AWS re:Invent 2026 AI/ML 分场参会指南

从 11 月 30 日到 12 月 4 日，Amazon Web Services (AWS) 将举办其年度旗舰学习活动：re:Invent。在这场活动中，参会者将通过丰富多样的体验，在 AWS 技术的各个领域变得更强大、更精通：包括 AWS 高管带来的主题演讲、AWS 专家主持的互动实操会议，以及 re:Play 上现场娱乐表演和游戏等有趣的沉浸式活动。

这里共有超过 2,000 场聚焦特定主题的学习会议，涵盖不同的技能水平，其中 AI/ML (AIM) 板块就有超过 140 场独一无二的会议供你选择。我们在这里帮助你找到最适合自身需求的会议。即使你无法亲临现场，你也可以按需回看许多会议内容，甚至实时观看主题演讲。

基础知识：会议类型

如果你能来到现场，请记住我们提供多种类型的会议，帮助你在各类 AWS 主题上最大化学习效果。

re:Invent 参会者可以选择参加 breakout、chalk talk、builder session、workshop 和 code talk。Breakout 会议会被录制并在几天后上传到 AWS Events YouTube 频道，其余均为不录制的现场互动会议。以下是每种会议类型的详细介绍：

Breakout 会议：参会者参加由 AWS 专家、客户和合作伙伴主讲的 60 分钟讲座式信息分享会议。
Chalk-talk 会议：参会者与演讲者互动、提问，并在会议中使用白板。
Builder session：参会者参加一场一小时的学习会并动手构建一些东西。
Workshop 会议：参会者参加一场两小时的互动会议，在小组中协作，使用 AWS 服务解决一个真实问题。
Code talk 会议：参会者参加以代码为核心的精彩会议，由一位专家带领进行现场编码演示。
Lightning talk 会议：参会者观看一场 20 分钟的演示，专注于某项特定服务或客户案例（位于 Venetian 展馆或 Wynn/Encore 上层会议走廊）。

会议如此之多，了解它们之间如何相互关联会很有帮助。下面介绍 AWS 如何规划其 AI 产品体系，以便你决定从哪里入手、把重点放在哪里。

AWS AI 技术栈概览及其与 re:Invent 会议的关联

AWS 在云端提供全面的 AI 产品组合。它涵盖了从支撑 AI 工作负载的物理基础设施和 AI 芯片，到团队今天就能采用的即用型智能体解决方案。理解这些服务如何协同工作，有助于你在 re:Invent 中找到方向，聚焦与你正在构建的内容最相关的会议。

图 1：AWS AI 技术栈

全球基础设施——一切都始于专为 AI 工作负载设计和优化的数据中心。这些设施旨在满足大规模 AI 训练和推理任务所需的电力、散热和网络要求。

AI 芯片——在这些数据中心内运行着两种计算选择：AWS Trainium，专为高性能 AI 训练和推理而构建，以及 NVIDIA GPU，面向需要 GPU 加速的团队。客户可以根据自己的工作负载、性能需求和成本目标来选择。

数据基础 – AI 的好坏取决于其背后的数据。AWS Context 将你在存储、数据库、分析和搜索服务中的数据连接起来，让模型和智能体在合适的时间获取合适的信息。

模型、训练与推理 – 这是构建、训练、微调和服务模型的层面。Amazon Bedrock 通过统一的 API 让你托管访问来自多家提供商的数百个领先模型。Amazon SageMaker AI 让你在专用基础设施上全面掌控自定义模型的训练、微调和部署。许多客户会根据工作负载同时使用两者。

智能体开发与管理 – Amazon Bedrock AgentCore 是你构建、部署和管理 AI 智能体的地方。它支持任何模型或提供商组合，包括来自 Amazon Bedrock 和 SageMaker AI 的模型，让团队能够设计为每项任务选择合适模型的智能体，而不会被锁定在单一提供商。

