从 Tokenmaxxing 到 Agent 落地：AWS 中国峰会探展
节目信息
- 栏目：硅谷 101
- 主持：陈茜
- 发布时间：2026-07-07
- 采访嘉宾：Grace（STARY 副总裁）、张庭睿（Plaud 产品经理）、亚马逊云科技工作人员
- 主题：在亚马逊云科技中国峰会现场，观察 Agent 真正进入产业后各行业发生的变化
从「堆 Token」到「交付结果」
2026 年上半年，AI 行业的关键词发生了一次明显的转向。年初硅谷巨头还在高喊 Tokenmaxxing，疯狂比拼 Token 用量、甚至搞排行榜；几个月后风向变了。Meta 开始实时追踪员工的 AI 使用情况和预算，并设置 Token 花费上限，The Information 把这种做法称为 Token Minimizing。
从 Tokenmaxxing 到 Token Minimizing，背后是整个产业对 Agent 从狂热回到理智的过程。大家终于意识到，Agent 落地要看的不只是花销，更重要的是它带来的价值和效率提升。2026 年过半，Agent 已经不再停留在聊天窗口，而是进入了内容、金融、医药、游戏、硬件、安全等具体产业，开始降低专业门槛、重组业务流程。
AI 短剧：把视频化能力交给会写故事的人
体感最强的落地场景是短剧。手机上刷到的短剧和漫剧，越来越多是 AI 生产的，AI 演员对人物脸部表情和情感的捕捉也在快速提升。
一组数据能说明这个赛道的斜率：海外 AI 剧和漫剧市场规模，2025 年约 1 亿美元，2026 年预计达到 6.5 亿美元，直接六倍增长；2026 年 1 月，AI 短剧在漫剧百强榜的占比从 2025 年的 7% 攀升到 38%，上榜作品总播放量高达 25.48 亿次。
成本是这个赛道的核心竞争力。好莱坞拍一部短剧成本约 20 万美元，AI 制作可以压到 1/10 甚至更低；而传统电视剧、电影的成本往往在几千万到几个亿之间。AI 首先替代的是传统影视里最贵的那部分——特效、奇幻建模，而对走感情戏的真人拍摄，替代性会低一些，但随着模型对人脸表情和情感表达的提升，这条边界也在快速移动。更关键的是观众的付费意愿很强，大家其实并不在意内容是不是 AI 做的，只在意故事是否有意思。
STARY 与亚马逊云科技联合开发了一款面向新手的 AI 内容制作平台。它的初衷是照顾平台生态里 20 多个主要语种、会写小说但不懂视频制作的作者，让写故事的人能够低门槛地把文字变成视频化产品，从而放大原有小说的价值、帮内容创作者更好地变现。本质上，这是把 AI 短剧的生产能力去中心化，让内容创作从个体写作，延伸到个体也能完成的视频化生产。
支撑这套流程的云端技术栈也很典型：底层用 Bedrock 处理剧本分镜和提示词，用 SageMaker 的 GPU 实例或第三方模型处理图像和视频 生成，通过 S3 管理素材和版本；同时用 Transcribe 生成字幕、Translate 完成初译、Bedrock 根据剧情人物关系和当地文化做二次改写，再用 Polly 及配音口型同步服务生成本地化版本。
量化金融：用自然语言完成一次回测
在金融展区，被围得水泄不通的是散户用 Agent 做量化的演示。
传统量化是一条很长的链路：因子挖掘 → 生成组合策略 → 策略回测 → 模拟盘 → 实盘，每个环节都需要大量工程化平台才能验证。生成式 AI 想加快的是这个探索过程——用户只要用自然语言把条件描述一遍，大模型帮忙生成代码，点击运行时代码会自动发布到 Bedrock AgentCore Runtime 这类全托管、Serverless 的高性价比平台上，很快跑出结果：十年回撤、收益表现、各项金融参数以及关注点，甚至连生成的代码长什么样都告诉你。跑完还能继续和大模型交互，追问策略在某处有什么问题、以后该如何改善。
对于不那么复杂的量化回测，这套方式能实现快速验证；而极复杂的回测仍然需要更多平台和算力。在这个「时间就是金钱」的领域，抢先一步验证出策略并投放市场，就意味着赚到更多钱。
量化其实是生成式 AI 最早卷入的领域之一。在没有生成式 AI 的时代，量化就已经基于大量数据提取因子、做大量回撤；生成式 AI 补上的是对非标数据（舆情、新闻等所谓另类数据）的语义理解能力，这恰好是大模型擅长的。而在更前沿的量化公司手里，大资金量结合价格波动引发散户跟进或退出，也在改变 A 股市场的很多波动结构。
