作為亞馬遜公司旗下云計算服務平臺，AWS也已經推出上線14年，我們很難用一句話說清AWS能夠在云計算領域持續增長和創新的秘訣。近來，機器學習成為AWS內部一項極其重要的業務，我們或許能夠從中總結出AWS在云計算上一些打法。

在AWS披露的一項數據中，自 2016年推出3項機器學習服務以來的5年間，AWS已經累計推出776+的機器學習服務和功能。按照2019年的數據，新推出248項機器學習服務和功能后，機器學習在當年新推出服務和功能的總量（2345項）中的比例超過10%。

在機器學習上提供的服務越來越深入

當中國云服務商紛紛進軍產業界，并逐步確定差異化發展方向的時候，遠在美國的全球云計算巨頭AWS卻在瘋狂為它的機器學習服務背書。

在不久前的“亞馬遜re:Invent 2020大會”上，AWS CEO Andy Jassy 在主題演講中調侃道：“2019年，我用75分鐘來講機器學習，但2020年我想換種方式。”而接下來，無論是他自己的闡述還是客戶證言，在他長達3小時的演講中，“機器學習”被提及的次數超過75次。

云計算的發展，為機器學習提供了蓬勃發展的土壤。亞馬遜副總裁兼CTO Werner Vogels 博士在“2021將改變世界的八大技術趨勢”的預測中提到，機器學習在2020年已經成為主流，未來三年內世界產生的數據比過去30年還要多，而與機器學習模型相結合，使用數據攝取和聚合工具，成為各行各業處理信息的唯一實際方法。

認準了機器學習的方向之后，AWS已經對機器學習的未來做出了趨勢性判斷，在機器學習上所提供的服務越來越深入。

從2016年-2020年的五年間，AWS在機器學習上推出的服務數量增長最快的是2017-2018年，這期間，機器學習服務從2017年的60項，增加155項至215項，此后AWS的機器學習服務每年以“200+”的增量發展。

截止目前，AWS的機器學習服務已經形成了“上-中-下”三個層次的服務框架：

AWS機器學習服務框架圖

第一層，AI 服務，這類服務包含了視覺、音頻-文字互轉、聊天機器人等即拿即用的服務；

第二層，Amazon SageMaker服務，這類服務可以幫助使用者自動標記數據，并提供了SageMaker studio集成開發環境，是一個全托管的機器學習平臺；

第三層，機器學習框架和基礎設施，這類服務包含了可供使用者選擇的多種機器學習框架，以及包含算力芯片、服務器等的基礎設施。

“我們的機器學習解決方案，能夠快速進行數據的模擬，挖掘數據價值。改變數據管理體系，可以把計算和分析融入所有的業務當中。”Andy Jassy 在演講中說。

這正是AWS的高明之處，它將機器學習抽象為了一項通用服務，是數據湖、數據倉庫、數據智能這些當下熱門服務的必備工具。不強調行業屬性、不強調使用場景，只強調“機器學習”作為一項服務對IT和業務效率的提升。至于用到哪兒、用到什么行業什么場景，客戶說了算。

同時，機器學習也可以是更加普惠和易用的。在Andy Jassy的觀念中，機器學習不應該是只被機器學習方面的專業人士來訓練、調優、建構和部署，而應該是“Expand machine learning to more builders（讓機器學習為更多構建者服務）”，這些“builders”包含了不是很懂機器學習的數據分析師、IT業務人員等。

事實也證明，AWS推出的機器學習服務中的SageMaker也已經成為AWS歷史上增長最快的服務。目前，全球已經有超過10萬的客戶在使用AWS的機器學習和人工智能服務。

不同客戶需求，促成AWS不斷創新

不要嘗試從AWS的口中獲得更詳細的關于產品創新的方案，在鈦媒體APP對AWS不同人員的多次采訪中，“如何保持創新”這個問題的答案永遠是“以客戶為中心”。實際上，不同客戶所產生的對機器學習的需求，也確實促成了AWS在機器學習領域的不斷創新。

AWS大中華區云服務產品管理總經理顧凡舉了一個SageMaker的例子：“客戶說你們去年發布的這些東西都挺好的，但是確實是在機器學習當中有一塊硬骨頭還是沒啃，就是怎么快速地把原始數據轉化成模型所需要的核心特征，把這個步驟加快。”

在這樣的一些需求下，AWS推出了機器學習服務AWS Data Wrangler，該工具是機器學習的特征工廠。這里的“特征（function）”是機器學習中的術語，機器學習建模需要進行函數運算，數據“特征”輸入函數后，就可以輸出“標簽（label）”。機器學習工具會根據標簽來識別數據是貓、是狗還是其他。在原來的機器學習工具中，客戶需要自己將不同的數據源打通，抓取數據然后格式化，把數據特征跑出才能進入后續流程。