智能体解决方案 – 位于技术栈顶层的是开箱即用的专用智能体。Kiro 通过规范驱动的开发帮助开发者第一次就正确交付。AWS Quick 将你的应用、工具和数据连接成一个能学习你工作方式的个人知识图谱。Amazon Connect 为客户体验、招聘、供应链和医疗健康提供智能体。AWS Marketplace 让你获得由合作伙伴构建的 AI 解决方案。

安全性、治理与成本优化贯穿 AI 技术栈的每一层。它们内置于基础之中，包括芯片层的硬件级隔离，以及约束智能体可访问内容和可执行操作的管控措施。

re:Invent 上聚焦 AI 的会议涵盖整个技术栈。无论你是在评估 AI 芯片、在生产环境中服务模型、构建自定义模型、部署智能体，还是采用开箱即用的解决方案，本指南都能帮你找到最重要的会议。利用它来制定更聪明的 re:Invent 日程。

人工智能与机器学习（AI/ML）专题主要聚焦于该技术栈的三个核心层面：AI 芯片、模型、训练与推理以及智能体开发与管理，同时贯穿安全性、治理与成本优化。以下章节从芯片层开始，向上经过模型和智能体。然后是把这些层面串联起来的会议。指南最后是其他相关主题，例如可持续性以及运行 AI 工作负载的基础设施。每个章节内，面向新手的会议在前，技术深入探讨在后。

想直接跳转？直达你关心的话题：

AWS AI 平台会议

这些会议将 AWS 核心 AI 服务放在一起讲解：Amazon Bedrock、Amazon SageMaker AI、Amazon Bedrock AgentCore，以及运行它们的 AI 芯片。它们帮助你做出随着使用规模增长依然适用的架构选择。

初次接触 AWS 上的 AI？从 AIM204 开始。它带你纵览整个技术栈。你将了解 Trainium 和 Graviton 芯片、Amazon Bedrock 和 SageMaker AI 上的模型推理，以及 AgentCore 上的生产级智能体。如果你已经在构建，可以试试 AIM364。它帮助你在 Amazon Bedrock 和 SageMaker AI 之间做出选择，并展示何时两者并用。示例是一个运行在 AgentCore 上的真实智能体编码应用。

其他会议则深入探讨具体的生产问题。如果你负责数据战略，请参加 AIM363。这场白板演讲展示了受治理的数据产品如何为定制化、推理和智能体提供支撑，并解释了为什么提示缓存、蒸馏和批量推理等成本手段在干净数据上效果更好。需要证明 AI 的价值？AIM319 将视角从成本转向业务影响。一场贯穿 AI 技术栈的现场演示将展示如何衡量投资回报率（ROI）并比较单次成果的成本。

有经验的构建者应该关注 AIM443。在这场 400 级白板演讲中，你将在 Amazon SageMaker HyperPod 上构建训练流水线。你将引入公司数据并保持治理到位，然后将同一个模型部署到 Amazon Bedrock 用于推理，或部署到 AgentCore 用于智能体。

AI 芯片：NVIDIA GPU 和 AWS Trainium

AWS 为训练和推理提供两大 AI 芯片选择：NVIDIA GPU 和 AWS Trainium。从你当前使用的芯片开始，再去探索另一种。

NVIDIA GPU 会议

AWS 提供多种配备 NVIDIA GPU 的 Amazon Elastic Compute Cloud (Amazon EC2) 实例。这些会议展示如何在上面安全可靠地运行 AI 训练和推理。

从 AIM2210 开始，了解 GPU 实例的最新动态。在 AIM3301 中，一位客户分享了如何通过优化 GPU 调度来充分利用其 GPU 容量。AIM392 解释了何时用 EC2 G7e 和 G7 实例替代 P 系列实例是合适的选择。想用自管理的智能体调优 AI 基础设施？请参加 AIM346。

如果你偏好动手学习，可以试试关于分离式推理服务的 AIM345。在 AIM344 中，你将找出真实 GPU 集群故障的原因以及如何从中恢复。在 AIM347 研讨会中，你可以实践 GPU 性能工程。

