“目前，機器學習和AI在AWS的年經常性收入（ARR）中已經是一項數十億美元的業務，”Wood說道，隨意地拋出一個足以讓大多數獨角獸初創公司進入估值巔峰的數字?！拔覀儗enAI非常看好。自早期互聯網以來，這可能是我們與數據、信息和彼此互動方式的最大變化。” 

他們最近的舉措強調了這種承諾： 

1. 向Anthropic投資40億美元，確保獲得最前沿的AI模型和人才。

2. 推出Amazon Bedrock，這是一項托管服務，提供對Anthropic、AI21 Labs等基礎模型的輕松訪問。

3. 繼續開發定制AI芯片如Trainium和Inferentia，優化AI工作負載的性能和成本。 

Wood在講話時，條理清晰地描繪出AWS的宏大戰略，我不禁想到硅谷那些可憐的人，帶著他們閃亮的模型和聊天機器人，互相吹噓著AGI和超級智能。那些孔雀們欣賞著自己的羽毛，似乎完全沒有注意到巨大的蟒蛇，盡管它正慢慢地盤繞在他們周圍。 

巨獸 

當閃亮的AI演示和穿著皮夾克的芯片CEO吸引了公眾的注意時，AWS專注于實際構建和運營AI基礎設施這一不太光鮮但絕對必要的任務。 

在AI市場的喧囂中，很容易暫時忘記AWS有多龐大，他們在將客戶需求轉化為云服務方面有多么高效，以及他們在“云大戰”中有多么果斷地獲勝?，F在，他們正在將這一套成功的策略應用于AI市場。 

在征服AI市場的過程中，AWS正在部署其贏得云市場的五個驗證過的策略： 

1. 大規?；A設施投資：投入數十億美元用于AI優化的硬件、數據中心和網絡。

2. 生態系統建設：通過合作和收購打造一個全面的AI平臺。

3. 組件化和服務集成：將AI分解為模塊化、易于組合的服務，融入AWS生態系統。

4. 聚焦企業需求：根據大型、受監管行業的特定要求定制AI解決方案。

5. 利用其安全和隱私專長：應用AWS既定的云安全實踐，解決AI特有的數據保護問題。 

當其他人都在專注聊天機器人和視頻生成器時，AWS一直在構建芯片、服務器、網絡、數據中心，一個由硅、金屬和代碼構建的帝國。AWS對Anthropic的40億美元投資只是公司構建全面AI生態系統的一個例子，他們以令人恐懼的效率吸收創新和初創公司。 

不要誤會了，極客們，AWS在這里玩的是長遠游戲，他們對贏得下一個AI基準測試或在最新的Kaggle比賽中登頂沒有興趣。他們正在構建將為明天的AI應用提供動力的平臺，并計劃為所有這些應用提供動力。AWS不僅在構建基礎設施，他們正在成為AI本身的操作系統。 

那些西裝革履的人，他們肯定來了，銀行、醫院、工廠——那些無聊的、受監管的巨頭，使世界運轉的存在，他們正以三條腿大象的優雅姿態跳入AI池塘，而AWS則在旁邊，準備好毛巾和浸有氯仿的抹布。 

Wood指出，這些行業比平均水平更快地采用GenAI?！八麄円呀浗鉀Q了數據治理問題，擁有適當的數據質量控制和數據隱私控制，”他解釋道。現有的基礎設施使得采用GenAI成為一個相對較小的步驟。 

這些客戶通常擁有大量私有文本數據——市場報告、研發文件、臨床試驗——這些都是GenAI應用的理想素材?！癎enAI非常擅長過濾、理解、組織、總結、發現差異、灰色區域和大量文檔中的有趣部分?！盬ood說。 

Wood強調了AWS對GenAI的整體看法，投資于整個堆棧的三個主要方面： 

1. 基礎設施：“在最低層次，我們確?？蛻魮碛泻线m的基礎設施，能夠使用他們自己的數據和大型數據集來訓練和調整基礎模型和專業模型，”Wood解釋道。這包括定制設計的芯片，如用于訓練的Trainium和用于推理的Inferentia，以及高性能網絡能力。 

