从作坊到工厂：我在 AWS 峰会看到的智力工业化
亚马逊云科技中国峰会，2026 年 6 月 23–24 日，上海。
2026 年 6 月，我在亚马逊云科技（AWS）上海峰会上做了一场分享，大概是全场"最不性感"的一场。一上来我先澄清了一句：我们的 Nova，不是 Amazon 那个 Nova。我幻灯片上的 Nova，是我在 HP 带队做的一个内部平台；全场其他人挂在嘴边的 Nova，才是亚马逊的前沿大模型。台下笑了。一个撞名的小玩笑，却也恰好划出了这篇文章要讲的那条线——接下来的时间里，我讲的是任何主论坛都懒得碰的东西：我们怎么把一套报表系统，从 Power BI 搬到了 Amazon Athena 加 Apache Iceberg 上。那是个三十分钟、300 级的进阶专题，排在六楼，离楼下的人群远远的。
会场楼层导览：专题演讲（包括我那场）在六楼，主论坛在五楼，展厅在楼下。
而一楼的展厅，卖的全是"性感"的另一面。宇树（Unitree）的人形机器人（humanoid robot）在灯光下伸手抓取；一只标价 ¥9,999 的灵巧手（dexterous hand），冲着镜头比了个耶；一块屏幕上，一群编程智能体（coding agent）全程没人插手，自己把软件交付了，另一块屏幕上，AI 把一段足球比赛录像拆成了战术和球员指标。聚光灯下，智能正学着感知、学着创造、学着在物理世界里行动。
楼下一楼的展厅：人潮都在这儿。
这个反差，就是这篇文章的论点。过去两百年，产出是跟着人头走的——想多干，就得多招人。AI 正在掐断这条线：产出开始靠基础设施（模型、算力、数据）撑着，而不再死死绑在人力上。这就是智力的工业化。和第一次工业革命一样，最后赢的不会是手握最炫机器的人，而是给这些机器铺好地基的人。我那场"无聊"的迁移就是个缩影：让报表变好用的，不是换了个更聪明的模型，而是把脚下的地基换了——刷新从 4–6 小时压到 1 小时；而原本只能盯着看的报表，如今成了谁都能用大白话直接发问的数据。
所以这篇文章，会从地基往上写。先看展厅里被围观的三道前沿——会感知、会创造、会行动的机器；再看撑着这三样的那一层，也就是我专程跑去上海讲的那件事：决定它们到底能长多高的数据底座（data foundation）。
知识工作，至今没有自己的工厂
提起第一次工业革命，人们记住的是蒸汽机。但它真正厉害的地方更隐蔽：它把产出和人力肌肉之间的捆绑，一刀斩断了。在那之前，想多织布，就得让更多织工坐到更多织机前——产出和人手，是绑在一起涨的。工厂打断了这种绑定。产出转而靠资本和基础设施说话——动力、机器、铁路——织工自己的手艺，反倒没有他身处的那套系统重要了。生产不再随人头扩张，而是随他们脚下那座厂房扩张。
知识工作，至今没等来这一刻。想多交付软件，就多招工程师；想多产出分析，就多招分析师；想多接咨询，就多招顾问。产出死死跟着人头走——一家咨询公司的收入，说到底就是计费工时，还有什么生意比它更被人头绑死？珍妮纺纱机问世两个半世纪了，"靠脑子吃饭"这件事，依然停在作坊阶段：靠几双熟练的手，一次干一件活。
如今，AI 对这个作坊做的，正是当年工厂对织工做过的事。我以前就写过，LLM 与其说是一件新工具，不如说是一场新的工业革命——而它的标志，仍是那条被斩断的线。一群编程智能体想多交付，靠的不是多招人，而是多给算力、多给上下文；一条感知管线想多"看见"，靠的不是扩编，而是多喂数据。产出正在和人头脱钩，转而绑到基础设施上：模型、算力、数据。这就是智力的工业化——而且它已经在发生了。
