由 dawei
美国有两个大会，格外受国内从业人士关注，一个是伯克希尔哈撒韦的股东大会，投资人士踊跃前往聆听股神巴菲特的经验智慧；另一个则是亚马逊云服务(AWS)的re:Invent全球大会。
AWS作为全球规模最大、技术领先的公司，从2012年起，每一年都会召开峰会，分享其科技方向、业务规划；这个峰会成为行业标杆，也影响着各行各业的发展。因此，每一年峰会上，都会有全球的开发者、观察者、企业客户等，前来了解云服务的前沿科技。
re:Invent全球大会往常都需要1799美金注册费，但仍一票难求。而今年，亚马逊云则首次将峰会搬到了线上，并且完全免费向全球公开。更难得的是，减价不减质。今年的峰会从12月1日召开，整整三周时间、百余场分享，全面阐述了亚马逊云在“重塑”之路上的坚定步伐。
ASP站长网亚马逊云如何重塑世界？
云业务由亚马逊做大，既是偶然也是必然。电商流量的波峰波谷，导致弹性计算成为刚需。而亚马逊的坚定投入、对需求本质的追求，则促使云业务从自用走向了市场，开始重塑IT成本。
比如当年率先使用AWS的奈飞。2008年，随着海量视频快速上线，奈飞的IT资源撑到了极限。随后又遭遇了一场自然灾害，导致其自建的数据中心几乎三天都处于休克状态。而继续扩大数据中心建设，将会带来极大的IT支出。亚马逊云，通过弹性扩容、按需收费，完美解决了奈飞的忧虑。
可以说，奈飞发展途中一个重要选择，便是从自有投资数据中心，转向了采购云服务，重塑了自己的IT成本。而这个“重塑”这个技能，也是每家公司要实现基业长青的重要措施。
根据统计，50年前的《财富》500强企业，如今只剩下17%、83家还在榜单上；20年前的《财富》500强企业，如今也只有50%还在榜单上。要保持活力，必须能够自我革命，不断重塑，尤其能采用最先进的技术，来武装企业，来降本增效。这在疫情期间更为重要，也是AWS所持续打造的优势。
比如，在数据库方面，传统的数据库价格不菲、配置昂贵、但又扩容困难。而AWS最新推出的数据库服务Aurora Serverless v2，可以做到实时扩容，在不到1秒的时间内，即可瞬间扩展到支持几十万个数据处理事务。如此，开发者不需要买大量服务器来匹配峰值的运算需求，而是按需扩容，可以节省高达90%的成本。
这个量级，在业内领先，也推动了数据库服务的演进。与此同时，已经有35万个数据库迁移到了AWS，以应对消费经济激增、业务流量频发。而且AWS还以开源形式推出了Babelfish for PostgreSQL，让用户直接在云上运行SQL Server应用程序，降低传统数据库开支，提升数据库上云后的应用交付效率。
在数据分析方面，一直有个痛点，不同端的数据难以流动分析，就像成千上万个太平洋小岛被水面隔绝，难以形成高经济价值的共同体。而这次峰会，AWS也推出了Glue的新功能AWS Glue Elastic Views。它可以从多个不同数据源创建实例化视图，简单、高效地将数据孤岛连接起来，形成统一的数据视角。
当数据源发生变化时，AWS可以在在几秒钟内完成同步。让数据像血液一样流动起来，为企业业务运转提供生命力。
而这几年，容器技术大为流行，但容器和无服务器应用都由非常小的代码段组成，每个代码段通常由不同的团队开发和运维，有独立的基础架构。随着业务发展，在基础设施、开发、运维等团队之间，协调架构配置、代码部署和运维监控等工作也日益复杂，会拖慢应用开发速度。因此，管理容器又成了一个难题。
针对这种情况，AWS推出了容器开发利器AWS Proton，可以提供了更细颗粒度的云服务应用部署管理工具。只需要建一个调用栈，就可以自定义模板，填上相应参数。AWS的容器工具，相当于云服务界的“一键”快捷功能，省去了平时多个团队在多个环节的繁杂流程。
数据库、数据分析和容器开发这三个工具，只是AWS强大武器库的冰山一角。细看这三个工具，都是那种不起眼、却直击痛点的云服务利器。而这些工具的出现，都改变了企业IT部署的形态、成本，也大幅提高了企业的效率。让AWS成为值得信赖的“大管家”。
亚马逊云如何重塑世界？
Alpha Go打败李世石带来的震撼才刚刚过去，无人驾驶等技术又借着新能源的热潮成为社会焦点。AI正在各行各业快速普及，据德勤数据显示，到2025年，世界人工智能市场将超过6万亿美元。而在这大潮中，机器学习则是核心研究领域之一，覆盖89%的人工智能专利申请和40%的人工智能相关专利。
