基于硅谷101播客「Tokenmaxxing后的理智与Agent落地｜探展亚马逊云科技中国峰会」的完整转写整理。主持人陈茜（陈杰）实地走访2026年亚马逊云科技中国峰会XPO展区，与一线从业者对话，覆盖AI短剧、金融量化、医药、游戏、硬件与安全六大落地场景。

一、从 Token Maxing 到 Token Minimizing：AI产业的理智回归

新的变化

2026年上半年，硅谷AI巨头们的风向发生了明显转向。年初大家高喊"Token Maxing"口号，疯狂卷Token、刷排行榜；几个月后，Meta率先开始追踪员工的AI使用情况和预算，并设置Token花费上限——“Token Maxing"正在变成"Token Minimizing”。

嘉宾观点与解释

AI落地要看价值而非花销。 几个月时间从Token Maxing到Token Minimizing，背后是整个AI产业从狂热到理智的过程。大家终于意识到，AI落地要看的不仅是花销，更重要的是带来的价值和效率提升。这也呼应了MIT在2026年6月的一项研究：虽然AI coding使开发人员的代码提交量增加了180%，但实际的软件发布量仅增加了30%；45%的AI生成代码在安全基准测试中失败，95%的AI项目未实现可衡量的ROI。结论是，瓶颈已经从"写代码"转移到了人工审查、测试、集成和部署环节——你需要一个靠谱的全栈AI能力来盯着AI交出的活。

二、AI短剧出海：成本降十倍，观众付费意愿强劲

新的变化

AI短剧和漫剧已成为AI落地最典型的商业场景之一，尤其在出海赛道爆发。AI研究院估计，海外AI短剧和漫剧市场规模2025年约1亿美元，2026年预计达到6.5亿美元，实现六倍增长。2026年1月，AI短剧在漫剧百强榜的占比从2025年的7%直接攀升到38%，上榜作品总播放量高达25.48亿次。

嘉宾观点与解释

AI把内容创作门槛打了下来，让会写故事的人能自己做视频。 展位现场展示了一款面向平台生态作者的AI短剧生成工具——这些作者分布在二十多个国家、使用各种语种，他们比较会写小说，但对视频制作是"小白"。工具的初衷就是让个人创作者借助AI把文字内容变成视频化产品，从而提升原创内容的变现能力。

成本结构的颠覆。 在好莱坞拍摄一部短剧的成本大约20万美金；用AI做的话可以降到十分之一甚至更低。AI技术首先取代的是传统影视中最花钱的部分——特效、奇幻类型的建模等。对于真人感情戏，当前替代性还稍低，但随着新一代模型对人脸表情和情感的捕捉越来越好，AI演员的演技已经超过行业中80%的真人演员。

观众并不在意是不是AI做的。 现场嘉宾分享的数据显示，海外市场观众付费意愿很强，大家更关心的是"内容是不是有意思的故事"，而非制作方式——就像以前人们也会为优秀的动画片付费，因为那也不是真人演的。底层技术上，亚马逊云科技提供完整支撑：用BERT处理剧本分镜和提示词，Stable Diffusion处理图像和视频生成，S3管理数字资产和版本，Transcribe生成字幕，Translate完成翻译，再根据剧情、人物关系和当地文化二次改写，最后用Polly或生态中的配音口型同步服务生成本地化版本。

三、AI+金融量化：自然语言写策略，加速因子挖掘

新的变化

量化交易是AI最早进入的金融场景。传统量化链路很长——从因子挖掘，到生成组合策略，到策略回测，再到模拟盘和实盘——需要大量工程化平台。如今生成式AI正在压缩这条链路的时间。

嘉宾观点与解释

用自然语言描述条件，大模型就能生成策略代码并一键回测。 在峰会展区，一款量化平台展示了完整流程：用户只需用语言描述策略条件，点击后大模型生成代码，再一点就发布到Agent Core Runtime这个全托管、Serverless的平台上，很快跑出十年回撤的收益、各项金融参数以及大模型生成的代码本身。用户还能继续与大模型交互——“这个策略在某处有什么问题？““我该如何改善后续策略？"——进行迭代探索。

AI尤其擅长处理非结构化"另类数据”。 在挖掘因子时，舆情、新闻等大量非标数据需要语义理解能力，这恰好是大模型擅长的。从更前沿的角度看，大资金可以通过AI模型驱动的大规模买卖引发价格波动，进而引发散户跟进或退出——A股市场的很多波动可能与此有关。