有一块板，主论坛轻轻带过了——不是没提，是没停下来讲。这届峰会的主题词，就是 Agentic Now, Go Build，主舞台也照着这个调子来。亚马逊云科技亚太区联席总裁储瑞松给这一刻定了调：AI Agent，他说，正“逐步成为新一代生产关系的主体之一”。基础设施没少谈，但谈的都是智能体那一层的基础设施——屏幕上那张架构蓝图，整整五层：最上面是 Agent 应用，往下是 Agentic 平台（运行时、记忆、工具、编排），再往下、正卡在中间的，是一层“数据与知识”，写着 RAG、向量数据库（vector database）、数据治理（data governance），然后才是模型，最底下是芯片。数据并没有缺席——它是清清楚楚的一层；另一张片子甚至直接写着“数据是护城河”。可然后呢，所有篇幅都给了它上面那两层。这就是那个信号。就算 agent 真成了新主角，每一次工业化，真正决定胜负的，从来不是最炫的那台机器，而是它脚下那块地——铁路真正成就的是握着铁轨的人，不是站在一旁看哪台机车更快的人。轮到智能，脚下这块地也是三块板拼的，三块并不等值：算力是按小时计费的大路货；模型一季一季地收敛，慢慢都长成了一个样。真正难复制的那一块——会越用越值钱、归你所有、能顺着你的业务长——是数据。是数据底座。
主舞台上那张五层蓝图：顶上是 Agent，往下是 Agentic 平台，中间是清清楚楚标着的“数据与知识”层——它在，也标了名，只是没占到台上多少篇幅。
展厅里 Snowflake 的「AI Data Cloud」——数据这层不是没人扛旗，只是没成为主论坛的头条。
这正是我专程跑去上海讲的那个不性感的观点：到了智能体时代，数据底座决定了它上面一切的天花板。模型再聪明，也救不了一个喂进去全是脏数据、没人治理、根本查不动的应用；反过来，底座喂得好，一个平庸的模型也能显出几分本事——这一点，我之前专门写过一篇。所以在展厅里，真正值得问的，从来不是"这些机器有多聪明"，而是"它们脚下踩的是什么"。机器满场都是——学着感知、学着创造、学着行动。我们一台台看过去，然后，低头看它们脚下。
感知：把世界变成数据
先说展厅里最好玩的一个：一个"看球"的 AWS demo。喂它一段比赛录像，它能把整场球拆成战术和每名球员的技术指标——谁在哪儿逼抢、哪条传球线路被扯开、某个球员这九十分钟站位怎么挪——靠的是计算机视觉（computer vision，CV），再加一个能把画面"说成人话"的视觉语言模型（VLM）。
足球 demo：上半，计算机视觉给每个球员套上追踪圈；下半，2D 战术视图加球员数据卡，把一场球变成了数据。
真正聪明的地方，不在于模型"看得见"——这道坎，如今的前沿视觉模型轻松就迈过去了。聪明的是，这条管线拿"看见"做成了什么：它把九十分钟一团乱的视频，变成了一行行结构化、查得动的数据。把球场换成工厂产线、零售货架、医院病房，套路一模一样——所谓感知的工业化，就是把杂乱的感官信号，收拾成你存得下、查得着、还能照着去做事的数据。模型是大路货；把"看到的"沉淀成靠谱数据的那条管线，才是真功夫。
第二个 demo 把这层意思说得更透，因为它不光要听懂，还得照着去做。AWS 展示了一套车上的端云协同（device-cloud collaboration）语音助手。在车端，你说的一句话先被转成 embedding，拿去跟已知意图比对：有把握认出来的，本地当场执行；拿不太准的，交给车上的小模型（SLM）；只有真正没见过的，才上云、丢给前沿大模型——Amazon Nova on Bedrock。一道 0.97 的置信度门槛，决定一句话走哪条路。
车云协同语音助手的完整架构：车端就地处理已知意图，只有未知的才上云交给 Amazon Nova，云端再微调车端模型、部署回去——那条飞轮。