同一个展区背后还有一个衍生品定价智能体，针对的是 TARF（Target Redemption Forward，目标可赎回远期）这类帮进出口企业锁定外汇价格的复杂产品。它的核心贡献是降低了对专业金融知识背景的要求——一个只擅长智能体设计、此前完全不熟悉 TARF 的人，也能在对话引导下完成产品设计。华尔街也在迅速拥抱 AI，Jane Street 为满足自身模型训练需求达成了 60 亿美元的算力协议，同时自建数据中心，意图在金融模型研发和算法定价上建立优势。
药物研发：把 AIDD 平民化
医药是最近资金疯狂布局的赛道，AI for Science 和 AI Research 两个概念在硅谷特别火，背后原因同样是 Agent 的进展。
亚马逊云科技在这个方向做的一件事，是把发现药物和研究药物的过程平民化。原本的 AIDD（AI 驱动药物研发）需要构建大量模型去发现候选化合物，找到后再做实验验证，把结果放回模型训练，形成一个大循环——这个闭环过去只有大药厂做得起。现在这套方案把所有环节都打通：一个有好想法的研究科学家，可以在平台上调用各种模型生成化合物，放到实验环境里把实验做完，再传回云上完成训练，整个流程一站式跑通。
客户既有大型药厂，也有研究机构，比如美国知名的癌症研究中心 MSK 已经有六个实验室在用。应用方向除了抗癌药物，还覆盖阿兹海默症、减肥药等热门领域。行业层面，Alphabet 旗下的 Isomorphic Labs 宣布完成 21 亿美元融资，被视为谷歌想打造的 AI 原生制药公司；英伟达与礼来（Eli Lilly）合建 AI 联合创新实验室；也有厂商围绕 RNA 数据与生物基础模型展开最高 20 亿美元级别的合作，把 AI 推向 RNA、蛋白质等特定药物模态。
游戏开发：门槛被抹平后的两极分化
目前 AI 对游戏行业的影响分三个成熟度不同的层次：研发辅助已经普及（代码原型、美术草案、文案翻译、测试、营销）；生产管线正在重构（从人逐个制作资产，变成 AI 批量生成、人来筛选修改和系统化管理）；AI 原生玩法仍在试验期（自由对话 NPC、AI 队友、动态剧情、实时生成世界，有可玩案例但距离大规模稳定商用还有距离）。调查显示约 36% 的游戏从业者已在工作中使用生成式 AI，最常见的用途是研究与头脑风暴、日常办公、代码辅助和快速原型，而非直接生成最终游戏内容。
对精品大制作，AI 在渗透和探索，但能替代的有限；对入门级小游戏，开发门槛正越来越低。现场一个「一句话生成 2D 类银河城游戏」的演示，把多 Agent 编排讲得很直观：整套流程拆成三个 Agent。第一个是 Harness，用 DeepSeek 3.2 模型，把「做一个 2D 类银河城的游戏」这一句话，按照选定成熟作品做锚定、确定视觉风格与循环控制方式，输出一份详细的设计文档（相当于一份写好的 Spec）；第二个是 OpenGame，一个专门写游戏的 Agent，内置大量现存游戏模板，基于设计文档生成源代码，比从零到一更稳定、不容易走偏；第三个是 Kiro，最了解 AWS，负责把成果部署到 S3 并生成 CloudFront 链接，最后给出可访问的游戏地址。这样一套程序，过去按老方式自己写起码要一周，现在基本 5 分钟搞定。
这带来一个明确判断：程序门槛已经完全被抹平，游戏行业会走向两极分化。黑神话、GTA6 这种精品中的精品，仍然需要堆大量的人甚至大量 Agent 团来做；而底部则是大量 3–5 分钟就能生成的代码级设计。真正难受的是中间地带——能力不上不下，又面临「自娱自乐没办法变现」的问题。
现场另一个很巧妙的例子是 Agentic 足球锦标赛。它表面是靠打字指挥五名球员（pass 传球、shoot 射门、tackle 拦截）的 1V1 对战，本质上是一层包装的 Agent 开发体验：每队五名球员都是五个自主的 AI Agent，运行在 Amazon Bedrock AgentCore 上，每两秒读取一次完整比赛状态（球和所有球员的位置、体力、比分），自主决定下一步动作；玩家在场边敲的指令，就像教练在边线喊话，Agent 会自己推理要不要听。整套系统基于 Amazon Bedrock、Bedrock AgentCore、Strands Agents SDK 和 Kiro 搭建，与真实客户服务、供应链的 Agentic 场景用的是同一套技术栈。
端侧硬件：Plaud 的「端侧采集 + 云端 AI」
