[[375905]]

 亞馬遜云服務（AWS）是如何成為全球云計算老大的，它做云有沒有一套可借鑒的方法論？

作為亞馬遜公司旗下云計算服務平臺，AWS也已經推出上線14年，我們很難用一句話說清AWS能夠在云計算領域持續增長和創新的秘訣。近來，機器學習成為AWS內部一項極其重要的業務，我們或許能夠從中總結出AWS在云計算上一些打法。

在AWS披露的一項數據中，自 2016年推出3項機器學習服務以來的5年間，AWS已經累計推出776+的機器學習服務和功能。按照2019年的數據，新推出248項機器學習服務和功能后，機器學習在當年新推出服務和功能的總量（2345項）中的比例超過10%。

越來越深入的機器學習服務
當中國云服務商紛紛進軍產業界，并逐步確定差異化發展方向的時候，遠在美國的全球云計算巨頭AWS卻在瘋狂為它的機器學習服務背書。

在不久前的“亞馬遜re:Invent 2020大會”上，AWS CEO Andy Jassy 在主題演講中調侃道：“2019年，我用75分鐘來講機器學習，但2020年我想換種方式。”而接下來，無論是他自己的闡述還是客戶證言，在他長達3小時的演講中，“機器學習”被提及的次數超過75次。

云計算的發展，為機器學習提供了蓬勃發展的土壤。亞馬遜副總裁兼CTO Werner Vogels 博士在“2021將改變世界的八大技術趨勢”的預測中提到，機器學習在2020年已經成為主流，未來三年內世界產生的數據比過去30年還要多，而與機器學習模型相結合，使用數據攝取和聚合工具，成為各行各業處理信息的唯一實際方法。

認準了機器學習的方向之后，AWS已經對機器學習的未來做出了趨勢性判斷，在機器學習上所提供的服務越來越深入。

從2016年-2020年的五年間，AWS在機器學習上推出的服務數量增長最快的是2017-2018年，這期間，機器學習服務從2017年的60項，增加155項至215項，此后AWS的機器學習服務每年以“200+”的增量發展。

截止目前，AWS的機器學習服務已經形成了“上-中-下”三個層次的服務框架：

AWS機器學習服務框架圖

第一層，AI 服務，這類服務包含了視覺、音頻-文字互轉、聊天機器人等即拿即用的服務；

第二層，Amazon SageMaker服務，這類服務可以幫助使用者自動標記數據，并提供了SageMaker studio集成開發環境，是一個全托管的機器學習平臺；

第三層，機器學習框架和基礎設施，這類服務包含了可供使用者選擇的多種機器學習框架，以及包含算力芯片、服務器等的基礎設施。

“我們的機器學習解決方案，能夠快速進行數據的模擬，挖掘數據價值。改變數據管理體系，可以把計算和分析融入所有的業務當中。”Andy Jassy 在演講中說。

這正是AWS的高明之處，它將機器學習抽象為了一項通用服務，是數據湖、數據倉庫、數據智能這些當下熱門服務的必備工具。不強調行業屬性、不強調使用場景，只強調“機器學習”作為一項服務對IT和業務效率的提升。至于用到哪兒、用到什么行業什么場景，客戶說了算。

同時，機器學習也可以是更加普惠和易用的。在Andy Jassy的觀念中，機器學習不應該是只被機器學習方面的專業人士來訓練、調優、建構和部署，而應該是“Expand machine learning to more builders（讓機器學習為更多構建者服務）”，這些“builders”包含了不是很懂機器學習的數據分析師、IT業務人員等。

事實也證明，AWS推出的機器學習服務中的SageMaker也已經成為AWS歷史上增長最快的服務。目前，全球已經有超過10萬的客戶在使用AWS的機器學習和人工智能服務。

不同客戶需求，促成AWS不斷創新
不要嘗試從AWS的口中獲得更詳細的關于產品創新的方案，在鈦媒體APP對AWS不同人員的多次采訪中，“如何保持創新”這個問題的答案永遠是“以客戶為中心”。實際上，不同客戶所產生的對機器學習的需求，也確實促成了AWS在機器學習領域的不斷創新。

AWS大中華區云服務產品管理總經理顧凡舉了一個SageMaker的例子：“客戶說你們去年發布的這些東西都挺好的，但是確實是在機器學習當中有一塊硬骨頭還是沒啃，就是怎么快速地把原始數據轉化成模型所需要的核心特征，把這個步驟加快。”

在這樣的一些需求下，AWS推出了機器學習服務AWS Data Wrangler，該工具是機器學習的特征工廠。這里的“特征（function）”是機器學習中的術語，機器學習建模需要進行函數運算，數據“特征”輸入函數后，就可以輸出“標簽（label）”。機器學習工具會根據標簽來識別數據是貓、是狗還是其他。在原來的機器學習工具中，客戶需要自己將不同的數據源打通，抓取數據然后格式化，把數據特征跑出才能進入后續流程。

