亚马逊云科技大中华区战略业务发展部总经理 顾凡

“越来越多的行业和企业领导者将可持续发展作为重要战略，数字化转型和可持续发展两个增长引擎同时抓，不仅践行了企业社会责任，而且强化了竞争优势。”亚马逊云科技大中华区战略业务发展部总经理顾凡表示，“作为可持续发展的推动者和变革者，亚马逊云科技将不遗余力地在云基础设施和服务中践行可持续发展理念，提供工具和可持续发展最佳实践帮助客户管理云上应用的可持续性，以及与合作伙伴一起提供可持续性解决方案，赋能客户可持续发展尤其是实现双碳目标。”

从“云生、云治、云创”三大维度赋能客户

作为云计算行业的开创者和引领者，亚马逊云科技既是可持续发展的践行者，也是推动者。亚马逊云科技不仅提出“可持续发展责任共担模型”，即由亚马逊云科技负责云自身的可持续性发展，客户负责在云中应用的可持续性发展，还从“云生、云治、云创”三方面赋能客户，利用数字化创新，助力客户实现可持续发展。

“云生”是指通过亚马逊云科技构建可持续的云基础设施，帮助客户实现通过云原生或迁移上云减少碳排放。亚马逊云科技通过打造高可用的基础架构，改善冷却数据中心的方法，以及不断创新服务器设计等，降低能源和水资源的使用。根据市场调研公司451研究的数据，迁移上云后，亚马逊云科技可以将客户的碳足迹降低近80%。当亚马逊云科技在2025年实现100%采用可再生能源供电，碳排放的削减将高达96%。

“云治”是指亚马逊云科技提升其云服务的硬件和软件的效率，并帮助客户优化云上工作负载，提升云上应用的可持续性。亚马逊云科技推出的基于ARM架构的Amazon Graviton3自研计算芯片在同样条件下可节省60%的能耗；基于Amazon Inferentia机器学习芯片的计算实例更是能够降低70%的资源成本，同时提升3倍的吞吐量；全栈的无服务器技术能够通过极致伸缩能力为应用程序实现资源的绝佳利用率，优化能耗表现。此外，亚马逊云科技还提供良好架构框架（Well-Architected Framework）可持续发展支柱设计原则，帮助用户按照可持续发展最佳实践构建云上应用。

“云创”是指亚马逊云科技围绕重点行业和场景，开发专属的可持续发展解决方案，赋能客户实现可持续发展目标。亚马逊云科技组建了可持续发展技术专家团队，在碳排放管理、智慧供热、供应链风险管理、绿色能源替换、运输优化管理等重点场景，帮助客户构建可持续发展所需的平台、解决方案和工具。例如亚马逊云科技碳中和数据平台碳湖（Carbon Lake）支持组织内的碳核算流程和整体减碳测量、报告和验证；亚马逊云科技还将人工智能和机器学习技术、物联网技术等融入业务场景，为客户提供能源优化管理、可持续冷链、可持续包装等解决方案。

发力汽车、制造、能源等重点行业

汽车行业是节能减排的重点行业。数据显示，汽车制造企业90%的碳排放主要来源于供应链，控制整个供应链体系的碳排放是重中之重。一家汽车厂商基于亚马逊云科技碳数据湖构建了碳排放计算平台，安全便捷地集成其供应商的碳排放数据，并使用交叉验证的方式保证数据的真实性。该平台会自动计算汇总供应商提交的碳排放数据，并以图表的方式进行展示，汽车厂商可从碳排放管理维度更好地管理供应商，实现可持续发展的目标。

绿色制造是双碳目标下的必然选择，需要打造绿色设计、采购、生产、交付的全过程、全链条的绿色供应链。但是，供应商分布在不同国家和地区，需要遵守不同的国家和地区的法规及数据标准，导致企业对供应商的可持续信息查询耗时，存在数据不准确等风险。一家清洁能源制造商使用Amazon Neptune图数据库构建供应商层级关系，并且借助Amazon SageMaker机器学习服务对供应商的舆情信息分析，提前审查潜在风险，逐步建立可持续的绿色产业模式 。

能源行业是节能减排的大户，借助云计算能够走上绿色低碳高质量发展道路。以智慧供热场景为例，承德双滦兴业热力在节能环保的政策要求下，进行了数字化转型实现节能减排，并实现智慧供热服务。通过部署基于亚马逊云科技的“揽月云智慧云平台”，能够根据天气和供热负载的预测，进行大数据分析，通过机器学习实现仿真和智能优化，实现平均能耗下降 11.7%，折合每年减少标准煤约6万吨，减少碳排放约18万吨。

