IT产业每隔十年技术浪潮就会剧变。十年前，IT产业的浪潮是“云转型”。
当时亚马逊旗下云计算业务——亚马逊云科技首次公布收入，它在2014年收入规模仅有46.4亿美元。但这家规模还不算大的公司站上了技术变革的潮头。它在随后十年，营收增长近20倍，2023年营收规模为907.6亿美元。2024年营收规模有望超过1000亿美元。
亚马逊云科技依靠“云转型”逐渐成为全球最大云厂商。国际市场调研机构Gartner今年7月数据显示，2023年亚马逊云科技在全球公有云IaaS（基础设施）市场份额为39.0%，位居全球首位。
十年后的今天，大模型是新的技术浪潮。“AI转型”替代“云转型”成了IT产业的新趋势。每一次IT技术变革，关键窗口期只有两三年。巨人倒下时，身上还是暖的。如果不能及时跟进，很快会被竞争对手拉开差距。在此背景下，亚马逊云科技近两年都在建立AI时代的产品体系。
美国西部时间12月3日，在亚马逊云科技年度大会re:Invent 2024上，这家公司发布了一整套面向AI时代的新产品，包括自研大模型Amazon Nova系列、新一代AI训练芯片Trainium 3、新版Amazon SageMaker（数据分析和AI的一站式平台）、新版AI助手Amazon Q等。
亚马逊云科技还更新了AI改造过的计算、存储、数据库等基础云产品。近一年，亚马逊云科技一直在重塑IaaS（基础设施）、PaaS（平台软件）、SaaS（应用软件）、MaaS（模型服务）层的产品。
这家公司在“AI转型”的早期取得了不错的市场反馈。它的营收增速、利润水平在迅速攀升。最新财报数据显示，亚马逊云科技营收增速连续五个季度回升。2024年三季度营收增速为19.0%，是2023年后的高点。2024年三季度营业利润率高达38.1%，是2020年之后的高点。
IT产业的技术变革，“领头羊”变成“守旧者”的案例数不胜数。尤其是市场份额位居首位的巨头，容易反应迟缓甚至视而不见。亚马逊云科技要如何面对这轮技术变革？
两场演讲中，亚马逊云科技 CEO（首席执行官）马特·加曼（Matt Garman）、亚马逊云科技高级副总裁彼得·德桑蒂斯（Peter DeSantis）分别阐述了当下这家公司的战略思考。
一是更关注客户实际需求——解决实际问题，而非沉迷技术本身。马特·加曼解释，“我们称之为客户至尚和逆向工作法。倾听他们，理解他们想要什么，然后逆向工作，创造出一个出色的产品。这种以客户为中心的逆向工作法是亚马逊云科技基因的一部分。”
二是长期重金投资“根技术”。云服务是规模经济，亚马逊云科技希望带来高性能、低成本的云服务。彼得·德桑蒂斯提到，“根技术”创新如同亚马逊雨林的根系，可以从一棵树的底部延伸数百英尺与附近的树木相互纠缠，支撑树木生长在不稳定的土壤之中。亚马逊云科技为此长期研发芯片、存储、网络、数据中心等“根技术”。这能保持技术创新、降低计算成本、提升计算效率，也是公司长期保持竞争力的核心。
大模型强，如何落地也强
人们普遍认为，这一代大模型技术将成为改变全球产业企业的技术。但大模型的产业落地并不容易，需求方的企业普遍遇到了两个难题。
算力成本贵。大模型的主要算力成本分成训练、推理两部分。随着AI应用数量增多，算力资源消耗也在加大，算力成本也随之攀升。采购一枚AI训练芯片起步价是1万美元。企业进行模型训练、微调、推理时还要反复试错，可能会浪费算力资源，整个过程中算力成本不可控。
工程落地难。大模型一般无法开箱即用。它要用高质量数据进行二次训练，有时还要蒸馏、微调，最终接入应用后才能真正被使用。即使如此，模型“幻觉”（生成不符合事实或毫无根据的信息）仍然没有彻底解决。在金融、制造等专业领域，它有出现低概率但致命错误的可能，但这是绝对无法接受的。
亚马逊CEO安迪·贾西（Andy Jassy）以亚马逊自身的大模型落地实践为例，提到了三点经验。
其一，当AI应用达到一定规模时，计算成本的重要性变得愈加凸显。大家迫切希望获得更高的性价比。