数据处理方面，请参见 AIM3312。它展示了带 NVIDIA cuDF 插件（用于 Apache Spark）的 Amazon EMR 在 EC2 G7 实例上运行作业的速度比可比 CPU 实例快至 3.7 倍，且无需更改代码。该会议还涵盖 GPU 上的 DuckDB。

AWS Trainium 会议

AWS Trainium 是专为下一代深度学习训练和推理打造的 AI 芯片家族。它以更低的成本提供高性能。Trainium 运行在 AWS Neuron 之上——这是将 Trainium 连接到 PyTorch 等常见框架的软件栈，因此团队无需重写代码即可构建。采用基于 Trainium 的 Amazon EC2 实例的客户可能获得比可比实例更好的性价比。

如果你刚接触 Trainium，AIM211 是最佳起点。它梳理了完整的技术栈，从芯片开始，层层递进到应用。关于最新系统，AIM310 展示了 Trainium3 和 Trn3 UltraServer 如何让大型混合专家（mixture-of-experts）模型保持高性能。如果你还在评估是否迁移到 Trainium3，AIM2213 圆桌讨论汇集了四位已经在 Trainium 上交付真实产品的 AI 领袖。

多场会议围绕特定角色展开。天天与 PyTorch 打交道的科学家和研究人员，可以先带着问题参加 AIM339 这场 nanochat 代码交流，然后在 AIM334 分布式训练动手研讨会中上手实践。机器学习工程师和开发者可以在 AIM349 中使用 Hugging Face 模型架构生产级 AI 助手，并在 AIM326 研讨会上动手实践推理扩展。追求极致吞吐量的性能工程师会想参加关于智能体优化循环的 AIM329，随后是 INV511，一门 500 级别的课程，深入剖析 Neuron Kernel Interface，适合 serious kernel 设计者。如果你想在 Amazon Elastic Kubernetes Service (Amazon EKS) 上运行 Trainium，AIM311 将在白板上讲解一套可支撑多达两万个加速器部署的弹性架构。如果你改用 SageMaker AI 进行部署，请参阅 SageMaker AI 部分。

对于那些想更进一步的人，世界模型（world models）是一类新兴技术，为游戏、机器人和自动驾驶中的仿真提供动力。AIM323 是很好的起点，涵盖使用原生 PyTorch 服务世界模型。接下来，选择一条动手实践路径。在 AIM304 中，你将使用智能体 Neuron 工作流部署并优化一个实时视频世界模型；而在 AIM305 中，你将为物理 AI 训练视觉-语言-动作模型。两者都是构建者课程。

Amazon SageMaker AI 会议

Amazon SageMaker AI 是 AWS 用于定制和部署自有模型的服务。它在一个平台上处理整个模型生命周期。你可以在无服务器计算上准备数据并定制模型。当需要更强算力时，你可以将训练任务扩展到数千个加速器。模型就绪后，将其部署到 SageMaker 推理端点或 SageMaker HyperPod。模型权重归你所有，模型运行在哪里也由你决定。

刚接触 SageMaker AI？从 AIM342 开始。它展示如何用一项服务构建、定制和部署模型。在会议间隙，不妨到 Builder's Hub 停留，在三项比赛中测试你的技能：微调一个智能体、组队参加 Agentic Football Cup，或教机器人学会一项新任务。想了解机器人、世界模型和物理 AI 的最新动态，请在 AIM2215 中聆听一组构建者的圆桌讨论。还在挑选模型或学习编写评估？AIM2205 展示如何在自有数据上构建评估，还展示如何将业务知识转化为运行成本更低的模型。

