AWS AI 服務完整指南：Bedrock、SageMaker、AI 證照

生成式 AI 正在重新定義企業的競爭力——而 AWS 作為全球最大的雲端平台，已經建構了一套完整的 AI 服務生態系統。從讓你直接使用 Claude、Llama 等頂尖大型語言模型的 Amazon Bedrock，到讓資料科學家自建模型的 SageMaker，再到各種專用 AI 服務如影像辨識、語音轉文字，AWS 提供的選擇可謂琳瑯滿目。但選擇多，也意味著容易迷失方向。

這篇文章將幫你釐清 AWS AI 服務的全貌，讓你知道什麼情境該用什麼服務，以及如何在這波 AI 浪潮中做出正確的技術選擇。

AWS AI 服務概覽

AWS 的 AI 與機器學習服務可以分為三個層次，每一層對應不同的使用者需求與技術能力：

三層 AI 服務架構

層級	服務類型	代表服務	適合對象
應用層	預訓練 AI 服務	Rekognition、Transcribe、Polly、Comprehend	開發者（無需 ML 知識）
平台層	生成式 AI 平台	Amazon Bedrock、SageMaker JumpStart	想使用大型模型的團隊
基礎層	自建 ML 平台	SageMaker、EC2 + GPU	資料科學家、ML 工程師

應用層：AWS 已經訓練好模型，你只要呼叫 API 就能用。例如用 Rekognition 辨識圖片中的人臉，用 Transcribe 把會議錄音轉成文字。這類服務最適合快速整合 AI 功能，不需要任何機器學習背景。

平台層：這是 2023 年後最熱門的領域。Amazon Bedrock 讓你直接使用 Claude、Llama 等頂尖 LLM，不用自己部署模型。SageMaker JumpStart 則提供預訓練模型的微調能力。

基礎層：如果你需要從頭訓練自己的模型，SageMaker 提供完整的 MLOps 平台，從資料標註、訓練、到部署一條龍服務。

AWS AI 服務完整列表

服務名稱	功能描述	計費模式
Amazon Bedrock	存取多種基礎模型（Claude、Llama、Titan）	按 Token 計費
Amazon SageMaker	端到端機器學習平台	執行個體時數 + 儲存
Amazon Rekognition	影像與影片分析	按圖片/影片分鐘計費
Amazon Comprehend	自然語言處理（NER、情感分析）	按處理單位計費
Amazon Transcribe	語音轉文字	按音訊秒數計費
Amazon Polly	文字轉語音	按字元數計費
Amazon Lex	對話式 AI（聊天機器人）	按請求數計費
Amazon Translate	機器翻譯	按字元數計費
Amazon Kendra	企業智慧搜尋	按索引大小計費
Amazon Personalize	個人化推薦	按資料處理量計費

如果你對 AWS 整體服務還不熟悉，建議先閱讀 AWS 完整指南 了解基礎概念。

AWS Bedrock 生成式 AI

Amazon Bedrock 是 AWS 在 2023 年推出的重磅服務，讓企業能夠透過簡單的 API 呼叫，直接使用多家頂尖 AI 公司的基礎模型。這代表你不需要自己部署和維護複雜的 GPU 叢集，就能在應用程式中加入生成式 AI 能力。

Bedrock 是什麼？

簡單來說，Bedrock 是一個「AI 模型商城」加上「企業級整合平台」。你可以把它想像成：

• 模型商城：一站式存取 Claude、Llama、Stable Diffusion 等模型
• 無伺服器架構：不用管理基礎設施，按使用量計費
• 企業整合：支援私有 VPC、IAM 權限控制、資料不被用於模型訓練

與直接使用 OpenAI API 相比，Bedrock 的最大優勢是企業合規性——你的資料不會離開 AWS 環境，不會被拿去訓練模型，且能完全整合現有的 AWS 安全與監控機制。