2. 模型訪問：通過其Bedrock服務，AWS提供了來自各種提供商的一套廣泛的AI模型?！拔覀儞碛衅駷橹棺顝V泛的GenAI模型，”Wood表示。這些模型包括Anthropic、AI21、Meta、Cohere、Stability AI和AWS自己的Titan模型。 

3. 應用開發：AWS提供工具和服務，幫助開發人員快速輕松地構建AI應用程序。這包括用于機器學習工作流程的SageMaker和用于特定任務的各種AI服務，如文本分析、圖像識別和預測。 

要理解AWS的現狀及其相對于Microsoft Azure和Google Cloud的策略，了解各云服務中的AI服務如何相互競爭是很有幫助的。 

當我們一起分析AI云服務以及最近在AWS re:Invent、Microsoft Build和Google Cloud Next三大云展示會上發布的公告時，我們可以更清楚地看到這些行動的細微差別如何發揮各自的優勢： 

AWS 

GenAI和企業應用：AWS非常重視利用AI幫助開發人員創建企業級應用程序，使用像Amazon Q和Amazon Bedrock這樣的工具來提高生產力、客戶服務和組織內的數據管理。對實際、企業就緒AI解決方案的關注使AWS成為解決實際業務需求的領導者。 

強大的AI基礎設施：AWS提供高性能基礎設施，如專為AI和ML工作負載優化的Graviton4和Trainium2，滿足企業規模運營的需求。這種基礎設施優勢使AWS能夠支持大規模AI訓練和推理，這對于需要可靠、可擴展性能的大型企業和開發人員來說至關重要。 

集成的AI服務：像Amazon SageMaker這樣的服務簡化了模型構建和部署，而零ETL集成簡化了數據工作流程，這顯然是針對尋求效率和可擴展性的開發人員和企業用戶。這些綜合解決方案使企業能夠快速有效地實施和擴展AI。 

Microsoft Azure 

企業集成：Azure的AI服務與Microsoft的更廣泛的企業生態系統深度集成，包括Dynamics 365、Office 365和GitHub等產品。這種集成為開發人員和業務用戶提供了無縫體驗，使Azure成為已經投資于Microsoft生態系統的企業的有力競爭者。 

與OpenAI的合作：Azure利用其與OpenAI的合作關系，提供最先進的GenAI模型，如GPT-4 Turbo with Vision，服務于企業和消費者應用。這種合作增強了Azure的AI能力，使其成為開發人員和各種應用的多功能選擇。 

全面的AI套件：Azure通過Azure Machine Learning和Azure Cognitive Services提供廣泛的AI和ML服務，滿足從視覺到語言理解的多樣化需求。這一廣泛的工具套件為各類開發人員和企業提供了靈活性和能力。 

Google Cloud Platform（GCP） 

先進的分析集成：GCP在將AI與數據分析集成方面表現出色，成為專注于數據驅動AI應用的開發人員的強力選擇。像BigQuery ML和Vertex AI這樣的工具突顯了這一重點，特別有利于高度依賴數據分析的企業。 

消費者AI：Google的AI努力通常涵蓋企業和消費者領域。Google的AI模型和能力，如用于Google搜索和Google助手的那些，具有強大的消費者應用，但也提供顯著的企業利益。這種雙重關注使GCP能夠服務于廣泛的開發人員和用戶。 

創新的AI研究：GCP受益于Google在AI研究領域的領導地位，將先進的AI工具和能力提供給開發人員。這種研究優勢使GCP成為前沿AI技術的領導者。 

總結 

AWS：主要關注于幫助開發人員構建企業級應用程序，提供無縫集成到業務運營的強大、可擴展的AI解決方案。AWS的戰略合作伙伴關系和基礎設施投資使其成為企業AI的強大領導者。 