定制化始于数据。AIM434 工作坊将展示如何为定制模型准备数据集。接下来，AIM362 帮你为定制化选择合适的算力。然后，在 AIM402 中用几个小时微调并部署一个大语言模型（LLM）。客户也将分享他们的经验。在 AIM393 中，Salesforce 讲解它如何以开放权重构建和服务其 Koa 模型。Intuit 会在 AIM361 中讲述它的故事。如果你在构建智能体，AIM325 展示如何使用多轮强化学习微调具备推理能力的智能体。AIM456 工作坊将评估、微调和强化学习串联为一条流水线，涵盖 SageMaker AI 和 Amazon Bedrock。

如果你在构建领域专用 AI，应该参加 AIM2205。学习如何在自有数据上测试模型，并权衡质量与成本。该场次还会讨论何时定制模型是值得的。在 AIM398 中，Forge 团队将结合其端到端客户合作经验，在白板上勾画构建定制 AI 解决方案的快速路径。他们将涵盖从设定合适的评估、优化提示词、上下文和推理服务，到选择在预训练或后训练阶段修改模型权重的定制方法等方方面面。当你准备扩展训练和推理时，SageMaker HyperPod 帮你从每一 GPU 小时中获得更多价值。各团队用它开展生物学基础模型（FM）、物理 AI、世界模型和主权 AI 等专项工作。先看看那些突破极限的客户。在 AIM343 中，腾讯游戏讲解它如何扩展到 1,000 块 GPU。在 AIM433 中，HUMAIN 展示它如何在训练和推理中都保持高 GPU 使用率。

想动手实践的话，可以在 AIM406 中用 Amazon EKS 构建基础模型流水线，或在 AIM403 构建者场次中用 Ray 调优 AI 流水线。AIM435 代码演讲讲授策略蒸馏，即用较大模型训练较小模型。物理 AI 团队可以参加 AIM318 工作坊，了解在节点故障时如何保持视觉-语言模型训练持续运行。机器人和自动驾驶团队可以在 AIM413 中在 SageMaker HyperPod 上构建物理 AI 模型工厂。

到了部署模型的阶段，两场 200 级别讲座展示生产环境中的推理。在 AIM213 中，CrowdStrike 讲解它如何以更少的运维工作为威胁检测运行 LLM 推理。在 AIM214 中，Vanguard 分享它如何在 SageMaker HyperPod 上训练和服务定制 LLM。要基于开放权重模型构建推理快速的智能体，请尝试 AIM405。要创建快速、有韧性的推理端点，请参加 AIM404 工作坊。平台团队可以在 AIM348 构建者场次中实践受治理的 ModelOps，还可以在 AIM408 工作坊中通过托管 MLflow 添加可观测性。

使用 Amazon Bedrock 构建和运行 AI 应用与智能体

你选择的模型和推理方式决定了你的 AI 应用能为用户做什么。Amazon Bedrock 为你提供了丰富的模型选择，并帮助你为每项任务挑选合适的模型。它为你提供在生产环境中运行 AI 应用所需的性能、安全性和成本控制。有些应用需要使用工具和数据、记住上下文并代表你执行操作。对于这些场景，Amazon Bedrock AgentCore 可以帮助你构建、连接和改进智能体。

初次接触 Amazon Bedrock？从 AIM220 开始。它介绍了模型、推理、安全和成本管理方面的新内容。然后在动手实践的 AIM317 工作坊中构建并部署你的第一个 Amazon Bedrock 应用。

接下来，想想你需要服务的工作负载类型。客户支持应用可能需要快速回答。大型文档处理任务可能更在意成本，可以等待结果。AIM448 帮助你选择适合需求的 Amazon Bedrock 推理选项。它会权衡性能、容量、成本和数据驻留。如果你的应用必须对公司信息进行推理，请参加 AIM308。在本场次中，你将构建一个知识助手，它能跨文档、图像、结构化数据以及它们之间的关联查找答案。

你的推理方案还需要在用量增长时保持成本可控。AIM437 帮助你决定何时缓存重复的上下文、在模型之间路由请求，或将工作转移到批量推理。模型选择也很重要。最新的模型并不总是正确的选择，而切换模型可能改变质量、速度、成本和行为。AIM438 展示如何在 you 自己的用例上测试候选模型，从而自信地进行切换。应用上线后，AIM374 介绍投入生产所需的指标、告警和运维习惯。系统专家可以在 INV517 中深入了解。这场 500 级别的场次探讨高效大模型推理背后的调度与并行方法。