支援的基礎模型

截至 2025 年，Bedrock 支援以下主要模型提供者：

模型提供者	模型系列	強項	推薦使用場景
Anthropic	Claude 3.5 Sonnet、Claude 3.5 Haiku、Claude 3 Opus	複雜推理、長文本理解、程式碼生成	企業級對話、文件分析、coding
Meta	Llama 3.1、Llama 3.2	開源、可微調、多語言	需要客製化的場景
Amazon	Titan Text、Titan Embeddings、Titan Image	AWS 原生整合	向量搜尋、圖片生成
Stability AI	Stable Diffusion XL	圖片生成	行銷素材、設計輔助
Cohere	Command、Embed	RAG 優化	企業知識庫搜尋
AI21 Labs	Jamba	超長上下文	長文件處理
Mistral AI	Mistral Large、Mixtral	高效能、低成本	成本敏感的大量推理

Claude 3.5 系列是目前 Bedrock 上最受歡迎的模型，在複雜任務處理、程式碼生成、長文本分析上表現優異。如果你不確定要選哪個模型，從 Claude 3.5 Sonnet 開始是個安全的選擇。

Bedrock Agent 功能

Bedrock Agent 讓你建立能夠「採取行動」的 AI 助手，而不只是被動回答問題。Agent 可以：

• 呼叫外部 API：查詢庫存、下訂單、發送通知
• 存取企業資料：透過 Knowledge Bases 連結公司文件
• 多步驟推理：自動拆解複雜任務並逐步執行

舉例來說，一個電商客服 Agent 可以在收到「我想退貨」的訊息後，自動查詢訂單狀態、判斷是否符合退貨條件、生成退貨標籤，全程不需要人工介入。

Knowledge Bases（RAG 架構）

RAG（Retrieval-Augmented Generation）是目前最熱門的企業 AI 應用模式。Bedrock Knowledge Bases 讓你輕鬆實現：

1. 上傳文件：支援 PDF、Word、HTML、Markdown
2. 自動向量化：使用 Titan Embeddings 或 Cohere 模型
3. 儲存向量：整合 OpenSearch Serverless 或 Pinecone
4. 智慧檢索：查詢時自動找到最相關的內容片段

這意味著你可以建立一個「懂得公司所有產品手冊」的客服機器人，或是一個「讀過所有內部文件」的企業助手。

Bedrock 定價

Bedrock 採用按 Token 計費的模式，不同模型價格差異很大：

模型	輸入價格（每百萬 Token）	輸出價格（每百萬 Token）
Claude 3.5 Sonnet	$3.00	$15.00
Claude 3.5 Haiku	$0.80	$4.00
Claude 3 Opus	$15.00	$75.00
Llama 3.1 70B	$2.65	$3.50
Llama 3.1 8B	$0.30	$0.60
Titan Text Premier	$0.50	$1.50
Mistral Large	$4.00	$12.00

成本估算範例：假設你的客服機器人每天處理 1,000 則對話，每則對話平均 1,000 輸入 Token + 500 輸出 Token，使用 Claude 3.5 Sonnet：

• 每日成本：(1,000 × 1,000 × $3 / 1,000,000) + (1,000 × 500 × $15 / 1,000,000) = $3 + $7.5 = $10.5/天
• 每月成本：約 $315/月

如果預算有限，可以考慮使用 Claude 3.5 Haiku 或 Llama 3.1 8B，成本可降低 80% 以上。

想在企業導入 AI？從 Bedrock 到自建 LLM，讓有經驗的人幫你避坑

生成式 AI 的技術選型看似簡單，但實際落地時會遇到成本控制、資料安全、模型選擇等各種問題。CloudInsight 已協助多家企業成功導入 AI 解決方案，預約免費 AI 導入諮詢，讓我們幫你規劃最適合的 AI 架構。

AWS SageMaker 機器學習

如果 Bedrock 是「使用別人訓練好的模型」，那 SageMaker 就是「自己訓練模型的完整平台」。對於有自有資料、需要客製化模型的團隊，SageMaker 是 AWS 的旗艦 ML 服務。

SageMaker 功能介紹

SageMaker 提供機器學習生命週期的完整工具鏈：

階段	SageMaker 功能	說明
資料準備	Data Wrangler、Ground Truth	資料清理、標註
模型開發	Studio、Notebooks	Jupyter 環境、協作開發
模型訓練	Training Jobs、Hyperparameter Tuning	分散式訓練、自動調參
模型部署	Endpoints、Serverless Inference	即時推理、批次推理
MLOps	Pipelines、Model Registry	CI/CD、模型版本控制
監控	Model Monitor	模型品質監控、資料漂移偵測