Azure：在企業和消費者應用之間取得平衡，通過與OpenAI的合作，利用Microsoft生態系統的深度集成和先進的AI模型。Azure為開發人員和企業提供了多功能和集成的解決方案。 

GCP：在數據分析和AI研究方面表現強勁，重點關注消費者和企業應用，由Google更廣泛的AI計劃推動。GCP的雙重關注使其能夠滿足多樣化的開發人員需求。 

堆棧堆疊 

當一項技術真正成功時，它意味著什么？它會淡出背景，變得像電力或蜂窩數據一樣普及且不可見。這種即將到來的動態與研究員Simon Wardley的技術從創生到商品化和公用事業模型的演變模式相一致。 

例如，在早期的“創生”階段，GenAI需要由技術高超的研究人員創建的全新、定制模型。但在短短的時間內，基礎方法——變壓器架構、擴散模型、強化學習等——變得越來越被理解、可復現且易于獲取。 

Wardley的組件化理念表明，隨著技術的成熟，它們被分解為不同的、模塊化的組件。這一過程允許更大的標準化、互操作性和效率。在AI的背景下，我們看到這一點的體現，AI堆棧的各個元素——從數據預處理到模型架構再到部署框架——變得更加模塊化和可重用。 

這種組件化使得創新速度加快，因為開發人員可以混合搭配標準化的部分，而不是從頭開始構建所有內容，它還為技術成為更多公用事業鋪平了道路，因為這些組件可以輕松地打包并作為服務提供。 

AWS一直以來都是組件化的高手，正是這種方法使其在云計算市場上占據了主導地位。通過將復雜的云技術分解為滿足特定客戶需求的獨立模塊化服務，AWS使云計算變得更加可訪問、靈活和具有成本效益。 

現在，AWS正在AI領域重復這一成功的策略。像Bedrock這樣的服務，提供預訓練模型的豐富選擇，以及SageMaker，它簡化了機器學習工作流程，都是AWS如何將AI堆棧組件化的完美例子。通過提供一套專門構建的AI服務，企業可以根據特定需求進行混合搭配，AWS正在使AI普及化，使企業更容易采用和集成AI技術。 

Bedrock不僅僅是一個產品，它是一個生態系統。Bedrock是AWS的策略，要成為AI模型的應用商店，用規模和效率的承諾吸引客戶。Anthropic、AI21、Meta、Cohere——所有這些都在這里，喂養這個巨獸——經過精心包裝，只需幾行代碼即可部署。AWS旨在將Bedrock定位為AI/ML價值鏈中的關鍵組件，降低復雜性，推動跨行業的采用。 

想想Bedrock在Amazon的起始位置，它在云計算中的競爭優勢。這是一個如此美麗、如此高效的陷阱，以至于抵抗不僅是徒勞的，幾乎是難以想象的： 

1. 龐大的客戶基礎：AWS是領先的云服務提供商，已有數百萬客戶在使用其服務。

2. 大量數據：這些客戶數據已經存儲在AWS服務器上，使其更易于用于AI訓練和推理。

3. 訓練有素的勞動力：大多數開發人員和數據科學家已經熟悉AWS的工具和服務。

4. 規模經濟：AWS龐大的基礎設施使其能夠以具有競爭力的價格（不可戰勝的價格）提供AI服務。

5. 運營專業知識：AWS擁有多年管理復雜、大規模計算環境的經驗。 

AWS的另一關鍵策略是為客戶提供靈活性和未來保障。“我們不相信會有一個模型統治所有領域，”Wood說，展示了他內心的甘道夫。這種方法允許客戶根據每個特定用例選擇最佳模型，按需進行混合搭配。Wood指出，許多客戶已經在組合使用多個模型，創造了“智能的乘數效應”。 

