作者：董指導
出品：遠川研究所科技組
美國有兩個大會，格外受國內從業人士關注，一個是伯克希爾哈撒韋的股東大會，投資人士踴躍前往聆聽股神巴菲特的經驗智慧；另一個則是亞馬遜雲服務(AWS)的re:Invent全球大會。
AWS作為全球規模最大、技術領先的公司，從2012年起，每一年都會召開峰會，分享其科技方向、業務規劃；這個峰會成為行業標杆，也影響著各行各業的發展。因此，每一年峰會上，都會有全球的開發者、觀察者、企業客戶等，前來了解雲服務的前沿科技。
re:Invent全球大會往常都需要1799美金註冊費，但仍一票難求。而今年，亞馬遜雲則首次將峰會搬到了線上，並且完全免費向全球公開。更難得的是，減價不減質。今年的峰會從12月1日召開，整整三周時間、百餘場分享，全面闡述了亞馬遜雲在「重塑」之路上的堅定步伐。
雲業務由亞馬遜做大，既是偶然也是必然。電商流量的波峰波谷，導致彈性計算成為剛需。而亞馬遜的堅定投入、對需求本質的追求，則促使雲業務從自用走向了市場，開始重塑IT成本。
比如當年率先使用AWS的奈飛。2008年，隨著海量視頻快速上線，奈飛的IT資源撐到了極限。隨後又遭遇了一場自然災害，導致其自建的數據中心幾乎三天都處於休克狀態。而繼續擴大數據中心建設，將會帶來極大的IT支出。亞馬遜雲，通過彈性擴容、按需收費，完美解決了奈飛的憂慮。
可以說，奈飛發展途中一個重要選擇，便是從自有投資數據中心，轉向了採購雲服務，重塑了自己的IT成本。而這個「重塑」這個技能，也是每家公司要實現基業長青的重要措施。
根據統計，50年前的《財富》500強企業，如今只剩下17%、83家還在榜單上；20年前的《財富》500強企業，如今也只有50%還在榜單上。要保持活力，必須能夠自我革命，不斷重塑，尤其能採用最先進的技術，來武裝企業，來降本增效。這在疫情期間更為重要，也是AWS所持續打造的優勢。
比如，在資料庫方面，傳統的資料庫價格不菲、配置昂貴、但又擴容困難。而AWS最新推出的資料庫服務Aurora Serverless v2，可以做到實時擴容，在不到1秒的時間內，即可瞬間擴展到支持幾十萬個數據處理事務。如此，開發者不需要買大量伺服器來匹配峰值的運算需求，而是按需擴容，可以節省高達90%的成本。
這個量級，在業內領先，也推動了資料庫服務的演進。與此同時，已經有35萬個資料庫遷移到了AWS，以應對消費經濟激增、業務流量頻發。而且AWS還以開源形式推出了Babelfish for PostgreSQL，讓用戶直接在雲上運行SQL Server應用程式，降低傳統資料庫開支，提升資料庫上雲後的應用交付效率。
在數據分析方面，一直有個痛點，不同端的數據難以流動分析，就像成千上萬個太平洋小島被水面隔絕，難以形成高經濟價值的共同體。而這次峰會，AWS也推出了Glue的新功能AWS Glue Elastic Views。它可以從多個不同數據源創建實例化視圖，簡單、高效地將數據孤島連接起來，形成統一的數據視角。
當數據源發生變化時，AWS可以在在幾秒鐘內完成同步。讓數據像血液一樣流動起來，為企業業務運轉提供生命力。
而這幾年，容器技術大為流行，但容器和無伺服器應用都由非常小的代碼段組成，每個代碼段通常由不同的團隊開發和運維，有獨立的基礎架構。隨著業務發展，在基礎設施、開發、運維等團隊之間，協調架構配置、代碼部署和運維監控等工作也日益複雜，會拖慢應用開發速度。因此，管理容器又成了一個難題。
針對這種情況，AWS推出了容器開發利器AWS Proton，可以提供了更細顆粒度的雲服務應用部署管理工具。只需要建一個調用棧，就可以自定義模板，填上相應參數。AWS的容器工具，相當於雲服務界的「一鍵」快捷功能，省去了平時多個團隊在多個環節的繁雜流程。
資料庫、數據分析和容器開發這三個工具，只是AWS強大武器庫的冰山一角。細看這三個工具，都是那種不起眼、卻直擊痛點的雲服務利器。而這些工具的出現，都改變了企業IT部署的形態、成本，也大幅提高了企業的效率。讓AWS成為值得信賴的「大管家」。
Alpha Go打敗李世石帶來的震撼才剛剛過去，無人駕駛等技術又借著新能源的熱潮成為社會焦點。AI正在各行各業快速普及，據德勤數據顯示，到2025年，世界人工智慧市場將超過6萬億美元。而在這大潮中，機器學習則是核心研究領域之一，覆蓋89%的人工智慧專利申請和40%的人工智慧相關專利。
所謂人工智慧，先有人工，再有智能。這其中的一個核心問題在於，人才的增長，跟不上AI的發展。比如在我國，人工智慧人才的供求比例為1：10，缺口超過500萬。對於那些傳統產業以及創新型小企業而言，使用機器學習、完成AI轉型是一項「急切卻又困難」的夢想。