让它不止是个 demo 的，是底下那条回路。每一句车端搞不定的请求，都变成了数据：到了云端，新意图被拎出来，车上的 SLM 拿去微调（fine-tune），embedding 重新算过，改进后的模型再推回整个车队。系统就这么从自己的失败里——从自己跑出来的那点"尾气"里——越变越聪明。这时候，感知就成了一个飞轮（flywheel），而转动飞轮的，是数据。记住这个画面：它是这篇文章全部论点的一个缩影，下一层我们还会撞见它。
两个 demo，说到底是一回事。无论交出来的是一份球赛洞察，还是行驶中那辆车里的一个动作，一台会感知的机器到底值多少，全看它能不能把感知到的东西，沉淀成结构化、可信、查得到的数据。看见、听见，如今都是大路货；把它们落成数据，才是护城河（moat）。如果说感知是把世界变成数据，那下一道前沿，就是把想法变成成品。
创造：一个人，就是一支队伍
展厅里最抓人的，是一块终端屏幕。AWS 演的是一个"Kiro Swarm"——一个人、一台笔记本，指挥着一整张被实例化成 agent 的研发组织架构图：架构、后端、前端、运维、测试、评审，连项目经理和产品都有。每个 agent 占一个窗格，状态在"思考""干活""深度工作"之间跳；它们在一个共享的团队频道里彼此 @、互相收听，活像一支真团队盯着 Slack。幻灯片上的话很直白：把规范驱动开发（spec-driven development）搬进团队协作——自治 agent 全程无人介入，把一个需求一路做到代码提交，扛得住长任务、跨得了多个仓库。
Kiro Swarm 演示——一个人指挥一整张 agent 组织架构图，它们在一个共享频道里互相交谈。
这就是把论点摆上了台面。这张组织架构图不是招来的，是实例化出来的。想多交付，操作者不是去加人，而是去加 agent、加上下文。一个人、一副键盘，指挥出一整支队伍的产出——这是我那几天见到的、"产出和人头脱钩"最干净的一个样本。
而且不止是软件。隔几步就摆着 Ki-Board：一个写着 For Kiro Buddies 的小盒子，有几枚按键、有一块小状态屏，还有一只当电子宠物的幽灵吉祥物。一位 AWS 工程师用 Kiro，两天就把它从头做到尾——选硬件、写固件、设计并打样电路板、建外壳模型、3D 打印外壳。不只是队伍横向铺开了；连"造一个东西"的整条栈，软硬件一起，都坍缩到了一个人加一个 agent 身上。
Ki-Board——用 Kiro 两天从想法做到成品，连那只幽灵吉祥物都没落下。
但真正让这个 swarm 转起来的是什么——这才是全文的题眼。八个 agent 同时往一个项目里敲，那不是团队，是车祸现场，除非它们之间共享着某样东西。在 Kiro 这个 demo 里，那样东西就是 spec：一份写下来的、唯一的事实源，每个 agent 都从它读、又写回它。规范驱动开发在这儿不是锦上添花的提效手段，而是那面承重墙。把这份共享的 spec 抽走，这支队伍立刻变回八个各改各文件的陌生人。真正指挥这支乐队的，不是模型，而是模型脚下那份共享的、结构化的记录。
所以，创造正朝两个方向被工业化——一个操作者横向铺开成一支队伍，整条生产栈又纵向坍缩进一双手——但这一切能成立，全靠底下有一层地基把这些 agent 拢在一起。事实证明，"造东西"是这三道前沿里最容易的一道。最后一道难得多：不是去感知世界，也不是在世界里造东西，而是行动——把智能装进一具身体，放它出去。
行动：把智能装进身体
第三道前沿，围观的人最多。在写着 Physical AI 和 Agent for Industries 的招牌下，宇树的人形机器人在灯光里伸手、抓握——身后屏幕打着一句"力控灵巧手，操作万物"。一只标价 ¥9,999 的 LinkerHand 灵巧手，冲着镜头比耶。一台自主移动机器人（autonomous mobile robot，AMR），在一圈积木搭的迷宫里慢慢找路。智元的人形、中联重科的自主机械也都摆在场内。智能，肉眼可见地在伸手够向一具身体。