所谓人工智能，先有人工，再有智能。这其中的一个核心问题在于，人才的增长，跟不上AI的发展。比如在我国，人工智能人才的供求比例为1：10，缺口超过500万。对于那些传统产业以及创新型小企业而言，使用机器学习、完成AI转型是一项“急切却又困难”的梦想。
而这次发布会上，亚马逊依托20多年的经验，公布了四大举措，为机器学习扩圈，为中小企业圆梦。
首先，提供开箱即用的工业领域机器学习解决方案。市面上，开源的算法与公开论文并不少，但对于AI的工业化应用而言，漫长的调参与针对特定配置修改，其实才是影响算法最终可用性的根本保障。为了降低用户的部署成本，AWS发布了五项服务，就像家用电器一样，开箱即用。
其中，Amazon Monitron可以为用户提供从传感器、网关到机器学习服务组成的端到端机器监控系统，检测异常并预测何时需要维护工业设备；Amazon Lookout for Equipment面向已经拥有传感器的客户，提供机器学习模型并返回预测结果，检测异常设备行为。这两项服务，可以支持预测性维护。
AWS Panorama一体机可以连接到工业场所的网络中，自动识别摄像头数据流，与工业摄像头进行交互。AWS Panorama软件开发套件（SDK），方便工业相机制造商在新相机中嵌入计算机视觉功能。这两项服务，可以改善工业运营和工作场所安全。而Amazon Lookout for Vision通过机器学习技术为工业客户提供高精度、低成本的产品质量异常检测解决方案。
其次，针对不同需求客户，提供包罗万象、有针对性的工具箱。
工具箱包含三个层面：针对技术能力超强的客户，主要提供机器学习框架、处理器等工具集的底层；针对技术能力较强的客户，通过提供包含各种工具的全托管机器学习集成开发环境，帮助降低机器学习门槛；而针对技术能力相对薄弱的客户，AWS开箱即用的AI服务则可以实现各种AI业务需求的快速部署。
亚马逊云如何重塑世界？
再次，将机器学习能力跟数据库进行嫁接，把机器学习覆盖人群拓展到数据库开发者和数据分析师。
一般来说，数据库开发者、数据分析师群体的人数，比机器学习开发人员群体大得多，而且也更容易培养，因此，“争取到他们”，将会大力促进机器学习发展。因此，AWS推出了包括Aurora ML、Athena ML、Redshift ML等在内的多项功能。让数据库开发者、数据分析师沿用数据库查询的方式，让他们的机器学习想法落地到业务应用中。
比如，当电商公司做出海业务时，需要为多国用户制定相应语言的服务，这就需要把数据库中的商品信息变成多种语言。在传统数据库模式下，这个工作量会很大。但是，通过AWS的新服务，数据库开发者只管查询商品信息、选择多语种翻译，返回的结果就会自动包含商品信息的多语种翻译。难度下降、效率提升。
再比如要了解公司业务增长时，在传统模式下，开发者需要在模型中预先定义增长率、再更新模型、处理数据，整个流程可能是几天甚至几周。但依托AWS的服务，可以采用自然语言，直接在查询框中输入问题，几秒钟之内就可以得到高度准确的答案。
最后，发展机器学习的中间力量，不断提升Amazon SageMaker的性能。
Amazon SageMaker是面向机器学习开发者的集成开发环境、全托管服务。它依托多项工具，化繁为简，使开发人员和数据科学家能够从根本上更轻松、更快速地构建、训练和部署机器学习模型。可以说，SageMaker性能越提升，机器学习发展也会越快。
因此，AWS也在不断提升托管服务。在过去一年，SageMaker交付了50多项新功能。而在今年的re:Invent大会上，AWS再次发布数据特征提取器Data Wranger，数据特征存储库Feature Store，自动化工作流Pipelines等9项新功能。
比如Data Wrangler内置了300多个数据转换器，让客户无需编写任何代码，就可以机器学习用到的特征进行规范化、转换和组合。Pipelines是第一个专为机器学习构建的、方便易用的CI/CD（持续集成和持续交付）服务。大型复杂深度学习模型的分布式训练，将当前的速度提升了两倍。
这些不断更新的功能，深受用户喜欢。在推出的3年内，已经拥有了3M、ADP、阿斯利康、Avis、拜耳等几万家客户。AWS将积累了二十余年的机器学习经验全部上云，帮助无数客户完成了更快、更高效向AI转型的步伐，重塑AI进程。