SageMaker Studio

SageMaker Studio 是一個整合式的 ML 開發環境，提供：

• 統一介面：在一個地方完成開發、訓練、部署
• 協作功能：團隊成員可以共享筆記本和實驗結果
• 版本控制：追蹤每次實驗的參數和結果
• 自動化：一鍵部署模型到生產環境

相比自己架設 Jupyter Server，Studio 的優勢是省去維運負擔，而且與 AWS 其他服務（如 S3、IAM）深度整合。

Bedrock vs SageMaker：該選哪個？

這是最常被問的問題。簡單的決策框架：

情境	推薦選擇	原因
想快速加入 AI 功能	Bedrock	即開即用，不需 ML 專業
有獨特的資料需要訓練	SageMaker	支援自訂模型訓練
預算有限	Bedrock	按 Token 計費，小量使用成本低
需要最高精準度	SageMaker	可以針對領域資料微調
團隊沒有 ML 工程師	Bedrock	不需要 ML 專業知識
已有 ML 團隊	SageMaker	提供完整 MLOps 工具

混合使用也是常見做法：用 Bedrock 處理一般對話任務，用 SageMaker 訓練領域特定的分類或預測模型。

SageMaker 定價

SageMaker 的計費較為複雜，主要有以下幾個部分：

• Notebook 執行個體：ml.t3.medium 約 $0.05/小時
• 訓練執行個體：依規格從 $0.08/小時（CPU）到 $30+/小時（GPU）
• 推理端點：ml.t2.medium 即時推理約 $0.05/小時
• 儲存費用：EBS 儲存、S3 資料

對於實驗性質的專案，建議使用 SageMaker Studio Lab（免費版本）或 Spot Training（可省 70-90% 訓練成本）。

AWS Kiro（AI 輔助開發工具）

Kiro 是 AWS 在 2024 年底推出的 AI 輔助開發工具，定位是「專為 AWS 開發優化的 AI Coding Assistant」。

Kiro 核心功能

• 程式碼生成：自然語言描述需求，自動生成 AWS SDK 程式碼
• 架構建議：根據需求推薦適合的 AWS 服務組合
• 錯誤修復：自動分析錯誤訊息並建議修復方案
• 文件整合：內建 AWS 官方文件知識，能夠準確回答服務使用問題

Kiro 與一般 AI Coding 工具的差異在於深度整合 AWS 生態系，它理解 IAM 權限、服務限制、最佳實踐，能夠生成更符合 AWS 規範的程式碼。

適用場景

• AWS 新手：加速學習 AWS 服務與 SDK 使用
• 快速原型：幾分鐘內搭建 Lambda + API Gateway + DynamoDB 架構
• 錯誤排查：貼上錯誤訊息，獲得針對性的解決方案

目前 Kiro 還在 Preview 階段，可以透過 AWS 申請使用。

其他 AWS AI 服務

除了 Bedrock 和 SageMaker，AWS 還有一系列專用的 AI 服務，這些服務已經訓練好模型，你只需要呼叫 API 即可使用。

Amazon Rekognition 影像辨識

Rekognition 提供圖片與影片的 AI 分析能力：

• 物件偵測：辨識圖片中的物件（汽車、動物、建築物等）
• 人臉分析：偵測人臉、比對人臉、分析表情與年齡
• 文字偵測（OCR）：從圖片中擷取文字
• 內容審核：偵測不當內容（暴力、成人內容）

使用場景：

• 電商：自動標記商品圖片
• 媒體：影片內容審核
• 安防：人臉門禁系統

定價：影像分析約 $0.001/張（前 100 萬張），臉部比對約 $0.0004/次。

Amazon Comprehend 自然語言處理

Comprehend 提供文本分析功能：

• 情感分析：判斷文本是正面、負面、中性
• 實體識別（NER）：擷取人名、地名、組織、日期等
• 關鍵詞提取：自動找出文本重點
• 語言偵測：支援 100+ 種語言
• 主題建模：從大量文件中發現隱含主題