安全性是AWS在云計算多年經驗中獲得的另一個顯著優勢。AWS在Nitro上進行了大量投資，提供云實例的硬件級安全性。Wood強調：“我們已經將架構一直延伸到加速器，以確保客戶能夠滿足并超越他們自己的隱私和機密性要求。我們看不到數據。將其放在內部的封閉環境中，這樣他們自己的員工也看不到數據或權重。”這種級別的安全性對于處理敏感數據的企業，尤其是在受監管行業中，是至關重要的。 

AWS的財務資源使其能夠進行長期博弈。例如，它可以等待并以低價收購陷入困境的AI初創公司，進一步鞏固其地位。這一策略讓人想起AWS在云計算早期時的做法，當時它積極從自己的合作伙伴生態系統中進行收購。 

通過提供廣泛的服務并不斷降低價格，AWS使得較小的云提供商難以競爭。大多數潛在競爭者最終退出市場或被收購。我認為歷史即將重演。 

不可避免的聲音 

想象一下2030年。你醒來，對你的AI助手喃喃自語，你的一天像一臺精密的機器一樣展開。那個有用的助手？當然是運行在AWS上的。自動駕駛車輛順利地載你到辦公室？由AWS提供動力。診斷疾病、管理投資或設計產品的AI？都在AWS生態系統中愉快地運轉。 

Wood現在正要結束談話，我能看出來他需要走了。他沒有告訴我他的秘密，但他表現得自信從容，就像Bob Ross畫完一片快樂的小云朵一樣，給出最后的點睛之筆：“AWS通過使用芯片、SageMaker和Bedrock，確實擁有你成功所需的一切，無論你使用的是大模型、小模型還是介于兩者之間的任何模型?！?nbsp;

這種對AWS現有基礎設施的信心不僅限于Wood。在即將舉行的VB Transform活動中，AWS戰略客戶總監Paul Roberts將論證，我們目前不需要其他技術突破來滿足GenAI的基礎設施擴展需求。Roberts主張，軟件改進就足夠了，這反映了AWS的信念，即他們的云基礎設施能夠應對AI的所有挑戰。 

當AI的熱潮達到頂峰，然后逐漸消退時，AWS繼續其無聲而堅定的前進。AI革命來臨然后消退。不是轟然一聲，而是服務器風扇的嗡嗡聲。你運行你的AI模型，現在更快了，更便宜，更容易，你不問為什么，AWS的云在嗡嗡作響，一直在嗡嗡作響，現在更響了。一首勝利的歌，你能聽到嗎？ 

從戰略角度來看，我認為AWS在AI領域的主導地位似乎已成定局，他們在云計算領域的既定地位，加上其龐大的生態系統和客戶基礎，為潛在競爭對手設置了巨大的進入壁壘。隨著AI服務從定制解決方案演變為標準化產品和公用事業，AWS完美地利用其規模經濟，以無可匹敵的價格提供這些服務，同時不斷創新。 

AWS專注于用戶需求、卓越運營和大規模創新的理念確保他們在AI開發和部署的前沿。他們全面的AI服務套件，從基礎模型到高級API，使他們成為企業采用AI技術的一站式平臺。這些服務的廣度，加上企業級功能和與現有AWS產品的無縫集成，創造了一個競爭對手難以匹敵的價值主張。 

他們與領先的AI初創公司和研究機構的戰略合作和協作，使他們能夠將新模型和技術融入其平臺，為客戶提供未來保障，進一步鞏固其作為AI服務首選提供商的地位。 

隨著我們向2030年邁進，已經深度集成到AWS生態系統中的企業的轉換成本將繼續上升，使新進入者更難在市場上站穩腳跟。AWS多年來建立的信任和品牌認可將作為額外的護城河，特別是對于優先考慮可靠性和性能的企業客戶。 

隨著AI變得越來越普及并逐漸融入我們日常生活的背景中，AWS很可能成為推動這一轉型的無形力量。問題不在于AWS是否會主導AI領域，而是他們的主導地位會有多全面。云的嗡嗡聲不僅是一首勝利之歌——它是整個時代的配樂。