準確性、幫助性、患者滿意度等關鍵指標的全託管品質監控服務。 醫療 AI 的「零容錯」困境：為什麼試錯成本如此致命？ 當我們在日常生活中使用 AI...

AWS re:Invent 2025 年度盛會進入第三日議程，AWS 全球專家與合作夥伴副總裁 Dr. Ruba Borno 以「夥伴力量．共創未來」為主題發表演講，圍繞 AI Agent 新時代的變革，隆重發布多項賦能合作夥伴的新服務、新工具，並透過實際案例詮釋 AWS 與夥伴如何協同創新，為客戶創造巨大的商業價值。 開場：定義新時代的變革 Dr. Ruba 指出，各行各業的領先客戶借助 AI Agent+ 最廣泛的工具集 + AWS 合作夥伴網絡的通用典範，已取得非凡的業務成果。「現今，AI Agent 和自主系統正在重塑我們的工作和生活方式，而我們共同處於這場變革的最前沿。」她斷言：「這不是漸進式的改變，而是自互聯網誕生以來最重大的技術轉變。AWS 和我們的合作夥伴正在利用這項技術的力量來建構新的未來。」 Dr. Ruba 重點介紹了多項全新推出的合作夥伴賦能舉措，涵蓋 Agentic AI、AWS Marketplace、遷移與現代化發展及安全管理四大關鍵領域，旨在全面助力合作夥伴把握 AI Agent 時代的業務機遇。 一、Agenti

台灣時間 2025 年 12 月 4 日，AWS re:Invent 2025 進入第三日。AWS Agentic AI 副總裁 Swami Sivasubramanian 發表題為《Agentic AI 的未來已來》的主題演講，系統闡述建構可靠 AI Agent 的核心技術路徑，並圍繞「易於建構（Easy to Build）」、「高效（Efficiency）」、「可信（Trust）」及「可靠（Reliability）」四大支柱，發布多項重大創新。值得注意的是，Amazon Nova Act 服務的可靠性已達 90%，Amazon Bedrock 強化微調功能的準確性提高 66% ，而 Amazon Nova Forge 則開創了「開放訓練模型」的新典範。 Swami 博士主題演講重點摘要 Swami 博士以自己高中時期的程式設計經歷開場，喚起共鳴：「還記得第一次成功編寫程式時那種成就感與自由感嗎？那種可以創造任何你想要的物件、釋放全新可能性世界的興奮感？」他進一步指出，AI Agent 正從「技術奇蹟」轉變為可帶來業務價值的實用工具...

2025 AWS re:Invent 全球大會進入第二天議程。 AWS 執行長 Matt Garman 發表題為《AWS 如何重新塑造雲端技術未來》的主題演講，系統闡述了建構 AI Agent 所需的四大核心要素：AI 基礎設施、推論系統、資料、Agent 建構工具。他隆重發布了開創性的 Amazon Nova2 系列基礎模型，以及三大「領先 Agent」（亦稱為前沿 Agent）：Kiro Autonomous Agent、Amazon Security Agent、Amazon DevOps Agent ，並宣布 25 項雲端核心服務的重大創新，進一步拉大技術差距，鞏固 AWS 在全球雲端運算與 AI 領域的絕對領導地位。  建構 AI Agent 的四大核心要素   在會議開始時， Matt Garman 首先闡釋了他對 AI 趨勢的理解。他表示， Agentic AI 技術正處於關鍵轉捩點，從「技術奇蹟」轉變為能提供實際業務價值的實用工具。他預測未來將有數十億 Agent 在各行各業廣泛運行，幫助企業實現 10 倍效率提升。而要讓 Age