其二，打造一款优质的AI应用是有难度的，用上好模型只解决了70%的工作。
其三，永远不会有一款模型能够一统天下，要给客户选择的权利。
面对上述问题，亚马逊云科技采取了“多模型+生态开放”的策略——它可以提供选择空间，让客户找到价格、性能适合的模型。
亚马逊拥有自研的大模型Nova系列，其中包括四个基础版本（Micro、Lite、Pro、Premier），以及图像模型Nova Canvas、视频模型Nova Reel。
亚马逊还投资了AI创业公司Anthropic。Anthropic旗下的Claude系列模型和亚马逊云科技深度合作。一位亚马逊云科技人士今年11月曾表示，Anthropic旗下Claude系列模型性能很强，是市面上少数可以和GPT-4对标的模型之一。因此，很多亚马逊云科技的客户，会默认首选Claude系列模型（相关文章可见《亚马逊再出手，向OpenAI最大挑战者Anthropic追投40亿美元》）。
亚马逊云科技的模型平台Amazon Bedrock集成了亚马逊、Anthropic、Meta、AI21 Labs、Cohere、Mistral Al、Stability Al、Luma AI、Poolside等九家大模型厂商的几十款精选模型（备注：Luma AI、poolside即将上架）。此次Bedrock模型平台上还更新了模型市场——Bedrock Marketplace。它就像是一个“超市”，上架了来自IBM和英伟达等公司的100多款专业模型或行业模型。
为何采用“多模型+生态开放”策略？这和市场需求有关——不同模型特长不同，模型进化速度也极快，企业很难找到一个完美的模型适用于所有应用场景。事实上，很多企业在同时使用多款模型。
一位国际ERP（企业资源管理）厂商人士今年8月曾提到，他们的业务之中使用了10余款模型，它们可以随时调用切换。他认为，选择丰富之后，才能根据模型的性能、成本、表现选型。这可以尽量降低试错成本，也可以动态切换成本更低的模型，避免被一家模型公司绑定。
安迪·贾西（Andy Jassy）解释称，亚马逊云科技给了开发者自主选择的权利。使用模型时，拥有多种选择至关重要，“永远不会出现一种工具能在某个领域一统天下的情况”。他举例，就像数据库（备注：数据库已经诞生超过60年），多年来大家仍会使用各种各样的产品。
选择模型只是第一步，大模型真正被使用还要经过其他工程化手段，才能真正落地。为解决这一问题，亚马逊云科技推出了下一代Amazon SageMaker、AI助手Amazon Q等产品。
Amazon SageMaker被视为解决生成式AI全生命周期问题的一站式平台。大多数大模型无法“开箱即用”，它要用高质量数据进行二次训练，可能还要经过蒸馏、微调等。因此，数据才是大模型的灵魂。只有给大模型喂入够多的高质量数据，模型准确度才会够高。
SageMaker平台承担了两部分任务，一是把企业内散落在各个“孤岛”的数据进行查询、治理、分析；二是把高质量的数据用于模型的二次训练和开发。这可以降低大模型的开发、使用门槛。
Amazon Q是一系列AI助手工具，其中包括代码开发（Developer）、商业分析（Business）、数据报表（QuickSight）、Connect（智能客服）、Supply Chain（供应链管理）等一系列模块。Amazon Q比SageMaker的使用门槛更低，这是一套可以开箱即用的工具。它适合大部分普通用户使用。
为何会在此时推出模型市场Bedrock Marketplace、下一代Amazon SageMaker、AI助手Amazon Q等一系列工具？
亚马逊云科技的一位专业人士解释，这源于客户需求，亚马逊云科技不会为了创新而创新，也不会拍脑袋设计产品，而是采用“逆向工作法”——从客户实际需求逆向推导，从而推出适合的产品。这是亚马逊云科技能够长期保持竞争力的关键。
算力太贵，如何降低成本？
