亚马逊研发多模态大模型 Olympus：能读懂视频，减少对 Anthropic 依赖

一边给 Anthropic 大把撒钱，一边在自家车库里紧锣密鼓地造替代品。亚马逊在 AI 上的这手双保险，终于要亮底牌了。

据 The Information 报道，亚马逊已经研发出一款能够处理图像、视频和文本的新型多模态大语言模型，内部代号为 Olympus。知情人士透露，亚马逊最快可能在下周举行的 AWS re:Invent 年度大会上正式公开这个模型。

搜视频里的「绝杀球」，不用看进度条了

根据知情人士的说法，Olympus 最大的亮点在于对视觉画面的理解能力。

它不仅能看懂静止图像，还能读懂视频里的具体场景。举个例子，用户只需要输入一句简单的文本提示词，比如「投中制胜球的篮球瞬间」，模型就能迅速在整段视频中精准找到对应的画面片段。

在底层架构上，它打破了以往单纯依赖文字的限制。对于需要处理海量视频素材的云端客户来说，这意味着以后检索和剪辑长视频，不再需要人工一帧一帧去拉进度条。

一边重金下注，一边留好退路

有意思的是，这个消息爆出的时机非常微妙。

就在上周，亚马逊才刚宣布向 Anthropic 追加 40 亿美元投资。算上去年 9 月投下的 40 亿美元，亚马逊在 Anthropic 身上的总下注已经达到了 80 亿美元，坐稳了后者的少数股东位置。

按照双方当时的协议，Anthropic 会跟 AWS 旗下的 Annapurna Labs 紧密合作，深度优化亚马逊自研的 Trainium 加速芯片，甚至计划用这些芯片来训练 Anthropic 未来的前沿基础模型。

但在云服务货架上，Anthropic 的 Claude 几乎成了 AWS 吸引企业客户的最大招牌。知情人士指出，亚马逊之所以急于推出自研的 Olympus，很大程度上就是为了减少对 Claude 的过度依赖，同时扭转外界关于微软、OpenAI 和 Google 已经甩开亚马逊的固有印象。

为什么重要

我们认为，亚马逊这步棋下得非常务实，甚至可以说是典型的巨头防守反击策略。

对 AWS 的企业客户来说，多一个自研的多模态模型绝对是好事。如果 Olympus 能在下周顺利落地，那些有大量监控、媒体资料库、电商商品视频处理需求的企业，就不必把鸡蛋全放在 Anthropic 一家篮子里，调用成本和算力调度上大概率也能拿到更好的原生折扣。

但从行业竞争来看，亚马逊的隐患在于「左右互搏」。它既是 Anthropic 最大的金主和算力提供商之一，又在自研同台竞技的模型。面对微软与 OpenAI 已经产生摩擦的前车之鉴，亚马逊能否在扶持盟友和扶持亲儿子之间平衡好资源，目前还得打个问号。

看起来，亚马逊不想只当一家给别人做嫁衣的算力水力公司。Olympus 的出现证明了一件事：在顶级大模型这条赛道上，哪怕盟友再能打，核心技术最后也必须抓在自己手里。