亚马逊云科技与合作伙伴开展广泛的合作，为客户提供技术工具和定制化的解决方案，满足各行各业、各种规模的客户在各个应用场景的可持续性发展需求。例如，金风零碳作为双碳能源转型合作伙伴，借助亚马逊云科技，面向汽车、制造、零售等行业客户推出“3减碳1平台零碳解决方案”，帮助工商业客户进行能源优化运营，实现节能减排，利用数字化技术赋能行业用户减双碳，达到可持续发展，让零碳更经济。

亚马逊云科技把绿色作为业务发展的基色，是亚马逊可持续发展之旅的重要部分。作为可持续发展的实践者，亚马逊更是勇担责任，引领业界共同践行可持续发展。早在2019年，亚马逊联合发起《气候宣言》，目标是在2040年实现所有业务线零碳排放，相比《巴黎协定》的目标提前十年。目前已带动300多家企业加入《气候宣言》。同时，亚马逊也是全球最大的使用可再生能源的企业之一，计划到2025年实现100%使用可再生能源支持企业运营。在中国，亚马逊支持的位于山东的太阳能项目和吉林的风能项目正式投入运营，这两个项目预计每年能够产生49.6万兆瓦时（MWh）的可再生能源 ，相当于为25万中国普通家庭提供电力支持，更好地支持绿色发展需求。

“新冠疫情让一切‘长期规划’不再有效”——这个说法正在得到越来越多的认同。在不少人眼里，更为明智的做法是放弃对“确定性”的探索，并且接受“不确定性”是唯一的“确定”。

“长期规划”真的无效了吗？对此我更倾向持有保留意见。自从人类步入快速发展的数字化时代，“可确定的未来”在很多时候确实已成为奢侈品，就如同新冠疫情绝不会是最后一只黑天鹅。但是，这并不意味着“长期规划”无效了。相反，现在企业的“长期规划”正在回归更为基础与核心的业务本质，即如何在变革常态中，保持业务竞争力与创新活力，让企业具备应对变化的韧性。

事实上，即使在去年商业活动最举步维艰的那段时间，我们仍能看到许多身姿灵活的企业，快速适应了新的环境，甚至发掘出新的增长机遇。相信很多人和我一样好奇，这些企业的数字化基础设施如何能在极短的时间去适应可能与过去迥异的业务需求。我们很快得到了答案——从去年开始，“现代化应用”被越来越多地提及。

这意味着，更多的企业意识到，现代化应用的敏捷性、通用性及扩容能力等优势，成为企业立足长期发展的“必选项”。当你不知道变化从何而来，也无法制定如同说明书一样按部就班的发展计划，此时构建与业务相匹配，且更为敏捷的现代化应用架构，就成了面对不确定性的最优解。

虽然有时候我们会用微服务、容器化、Serverless这类技术名词去描述现代化应用，但必须强调的是，现代化应用以及实现过程并不是技术和产品的机械化堆砌。企业对现代化应用的向往并非是因为技术先进，而是为了适应业务需求、助力业务拓展，以便能够不断发现新的机会，或是创造更好的产品和服务。

现代化应用：从业务中来，到业务中去

虽然现代化应用的价值来自一个长周期内对企业业务支持的“总量”，但基于与众多用户的沟通，我们发现，现代化应用也同样是他们立足当下的现实需求。举几个有代表性的例子：有的用户会希望更少关注基础设施管理而专注于业务本身；有用户说希望软件架构从反映企业组织架构转变为反映业务逻辑；还有用户希望开发团队花费宝贵精力所编写的每一行代码都符合业务逻辑……

总结起来，企业用户需要现代化应用的核心理由之一，就是从设计、构建到管理都与业务紧密相关。现代化应用一定是仅仅围绕业务核心，正所谓“从业务中来，到业务中去”。

至于业务如何从现代化应用中受益，相信很多企业都有自己的理解和期待。在亚马逊云科技眼中，现代化应用的基本特征，或者说优势，表现在以下几点：首先是敏捷性，快速开发、快速应用，并且能够敏捷迭代；第二是可扩展性，例如可扩展到数百万量级的用户，确保足够的弹性以保障业务拓展；第三是全球可用，这对于正在“出海”的中国企业尤为重要；第四是毫秒级响应能力，并能够处理PB甚至EB级别的数据。