如果你想构建智能体，请从完整的生产图景入手，而不是一片一片地搭建基础设施。AIM212 介绍完整的 AgentCore 生命周期。Nasdaq 还将分享它如何在受监管的行业中运行智能体。想要动手实践的路径，可以试试 AIM439。你从一个基础的客户支持智能体开始，然后逐步添加记忆、工具访问、身份、策略、可观测性和评估，直到它达到生产就绪状态。准备好设计多智能体系统了吗？AIM407 使用 Strands Agents 来协调专业化智能体。你将共享状态、处理故障，并将结果部署到 AgentCore。

智能体运行起来之后，看看幕后发生了什么。每个规划步骤、检索、工具调用和重试都可能增加一次模型调用。这会改变成本、速度和可靠性。AIM429 将智能体设计与推理行为联系起来。它帮助你思考上下文、运行框架、目标，以及智能体何时应该停止。希望在代码中看到这些权衡的开发者应接着参加 AIM454。该场次将现场构建函数调用、多步推理和检索。

随着智能体服务更多用户、触达更多系统，风险也随之上升。带上你的扩展性问题来参加 AIM436，你将在其中解决流量高峰、工具故障、模型超时和多租户问题。管理全公司智能体的平台团队应参加 AIM303。该课程涵盖如何发现智能体、控制工具访问、管理身份以及查看整个智能体集群。如果你的首要任务是保护从用户请求到智能体操作之间的每一个环节，可以搭配 AIM370。然后使用 AIM440 将生产环境追踪和评估转化为持续改进智能体质量的稳定方法。

最后，选择一场与你想让智能体完成的工作相似的课程。AIM340 讲述百事（PepsiCo）的对话式订购智能体，展示记忆、公司 API 和控制机制如何在面向客户的工作流中协同工作。AIM369 聚焦于响应业务事件并将流程执行到底的智能体，并在需要时引入人工审批。软件团队可以在 AIM416 中动手实践。在那里，编程智能体将离开笔记本电脑，在 AgentCore 上运行长时间存活的并行工作流。

构建能够处理文档、语音和图像的 AI

AI 应用通常需要处理文本以外的内容。这些课程展示如何在 AWS 上构建这些能力，并加入事实依据（grounding）、评估和验证，让你的应用在实际使用中经得起考验。对于文档处理，先从关于 Amazon Textract 的 AIM216 开始。然后，在 AIM442 中构建一个将文档转化为可核验结构化数据的流水线。要构建语音应用？AIM217 介绍 Amazon Polly 和 Amazon Transcribe，AIM218 则通过 Amazon Nova Sonic 探索对话式 AI。想深入了解，可以参加 AIM356 代码讲座，或在 AIM352 中构建并部署语音智能体。

在 AIM357 中构建跨模态搜索。要提升质量，可在 AIM350 中添加网络事实依据，在 AIM351 中添加自动化评估。你还可以在 AIM355 中探索使用 Amazon Rekognition 进行身份验证。

建立对 AI 智能体的信任

AI 智能体现在已在从事实际工作，比如批准理赔、发放退款以及处理客户数据。团队需要一种方式来信任这些智能体的行为，并向他人证明这一点。这要从负责任的 AI 开始，它帮助组织在 AI 系统的设计、构建和运行方面做出审慎的选择。AWS 在此基础上提出了 Trust in Depth（深度信任），这是一种让智能体获得更多自由而不失去控制的方法。

如果你是 AI 信任领域的新手，可以先参加 AIM2216 圆桌讨论。它涵盖如何在智能体生命周期的每个阶段建立信心，主题包括确保智能体只限于其职责范围，以及准确查看它做了什么。要了解负责任 AI 治理的实际应用，请参加 AIM391。它展示了 John Deere 如何利用 AI Risk Intelligence 将周期性的人工审查替换为持续的自动化治理。这一转变将评估时间缩短了 30% 以上。