而在使用了AWS Data Wrangler之后，無論是單一特征還是復合特征，Data Wrangler都可以將這些快速轉換出來。并且在SageMaker Studio中，能夠可視化地看到整個轉換流程，方便進行流程干預。

另一方面，在機器學習框架上，目前大部分機器學習平臺都傾向于只支持Tensorflow。但在對客戶的調研中，AWS發現，其實對于一些專業做機器學習的人來說，他們希望能夠自主選擇使用哪種機器學習框架。

“AWS支持所有主流機器學習框架……我們有好幾個團隊，一個團隊是優化Tensorflow，另外一個團隊是優化PyTorch，還有一個團隊是專注于MXNet，這就是為什么客戶能夠獲得所有這些框架的最優性能。”Andy Jassy在演講中談到。

客戶對工具這種需求，讓AWS的服務具備了一定的柔性和兼容性，不止是機器學習產品線，在其他產品線也是如此。

Amazon Aurora是AWS的一款云原生的、兼容MySQL和PostgreSQL的關系數據庫，主要使用場景是專有云，使用成本是其它商用數據庫成本的十分之一。在Severless（無服務器計算）使用場景不斷增加的情況下，有客戶提出能不能讓Aurora支持Severless，于是AWS推出了Aurora Severless V2，來滿足以上需求。

Andy Jassy坦言：“這樣做了之后，會有一些在用Aurora的客戶遷到Aurora Severless，這樣一定程度上看起來會給AWS帶來一些收入的下降，但恰恰這就是AWS做產品不一樣的思路。我們會聽客戶的聲音，Aurora Severless一定程度上沖擊了自己Aurora的生意，但這是客戶需要的，我們相信長期下去，我們會幫客戶更好地做到云上成本的節省，它會把更多的費用拿過去做創新。”

做SaaS，也做邊緣硬件
中國云計算服務商在發展中的“邊界”感很強，在創立的初期為了爭奪合作伙伴生態，都發表過類似“不做SaaS”的言論，但隨著產業互聯網的深入推進，SaaS已經成為各家云計算服務商都在向客戶提供的服務。

但對于AWS來說，如果客戶有強烈的需求，AWS是不給自己設限的。既然客戶需要且AWS能夠提供，那就可以依此進行創新。如果這項服務與合作伙伴提供的服務產生沖突，那么可以平等競爭，選擇權交給客戶。

我們上文提到，AWS的機器學習服務有一個“上-中-下”的服務框架，最上層的AI 服務中就包括一些為了降低機器學習使用門檻而推出的SaaS服務。AWS表示，隨著機器學習技術被各個行業廣泛采用，在機器學習上的應用也會越來越多。

前不久，AWS與黑莓（BlackBerry）宣布推出了智能汽車數據平臺IVY，該平臺能夠讓汽車制造企業把數據的收集、分析進行自動化，從而提供個性化的駕駛及搭乘體驗。

最近，在工業領域，AWS也針對性推出了五項機器學習服務，其中Amazon Monitron、Amazon Lookout for Equipment可以讓工業企業通過機器學習進行預測性維護、AWS Panorama Appliance、AWS Panorama SDK則可以通過計算機視覺改善工業運營和工作場所安全，Amazon Lookout for Vision則可以低成本、快速、準確地對圖像和視頻進行視覺異常監測。

值得一提的是，AWS Panorama一體機其實是AWS自主設計的、部署在邊緣的硬件設備。AWS全球副總裁 Swami Sivasubramanian告訴鈦媒體APP，在客戶已有本地攝像頭的情況下，將它連接到工業場所的網絡中，就可以自動識別攝像頭數據流，與工業攝像頭進行交互。

既提供SaaS服務，在必要情況下也提供一些硬件設備。所以在對服務部署模式的界定上，AWS采取了更為開放的態度，不給創新設限。反過來講，在一些概念比較熱的時候，AWS也極少跟風。

“我們有兩個原則，一個原則是授人以魚不如授人以漁，我們更多希望幫助客戶把能力建立起來，給他工具、教會他使用工具；第二是真正在工程方面有差距、客戶需要幫助的時候，我們會幫他快速把業務難題用產品原型的方式實現出來。”AWS大中華區云服務產品管理總經理顧凡在總結時表示。

數據顯示，AWS在 2011年發布了包含機器學習服務在內的80 多項重要服務和功能；2012年發布了近 160 項；2016 年發布了 1017 項；2019 年發布了 2345項。

這么多的服務，AWS如何保證創新的真正落地呢？

“我們的產品至少有90%以上完全是根據客戶的需求開發成產品的。如果你看我們推出一款產品，首先你要相信一定在社會上、在全球范圍內有很多客戶有這種需求。”AWS大中華區首席云計算企業戰略顧問張俠說。

同時，一項產品上線，并不是要求讓所有客戶都用起來。“每一次re:Invent發布的時候，我們的客戶會非常興奮，因為他是帶著需求看大會發布的。無論從新用戶還是老用戶來講，創新無法落地的問題是不存在的。”