打造 AI 卓越：探索 AWS 在 re:Invent 2025 上宣布的三款全新 Well-Architected Lenses
Source: Dev.to
人工智能不再是 AWS 中的实验性工作负载——它正迅速成为生产架构的核心部分。从生成式 AI 应用到大规模机器学习流水线，架构师现在需要设计既强大又 安全、可靠、成本高效且负责任 的 AI 系统。
在 AWS re:Invent 2025 上，AWS 通过在Well‑Architected Framework 中引入一个新镜头并进行两项重大更新，专门针对 AI 工作负载提供指导：
| 镜头 | 关注点 |
|---|---|
| Responsible AI Lens（负责任 AI 镜头） | 信任、公平、透明 |
| Machine Learning (ML) Lens（机器学习镜头） | 坚实的机器学习基础 |
| Generative AI Lens（生成式 AI 镜头） | 为生成式工作负载提供实用指导 |
这些镜头共同为组织在 AI 旅程的每个阶段提供实用的端到端架构指导——无论团队是刚开始探索机器学习，还是在大规模运行复杂的生产级 AI 系统。
AWS Well‑Architected Framework 定义了在云中构建和运行工作负载的 安全、可靠、性能高效、成本优化和可持续 的成熟架构最佳实践。通过将 AI‑专注的镜头扩展到该框架，AWS 使架构师能够将这些核心原则应用于现代 AI 与机器学习工作负载的独特挑战。
The Responsible AI Lens: Designing AI Systems with Trust, Fairness, and Transparency
The Responsible AI Lens provides a structured framework that helps teams evaluate, track, and continuously improve their AI workloads against established best practices. It enables architects and developers to identify potential gaps in their AI implementations and offers actionable guidance to improve system quality while aligning with responsible‑AI principles.
关键要点
- 每个 AI 系统都涉及负责 AI 的考量 – 无论是有意设计还是无意产生，所有 AI 系统都会带来负责 AI 的影响。这些影响必须在系统生命周期中主动处理，而不是随意应付。
- AI 系统可能被用于超出原始意图的场景 – 应用往往会被采用到开发者最初未预料的方式。结合 AI 的概率性特征，这可能导致意外结果——即使在预期的使用案例中也是如此——因此早期且有意的负责 AI 决策至关重要。
- 负责 AI 能推动创新并建立信任 – 负责 AI 实践并非限制进步，而是通过建立利益相关者的信心、增强客户信任、降低长期运营和声誉风险，成为创新的催化剂。
负责 AI 视角为 AWS 上的 AI 开发提供了基础指导，提供核心原则，以此为依据支持机器学习视角和生成式 AI 视角的实现。
机器学习视角：在 AWS 上构建坚实的机器学习基础
机器学习视角 为在 AWS 上设计和运行机器学习工作负载的团队提供了实用的基础。它将经过验证、与云平台无关的最佳实践映射到良好架构框架的各支柱，覆盖机器学习生命周期的每个阶段。无论您是首次尝试模型还是在生产环境中运营复杂的 AI 系统，更新后的机器学习视角都提供了一种一致的方式来思考架构、运营和扩展。
新增内容（更新的机器学习视角）
- 使用 Amazon SageMaker Unified Studio 实现数据团队与 AI 团队之间的 协作流畅化
- 通过 Amazon Q 提供 AI 辅助开发，提升开发者生产力
- 使用 Amazon SageMaker HyperPod 为基础模型和微调提供 可扩展的分布式训练
- 通过 Amazon Bedrock、Kiro 和 Amazon Q Developer 实现 灵活的模型定制（微调、知识蒸馏）