今天，无论是提供给用户的现代化应用服务，还是自己作为一家公司走过的现代化应用历程，我们所有迭代与创新都来自用户及亚马逊自身的业务需求。这些宝贵经验，是亚马逊云科技15年持续引领现代化应用的重要基石，正如亚马逊CEO Andy Jassy所说：经验没有压缩算法。我们所有的探索都不白费，每一步都是踏实积累。

1995年亚马逊创立伊始，所有的逻辑只在一个单体应用里，也只有一个数据库。随着业务的拓展，到了2001年，亚马逊进入了面向服务架构（SOA）阶段，比如商品、订单、服务等模块都在那个时期形成。此后，亚马逊进入到了更多的领域，产品迭代和客户体验迭代的速度越来越快，这些已经按照SOA拆分出来的模块，自己又会变成超大的单体。所以2002年开始到2006年，亚马逊正式启动了微服务化架构。

为了支持新的应用架构方法，亚马逊打破职能层级，将开发团队重组为多个小型的自治团队，规模小到每个团队只能吃完两个披萨。我们让每个“双比萨团队”集中开发一个特定的产品、服务或功能集，给他们授权，让他们成为产品负责人，可以快速对所负责的产品做出决策。从那时起，亚马逊不只是从技术，而是包括从组织架构、管理策略，建立了一整套微服务体系，团队自己可以开发运营和迭代。

亚马逊在构建高度可扩展基础设施方面的成功，带来了新的核心能力拓展，这才有了亚马逊云科技在2006年成立。到2020年，亚马逊已经有超过10万个微服务，从起初每年部署几十个功能，到现在可以每年部署几百万个功能。

过去15年里，我们一直在现代化应用领域持续投入与创新。与亚马逊云科技“同龄”的Amazon Simple Queue Service (Amazon SQS)，至今仍被许多客户采用。2012年我们推出了键/值和文档数据库Amazon DynamoDB，这个可以随着应用扩展而几乎无限扩展的无服务器数据库，目前每天可以处理超过10万亿个请求，在Amazon Prime Day期间一度达到了每秒8920万次的峰值。

2014年推出的Serverless计算服务Amazon Lambda更是一个划时代的创新。如果说我们90%的创新是基于客户提出的具体需求，那么Amazon Lambda就属于剩下的10%，是我们根据客户“只提出要实现什么目标”而进行的创新。此后，我们又推出了适用于容器的Serverless服务Amazon Fargate，和高性能关系数据库Amazon Aurora ——包括后来发布的可在不到1秒的时间内扩展至支持几十万个数据处理事务的Amazon Aurora Serverless V2，从而把客户希望从基础设施管理中解放出来而专注业务的目标做到新的极致。

什么时机、选择何种实现路径，仍由业务“做主”

 企业的现代化应用转型，是否有一些可遵循的脉络？基于过往的服务全球数十万客户的实践经验，我们总结了三个可选路径，分别是：平移(Replatform)、重构(Refactor)和构建共享服务平台(Shared Services Platform) 。

在大多数情况下，这三个路径将共同组成一个现代化应用架构的完整生命周期。因此，企业用户在进行现代化应用转型时并非只取其一或遵守固定的顺序。在什么时机、什么需求场景，选择哪种路径，最终是要由企业特点和业务需求来做主。

“平移”，通常是企业上云的第一步，即利用容器把本地数据中心的应用迁移到云上，快速实现现代化应用的架构、交付模式和运营模式。对用户来说，平移的主要目的是把核心应用快速上云，利用云的弹性特点简化基础设施运营和降低维护成本。例如在本地使用了Oracle或者SQL Server，就可以快速将数据先搬到云上托管起来，暂时无需考虑数据拆分。容器化是平移的利器，在这一路径中扮演着相当重要的角色。今天云上托管的容器有80%都运行在亚马逊云上，因为我们在容器的产品和服务方面带给用户更灵活的选择。而“重构”，是通过微服务拆分、数据重构以实现应用基于业务逻辑的重构，从而获取数据驱动下的“敏捷”和创新力。重构过程中，微服务化是最重要的方法——把业务逻辑和数据通过API向其它团队公开，创建一个高度解耦的架构。微服务的开发团队可以独立迭代、发布应用，极大提升创新速度，同时最小化故障发生时的爆炸半径。