而這次發布會上，亞馬遜依託20多年的經驗，公布了四大舉措，為機器學習擴圈，為中小企業圓夢。
首先，提供開箱即用的工業領域機器學習解決方案。市面上，開源的算法與公開論文並不少，但對於AI的工業化應用而言，漫長的調參與針對特定配置修改，其實才是影響算法最終可用性的根本保障。為了降低用戶的部署成本，AWS發布了五項服務，就像家用電器一樣，開箱即用。
其中，Amazon Monitron可以為用戶提供從傳感器、網關到機器學習服務組成的端到端機器監控系統，檢測異常並預測何時需要維護工業設備；Amazon Lookout for Equipment面向已經擁有傳感器的客戶，提供機器學習模型並返回預測結果，檢測異常設備行為。這兩項服務，可以支持預測性維護。
AWS Panorama一體機可以連接到工業場所的網絡中，自動識別攝像頭數據流，與工業攝像頭進行交互。AWS Panorama軟體開發套件（SDK），方便工業相機製造商在新相機中嵌入計算機視覺功能。這兩項服務，可以改善工業運營和工作場所安全。而Amazon Lookout for Vision通過機器學習技術為工業客戶提供高精度、低成本的產品質量異常檢測解決方案。
其次，針對不同需求客戶，提供包羅萬象、有針對性的工具箱。
工具箱包含三個層面：針對技術能力超強的客戶，主要提供機器學習框架、處理器等工具集的底層；針對技術能力較強的客戶，通過提供包含各種工具的全託管機器學習集成開發環境，幫助降低機器學習門檻；而針對技術能力相對薄弱的客戶，AWS開箱即用的AI服務則可以實現各種AI業務需求的快速部署。
再次，將機器學習能力跟資料庫進行嫁接，把機器學習覆蓋人群拓展到資料庫開發者和數據分析師。
一般來說，資料庫開發者、數據分析師群體的人數，比機器學習開發人員群體大得多，而且也更容易培養，因此，「爭取到他們」，將會大力促進機器學習發展。因此，AWS推出了包括Aurora ML、Athena ML、Redshift ML等在內的多項功能。讓資料庫開發者、數據分析師沿用資料庫查詢的方式，讓他們的機器學習想法落地到業務應用中。
比如，當電商公司做出海業務時，需要為多國用戶制定相應語言的服務，這就需要把資料庫中的商品信息變成多種語言。在傳統資料庫模式下，這個工作量會很大。但是，通過AWS的新服務，資料庫開發者只管查詢商品信息、選擇多語種翻譯，返回的結果就會自動包含商品信息的多語種翻譯。難度下降、效率提升。
再比如要了解公司業務增長時，在傳統模式下，開發者需要在模型中預先定義增長率、再更新模型、處理數據，整個流程可能是幾天甚至幾周。但依託AWS的服務，可以採用自然語言，直接在查詢框中輸入問題，幾秒鐘之內就可以得到高度準確的答案。
最後，發展機器學習的中間力量，不斷提升Amazon SageMaker的性能。
Amazon SageMaker是面向機器學習開發者的集成開發環境、全託管服務。它依託多項工具，化繁為簡，使開發人員和數據科學家能夠從根本上更輕鬆、更快速地構建、訓練和部署機器學習模型。可以說，SageMaker性能越提升，機器學習發展也會越快。
因此，AWS也在不斷提升託管服務。在過去一年，SageMaker交付了50多項新功能。而在今年的re:Invent大會上，AWS再次發布數據特徵提取器Data Wranger，數據特徵存儲庫Feature Store，自動化工作流Pipelines等9項新功能。
比如Data Wrangler內置了300多個數據轉換器，讓客戶無需編寫任何代碼，就可以機器學習用到的特徵進行規範化、轉換和組合。Pipelines是第一個專為機器學習構建的、方便易用的CI/CD（持續集成和持續交付）服務。大型複雜深度學習模型的分布式訓練，將當前的速度提升了兩倍。
這些不斷更新的功能，深受用戶喜歡。在推出的3年內，已經擁有了3M、ADP、阿斯利康、Avis、拜耳等幾萬家客戶。AWS將積累了二十餘年的機器學習經驗全部上雲，幫助無數客戶完成了更快、更高效向AI轉型的步伐，重塑AI進程。
儘管上雲的趨勢是顯著和必然的，但過程卻是曲折的。比如有些領域的一些工作負載需要在本地保留數年，有些應用對網絡延遲非常敏感，而且需要接近本地資產，例如金融高頻交易、製造支持系統、在電信邊緣提供網絡功能虛擬化 （NFV）服務等等。在這些領域，哪怕是一秒鐘的延遲，帶來的效果可能都是天差地別。