使用場景：

• 客服：自動分類客訴類型與情緒
• 行銷：社群輿情監控
• 法務：合約關鍵資訊擷取

Amazon Transcribe 語音轉文字

Transcribe 提供高準確度的語音辨識：

• 即時轉錄：串流音訊即時轉文字
• 批次處理：上傳音檔批次轉錄
• 說話者辨識：區分不同說話者
• 自訂詞彙：針對專業術語提高準確度
• 內容過濾：自動過濾敏感詞

使用場景：

• 會議紀錄：自動產生會議逐字稿
• 客服品質：通話錄音分析
• 影片字幕：自動產生字幕

定價：約 $0.024/分鐘（標準轉錄）。

Amazon Lex 對話式 AI

Lex 是建立聊天機器人的服務，與 Alexa 使用相同的對話技術：

• 意圖辨識：理解使用者想做什麼
• 插槽填充：收集完成任務所需的資訊
• 多輪對話：支援複雜的對話流程
• 整合 Lambda：對話中可呼叫後端服務

與 Bedrock 的差異：Lex 適合「任務導向」的結構化對話（如訂位、查詢），Bedrock 適合「開放式」的自然對話。兩者也可以結合使用——Lex 處理意圖辨識，Bedrock 處理複雜的回應生成。

AWS AI 證照介紹

如果你想驗證自己的 AWS AI 專業能力，AWS 提供兩張專門的 AI 相關證照。

AWS Certified AI Practitioner

這是 2024 年新推出的入門級 AI 證照，適合想了解 AI/ML 基礎概念的人。

項目	內容
目標對象	業務人員、PM、入門開發者
先備知識	無需程式能力，了解基本 AWS 概念即可
考試形式	65 題選擇題，90 分鐘
及格分數	700/1000
考試費用	$100 USD
主要範圍	AI/ML 基礎概念、生成式 AI、AWS AI 服務、負責任 AI

考試範圍比重：

• AI 與 ML 基礎：20%
• 生成式 AI 基礎：24%
• 基礎模型應用：28%
• 負責任 AI 指南：14%
• AI 解決方案安全：14%

這張證照的特色是「不需要寫程式」，考的是概念理解而非實作能力，非常適合想跨入 AI 領域的業務或管理人員。

AWS Certified Machine Learning - Specialty

這是針對 ML 專業人員的進階證照，要求實際的機器學習經驗。

項目	內容
目標對象	資料科學家、ML 工程師
先備知識	2 年以上 ML 經驗，熟悉 Python/R
考試形式	65 題選擇題，180 分鐘
及格分數	750/1000
考試費用	$300 USD
主要範圍	資料工程、模型開發、部署、MLOps

考試範圍比重：

• 資料工程：20%
• 探索性資料分析：24%
• 建模：36%
• ML 實作與營運：20%

這張證照難度較高，建議有實際 SageMaker 使用經驗後再挑戰。

準備資源

• AWS Skill Builder：官方免費學習平台，有完整課程
• Udemy 課程：Stephane Maarek 的 AI Practitioner 課程評價不錯
• 模擬考題：Tutorials Dojo、Whizlabs 提供高品質題目

想了解更多 AWS 證照資訊，可以參考 AWS 證照完整攻略。

AWS AI vs Azure AI vs GCP AI

三大雲端平台都有完整的 AI 服務，如何選擇？

生成式 AI 平台比較

比較項目	AWS Bedrock	Azure OpenAI	Google Vertex AI
特色模型	Claude 3.5	GPT-4、GPT-4o	Gemini Pro、Gemini Ultra
開源模型	Llama、Mistral	Llama	Llama、Gemma
圖片生成	Stable Diffusion	DALL-E 3	Imagen
企業整合	AWS 全面整合	Microsoft 365 整合	Google Workspace 整合
定價	按 Token	按 Token	按 Token/字元
台灣可用	是	是	是

各平台優勢

AWS Bedrock 優勢：

• 多模型選擇最多（7+ 家模型提供者）
• Claude 模型獨家提供
• 與 AWS 服務深度整合
• 企業合規性佳（HIPAA、SOC 2）

Azure OpenAI 優勢：

• 獨家提供完整 GPT-4 系列
• 與 Microsoft 生態系整合（Teams、Office 365）
• 企業既有 Microsoft 環境容易導入

Google Vertex AI 優勢：

• Gemini 模型多模態能力強
• BigQuery ML 整合佳
• TPU 硬體優勢，訓練成本較低

選擇建議

情境	推薦平台
需要 Claude 模型	AWS Bedrock
需要 GPT-4/ChatGPT	Azure OpenAI
需要處理大量結構化資料	Google Vertex AI
已有 AWS 基礎設施	AWS Bedrock
已有 Microsoft 生態系	Azure OpenAI
成本最優先	比較各平台特定模型定價