重构阶段往往是利用新技术的最佳时机。比如，在此阶段企业可以优先考虑使用Serverless，让“企业写的每行代码都是应用逻辑”这一愿景成为现实。而在亚马逊云科技，Serverless并不仅仅是无服务器计算Lambda，而是提供给用户一整套Serverless服务，来帮助用户去开发基于无服务器的端到端的核心应用。

从三年前开始，Comcast旗下的领先视频广告技术公司FreeWheel开始将多个本地数据中心逐步迁移到亚马逊云科技全球的基础设施。FreeWheel通过采用Amazon Elastic Kubernetes Service（Amazon EKS）容器编排服务，实现了在现有架构不变情况下的应用迁移，使系统获得了资源弹性；使用Amazon Lambda无服务器计算构建高度可用的微服务，为各种规模的应用程序提供支持，使得系统更加易于开发和部署。一系列云上创新的举措，让FreeWheel能够在奥运会、超级碗、世界杯等10多个全球收视率最高的赛事活动期间成功地支持所服务的顶级媒体，顺利应对了2秒内激增100倍的超大流量，获得了运维效率的巨大提高，节省了超过50%的资源使用成本。

“构建共享服务平台”则是为了实现现代化应用的规模化部署。当企业的微服务达到一定规模，可能会面临没有“专门针对微服务应用快速部署”运营平台的挑战。构建共享服务平台，就是让企业利用共享服务平台的标准化、自动化的运营能力，加速现代化应用开发的规模化，帮助用户专注于产品开发，提高生产力。

如何既能让每个微服务团队敏捷高效，又能让他们的代码部署管理更有一致性？亚马逊云科技在去年发布的Amazon Proton，是第一个针对容器和无服务器应用程序部署的完全托管服务。借助Amazon Proton，运营平台团队可以提供统一管理的无服务器和容器的模板，使成百上千的应用开发团队不必自己管理和维护这些基础架构，从而只需专注于业务逻辑代码的开发。。

企业只需按任意顺序达成五个元素

无论企业如何实践以上三个路径，最终目标都是为了构建“有效”的现代化应用，使其能够真实有效地提升企业未来的敏捷性和创新速度。为此，企业需要做到：让自身的现代化应用按任意顺序去达成五个元素，其中既包括设计和构建方式，也包括管理模式的转型。

首先是架构微服务化。微服务颠覆了单体应用臃肿、添加改进功能复杂等顽疾，应用程序由独立组件组成，每个组件作为一个服务运行，实现一个特定业务功能，按照需求进行灵活更新、部署和扩展。在当下，微服务已经成为现代化应用“灵魂”般的存在。

第二是数据库专门化。应用现代化之后，数据和应用也可以解耦了。数据库和微服务形成一一映射，可以带来多个好处：微服务数据量增长时只需变动所对应的数据库，获得更好的扩展性；可避免单体数据库故障影响整个应用，容错性更强；微服务可以自由选择最适合业务需求的数据库，灵活度更高。

第三是自动化的软件交付通道。当单个团队独立交付软件，尤其是在手动交付时，彼此的协调性和质量一致性就成为挑战。对此，我们采用的解决方案是标准化和自动化双管齐下。首先，将软件交付流程定义为最佳实践模板，各个团队都用模板配置基础设施资源，确保正确起步；其次，通过自动发布通道，包括持续集成和持续部署 (CI/CD)，可以快速测试和发布大量代码，最大限度地减少错误。

第四是基础设施无服务器化。当我们说“无服务器”时，我们指的是那些不需要基础设施供应和扩展，具有内置的可用性和安全性，并使用付费价值计费模型的服务。无服务器能够让团队从那些与业务没有直接相关性的基础设施维护工作中解放出来，专注于创造更有价值的用户体验和创新产品。

最后是安全特性集成化。在现代化应用中，安全功能内置于每个组件，随版本变化自动测试和部署。这也意味着，安全不再只是安全团队的责任，而是深入集成到开发生命周期的每个阶段，工程、运营和合规团队都要发挥作用。

写在最后

以上，是亚马逊云科技对于现代化应用的一些观点及经验总结。我认为现在与大家深入探讨现代化应用恰逢其时——企业对基础设施敏捷性和弹性的需求达到前所未有的高度，而作为连续11年被Gartner评为领导者的云服务供应商，亚马逊云科技所带来的一整套现代化应用构建方案及方法论，也的确值得被关注和思考。因为所有的这些探讨，都是基于无数实践的检验并被证明有效。