總結起來一句話，用戶希望在本地也能用上AWS的工具，運行計算、存儲等功能，享受到同等便利。在意識到用戶需求和現有公有雲產品之間的差異後，AWS認為，一切要從用戶需求出發，於是有了「混合雲」。
在業內，不少人認為混合雲就是本地基礎設施加上雲，但AWS並不認可。AWS團隊對於混合、本地（on-premise）再次進行了思考，本地不僅僅局限在本地數據中心，工廠、旅店甚至偏遠地區的農林田地的IT需求，都應該算作本地。
於是，混合基礎設置便演化為「雲+各種邊緣節點」。AWS便按照這個思路開始重塑混合雲領域，圍繞著用戶需求，層層迭代，推出了一系列服務。
在過去幾年中，AWS提供了Amazon VPC (虛擬私有雲)、AWS Direct Connect（雲直連）和Amazon Storage Gateway（存儲網關）等服務，方便客戶在使用AWS的同時運行本地數據中心。
而許多用戶的本地數據中心是基於VMware虛擬化的，因此，為了減少用戶學習成本，2017年，AWS與VMware協作，發布VMware Cloud on AWS，客戶可以在AWS使用同樣的VMware軟體和工具，管理其AWS上的基礎設施。
與此同時，對於必須駐留在本地的工作負載，客戶也希望能夠將AWS部署到本地。於是，在2018年，AWS開創式地推出了Outposts。這是一款和AWS雲數據中心一樣的伺服器硬體，上面有計算、存儲、數據分析等AWS服務，而且，仍然由AWS全託管，負責安裝和維護等等。用戶可以使用跟AWS雲上相同的API、控制面板、工具、功能。
AWS Outposts有兩種形態：一個 AWS原生形態（現在已經可用），它允許客戶在Outposts使用與AWS公共區域完全相同的API和控制面板；另一個形態是VMware on AWS Outposts。藉助AWS Outposts，客戶可以選擇計算優化、存儲優化或圖形優化的EC2（彈性計算雲 ）實例，這些實例可以有本地存儲，也可以沒有本地存儲，還可以選擇EBS（彈性塊存儲）卷。
針對時延敏感領域，AWS推出了本地區域，它是AWS區域的，可以讓計算、存儲和資料庫服務靠近大城市，將本地終端用戶的訪問延遲進一步降低。基於5G網絡，AWS Wavelength可以實現5G全程加速，讓用戶釋放5G低延時的商業紅利。
而針對環境惡劣、網絡連接有限的地區，例如山區、船舶等，AWS推出了Snow系列設備，可以連續計算、數據存儲和數據轉送。搜集數據完成之後，可以帶到總部去處理。
在本次re:Invent大會上，AWS CEO Andy Jassy宣布了1U和2U兩款小尺寸的Outposts，1U尺寸像Pizza一樣大小，和經典型號功能一模一樣，但體積縮小至1/40。小尺寸的Outposts可以很好地適應醫院、飯館、商店、工廠等等，這些IT設備空間受限的場所。
可以說，AWS的混合雲，並不是一個「本地+雲簡單混合」的結果，而是一個不斷迭代的過程，就像打怪升級一樣，不斷遇到挑戰、解決挑戰。
AWS從問世到實現第一個100億美元收入，用了123個月；第二個100億美元增長，用了23個月；第三個100億美元增長，則用了13個月；如今，第四個100億美元增長，只用了12個月。
收入快速增長的背後，源自於AWS的不斷「重塑」。2011年，AWS發布了80多項重要服務和功能；2012年，發布了近160項；2013年，發布280項；2014年，發布516項；2015年，發布722項；2016年，發布1017項；2017年，發布1430項；2018年發布1957項；2019年，發布2345項。
今年re:Invent，AWS在計算、存儲、資料庫、數據分析、容器、機器學習運維、工業機器學習等多個方面推出了143項更新。根據Gartner在2020年8月發布的《2019年全球公有雲IaaS和PaaS市場份額報告》，AWS的市場份額為45%，超過第二、第三、第四、第五名的總和（34.3%）。
而事實上，雲服務也仍處於發展早期，Gartner發布的IT關鍵指標數據《2020：Industry Measures》顯示，在全球IT總支出中，雲上支出僅佔4%。因此，無論是雲產業，還是AWS，都會迎來廣闊增長空間。而驅動力，則來自於創新。
創新很困難，而創新者不斷顛覆自己來實現創新，則更為困難。AWS用雲顛覆了傳統IT，但仍以重塑姿態，不斷顛覆自己。而這個秘訣，也許正是源自於貝索斯（Jeff Bezos）的思考「keep the vitality of Day 1」：永遠客戶至上customer obsession。