本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
亚马逊 Bedrock 还是亚马逊 SageMaker AI？
了解差异并选择最适合您的差异
|
目的 |
了解亚马逊 Bedrock 和 SageMaker Amazon AI 之间的区别，并确定哪种服务最适合您的需求。 |
|
上次更新 |
2026 年 7 月 23 日 |
|
承保服务 |
简介
亚马逊网络服务 (AWS) 提供托管服务，帮助您构建 AI 应用程序和代理。有关这些服务如何在生成式 AI 堆栈（从自定义芯片到代理解决方案）中协同工作的概述，请参阅生成式 AI 决策指南。
下图显示了从硅到代理解决方案 AWS 的人工智能堆栈。
在选择使用哪种生成式 AI 服务时，通常会比较两种服务：
Amazon Bedrock
-
如果您需要一个完全托管的无服务器平台来构建、运行和运行生产规模的 AI 应用程序和代理，请选择 A mazon Bedrock。Amazon Bedrock 提供对来自领先人工智能实验室的前沿模型、适用于任何框架的代理开发路径以及将 AWS 安全堆栈扩展到人工智能的治理控制措施，无论它在哪里运行。
-
Amazon Bedrock 提供更多功能来增强您的生成式 AI 应用程序，包括用于检索增强生成 (RAG) 的知识库、用于实施保障措施、大规模构建、AgentCore部署和运行 AI 代理的护栏、用于构建端到端工作流程的流程、用于转换非结构化数据的数据自动化以及用于构建的提示管理 https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-management.html可重复使用的提示。
-
使用亚马逊 Bedrock 商城发现、测试和使用流行的、新兴的和专业的基础模型 (FM)。
亚马逊 SageMaker AI
-
SageMaker Amazon AI（前身为亚马逊 SageMaker）是一项完全托管的服务，旨在帮助您大规模构建、训练和部署人工智能、预测性机器学习和传统机器学习模型。这包括使用笔记本、管道和 ModelOps 解决方案等工具从头开始构建模型。无服务器 MLFlow 支持跟踪实验和跟踪代理。当你的用例可以从开放、专有和自定义模型的广泛训练、微调、定制和推断中受益时，可以考虑使用 SageMaker AI。当你需要管理成本、吞吐量和延迟权衡时，还可以考虑使用 SageMaker 人工智能来部署模型。 SageMaker AI 为托管基础设施提供原生优化，以实现工作负载优化的推理。它还可以帮助您完成可能具有挑战性的任务，即评估哪种模型最适合您的用例。在 SageMaker AI 上训练的自定义模型可以部署到 A SageMaker I 终端节点进行托管推理，部署到亚马逊 SageMaker HyperPod 进行大规模推理，或部署到 Amazon Bedrock 进行无服务器推理。
-
除了 SageMaker 人工智能训练和 SageMaker 人工智能推理提供的托管基础设施外，亚马逊还 SageMaker HyperPod 提供弹性、可扩展的基础设施，用于大规模训练和部署人工智能模型，并可访问编排层：Kubernetes(EKS) 用于训练和推理或Slurm训练。
本指南侧重于了解亚马逊 SageMaker 人工智能和亚马逊基岩之间的区别。有关亚马逊基岩和 SageMaker 人工智能如何融入亚马逊的生成式人工智能服务和解决方案的更多信息，请参阅生成式 AI 决策指南。
虽然亚马逊 Bedrock 和亚马逊 SageMaker AI 都支持人工智能应用程序和代理的开发，但它们的用途不同。本指南可帮助您了解哪些服务最适合您的需求，包括两种服务可以一起使用来构建生成式 AI 应用程序的场景。
以下是这些服务之间的主要区别的概述，可帮助您入门。
| 类别 |
Amazon Bedrock |
亚马逊 SageMaker AI |
|---|---|---|
| 应用场景 | 完全托管的无服务器平台，用于在生产规模上构建、运行和操作 AI 应用程序和代理 | 经过优化，便于训练、自定义和部署 AI 模型，在生产规模上最大限度地实现用户对 AI 应用程序、预测性机器学习和传统机器学习的控制 |
| 目标用户 | 针对构建 AI 应用程序和代理的技术决策者、开发人员和团队进行了优化 | 针对机器学习从业者、机器学习工程师、数据科学家、AI 平台团队和开发人员进行了优化 |
| 自定义 | 通过微调、提炼和自定义模型导入实现自动定制；最低限度的基础设施管理 | 使用 SFT、DPO、RLVR 和 RLAIF 进行无服务器自定义；使用培训任务进行管理培训；完全控制 HyperPod |
