亚马逊云科技与姚基金联合推出“云上篮图”体育×科技育人计划，投入100万美元及云与AI资源，首次将Breaking Barriers引入中国。计划分培训、黑客松、部署三阶段，支持10所院校培养体育AI人才，在100所基层学校试点AI教学工具，并支持姚基金篮球季。

亚马逊云科技中国区暂不支持Health Organizational View，多账号健康事件分散难管理。本文提出基于EventBridge跨账号转发的集中通知方案，采用Hub-Spoke架构聚合各账号Health Event，经InputTransformer格式化后由Lambda推送至飞书、钉钉、Teams、企业微信、Slack等平台。方案Serverless无固定成本，CloudFormation一键部署，支持灵活扩展与安全控制。

亚马逊推出企业级AI助手Amazon Quick，桌面端支持macOS和Windows，并发布移动端智能动态流。该助手运行于亚马逊云科技，数据私有、可审计，具备HIPAA等合规认证，可整合邮件、日历、CRM等信息，由智能体处理琐事并跨系统执行任务，仅呈现需人工决策事项，提升团队效率。

Mattel163与亚马逊云科技合作，基于Amazon Bedrock AgentCore构建多智能体报告平台（MARP），自动分析玩家反馈并生成报告。该平台通过多个专业化智能体协作，将原本需数周的人工分析缩短至分钟级，覆盖应用商店评论、问卷、客服工单和访谈转录等场景，并采用异步架构、证据链约束和多租户安全设计，提升分析效率与一致性。

本文探讨亚马逊云科技容器环境中IP地址消耗问题，重点针对大模型训练/推理场景下大型GPU节点Pod密度低但VPC CNI默认预留大量IP导致子网浪费。文章分析EKS、ECS等场景的IP消耗风险，提出优化方案：优先考虑IPv6、Prefix Delegation、Custom Networking等架构调整，也可通过设置MINIMUM_IP_TARGET、WARM_IP_TARGET等参数控制单节点IP分配，并强调需同步配置kubelet maxPods、监控和验证。

亚马逊云科技二季度营收422.3亿美元，同比增长36.7%，创18个季度最快增速，营业利润率39.4%，贡献超60%利润。AI和自研芯片业务年化收入各超250亿美元，获Anthropic和OpenAI大额订单。资本支出上调至2200亿美元，CEO预计未来年营收可达万亿美元。

Load Testing Pilot是一个基于Serverless架构的分布式压测与AI分析平台，专为亚马逊云科技中国区域设计。它通过CloudFormation一键部署，支持JMeter、K6等四种压测方式，并利用LLM生成脚本和结构化分析报告。平台自动采集ELB、EC2等全链路指标，定位性能瓶颈，提供优化建议，降低运维成本。

本文在AWS中国区实测llama.cpp部署Qwen3.6模型，对比Graviton4、Intel CPU和A10G GPU的MTP加速效果。GPU上MTP提升83%性能，CPU上反而降低18-40%。最佳实践：GPU用27B Dense+MTP，CPU用35B MoE关闭MTP，后者成本仅为GPU的26%，性能达82%。

亚马逊云科技推出“创业复兴计划”，面向一人公司和10人以下小团队，提供最高10万美元云资源、1对1导师指导、产品路演及全球展示机会。计划旨在帮助AI创业者解决客户获取、融资和出海难题，导师包括傅盛、公元等，报名截止8月12日。

本文介绍了如何在亚马逊云科技中国区构建安全的SFTP文件传输方案。通过AWS Transfer Family、Secrets Manager和IAM Roles Anywhere等服务，解决了无长期凭据、无Active Directory和Cognito User Pool等挑战，实现了自动轮换密码和多层安全防护，确保数据传输的安全性和可靠性。

亚马逊云科技（AWS）成立了新的“前置部署工程师”团队，专注于帮助客户部署定制化AI系统。该团队将在客户公司驻扎，提供为期约45天的支持，以实现知识转移，提升客户自主开发AI应用的能力。亚马逊初期投入10亿美元，首批客户包括NBA和Ricoh。这一模式在AI领域日益流行，反映出对现场工程支持的需求增长。

亚马逊云科技副总裁Ganapathy Krishnamoorthy指出，AI Agent的崛起推动数据库升级，需具备“记忆海绵”功能，支持向量检索和混合搜索。新项目应基于现代开源数据库，传统数据库需逐步现代化，数据将成为AI创造价值的核心资产，关键在于释放数据价值。

本文讨论了在亚马逊云科技上构建企业级智能体的评估框架，强调评估应贯穿开发全生命周期。提出六个关键问题，涵盖评估框架、指标体系、自动化流程、数据集、工程纪律及工具支持。亚马逊云科技的经验表明，评估需关注智能体各组件，以确保其在复杂环境中的稳定性和可优化性。通过持续监测和反馈，企业能更有效地实现智能体的生产级部署。