AWS"Physical AI"展台上的宇树人形机器人——身后屏幕打着"力控灵巧手，操作万物"。
可在展台前站上十分钟，差距就露了出来。离真正的通用机器人，还远着呢——而差距最集中地卡在最难、也最没解决的那个部件上：手。一只现代人形机器人的手，是一丛执行器（actuator）堆出来的奇迹——特斯拉最新的 Optimus，光是手和前臂就塞了大约五十个执行器，而执行器占了整机物料成本的一半多。灵巧手算不过账，根子就在这儿：这样一只手，只有到了没人摸到过的量产规模才便宜得下来——所以桌上那只 LinkerHand，至今还卖一辆小电驴的价。
LinkerHand L20 灵巧手——标价 ¥9,999，却仍是这行最难啃的部件。
还有一层更深的原因，它有名有姓——莫拉维克悖论（Moravec's paradox）。那些已经能拿数学奥赛金牌的模型，抓一个没见过的物件，还不如一个三岁小孩稳。原来推理才是容易的那头；难的是手眼协调——在不确定里抓取、失了手还能找补——这种本事不像文本，没法从网上扒下来。所以真正能挣钱的机器人，都是"窄"的。IFR 数过，2024 年全球新装的工业机器人约 54.2 万台——绝大多数是单一用途的机械臂，一半以上装在中国；而地球上最成功的那支机器人队伍，是亚马逊已经过百万台的大军，搬的是料箱，不是大山。连最看多的人都认这个形状：摩根士丹利估计，到 2050 年约九成人形机器人干的还是重复、结构化的活，不是陪你聊天。
AWS 展台上，一台自主移动机器人在积木迷宫里找路——正是今天真正能落地的那种"窄"机器人。
而这里，正好绕回了我们的论点。让亚马逊那一百万台机器人变得有用的，不是一百万具聪明的身体，而是 DeepFleet——一个拿自家物流数据训出来、跑在 Amazon SageMaker 上的基础模型（foundation model），把整支车队的行进时间砍掉了约一成。真正值钱的那点智能，长在调度层（scheduling layer），不在那只爪子上。而全场最说明问题的展台，根本不是哪家机器人厂商——是德勤。我的老东家，一家咨询公司、最被人头绑死的那种生意，却在上海立了一支约二十人的物理 AI 团队：不做机器人，而是把造机器人的和要机器人的两头接起来，再靠自己的客户网络，推着方案落地。当一家四大之一押注于"做那层连接"、而不是"做那台机器"，它其实在告诉你：稀缺的那一层，到底在哪儿。
德勤亚太物理人工智能展台——一家咨询公司，把自己摆成了那层"连接组织"，而不是那台机器。
所以，哪怕到了最物理的这道前沿，规律依旧成立。身体，是慢的、窄的、贵的那部分；真正把一台"窄"机器人变成能用的系统的，是它底下那一层——调度、数据、连接。三道前沿——感知、创造、行动——每一道追到尽头，都落在同一个不性感的地方。是时候别在展厅里转了，去看看撑着这一切的那层地基。
撑住这一切的地基
在上海的台上——我身后那张幻灯片，正是这一节要讲的：一个产品，和它脚下的数据底座。
这，正是我跑到楼上去讲的东西。我在 HP 的团队做一个产品——Nova，一个管 PC 测试的平台——同时，也做它脚下那层数据底座。一年前，这层底座还是一套 Power BI：报表和数据处理糅在同一个工具里，原始数据被锁在里面出不来。复杂报表刷新一次要四到六个小时，底层数据也没法干净地取出来给别的用途。于是我们把它搬走了：从 Power BI，搬到 S3 上的 Amazon Athena 加 Apache Iceberg，用 Glue 做数据接入，用 Step Functions 和 EventBridge 编排管线。整个过程里，报表照常跑——同样的看板、同样的刷新时间——我们却把它底下的引擎换掉了。底座换了血，上面几层却毫无察觉。而“把数据从旧系统里解放出来、让 agent 够得着”这道题，正是亚马逊云科技在这届峰会上点名的、agent 时代的核心挑战——过去这一年，我做的恰好就是这件事。
