亚马逊云服务(AWS)是如何成为全球云计算一哥的?

亚马逊云服务（AWS）是如何成为全球云计算老大的，它做云有没有一套可借鉴的方法论？

作为亚马逊公司旗下云计算服务平台，AWS也已经推出上线14年，我们很难用一句话说清AWS能够在云计算领域持续增长和创新的秘诀。近来，机器学习成为AWS内部一项极其重要的业务，我们或许能够从中总结出AWS在云计算上一些打法。

在AWS披露的一项数据中，自 2016年推出3项机器学习服务以来的5年间，AWS已经累计推出776+的机器学习服务和功能。按照2019年的数据，新推出248项机器学习服务和功能后，机器学习在当年新推出服务和功能的总量（2345项）中的比例超过10%。

在机器学习上提供的服务越来越深入

当中国云服务商纷纷进军产业界，并逐步确定差异化发展方向的时候，远在美国的全球云计算巨头AWS却在疯狂为它的机器学习服务背书。

在不久前的“亚马逊re:Invent 2020大会”上，AWS CEO Andy Jassy 在主题演讲中调侃道：“2019年，我用75分钟来讲机器学习，但2020年我想换种方式。”而接下来，无论是他自己的阐述还是客户证言，在他长达3小时的演讲中，“机器学习”被提及的次数超过75次。

云计算的发展，为机器学习提供了蓬勃发展的土壤。亚马逊副总裁兼CTO Werner Vogels 博士在“2021将改变世界的八大技术趋势”的预测中提到，机器学习在2020年已经成为主流，未来三年内世界产生的数据比过去30年还要多，而与机器学习模型相结合，使用数据摄取和聚合工具，成为各行各业处理信息的唯一实际方法。

认准了机器学习的方向之后，AWS已经对机器学习的未来做出了趋势性判断，在机器学习上所提供的服务越来越深入。

从2016年-2020年的五年间，AWS在机器学习上推出的服务数量增长最快的是2017-2018年，这期间，机器学习服务从2017年的60项，增加155项至215项，此后AWS的机器学习服务每年以“200+”的增量发展。

截止目前，AWS的机器学习服务已经形成了“上-中-下”三个层次的服务框架：

 

第一层，AI 服务，这类服务包含了视觉、音频-文字互转、聊天机器人等即拿即用的服务；

第二层，Amazon SageMaker服务，这类服务可以帮助使用者自动标记数据，并提供了SageMaker studio集成开发环境，是一个全托管的机器学习平台；

第三层，机器学习框架和基础设施，这类服务包含了可供使用者选择的多种机器学习框架，以及包含算力芯片、服务器等的基础设施。

“我们的机器学习解决方案，能够快速进行数据的模拟，挖掘数据价值。改变数据管理体系，可以把计算和分析融入所有的业务当中。”Andy Jassy 在演讲中说。

这正是AWS的高明之处，它将机器学习抽象为了一项通用服务，是数据湖、数据仓库、数据智能这些当下热门服务的必备工具。不强调行业属性、不强调使用场景，只强调“机器学习”作为一项服务对IT和业务效率的提升。至于用到哪儿、用到什么行业什么场景，客户说了算。

同时，机器学习也可以是更加普惠和易用的。在Andy Jassy的观念中，机器学习不应该是只被机器学习方面的专业人士来训练、调优、建构和部署，而应该是“Expand machine learning to more builders（让机器学习为更多构建者服务）”，这些“builders”包含了不是很懂机器学习的数据分析师、IT业务人员等。

事实也证明，AWS推出的机器学习服务中的SageMaker也已经成为AWS历史上增长最快的服务。目前，全球已经有超过10万的客户在使用AWS的机器学习和人工智能服务。

不同客户需求，促成AWS不断创新

不要尝试从AWS的口中获得更详细的关于产品创新的方案，在钛媒体APP对AWS不同人员的多次采访中，“如何保持创新”这个问题的答案永远是“以客户为中心”。实际上，不同客户所产生的对机器学习的需求，也确实促成了AWS在机器学习领域的不断创新。

AWS大中华区云服务产品管理总经理顾凡举了一个SageMaker的例子：“客户说你们去年发布的这些东西都挺好的，但是确实是在机器学习当中有一块硬骨头还是没啃，就是怎么快速地把原始数据转化成模型所需要的核心特征，把这个步骤加快。”

在这样的一些需求下，AWS推出了机器学习服务AWS Data Wrangler，该工具是机器学习的特征工厂。这里的“特征（function）”是机器学习中的术语，机器学习建模需要进行函数运算，数据“特征”输入函数后，就可以输出“标签（label）”。机器学习工具会根据标签来识别数据是猫、是狗还是其他。在原来的机器学习工具中，客户需要自己将不同的数据源打通，抓取数据然后格式化，把数据特征跑出才能进入后续流程。

