當我們展望即將在本月底舉行的第七屆re:Invent大會時，AWS持續為建立復雜AI生態系統而進行的深入投資給我們留下了深刻的印象：

-針對AI工作負載優化核心基礎設施即服務云：最初的AWS EC2計算服務現在已經具有數十種實例類型，從通用到計算優化、內存優化、GPU加速和FPGA。

-在AWS云中實施先進的AI加速器硬件：AWS云提供了對最新GPU的按需使用，以支持機器學習和其他AI工作負載。EC2 P3實例提供最新的Nvidia Tesla V100 GPU，每個節點最多支持8個GPU。AWS稱，與其他任何云廠商的GPU實例相比，這種高密度配置在性價比方面提高了1.8到2倍，絕對性能提高了6倍。

-改善AI開發抽象：在過去幾年中，AWS已經轉向更高的抽象層，用于AI、ML和其他核心計算服務。所有這些功能再加上底層云數據庫，現在都可以使用云原生API進行容器化部署，作為容器編排器Kubernetes上的微服務，以及作為AWS Lambda功能即服務的無服務器部署。這其中大多數功能都可以通過Gluon抽象層進行編程，實現在AWS開發的Apache MXNet、Microsoft Cognitive Toolkit和其他開源數據科學工作平臺中，實現對最復雜的AI、ML和深度學習應用的可視化開發。

-先進的AI DevOps工具鏈和庫：每過一年，AWS都會深化其解決方案，以幫助企業開發人員解決新的AI、ML和深度學習挑戰。2015年，AWS推出了基于云的ML服務。在re：Invent 2016大會上，AWS推出了一系列預訓練模型，針對文本轉換為語音服務Amazon Polly、圖像分類和識別服務Amazon Rekognition、以及對話機器人Amazon Lex。當時AWS還推出了深度學習AMI，這是預裝了各種深度學習框架的EC2實例。在re：Invent 2017大會上，AWS推出的Amazon SageMaker讓數據科學家和開發人員能夠構建、訓練和部署機器學習模型，這是建立在早期旨在簡化AI和機器學習的項目之上。這種完全托管的服務讓開發人員能夠從他們的S3數據湖中提取數據，利用預先優化的算法庫，大規模構建和訓練模型，通過ML驅動的超參數優化功能對其進行優化，并將它們實時部署到生產EC2云中實例。

-將AI推向邊緣用于移動設備和物聯網設備：在re:Invent 2017大會上，AWS曾發布了Greengrass的增強功能以實現更復雜的邊緣部署，將新的AWS Greengrass ML Inference直接部署到移動設備和其他邊緣設備(例如亞馬遜Alexa)，在這些設備上為本地推理提供支持，無論設備當前是否連接到云。此外AWS推出了AWS IoT Analytics，這項新服務支持通過AWS QuickSight解決方案以及AWS SageMaker內置的AI模型輕松分析物聯網設備數據。AWS發布的AWS DeepLens，是一款完全可編程的攝像頭，讓開發人員用來——配合SageMaker預建模型和代碼示例——構建和訓練視頻分析，以便在AWS云中進行流式傳輸。

在re:Invent 2018大會前夕，Wikibon預計AWS將會專注于幾個在其公有中提高AI開發者生產力的關鍵主題上：

- AI開發自動化- 推動人工智能的民主化- 加速人工智能訪問、開發和運營- 通過更先進的云數據平臺改進AI可交付成果- 利用深層數據來改進會話式AI應用- 維持真正開放的AI開發生態系統

一年前，AWS副總裁Swami Sivasubramanian曾在re:Invent 2017訪談中提及了開發者生態系統的必要性，以下是一些亮點：

-AI開發自動化：“我們的目標是真正地將機器學習功能交給所有開發者和數據科學家。SageMaker就是這樣一個端到端的平臺，讓人們以一鍵式方式構建、點擊、訓練和部署這些模型。SageMaker支持所有流行的深度學習框架，例如TensorFlow、MXNet或PyTorch。我們不僅幫助訓練，而且還自動調整我們在哪使用機器學習來構建這些東西。SageMaker非常強大。此外API服務作為一個新的抽象層，在這個層中應用開發者不需要了解任何有關機器學習的知識，但他們想要轉錄他們的音頻，以便從語音轉換為文本，或者對這些內容進行翻譯，或者理解文本，或者分析視頻。“

-推動人工智能的民主化：“當我深入了解深度學習的時候，我意識到這些技術所具有的變革力。開發者日常使用深度學習是很困難的，因為這些模型太難創建、太難訓練。這就是為什么我們實際上將它視為一種多層次策略，以迎合專業從業者和數據科學家。對他們來說，我們有SageMaker。對于那些不想了解機器學習的應用開發者，他們會說，‘我會給你一個音頻文件，為我轉錄一下’，或者‘我會給你文字，給我分析或翻譯一下。’對于他們來說，我們實際上提供了簡單易用的API服務，這樣他們就可以開始工作，而不必了解什么是TensorFlow或PyTorch。”

-加速人工智能訪問、開發和運營：“在Amazon，我們已經使用機器學習有20年時間了。我們一直在推薦引擎使用機器學習，在實現中心我們使用機器人來挑選包裹，還有Alexa和Amazon Go。我們聽到人們說，像TensorFlow或PyTorch或MXNet這樣的框架很酷，但開發人員很難利用它。我們并不介意用戶使用Caffe或TensorFlow。我們希望他們在從創意到產品外殼的過程中取得成功。我們從開發者那里了解到，這個過程需要6到18個月，而且不應該這么困難。我們希望通過AWS所做的，為IT行業提供計算存儲和數據庫的功能。我們希望通過簡化入門來為機器學習做出同樣的貢獻。”

-通過更先進的云數據平臺改進AI可交付成果：“進入機器學習的數據，將衡量訓練效果的決定性因素。這就是數據科學家們一直在說的存儲的廣度，以及對他們構建高度精確模型來說非常重要的數據庫和分析產品。當你談論的不僅僅是數據，實際上還有底層數據庫技術和存儲技術也是非常重要的。S3是目前最強大的數據存儲庫，具有高度安全性、可靠性、可擴展性和成本效益。”

-利用深層數據來改進會話式AI應用：“將[Lex]視為對我們數據預訓練的自動語音識別和自然語言理解。但是，當你針對自己的聊天機器人或者語音應用對其進行自定義的時候，你實際上可以添加自己的一些意圖和內容，并根據你的數據自定義底層深度學習模型。除了專門為你的數據進行的調優之外，你還可以利用我們已經訓練過的數據?？傊粫兊迷絹碓胶?。”

-維持真正開放的AI開發生態系統：“AWS有數萬家合作伙伴，直接來自ISV和SI。軟件行業是一個令人驚嘆的行業，這不是一個贏家通吃的市場。例如，在文檔管理領域，即使我們有S3和WorkDocs，也不意味著Dropbox和Box就不會取得成功。不管是為初創公司還是我自己的團隊，AWS都提供了相同的基礎設施，即使我可能構建了許多底層基礎設施[服務]。現在對于我的AI團隊來說，就像是一個創業公司，除了我可能還在AWS大樓辦公，但否則我無法得到任何內部API。API都是相同的，這是一個公平的競爭環境。“