这一换，换来的不是一张更快的报表，而是"选择权"。同一份底座，如今用同一批表喂三种很不一样的负载：老的 BI 报表，要的是稳定一致的聚合；机器学习训练，要的是可回溯的原始明细；还有——我那天站上台的缘由——一个 AI agent。我们管它叫 Compass：你用大白话问一句，它就从数仓（data warehouse）里把答案捞出来。让这个 agent 转起来的窍门，既平淡又关键：我们把 Athena 包成了一个工具——一个"Athena adapter"——于是 agent 既不写 SQL，也不必关心数据存在哪儿。它只管按一个稳定的约定去调用工具，剩下的交给底座。上面的模型随时能换，下面这个约定不能。
数据底座剖面，取自我的幻灯片：上半是每小时的离线管线（AWS Glue → S3/Iceberg，分层 ODS → DWD → DWS）；下半是在线链路——一句自然语言从 Compass Chat UI 出发，经编排 Agent 和只读的 Athena adapter，落到一次 Athena 查询。
下面这个想法，是我最想让在场的人带走的，而且它比我那次迁移大得多。到了智能体时代，"数据底座"这四个字，得装下比从前更多的东西。老定义——你的业务数据、系统数据、那些企业表——依然是原料，也依然最重要。但一个真正在跑的 agent 系统，会生出第二种同样吃重的数据：它自己运行时吐出的"尾气"，每一段推理、每一次工具调用、每一个烧掉的 token；它还需要第三种，来决定上面这一切到底可不可信：评估，那些告诉你 agent 到底对不对的 benchmark 和打分。原料、仪表、质检——一座工厂三样都得有，一座为 agent 而建的数据底座，也一样。把“质检”单拎出来当第三块板，也不是我一个人的执念：这届峰会上，亚马逊云科技就发布了《企业生产级智能体开发指南》白皮书，把“评估驱动”摆成了开发生命周期里正经的一环。质检这件事，正从“事后补票”变成“行业共识”。
注意，这会让整幅图变个样。底座不再只是 agent 去取数的地方；它同时也是 agent 在喂的东西。还记得几层楼下那辆车吗——它把每一句自己处理不了的请求，都变成了回头重训它的数据。那是同一条回路，放大来看：agent 消费底座去行动，又产出数据——轨迹、结果、评估——回头把底座喂厚，底座再让 agent 更强。keynote 自己也讲了个飞轮——模型能力和 Agentic 工程，互相把对方往上推——而且把它摆在了整个故事的正中央。但我说的是另一个飞轮：agent 和它甩出来的数据，彼此咬合、互相转动。这第二个飞轮，落到实处，才是整台机器——而它转起来要的那层数据，大多数团队还没建。
这就是为什么我反复管这层叫护城河。算力是租来的，模型在趋同；唯独属于你的数据——你的业务记录、你的 agent 攒下来的行为、你一点点磨出来的评估——会复利，而且没有对手能克隆。它是这一整摞里唯一一块贴着你业务长、还越用越值钱的板。这点 AWS 自己也画得很明白：在它那张蓝图里，数据是单独标出来的一层，就垫在 agent 底下，做它们的地基。我那天在台上的说法更直接——智能体时代，数据底座决定了它上面一切的天花板。把钱投到地基上，就是投到你还没想到的每一项 AI 能力上。
而一旦你信了这个，剩下唯一要紧的问题，就不是"要不要建底座"，而是：怎么建一座能让整家公司都站上去的底座。
从一座地基，到一个平台