而在使用了AWS Data Wrangler之后，无论是单一特征还是复合特征，Data Wrangler都可以将这些快速转换出来。并且在SageMaker Studio中，能够可视化地看到整个转换流程，方便进行流程干预。

另一方面，在机器学习框架上，目前大部分机器学习平台都倾向于只支持Tensorflow。但在对客户的调研中，AWS发现，其实对于一些专业做机器学习的人来说，他们希望能够自主选择使用哪种机器学习框架。

“AWS支持所有主流机器学习框架……我们有好几个团队，一个团队是优化Tensorflow，另外一个团队是优化PyTorch，还有一个团队是专注于MXNet，这就是为什么客户能够获得所有这些框架的最优性能。”Andy Jassy在演讲中谈到。

客户对工具这种需求，让AWS的服务具备了一定的柔性和兼容性，不止是机器学习产品线，在其他产品线也是如此。

Amazon Aurora是AWS的一款云原生的、兼容MySQL和PostgreSQL的关系数据库，主要使用场景是专有云，使用成本是其它商用数据库成本的十分之一。在Severless（无服务器计算）使用场景不断增加的情况下，有客户提出能不能让Aurora支持Severless，于是AWS推出了Aurora Severless V2，来满足以上需求。

Andy Jassy坦言：“这样做了之后，会有一些在用Aurora的客户迁到Aurora Severless，这样一定程度上看起来会给AWS带来一些收入的下降，但恰恰这就是AWS做产品不一样的思路。我们会听客户的声音，Aurora Severless一定程度上冲击了自己Aurora的生意，但这是客户需要的，我们相信长期下去，我们会帮客户更好地做到云上成本的节省，它会把更多的费用拿过去做创新。”

做SaaS，也做边缘硬件

中国云计算服务商在发展中的“边界”感很强，在创立的初期为了争夺合作伙伴生态，都发表过类似“不做SaaS”的言论，但随着产业互联网的深入推进，SaaS已经成为各家云计算服务商都在向客户提供的服务。

但对于AWS来说，如果客户有强烈的需求，AWS是不给自己设限的。既然客户需要且AWS能够提供，那就可以依此进行创新。如果这项服务与合作伙伴提供的服务产生冲突，那么可以平等竞争，选择权交给客户。

我们上文提到，AWS的机器学习服务有一个“上-中-下”的服务框架，最上层的AI 服务中就包括一些为了降低机器学习使用门槛而推出的SaaS服务。AWS表示，随着机器学习技术被各个行业广泛采用，在机器学习上的应用也会越来越多。

前不久，AWS与黑莓（BlackBerry）宣布推出了智能汽车数据平台IVY，该平台能够让汽车制造企业把数据的收集、分析进行自动化，从而提供个性化的驾驶及搭乘体验。

最近，在工业领域，AWS也针对性推出了五项机器学习服务，其中Amazon Monitron、Amazon Lookout for Equipment可以让工业企业通过机器学习进行预测性维护、AWS Panorama Appliance、AWS Panorama SDK则可以通过计算机视觉改善工业运营和工作场所安全，Amazon Lookout for Vision则可以低成本、快速、准确地对图像和视频进行视觉异常监测。

值得一提的是，AWS Panorama一体机其实是AWS自主设计的、部署在边缘的硬件设备。AWS全球副总裁 Swami Sivasubramanian告诉钛媒体APP，在客户已有本地摄像头的情况下，将它连接到工业场所的网络中，就可以自动识别摄像头数据流，与工业摄像头进行交互。

既提供SaaS服务，在必要情况下也提供一些硬件设备。所以在对服务部署模式的界定上，AWS采取了更为开放的态度，不给创新设限。反过来讲，在一些概念比较热的时候，AWS也极少跟风。

“我们有两个原则，一个原则是授人以鱼不如授人以渔，我们更多希望帮助客户把能力建立起来，给他工具、教会他使用工具；第二是真正在工程方面有差距、客户需要帮助的时候，我们会帮他快速把业务难题用产品原型的方式实现出来。”AWS大中华区云服务产品管理总经理顾凡在总结时表示。

数据显示，AWS在 2011年发布了包含机器学习服务在内的80 多项重要服务和功能；2012年发布了近 160 项；2016 年发布了 1017 项；2019 年发布了 2345项。

这么多的服务，AWS如何保证创新的真正落地呢？

“我们的产品至少有90%以上完全是根据客户的需求开发成产品的。如果你看我们推出一款产品，首先你要相信一定在社会上、在全球范围内有很多客户有这种需求。”AWS大中华区首席云计算企业战略顾问张侠说。

同时，一项产品上线，并不是要求让所有客户都用起来。“每一次re:Invent发布的时候，我们的客户会非常兴奋，因为他是带着需求看大会发布的。无论从新用户还是老用户来讲，创新无法落地的问题是不存在的。”
        责任编辑:tzh