如果想深入了解三大雲端的整體比較，可以參考 AWS vs Azure vs GCP 完整比較。

FAQ

Q1: Bedrock 和 ChatGPT API 有什麼差別？

Bedrock 是「模型商城」，可以使用多家廠商的模型（包括比 GPT-4 更強的 Claude 3.5）。ChatGPT API 只能用 OpenAI 的模型。此外，Bedrock 的資料不會被用於訓練，企業合規性更佳。

Q2: 使用 Bedrock 需要 GPU 嗎？

不需要。Bedrock 是 Serverless 服務，AWS 會幫你管理所有的基礎設施。你只需要呼叫 API，按 Token 付費。

Q3: SageMaker 適合小團隊嗎？

看情況。如果你需要自訓模型，SageMaker 提供完整工具。但如果只是想用 AI 功能，Bedrock 對小團隊更友善，因為不需要 ML 專業知識。

Q4: AWS AI 服務有免費額度嗎？

有限的免費額度：

• Rekognition：每月 5,000 張圖片（前 12 個月）
• Transcribe：每月 60 分鐘（前 12 個月）
• Comprehend：每月 50,000 字元
• Bedrock：無免費額度，但可以在 Playground 試用

Q5: AI Practitioner 證照值得考嗎？

如果你是 PM、業務、或非技術人員想了解 AI，這張證照是好的入門選擇。但如果你是工程師，建議直接挑戰 ML Specialty 或專注於實作經驗。

Q6: 中文內容 Bedrock 模型處理得好嗎？

Claude 和 Llama 對中文的支援都不錯，繁體中文也能處理。但如果是專業領域（法律、醫療），建議用 Knowledge Bases 補充領域知識。

下一步

AWS AI 服務的選擇取決於你的具體需求：

• 想快速整合 AI 功能 → 從 Bedrock 開始，選一個模型試用
• 想建立企業知識庫 → 使用 Bedrock Knowledge Bases
• 想訓練自己的模型 → 評估 SageMaker 是否符合需求
• 想驗證 AI 專業能力 → 根據背景選擇 AI Practitioner 或 ML Specialty

不管選擇哪條路，關鍵是先動手做。在 AWS Console 開一個 Bedrock 專案，實際跑幾個 Prompt，你會比讀十篇文章更快理解這些服務的價值。

想了解 AI 服務的費用，可以搭配閱讀 AWS 費用完整指南 做更準確的成本估算。

AI 導入需要專業建議？預約免費諮詢

生成式 AI 技術日新月異，從模型選型、架構設計到成本控制，每個環節都有學問。CloudInsight 團隊有豐富的 AI 專案經驗，能幫你規避常見的導入陷阱，打造真正能落地的 AI 解決方案。立即預約免費 AI 諮詢。

延伸閱讀

• AWS 完整指南：從入門到進階的全方位學習資源
• AWS 證照完整攻略：12 張證照介紹與準備心法
• AWS 費用完整指南：定價模式、計算器教學、省錢技巧
• AWS vs Azure vs GCP 2025 完整比較：功能、價格、選擇指南

---

插圖：Bedrock 與 SageMaker 比較示意圖

場景描述： Bedrock 與 SageMaker 比較示意圖。兩欄對比：左欄 Bedrock「使用現成模型」「按 Token 計費」「即開即用」「不需 ML 專業」，右欄 SageMaker「自訓模型」「按執行個體計費」「需要設定」「需要 ML 專業」，中間有使用情境箭頭指引。

視覺重點：

• 主要內容清晰呈現

必須出現的元素：

• 依據描述中的關鍵元素

需要顯示的中文字： 無

顏色調性： 專業、清晰

避免元素： 抽象圖形、齒輪、發光特效

Slug: bedrock-vs-sagemaker

---