老实说，一支团队的地基，不够。我演讲的第三幕，讲的就是接下来这步：把一个项目的数据底座，变成整家公司都能站上去的共享平台。该不该走这一步，算笔账就清楚了。当每支团队都各建一层数据，你最后会得到同一批表、被算出三种口径，在三个会上吵来吵去。把它们收敛到一个平台上，三件事就会发生——也正是 keynote 真正说对的那三件。
第三幕的核心一图，取自我的幻灯片：左边是今天——每个项目各建数据层，N×M 条直连，重复建设、口径打架、集成爆炸；右边是收敛之后——一个共享数据层、单一口径，新工具直接站上现成的地基。
第一，不再重复造：一条管线、一个数仓，而不是 N 支团队各维护各的。第二，你有了单一口径（single source of truth）——每个指标只有一个权威定义，"活跃用户"在财务和在产品那里指的是同一件事，跨团队的扯皮到此为止。第三，也是会复利的那件：你之后每加一个 AI 工具，上线都更快、花钱都更少，因为它脚下那层地基本来就有了。平台被用得越多，在上面再搭东西就越便宜——产出，又一次随基础设施增长，而不是随人力。
亚马逊云科技把 Bedrock AgentCore 摆成「智能体平台」——是把 agent 那一层做成了产品。我演讲的第三幕，讲的则是它底下那层的平台：那份 agent 都要跑在上面的数据。
这也是治理从“成本”变成“助推”的地方。keynote 有句话说得好：信任和治理是加速器，不是刹车。智能一旦被工业化，一层没人治理的数据，就不再是你慢慢管的风险，而是一座没有质检的工厂——以机器的速度，批量出残次品。血缘（data lineage）、权限、可审计、一个统一的 catalog——正是这些，才让你敢把 agent 放出去。而平台，也恰恰是"demo 演得漂亮"和"系统真能上生产"之间的那道线。
这一切都不是白来的，演讲里也讲明了。把一切收敛到一个批处理底座上，意味着你的数据新鲜到小时、到天，而不是到毫秒；你拿实时，换来了成本、灵活和可演进。这是一次清醒的取舍，不是疏忽——而对那些真正要紧的负载来说，"可治理、可复用"胜过"即时"。赢下未来十年的，不会是招了最多工程师、买了最大模型的团队，而是那些把地基修得最好、又把它治理得足够好、好到能让所有人都上去盖楼的团队。
在六楼，往回看
峰会中庭——两天的机器人、agent，和楼上那场安静的分享。
这场迁移，我自己也小小地经历了一遍。几年前，我团队的活儿是做看板；今天，是给一支 AI agent 队伍铺它们要跑的数据地基。那块"感觉有价值"的地方，一直在往下沉——从报表里，沉到报表底下的地基里。这一整场峰会的故事，浓缩进一个人的职业生涯，差不多就是这样。
楼下，你能看到同一场迁移。我的老东家德勤——一家把"人的专业"按小时卖了一个半世纪的公司——这次来峰会，卖的不是机器人，而是把自己摆成"造机器人的"和"要机器人的"之间那层连接组织。当地球上最被人头绑死的生意，都开始围着基础设施重新站位，这风往哪儿吹，就很难看不出来了。
但这都不意味着人会消失。工业化没有终结劳动，它只是把劳动挪了地方——从织机挪到车间，从纱锭挪到系统。AI 这一版也在挪：从敲代码，挪到定义该造什么；从跑查询，挪到拥有那份大家都来查的数据；从亲手干活，挪到搭起、并治理好那层让活儿在上面跑的地基。那个稀缺又值得站上去的位置，不再是活儿本身，而是它底下那层地基——我此前也论证过，这些年，"资深"二字本来就在朝这个方向走。
所以，看了两天机器人和 agent、又在楼上讲完那场安静的分享之后，我真正相信的是这件事：那些会感知、会创造、会行动的机器是真的，而且在飞快变强。但决定谁赢的问题，从来不是它们能变多聪明，而是——谁来铺它们脚下那层地基，那层把"智能"从一个 demo 变成一个产业的数据底座。聚光灯在楼下。答案，在楼上。