AI还能帮非专业人士设计复杂金融衍生品。 展区另一个案例是"衍生品定价智能体”，通过对话引导用户完成外汇衍生品产品设计。一位金融专业人士表示，虽然自己对该产品完全不熟悉，但依然可以用智能体完成设计——它降低了对专业金融知识背景的要求，普通人也能参与设计。这背后是华尔街拥抱AI的大趋势，代表企业Jane Street为满足自身模型训练需求，与Coinbase达成了60亿美元的算力协议。

四、AI+医药：药物研发能力"平民化”

新的变化

AI for Science和AI Research在硅谷格外火热，资金疯狂布局。AlphaFold Labs（谷歌打造的AI原生制药公司）完成21亿美元融资；英伟达与 Illumina 宣布五年投入最多10亿美元建设AI联合创新实验室；Onni与Insight宣布最高20亿美元合作，将RNA数据与生物基础模型结合用于设计新药——AI开始深入RNA、蛋白质等特定药物模态。

嘉宾观点与解释

亚马逊云科技把"发现药物—验证实验—反馈训练"的闭环打通了。 原来只有大药厂才能做的AI辅助药物研发——生成候选化合物、做实验验证、把结果放回AI模型训练——如今整个循环都被搬到了云上。一个有想法的研究科学家，可以在云上调用各种模型生成化合物，放到自动化实验室完成实验，再把数据传回云端完成全流程。

客户覆盖大型药厂和研究机构。 比如美国知名癌症研究中心MSK已有六个实验室在使用这套方案。应用场景涵盖抗癌药物、阿尔茨海默症以及当前火热的减肥药物等领域。这一方案的本质是把药物研发能力平民化——让原本只有巨头才能做的事情，更多研究者也能参与。

五、AI+游戏：中间地带被消灭，两极分化加剧

新的变化

AI对游戏行业的影响目前分三个层次：第一，研发辅助已普及（代码原型、美术草案、文案翻译、测试营销）；第二，生产管线正在重构（从人工制作资产转向"AI批量生成→人工筛选修改→系统化管理"）；第三，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），已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%的游戏行业从业者已在工作中使用生成式AI。

嘉宾观点与解释

多Agent编排让"一句话出一个游戏"成为现实。 展区演示了三个Agent协作的流程：输入"做一个RPG类型的合成游戏"，第一个Agent（基于DeepSeek 3.2）自动生成详细的游戏设计文档；第二个Agent（Open Game）基于GDD和大量现成游戏模板编写源代码；第三个Agent（Qro）负责部署到S3并生成CloudFront访问链接。整个过程从输入到可玩只需五分钟，而手动开发至少需要一周。

游戏行业将"没有中间带"，两极分化严重。 一位嘉宾判断：未来顶部是《黑神话》这种精品中的精品，仍需要大量人力甚至大量Agent协作；底部是大量三五分钟就能做出的轻量游戏。中间地带会非常难受——这部分游戏面临的最大问题是难以变现。

审美/美术是目前Agent的短板。 当前Agent擅长coding但对出图模型支持不足，生成的画面是"像素图的"。不过随着图像生成模型的能力提升，接入后画面效果会好很多。当审美这件事变得简单，整个游戏行业将迎来更大变化。

Agentic足球：多智能体协同的体验化包装

峰会现场有一个被围得水泄不通的"Agentic足球锦标赛"。这本质不是游戏项目，而是降低门槛让人人成为开发者的体验设计。每队5名球员就是5个自主AI Agent，运行在Streambed MCP Agent库上，每两秒读取一次完整比赛状态（球和所有球员位置、体力、比分等），自主决定传球、射门或拦截。玩家通过打字下达指令（pass/shoot/tackle），本质上是"教练在场边喊话"，Agent自己推理要不要听。

这套系统基于Amazon Bedrock、Bedrock AgentCore、Streambed Agent SDK和Hero构建。关键在于：球场上练的多智能体协同、实时状态管理、工具调用，和真实客户服务、供应链的Agent场景用的是同一套技术栈。

六、AI端侧硬件：仍依赖云端推理，端侧只是采集器

嘉宾观点与解释

端侧设备尚不具备部署大模型的能力。 以Plaud AI为例（面向高频会议人群的AI计算硬件，累计销量超200万台，订阅业务年化收入突破1亿美元），其模式仍是"端侧采集器+云端AI"。Plaud把所有服务部署在AWS各区域的GPU上，为符合合规要求在欧洲区、亚太区、北美区分部署，底层使用AWS GPU并接入Bedrock模型。