多场会议专为特定角色设计。开发者可以参加 AIM336 工作坊，审查一个多智能体理赔系统中的负责任 AI 缺口，然后修复发现的问题并撰写一份有据可依的报告。风险、合规和数据科学团队可以参加 AIM332。这场专家讨论会探讨在批准贷款或发放退款时，如何测试智能体是否公平地对待人们。你将学习如何选择公平性指标，并捕捉那些影响人们生活的结果中的偏见。你的智能体是否要做保险资格之类的决策？AIM335 工作坊展示如何将这些决策背后的规则转化为 Amazon Bedrock Guardrails 中的自动推理检查。此后每个决策都可以被证明正确并接受审计。

如果想深入了解这项科学，多场专家会议将介绍自动推理。INV508 展示主题专家如何将法律和监管政策转化为机器可以检查的规则，无需编写代码，这些规则随后即可作为 AI 护栏。INV526 探讨目前可以对智能体行为证明什么，以及极限在哪里。AIM451 专家讨论会展示如何执行智能体无法绕过的规则，还展示了如何让人类继续参与那些机器不应独自做出的决策。

其他主题

还有几条更丰富的会议路线，从可持续发展到工作负载的运行位置，为你的 re:Invent 行程画上圆满句号。

AWS 可持续发展

AWS 正在数据中心、芯片和 AI 服务方面持续创新，以实现更高的效率和可持续性。AWS 还为你提供数据和工具，用于测量、跟踪和减少你在 AWS 上运行的云和 AI 工作负载对环境的影响。这些会议讨论我们如何让基础设施更加高效，并展示如何在实现业务目标的同时对可持续发展数据采取行动。想了解 AWS Sustainability 服务的最新动态，请参加 AIM201。这场快闪演讲涵盖碳之外的全新影响领域、更详细的数据以及 API 访问。在 AIM205 中，了解 AWS 如何让 AI 基础设施更具可持续性：使用低隐含碳的硬件、节能的自研芯片，以及经过机器学习（ML）调优的数据中心。想了解你的碳数据背后的方法？参加 AIM321 专家讨论会。它展示如何利用这些数据构建 footprint 更小的 AI 工作负载，而且这通常也能降低成本。

如果你偏好动手实践，可以试试 AIM320。你将使用 Amazon Bedrock 构建一条生成式 AI 流水线，把杂乱的公司数据转化为可持续发展洞察。该会议基于 AWS 在其数据中心处理生命周期评估的方式。想更进一步，可以参加 AIM412。它使用 Amazon Neptune 和一个 Amazon Bedrock 智能体来映射利益相关方之间的相互依赖关系，然后在知识图谱上测试降低碳排放的方案。

Local Zones 与 AWS AI Factories

随着团队将 AI 投入生产，工作负载运行在哪里与其构建方式同样重要。大型训练任务、微调和实时推理对基础设施各有不同的需求。AWS 提供了多个运行场所：AWS 区域、AWS Local Zones、AWS Dedicated Local Zones、AWS AI Factories 和 AWS Outposts。从 HMC303 开始。它从驱动选择的四个因素对这些选项进行比较：延迟、数据主权、计算密度和规模。Databricks 分享了它如何使用部分 Local Zones 中的 GPU 容量。T-Mobile 介绍了对延迟敏感的分布式推理。

在 HMC307 中，了解 Netflix 如何通过洛杉矶 Local Zone 为其视觉特效和动画团队提供支持。Netflix 按需准时启动配备 NVIDIA RTX PRO 6000 GPU 的 Amazon EC2 G7e 实例。这样，艺术家在需要时就能获得 ComfyUI 环境。

