如果你已经了解过 AWS 的 AI 相关服务——比如 Bedrock 用来调用大模型，SageMaker 用来训练自己的模型——可能会想：AWS 到底提供了多少种 AI 服务？哪些是真正常用的？它们分别能解决什么问题？
今天这篇文章，就为你系统梳理 AWS 常用的 AI 服务，按功能分类介绍它们能做什么、适合什么场景，帮你快速建立起对 AWS AI 产品体系的整体认知。
AWS AI 服务的整体图景
AWS 提供的人工智能服务可以分为几个层次：
生成式 AI 服务：如 Amazon Bedrock 和 Amazon Q，提供现成的生成式 AI 能力
AI 服务（预训练模型） ：开箱即用的 API 服务，无需机器学习经验即可调用
机器学习平台：如 Amazon SageMaker，用于构建、训练和部署自定义模型
AI 基础设施：专门优化的计算资源，用于大规模 AI 训练和推理
对于大多数开发者来说，最常用到的是 “开箱即用的 AI 服务”——它们提供预训练的模型，通过 API 调用就能把 AI 能力集成到应用中，无需自己训练模型。
语言类 AI 服务
Amazon Polly：文本转语音
Polly 是一项将文本转换为逼真语音的服务，可以创建“会说话”的应用程序，构建支持语音交互的产品。
适用场景：有声内容生成、语音导航、无障碍辅助阅读、语音交互应用
Amazon Transcribe：语音转文本
Transcribe 使用自动语音识别（ASR）技术，快速准确地将语音转换为文本。
适用场景：会议记录自动生成、客服通话分析、视频字幕生成、语音搜索
Amazon Lex：对话式 AI
Lex 是用语音和文本构建对话界面的服务，与 Alexa 使用的是相同的深度学习技术。
适用场景：智能客服机器人、语音助手、自动化应答系统
Amazon Translate：机器翻译
Translate 提供快速、高质量的神经网络机器翻译服务。
适用场景：多语言网站内容翻译、跨语言沟通工具、国际化产品支持
数据提取与分析类
Amazon Textract：文档文本和数据提取
Textract 可以从扫描的文档中自动提取文本、手写内容和结构化数据，超越简单的 OCR。
适用场景：自动化处理合同、发票、表格等文档；自动化理赔裁决流程、智能文档处理
Amazon Comprehend：自然语言处理
Comprehend 通过机器学习发现文本中的见解和关系，无需机器学习经验即可使用。
适用场景：情感分析、评论分类、关键词提取、主题建模
Amazon Augmented AI（A2I）：人工审核
A2I 为机器学习预测提供人工审核机制，确保关键业务场景的准确性。
适用场景：高风险 AI 决策的人工复核、模型预测的审计和质量保证
计算机视觉类
Amazon Rekognition：图像和视频分析
Rekognition 可以识别图像和视频中的物体、人物、文本、场景和活动，也能检测不当内容。它基于经过验证的深度学习技术，无需 ML 专业知识即可使用。
适用场景：内容审核与合规、人脸识别验证、媒体资产管理、安全监控
企业专业服务类
Amazon Kendra：智能企业搜索
Kendra 可以通过内置连接器在不同内容存储库中进行搜索，提供精准的企业级信息检索。
适用场景：企业内部知识库搜索、技术支持文档检索、合规信息查找
Amazon Personalize：个性化推荐
Personalize 使用与 Amazon.com 相同的 ML 技术，提供实时个性化推荐。
适用场景：电商商品推荐、内容个性化推送、个性化营销活动
代码与 DevOps 类
Amazon Q Developer：AI 编程助手
Q Developer 是生成式 AI 驱动的软件开发助手，免费计划包含 IDE 中的自动补全建议、每月 50 次聊天互动、10 次代码生成任务等。
适用场景：代码自动补全、代码审查与转换、AWS 账户问题咨询
Amazon DevOps Guru：异常检测
DevOps Guru 使用机器学习检测异常运维模式，在运维问题影响用户之前识别出来。
适用场景：系统性能监控、故障提前预警、运维效率提升
生成式 AI 核心平台
Amazon Bedrock：大模型服务平台
Bedrock 是 AWS 用于在生产规模构建生成式 AI 应用程序和代理的平台。它提供来自 Anthropic（Claude 系列）、Meta（Llama）、Amazon（Nova 系列）、Mistral AI、Stability AI 等公司的数百个基础模型，可通过统一的 API 调用。
核心功能：
模型选择：超过 100 个模型可供选择，通过 Bedrock Marketplace 还可访问更多新兴和专业模型
知识库（RAG） ：让模型能从你的私有数据中检索信息生成更精准的回答
Guardrails（安全护栏） ：可拦截高达 88% 的有害内容，以最高 99% 的准确率识别正确模型响应
成本优化：提示词缓存可将成本降低 90%，智能提示路由可降低 30% 成本
💡 对 Bedrock 更详细的介绍，可以参考我之前的专门文章《AWS Bedrock 是什么？大模型服务功能介绍与使用场景》。
机器学习平台
Amazon SageMaker：ML 全流程服务
SageMaker 是 AWS 的完全托管机器学习服务，帮助构建、训练和部署自定义 ML 模型。它提供从数据准备、模型训练到部署监控的完整工作台。
适用场景：需要训练专属模型的场景、数据科学研究和实验、MLOps 流程建设
💡 关于 SageMaker 的详细介绍，可以查看《AWS SageMaker 入门：机器学习建模、训练和部署功能详解》。
Bedrock vs SageMaker：核心区别速览
这是新手最容易混淆的地方，简单对比一下：
对比维度Amazon BedrockAmazon SageMaker适用场景将现成的大模型 AI 能力集成到应用中自行构建、训练和优化自定义 AI/ML 模型目标用户不需要深厚 ML 专业知识的开发者和企业数据科学家、ML 工程师模型来源使用预训练模型（Claude、Llama、Nova 等），可有限微调完全控制，可从零构建或深度自定义定价方式按 API 调用次数 pay-as-you-go按计算资源、存储等使用量收费基础设施管理无服务器，无需管理需要对计算资源精细控制
Amazon Nova 模型系列
AWS 自研的 Nova 系列模型已在 Bedrock 上提供，分为多个版本以满足不同场景：
模型特点适用场景Nova Lite快速、经济的推理模型客户服务聊天机器人、文件处理、业务流程自动化Nova Pro最智能的推理模型，高精度Agentic Coding、复杂任务求解、长期规划Nova Sonic端到端语音模型实时对话式 AI、语音助手、客户服务Nova Omni统一多模态模型同时处理文本/图像/视频/语音并生成图文输出
如何选择适合你的 AI 服务？
根据你的具体需求来判断：
想快速给应用添加 AI 能力（如翻译、语音转文字、图像识别）→ 直接用对应 AI 服务 API（Polly/Translate/Rekognition 等）
想基于大模型构建生成式 AI 应用 → 选择 Amazon Bedrock，调用现成模型 API
需要训练自己的专属模型 → 选择 Amazon SageMaker
想提高开发效率、排查运维问题 → 选择 Amazon Q Developer 或 DevOps Guru
AWS 的 AI 服务体系覆盖了从“开箱即用的 API”到“从头训练模型”的完整光谱。掌握这些常用服务的定位和适用场景，你就能在遇到具体业务需求时，快速找到最合适的 AI 工具来解决问题。