| 定价 | Pay-as-you-go 每个代币的定价基于处理的输入和输出代币，提供优先、灵活和预留服务等级 | Per-token 无服务器定制的定价；计算资源的基于使用量的定价，包括训练作业、推理和 HyperPod |
| 集成 | 通过 API 调用将预训练的模型集成到应用程序中，包括端点 OpenAI-compatible | 将自定义模型集成到应用程序中，提供更多自定义选项 |
| 所需的专业知识 | 使用预训练模型所需的基本机器学习专业知识水平 | 引导式用户界面和 AI 代理辅助工作流程可简化自定义；更深入的 ML 专业知识有助于高级培训工作 |
| 管理 | Amazon Bedrock 提供了一 API-based 种简化的方法，仅需最低限度的基础设施管理。 | 无服务器模型定制不需要基础架构管理。推断、训练作业，并 HyperPod 提供全面的基础设施控制以及广泛的监控和控制功能。 |
| 部署和托管 | Amazon Bedrock 是无服务器的，这意味着您不必管理基础设施。 | 无服务器用于模型定制；自定义模型部署到 SageMaker AI 专用终端节点以进行托管推理，或部署到 Amazon Bedrock 进行无服务器推理。通过精细的节点级资源控制，培训作业并 HyperPod 支持从培训到服务的连续性。通过内置的可观察性和操作简便性（包括无服务器 MLFlow），终端可以扩展到零。 |
亚马逊 Bedrock 和 SageMaker AI 之间的区别
以下各节研究和比较了亚马逊 Bedrock 和亚马逊 SageMaker AI 的能力。
同时使用亚马逊 Bedrock 和亚马逊 SageMaker AI
亚马逊基岩和亚马逊 SageMaker 人工智能之间的选择并不总是相互排斥的。在渐进式定制管道中同时使用这两种服务可能会使您受益：
-
从 Amazon Bedrock 开始：首先使用亚马逊基岩知识库进行即时工程和检索增强生成 (RAG)，快速构建和迭代您的生成式 AI 应用程序。
-
转向 SageMaker AI 无服务器定制：当您需要更改模型行为超出提示所能实现的范围时，可使用 SageMaker AI 无服务器定制和 SFT 和 DPO 等技术来微调数据模型。
-
推进强化学习：为了优化奖励信号，在 SageMaker AI 上使用 RLVR 和 RLAIF，进一步使模型输出与您的特定质量和精度要求保持一致。
-
跨两种服务进行部署：在 SageMaker AI 上训练的自定义模型可以部署在 A SageMaker I 推理中，也可以通过自定义模型导入导入到 Amazon Bedrock 进行无服务器推理，或者导入到 SageMaker AI 终端节点进行托管推理，对成本、吞吐量和延迟进行精细控制。您还可以在 Amazon Bedrock 无服务器推理上进行原型设计并迁移到 SageMaker AI 终端节点，或者 HyperPod 当您需要对基础设施进行生产级控制以管理成本延迟-吞吐量权衡时。
下表将常见用例模式映射到推荐的服务方法。
| 用例模式 | 推荐的方法 |
|---|---|
| 使用即时工程和 RAG 进行快速 FM 原型设计 | Amazon Bedrock |
| 具有安全性和可观察性的企业 AI 代理 | 使用亚马逊 Bedrock A and/or SageMaker I AgentCore 进行推理的亚马逊 Bedrock |
| 无服务器模型定制（SFT、DPO、RL） | SageMaker AI 无服务器定制 |
| 大规模自定义模型训练 | SageMaker AI 培训工作或 HyperPod |
| Large-scale GenAI 推断 | Amazon Bedrock and/or SageMaker AI 视直接管理成本-延迟-吞吐量的需要而定 |
| 具有治理功能的完整机器学习生命周期 | SageMaker 人工智能 |
| 具有成本优化的生产 GenAI 应用程序 | 两项服务合二为一 |
归根结底，亚马逊 Bedrock 和 SageMaker Amazon AI 之间的决定取决于您的特定要求。评估这些因素可以帮助您选择最适合您需求的服务。
有关亚马逊生成式 AI 服务和解决方案的更多信息，请参阅生成式 AI 决策指南。
使用
一种常见的方法是循序渐进的旅程：从 Amazon Bedrock 开始进行即时工程和 RAG，然后在需要更改模型行为时转向 SageMaker AI 无服务器定制，然后转向训练任务或需要全面基础设施控制 HyperPod 时。使用以下资源在这段旅程中的任何时候开始吧。