两个动手实验采用不同的路径在边缘构建智能体。HMC402 走托管路线。你将 AWS 区域中的 Amazon Bedrock AgentCore 智能体连接到混合和边缘位置的工具与智能体。你将使用 Model Context Protocol（MCP）和智能体间（A2A）通信。HMC403 走自行管理路线。你可以在 Local Zones 和 Outposts 中设计、搭建和调优自己的智能体。然后在 HMC401 代码演讲中，学习如何使用 NVIDIA Run:ai 在边缘编排分数 GPU。

有些组织根本无法将 AI 工作负载迁移到公有云。数据主权、数据引力或延迟可能成为阻碍。AIM206 展示了 AWS AI Factories 如何将 AWS 和 NVIDIA 的 AI 基础设施引入你自己的数据中心。AWS 为你运行和更新它。了解各组织如何在本地运行领先的基础模型进行训练和推理，同时保持对数据的完全控制。

规划你的 re:Invent

使用本指南构建你的日程。然后尽早在活动目录中预订座位，因为热门分会很快就满了。专业提示：如果分会在线上分会目录中显示已满，我们建议将该分会加入收藏，然后碰碰运气，直接走到分会现场看看是否有额外的空位。还有其他可以了解 AWS AI/ML 产品的活动。

参观 AI 服务台

在分会之间，顺便到威尼斯人会展中心 AWS Village 的 AI 服务台看看。每个服务台由专注相关主题的 AWS 专家值守，包括产品经理和解决方案架构师。他们会回答你的问题，帮助你思考用例，并全天进行演示。参观 AWS Village 时，来看看这些服务台：

Amazon Bedrock。
Amazon Bedrock AgentCore。
Amazon Foundation Models。
Speech AI。
Accelerated Computing。
Strands Agents。
AI League。
Amazon SageMaker AI。
Global Infrastructure & Sustainability。
Hybrid Cloud & Edge Computing。

体验互动活动

你还可以在四个互动体验中获得动手体验，它们同样位于威尼斯人会展中心的 AWS Village：

AWS Quick：了解当 AI 智能体加入日常运营后工作会发生怎样的变化。观看解决方案架构师在三个现场演示站点之一现场演示 Quick，或在三个自助演示站点之一自行体验演示。你还可以使用触摸屏知识图谱探索 re:Invent 的内容和分会。
银河智能体：在四个建造站之一就座，组建一支由五名军官组成的 AI 船员队伍，然后发射你的星际飞船。整个一周里，即使你在参加分会场，你的船员也会自主探索一个共享星系。每位军官都对应企业实际使用的一种智能体模式。巨大的实时星系地图和底层揭秘将展示如何在 AWS 上运行你可以观察并信任的智能体。想知道这个游戏是如何构建的？可以到 SME 桌前与专家交流。
机器速度的安全：在两张桌面之一玩触屏桌面游戏。保护你的云环境，每部署一项 AWS 安全服务即可获得积分。完成后，可前往附近的安全展台进行更深入的交流。
AWS 云基础设施：不要错过 AWS Village 的基础设施体验。了解 AWS 云背后的硬件，它建立在 20 多年的云基础设施创新之上。一面芯片墙展示了每一代 AWS Graviton、AWS Trainium、AWS Inferentia 和 AWS Nitro Cards。触屏演示将介绍这些芯片如何与合作伙伴的芯片协同，用于智能体 AI、训练和推理。近距离观看 Trainium 和 Graviton 服务器托盘与机架，了解它们如何通过 Elastic Fabric Adapter（EFA）和 Amazon EC2 UltraClusters 进行横向扩展。然后探索 AWS AI Factories 的 3D 模型，看看 AWS 如何将其基础设施引入你自己的数据中心。在参加完关于 AI 芯片、AWS AI Factories 和 Local Zones 的分会场之后，这是一个不错的停留点。

无法前往拉斯维加斯？观看主题演讲直播，并在 AWS Events YouTube 频道上稍后观看分会场视频。我们期待在 re:Invent 2026 与你相见。