硬件展区里，Plaud 是一个值得看的端侧 AI 例子。它面向高频会议人群做 AI 纪要，产品包括 Plaud Pen 系列以及手机背贴式卡片款设备，累计销量超过 200 万台，订阅业务年化收入规模突破 1 亿美元。
严格来说，它仍是「端侧采集器 + 云端 AI」的模式，而非完整的端侧 智能产品。Plaud 想做的不只是「记录」，而是从对话的角度，通过软硬件结合去捕捉、提取并运用对话中那些细节价值。所有服务部署在 AWS 各个 region 的 GPU 上，为符合合规要求，在欧洲区、亚太区、北美区分别部署，底层用 AWS 的 GPU，同时接入 Bedrock 上的外部模型（海外用到 Claude、Gemini、GPT）。之所以还离不开云，是因为端侧目前不具备部署大模型的能力——真正用大模型做推理需要非常大的 GPU 集群，而且不少高端模型是闭源的，只能调用服务商的能力。如果为了本地推理把设备做重，就会失去它便捷的核心价值。
AI 安全：攻防失衡下的「用 AI 对抗 AI」
峰会花了很多时间讲 AI 安全，因为这件事已经迫在眉睫——黑客已经开始用 AI 发起攻击。
一组研究数据勾勒出趋势：Anthropic 研究了 2025 年 3 月到 2026 年 3 月被封禁的 832 个恶意网络活动账户，其中记录到 13873 项 AI 辅助攻击动作，69% 的恶意行为者使用 AI 开发攻击能力；研究后半年，中等风险及以上的 AI 攻击者比例从约 33.5% 上升到 56.1%，不到一年增长约 1.7 倍，80% 的样本曾滥用 Claude Code 等编程工具。Verizon 2026 年报告指出，约 15% 的攻击技术正在被生成式 AI 增强，31% 的数据泄露以软件漏洞作为初始入口，48% 涉及勒索软件。Microsoft 则表示，嵌入 AI 的钓鱼活动点击率可达约 54%，而传统活动约为 12%，效果提高了 450%。
攻防失衡的本质在于：攻 击方拿到 AI 工具后，只要找到一点点缝隙就能撕开整道防线；而防守方要把家里每一个角落都检查到位，才能保证不漏水。今年行业把这件事放到很高优先级，是因为出现了漏洞挖掘能力极强的模型——它能快速发现连很多年都没被发现的漏洞，且成本极低，留给人工修复的时间窗口被压缩到可能只有一天。而这类模型只是第一波，后续大概率会有更强的，AI 对安全的改变是长期的。
亚马逊云科技的解法被设计成四个连续阶段：发现 → 优先级排序 → 验证 → 缓解和修复，目标是解决「AI 发现漏洞越来越快，但企业无法同样快速判断哪些漏洞真实、重要、如何安全修复」这一新问题，让 AI 而非人肉去对抗 AI 攻击。在策略层面，则强调零信任、用 AI 对抗 AI、建立系统韧性，以及让整个团队为 AI 做好准备。
瓶颈转移：从「写代码」到「盯着 Agent 交活」
当 Agent 进入 to B 企业落地价值时，AI 就不再只是工具，而要交付业务结果。
MIT 今年 6 月的一项研究给出了冷静的注脚：AI Coding 让开发人员的代码提交量增加了 180%，但实际软件发布量仅增加 30%；45% 的 AI 生成代码未通过安全基准测试；95% 的生成式 AI 项目未实现可衡量的 ROI。结论是，瓶颈已经从「写代码」转移到人工审查、测试、集成和部署环节——你需要一套非常靠谱的全栈 AI 能力，来盯着 Agent 们交活。
亚马逊云科技 给出的是一张五层技术栈地图：AI 基础设施层、模型层、数据和知识层、Agentic 平台层、Agent 应用层；贯穿所有层需要考虑的四个维度是安全、效果、性能和成本；最顶端是所有这些层存在的意义——AI 能给企业带来的可衡量业务产出。值得一提的是，今年 4 月 Bedrock 宣布可以提供 OpenAI 的 GPT 模型，打破了此前 GPT 只在微软 Azure 上部署的独家合作。
一个新时代的注脚
过去 to B 的「big business」指的是大企业、大客户；而在 AI 时代，机构依然是最先拥抱 AI 的群体，但个人开发者、创业者以及炒股的散户这样的个体，也能被 Agent 极大地赋能——做到过去只有机构才能做到的事。在这样的格局里，云厂商的角色变得越来越重要：不只是底层模型和中间的各种基建、工具支持，还有安全与验证等把关环节，都不可或缺。
2026 年上半年，我们经历了 Agent 的爆发，也经历了 Tokenmaxxing 的疯狂与三个月后 Token Minimizing 的冷静。下半年，这场把 AI 变成生产力的迁移仍会继续快速迭代。