为什么不能端侧处理？ 真正的大模型推理需要非常大的GPU集群，端侧设备太小、太轻量，无法承载。如果把端侧做重，就失去了便携性——这是产品形态的取舍。目前语音转写、对话理解等核心推理都仍在云端完成，端侧负责的是"捕捉对话中的细节价值"。

七、AI安全：攻击方和防守方都在用AI，时间窗口被压缩到一天

新的变化

这是2026年最紧迫的变化：黑客已经开始用AI发起攻击，防守方必须用AI对抗AI。 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，记录到13,873项AI主攻机动作，69%的恶意行为者使用AI开发攻击能力。研究后半段，中等风险及以上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等大语言编程工具。

Verizon 2026年报告指出，约15%的攻击技术正在得到生成式AI增强；31%的数据泄露以软件漏洞为初始入口，48%的泄露涉及软件。Microsoft的数据显示，AI钓鱼活动的点击率可达约54%，而传统活动仅约12%——效果提高了450%。

嘉宾观点与解释

攻击方只需找到一条缝隙，防守方必须堵住每一个角落。 打个比方：让家里漏水只需找到一个漏水点，但让家里不漏水必须检查每一个角落。AI让攻击方更容易利用这条不对称性——比如，AI可以发现多年未被发现的漏洞，而且发现成本极低（不再需要训练有素的人和大量资金）。

漏洞修复的时间窗口被压缩到可能只有一天。 过去系统推送漏洞补丁会给一个很长的时间窗口做修复。但AI出现后，漏洞既能被快速发现、也能被快速利用——可能只有一天时间修复，否则漏洞就暴露在公网上，权限受影响或数据泄露，家里的摄像头可能就被劫持。

亚马逊云科技的解法是Amazon Continuum。 它针对"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、哪些重要、如何安全修复"这个新问题，设计了四个连续阶段：发现→优先级排序→验证→缓解和修复。整体安全策略还包括零信任、用AI对抗AI、建立系统韧性，以及让团队人才为AI做好准备。

关于"米索斯"（某安全模型）的影响。 它原本不是为安全训练的，但训练后发现其在安全方面有非常强的能力——能快速发现多年未发现的漏洞，且成本很低。业界认为这不是某个供应商的问题，而是整个行业要一起面对的问题；“米索斯只是第一波，后续可能有更强的模型”。

八、Agent落地的全栈地图：五层架构 × 四个维度

嘉宾观点与解释

亚马逊云科技给出了Agent时代的"五层技术栈地图"。 从下到上依次是：AI基础设施层 → 模型层（值得一提的是，2026年4月Bedrock宣布可提供OpenAI的GPT模型，打破了GPT只在微软Azure独家部署的合作格局）→ 数据和知识层 → Agent平台层 → Agent应用层。贯穿所有层需要考虑四个维度：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的业务产出。

这张图的意义不在于让决策者变成AI技术专家，而是让他们知道：哪些该重点关注，哪些可以交给云和合作伙伴。当Agent开始进入产生落地价值的阶段，AI对决策者来说不再只是"工具"两个字，而是要业务结果。

九、Agent赋能个体：云厂商角色的重新定义

嘉宾观点与解释

Agent的一个重要特点是赋能个体，让个人做到之前只有机构才能做到的事情。 过去"QB"（Quid Pro Big Business）指的是大企业大客户，他们是首先拥抱AI的群体；但在AI时代，虽然机构依然先行，个人开发者、创业者，甚至炒股散户这样的个体，也能被AI Agent极大影响和赋能。

正因如此，云厂商的角色变得越来越重要——不光是底层模型和中间各种基建工具支持，安全、验证等"把关"角色都变得非常必要。陈茜感慨，每次参加亚马逊云峰会（无论是年底的Re:Invent还是年中的中国峰会），现场都特别热闹，而这几年的答案逐渐清晰：AI不再是少数巨头的游戏，Agent让每一个个体都有了上桌的筹码。

结语

2026年上半年，我们经历了Agent的爆发，也经历了Token Maxing的疯狂和三个月后Token Minimizing的冷静。下半年AI产业还将继续快速变化和迭代。这期探展传递出的信号很明确：AI已经不再停留在PPT和demo，它正在短剧、金融、医药、游戏、硬件和安全这些真实业务里干活并产生价值。 理智不是退潮，而是落地的开始。