AWS re:Invent：全面构建云端商城，加速去除X86架构步伐

美国当地时间11月29日，备受业界关注的2021亚马逊云科技(AWS)re:Invent全球大会盛大开幕，这也是时隔两年后，re:Invent再度在线下举办。

今年恰逢AWS re:Invent十周年，新任亚马逊云科技首席执行官Adam Selipsky也首次亮相re:Invent全球大会。

“探路者”精神

本届大会选择“探路者”作为贯穿大会始终的主题。对此，亚马逊全球副总裁、亚马逊云科技大中华区执行董事张文翊表示，大家对这个概念并不陌生，他们不被规则所限，从不安于现状；他们深入洞察，开放视野；还有一类探路者，他们不断赋能他人。而我们身边也有很多鲜活的例子，无论是科研人员发现新的治疗方案挽救生命，还是为身处黑暗的人带去光明; 无论是寻找新的手段打破物理边界，还是通过云进行独特的创新，探路源源不断。

亚马逊全球副总裁、亚马逊云科技大中华区执行董事张文翊

纳斯达克与亚马逊云科技的合作被张文翊视作“探路者”的经典案例。据介绍，为了成为全球第一个100%全面上云的金融市场和解决方案提供商，纳斯达克决定将分阶段的把全部业务迁移到亚马逊云科技上。2022年，他们将首先把美国的一个期权交易市场上云。为了实现全面上云的目标，也适应对延时的要求，纳斯达克通过Outposts建立了混合架构，推出了金融行业第一个专用亚马逊云科技的本地区域。

对于目前火热的元宇宙概念，张文翊认为这是云计算可以大量赋能的一个领域。在她看来，元宇宙一定是云计算可以大量赋能的一个领域，因为元宇宙本身需要的就是计算、存储、机器学习等，这些都离不开云计算。例如作为开发元宇宙游戏Fortnite（堡垒之夜）的公司，Epic Games在全球拥有3.5亿用户，它的工作负载几乎全部都跑在亚马逊云科技上。

“过去的十五年，云计算从被质疑到成为新一代IT标准，并发展成影响整个ICT产业的创新和革命。不过即便如此，一切不过是刚刚开始。”张文翊援引分析师的预测称，目前云上支出只占整个IT支出的5%到15%，在中国市场，这个数字甚至只有2.7%。未来将有大量的工作负载迁移到云，更多的创新即将在云上开展，云产业前景巨大。

构建云端商城

活动首日，AWS发布了多项涵盖计算、物联网、5G、无服务器数据分析、大机迁移、机器学习等方向的新服务和功能，包括基于新一代自研芯片Amazon Graviton3的计算实例、帮助大机客户向云迁移的Amazon Mainframe Modernization、帮助企业构建移动专网的Amazon Private 5G、四个亚马逊云科技分析服务套件的无服务器和按需选项、以及为垂直行业构建的云服务和解决方案，如构建数字孪生的服务Amazon IoT TwinMaker和帮助汽车厂商构建车联网平台的Amazon IoT FleetWise。

Graviton3：Arm服务器芯片的新标杆

“尽管我们已经如此努力地创新，我们依然意识到，如果希望针对所有可能的工作负载彻底变革计算的性价比，我们需要彻底重新思考实例。为了实现这个目的，我们需要深入底层技术，一直到芯片。因此，我们开始自己设计基于Arm的芯片。” Adam说。

为此，AWS发布了新一代基于Arm架构的自研服务器芯片Amazon Graviton3，并宣布推出基于这一款新芯片的第一个实列Amazon EC2 C7g，适用于HPC、批处理、电子设计自动化(EDA)、媒体编码、科学建模、广告服务、分布式分析和基于CPU的机器学习推理等计算密集型工作负载。

AWS在2018年底推出了首款Graviton处理器，2019年推出了第二代Graviton2，如今，AWS客户可使用12种由Graviton2驱动的不同实例。

但这并不是亚马逊云科技在自研芯片领域的全部。“芯片领域的经验至关重要，就像我们常说的‘经验，没有压缩算法！’”。按照亚马逊云科技大中华区产品部总经理顾凡的说法，作为云厂商里最早做自研芯片的厂商，截至目前，AWS已经拥有基于Arm架构的Graviton服务器芯片，基于机器学习推理和训练的芯片Trainium，以及用于CPU卸载工作负载的第四代AWS Nitro系统芯片。 

亚马逊云科技大中华区产品部总经理顾凡

数据显示，与Amazon Graviton2处理器支持的当前一代C6g实例相比，计算密集型工作负载性能提高多达25%。在相同性能下，与同类型Amazon EC2实例对比，可节省高达60%的能源消耗。

为机器学习模型训练提供最佳实例

Amazon EC2 Trn1实例由Amazon Trainium芯片支持。Trainium是AWS在2020年专为机器学习模型设计而推出的自研云端训练芯片，AWS方面希望在Amazon EC2中能够为绝大多数机器学习模型训练提供最佳性价比及最快的训练速度。

大型机用户轻松上云

大型机非常昂贵、非常复杂，而且学习COBOL语言的人越来越少。维护大型机就像投篮时把两只脚固定在地上，不是不行，但绝不是最好的方式。所以很多客户正试图尽快逃离大型机，获得云的弹性和敏捷性。