- 使用 Amazon SageMaker Canvas 的 无代码机器学习工作流，现已增强 Amazon Q 功能
- 在 Amazon SageMaker Clarify 中加入改进的公平性指标，实现 更强的偏差检测 与负责任的 AI 实践
- 通过 Amazon QuickSight 的自动化仪表板，实现 更快的业务洞察获取
- 使用 Inference Components 构建 模块化推理架构，简化部署与扩展
- 在整个机器学习生命周期中提供 更深入的可观测性，改进调试和监控
- 通过 SageMaker Training Plans、Savings Plans 和 Spot Instances 实现 更佳的成本控制
机器学习视角的优势之一在于其灵活性。您可以在架构设计的早期阶段应用它，也可以在后期用于审查和改进已有的生产工作负载。无论您处于云或机器学习旅程的哪个阶段，机器学习视角——由 Amazon SageMaker Unified Studio、Amazon Q、Amazon SageMaker HyperPod 和 Amazon Bedrock 等服务提供支持——帮助团队构建 可扩展、高效且可投入生产的机器学习系统。
生成式 AI 视角：生成工作负载的实用指南
生成式 AI 视角部分的内容续写于此…
所有链接和引用均截至 2025 年 AWS re:Invent 公告时为最新。
Source:
基础模型架构指南
生成式 AI 视角 帮助架构师和构建者采用结构化、可重复的方法来设计使用大型语言模型（LLM）和其他基础模型的系统，以实现真正的业务价值。它聚焦于团队在构建生成式 AI 应用时最常面对的架构决策，例如：
- 选择合适的模型
- 设计有效的提示词
- 定制模型
- 集成工作负载
- 持续改进系统性能
与更广泛的 机器学习视角（适用于整个机器学习全谱）不同，生成式 AI 视角专注于基础模型和生成式 AI 工作负载的独特需求。它提炼了 AWS 与数千家客户合作的经验中的最佳实践，并将其与《可靠架构框架》对齐，帮助团队自信地从实验阶段迈向生产阶段。
更新的生成式 AI 视角的新内容
- 扩展的指导，关于使用 Amazon SageMaker HyperPod 编排复杂、长期运行的生成式 AI 工作流
- 更强大的负责任 AI 基础，包括对 AWS 八大核心负责任 AI 维度的详细拆解
- 全新的代理 AI 前言，介绍用于构建 AI 代理和多步骤推理系统的架构模式
在机器学习视角提供的基础上，生成式 AI 视角为团队在 AWS 上处理生成式 AI 和基于基础模型的应用所面临的独特挑战与机遇，提供了聚焦且实用的指导。
实施良好架构的 AI/ML 指南
全新的三个 AI 关注视角——Responsible AI（负责任的 AI）、Machine Learning（机器学习）和 Generative AI（生成式 AI）——旨在作为一个统一、连贯的指导模型协同工作，而不是作为独立的框架。每个视角都有其特定作用，合在一起帮助团队构建可投入生产、值得信赖且具备可扩展性的 AI 系统。
- Responsible AI Lens – 通过关注安全、公平和安全的 AI 开发来奠定基准。它帮助团队在业务目标与技术、伦理需求之间取得平衡，使从概念验证实验向生产环境的迁移更加顺畅。
- Machine Learning Lens – 为传统机器学习和现代 AI 工作负载提供更广泛的指导。最新更新提升了数据团队与 AI 团队之间的协作，引入 AI 辅助开发，支持大规模基础设施的供应，并实现更灵活的模型部署。
- Generative AI Lens – 在上述基础上进一步构建，专注于基于大语言模型（LLM）的架构。新指南涵盖 Amazon SageMaker HyperPod、新兴的代理式 AI 模式，以及针对常见生成式 AI 应用的更新架构场景。
接下来是什么？
随着这些镜头在 re:Invent 2025 上的发布，AWS 为组织提供了一条清晰的路径，以构建不仅强大且负责任、值得信赖的 AI 系统。通过覆盖完整的 AI 工作负载范围——从传统机器学习到生成式 AI——这些镜头帮助团队在加速创新的同时，保持坚实的架构和负责任‑AI 标准。