亚马逊云科技应对算力昂贵的做法是——自研芯片。大模型让云厂商自研芯片的动力变强了。
大模型是典型的“吞金兽”，科技公司需要投入巨额资本支出采购芯片和服务器，租赁土地建设数据中心。云厂商近两年资本支出普遍在激增。以亚马逊为例，它在最近两个季度资本支出增速高达70.4%，是近三年的高点。亚马逊管理层在2024年三季度财报电话会中预测称，2024年资本支出将超过750亿美元。
一位芯片行业人士解读，亚马逊云科技等云厂商自研芯片一般有两条逻辑：其一，云厂商自研芯片通常可以降低单位算力成本，让自家云业务更有性价比；其二，节省外部芯片采购费用，减少对芯片供应商的依赖。不过，这些芯片不会直接对外销售，而是在云厂商的数据中心，变成云化的算力对外租赁。
亚马逊目前量产了三款自研芯片，分别是——Arm架构的CPU芯片Graviton 4，它主要对标英特尔、AMD旗下芯片产品。AI训练芯片Trainium 2，它主要对标英伟达旗下A100/H100等旗舰级别的AI训练芯片。AI推理芯片Inferentia 2，它主要对标英伟达旗下A10等入门级别的AI推理芯片。亚马逊云科技方面的说法是，Graviton 4、Trainium 2比同规格的其他芯片，性价比可提升40%。
我们了解到，目前亚马逊全球新增算力的一半以上都是基于Arm架构Graviton系列芯片，数量已经超过了x86系列芯片（主要生产企业包括英特尔、AMD）。亚马逊云科技还将在2025年量产Trainium 3。这款AI训练芯片采用了3纳米工艺制程，性能比前代产品Trainium 2高出两倍，性价比可以提升40%。
某中国云厂商一位不具名的芯片负责人曾分析称，云厂商自研芯片通常可以针对自身业务特点做优化。自研芯片在实现量产的前提下，通常比英特尔、英伟达的芯片采购成本、运营成本更低。节省下来的成本可以让利客户，用于降低算力价格。
一批企业已经成了亚马逊云科技自研芯片的使用者，其中包括苹果公司和AI创业公司Anthropic。
苹果公司是亚马逊云科技自研芯片的重要客户。苹果的搜索服务采用了Graviton 4和Inferentia 2的云服务，其机器学习推理工作负载的效率提高了40%以上。苹果机器学习和AI高级总监伯努瓦·杜宾（Benoit Dupin）在re:Invent 2024演讲时表示，苹果还处于评估Trainium 2芯片的早期阶段，在Trainium 2上对其模型进行预训练，效率将提高50%。
AI创业公司Anthropic使用亚马逊云科技自研芯片更激进。Anthropic联合创始人兼首席计算官Tom Brown（汤姆·布朗）在re:Invent上宣布了“雷尼尔计划”（Project Rainier）。该计划的核心内容是，Anthropic未来将使用一个拥有数十万枚亚马逊自研芯片的算力集群，其芯片数量将是Anthropic现有算力集群的五倍以上，是目前世界上最大的机器学习算力集群（相关文章可见《Anthropic将使用数十万枚亚马逊自研芯片》）。
除了自研芯片，亚马逊云科技还一直在基础设施层提升计算、存储、网络、推理等云计算核心产品的运行效率。这同样可以降低算力成本，提高云的性价比。
这其中有大量看不见的技术优化，涉及数据中心如何管理、网络光纤如何排布、存储设备如何定制等一系列细节。彼得·德桑蒂斯提到，亚马逊云科技每年都进行巨额差异化技术投资，目的是建成高性能和低成本的基础设施。一位亚马逊云科技中国区人士对此解释，IT行业有一句话，好的软件工程师，往往要懂底层硬件。基础设施层的技术创新，都是上层的AI和应用需求所倒逼的。
比如，亚马逊云科技软件和硬件管理系统Nitro——它就像数据中心的“交警”，可以智能地调度服务器、网络、存储设备，它既能减少交通拥堵，还能够保证系统安全。算力资源因此可以得到高效利用。
这仅仅只是其中的一个切面。亚马逊的技术投资在其财报中有所体现。这家公司长期保持着高强度的研发支出率，近三年研发支出率已经攀升至近十年来的高点。