新服务Amazon Mainframe Modernization的推出，可以将大型机核心工作负载迁移到云的时间缩短2/3。让以前很难享受到云优势的大型机用户，现在也可以轻松上云。客户可以选择两种方法摆脱“主机束缚”：重构大型机工作负载，将老旧应用程序转换成基于Java的现代云服务，在亚马逊云科技运行；或者将工作负载平移到亚马逊云科技，只需要少量更改代码。 

轻松构建5G专用移动网络

新推出的Amazon Private 5G让企业可以让企业搭建5G专网的时间从数月降低到几天。据称，Amazon Private 5G可以自动设置和部署网络，并按需根据额外设备和网络流量的增长扩容，客户只需在亚马逊云科技的控制台点击几下，就可以指定想要建立移动专网的位置，以及终端设备所需的网络容量。至于交付、维护、建立5G专网和连接终端设备所需的小型基站、服务器、5G核心和无线接入网络(RAN)软件，以及用户身份模块(SIM卡)等工作，均由AWS负责。

普通人，也能从事机器学习

机器学习是数据洞察必不可少的一环。在主题演讲中，Adam又宣布了一项重要的Amazon SageMaker新功能——Amazon SageMaker Canvas，它让业务人员和数据分析人员能够使用可视化的点选界面，生成高准确度的机器学习预测，不需要写程序代码。

值得关注的是，与其现有的机器学习服务不同，这里的目标受众不是高度技术性的数据科学家和工程师，而是企业内部的任何工程师或业务用户。这意味着，未来，机器学习的使用门槛将得到进一步降低，更多新的用户群体，即使不具备机器学习经验、数据科学经验，也不是开发者，也能从事机器学习工作。

4项基于云的分析服务

Amazon Redshift、MSK、EMR和Kinesis是AWS分析服务套件新推出三种无服务器选项和一个按需选项。Adam指出，不少企业希望获得数据分析的好处，但却不想管理基础设施，不想去做集群调优，不关心仪表盘和按钮，也不希望预测应用需要多少基础设施，这4项服务的推出，正好满足了用户的需求。

例如Redshift可在几秒钟内自动设置和扩展资源，让客户在PB级数据规模运行高性能工作负载，而无需管理数据仓库集群；EMR让客户无需部署、管理和扩展底层基础设施，即可使用开源大数据框架运行分析应用程序；Kinesis On-demand则可以提供每分钟GB级别的读写吞吐量，而无需进行容量规划。

构建安全的数据湖

AWS Lake Formation是一个非常重要的安全提升，允许限制对特定行和列的访问，并仅向授权用户自动过滤和显示数据，但建立和管理数据湖涉及许多人工、复杂和耗时的任务，动辄就要花费数周或几个月的时间。，采用AWS Lake Formation，几天就能轻松地建立一个安全的数据湖。

亚马逊云科技这次为其数据湖服务Amazon Lake Formation增加了两个功能，Row and cell-level security for Lake Formation为湖中数据提供精确到数据行和单元格的细颗粒度访问控制，Transactions for governed tables in Lake Formation确保湖中数据的一致性，这两项功能让数据湖的搭建、治理和管理更加容易。

数字孪生的魅力

为了赋能更广泛的行业，亚马逊云科技还重磅推出两项IoT新服务：Amazon IoT TwinMaker和Amazon IoT FleetWise，前者意在让开发人员更加轻松、快捷地创建现实世界的数字孪生，如楼宇、工厂、工业设备和生产线；后者则是让让汽车制造商更轻松、更经济地收集、管理汽车数据，并实时上传到云端。

熟悉“数字孪生”概念的人士都懂得，作为物理系统的虚拟映射，它可根据其所代表的现实世界对象的结构、状态和行为定期更新。然而，打造数字孪生很不容易，必须从各种数据源搜集数据，厘清数据之间的相互关系和所有数据源，并把数据和三维模型结合起来，才能创建虚拟实景。加之事物发生变化时，必须保持实时更新。

而Amazon IoT TwinMaker的出现，能够让开发人员轻松汇集来自多个来源(如设备传感器、摄像机和业务应用程序)的数据，并将这些数据结合起来创建一个知识图谱，对现实世界环境进行建模。

先进的车载传感器每小时可产生多达2TB的数据，而且随着品牌和型号不断增加，数据格式各不相同，所以必须建立定制的数据收集系统。然而，建立这些系统既困难又耗时。通过Amazon IoT FleetWise，汽车制造商可以轻松地收集和管理汽车中任何格式的数据，并将数据格式标准化，方便在云上轻松进行数据分析。

此外，当数据进入云端后，汽车制造商还可以将数据应用于车辆的远程诊断程序，分析车队的健康状况，帮助汽车制造商预防潜在的召回或安全问题，或通过数据分析和机器学习来改进自动驾驶和高级辅助驾驶等技术。

结语

在被问及此次发布的产品和服务何时落地中国？产品和服务面向的国内和美国市场有何不同时？顾凡回应称，我们有时候不能直接简单去看某个产品的中外差别，而是要看是否把中国客户的需求结合到了产品设计中。

“因为中国客户的机器学习场景非常多，所以在SageMaker全球同步首发的六个区域中，中国就占据了两席，当然，我们也一定会加速把Graviton3带到中国。”他说。