现代化应用转型将是一个长期持续的过程。在这一旅途中，亚马逊云科技也期待聆听所有客户的需求，并利用我们在云服务领域卓越的广度、深度和创新速度，为每个客户构建可支持未来长期业务创新的现代化应用架构。

本文来源：199IT Ralf

2019年，全球汽车巨头丰田着手自身车联网服务的打造。通过给汽车配备车载数据通信模块DCM，用户授权将数据传到丰田互联构建的超大数据湖里面，对数据湖里的数据分析驾驶员可以更安全地使用汽车。包括精准感知车况、驾驶习惯的科学建议、甚至根据驾驶习惯来判断保险折扣。

这一超大车联网系统背后的重要一环是亚马逊云科技数据湖的强力支持。

而今，数据存储处理分析比以往来得更为复杂。效率和成本催生了智能湖仓架构的兴盛。虽然智能湖仓架构并非新近提出，但亚马逊云科技在2020 re:Invent上，迭代自身的智能湖仓架构，其要点在于智能湖仓架构对整体数据的更好支撑。

为何会需要智能湖仓架构，如果从应用的结果层面来看，亚马逊云科技大中华区云服务产品部总经理顾凡给出的三个挑战或许说明了一些问题。

顾凡认为，首先，当前数据呈指数级增长，从GB、TB、PB到EB，从结构化到半结构化到非结构化数据。数据量及非结构化数据越来越大。

其次，数据面临更为复杂的使用场景。不同分析场景下的数据会需要技术更加的个性化和定制化。数据驱动决策对象范围越来越大。

再次，基于实时数据的快速决策，让以前几天的决策变成了分钟级别决策，甚至在一些实时流分析中实时就应该给到决策。

从应用深入到底层，一个被反复提及的重点是数据的无缝移动。无缝移动在哪几个之间移动，数据湖、数据仓库以及围绕着数据湖周边构建的所有的这些专用的数据存储，SQL的数据库，Non-SQL的数据库，甚至更多不同的分析引擎。数据如何在湖、仓和不同的数据专用分析服务之间移动非常关键。

如何构建智能湖仓架构，亚马逊云科技所定义的智能湖仓架构不仅仅是湖和仓的打通，而是湖、仓专门构建数据服务连接成一个整体。

顾凡表示，“要构建一个数据湖要有专门构建的数据分析服务，要能做到数据、湖、仓和专门构建的数据服务的无缝数据移动，统一管理、低成本，这是我们所定义的亚马逊云科技智能湖仓架构。“

亚马逊云科技“智能湖仓”架构具有以下五个特点。

灵活扩展，安全可靠。亚马逊云科技“智能湖仓”架构用Amazon S3作为数据湖的存储基础，客户可根据不断变化的需求，灵活扩展或缩减存储资源。Amazon S3可达到 99.999999999%（11 个 9）的数据持久性，且具有强大的安全性、合规性和审计功能。

专门构建，极致性能。为了满足客户不同的数据分析需求，亚马逊云科技提供全面而深入的、专门构建的数据分析服务，包括交互式查询服务Amazon Athena、云上大数据平台Amazon EMR、日志分析服务Amazon Elasticsearch Service、Amazon Kinesis、云数据仓库Amazon Redshift等。这些专门构建的数据分析服务为客户提供了极致性能，客户在使用过程中不必在性能、规模或成本之间做出任何妥协。其中Amazon Redshift的性价比是其他企业云数据仓库的三倍，AQUA(分布式硬件加速缓存)使 Redshift 查询的运行速度比其他其他云数据仓库最高快 10 倍；Amazon EMR运行大数据处理及分析服务的成本不到传统本地解决方案的一半，但其速度比标准 Apache Spark 快 3 倍以上。

数据融合，统一治理。亚马逊云科技“智能湖仓”架构不止是打通了数据湖、数据仓库，还进一步将数据湖、数据仓库以及所有其它数据服务组成统一且连续的整体。在实际应用场景中，数据需要在这些服务与数据存储方案之间，以及服务与服务之间按需来回移动，跨服务访问。亚马逊云科技“智能湖仓”架构降低了数据融合与数据共享时统一安全管控和数据治理的难度。其中，Amazon Glue提供数据无缝流动能力，Amazon Lake Formation提供了快速构建湖仓、简化安全与管控的全面数据管理能力。

敏捷分析，深度智能。亚马逊云科技将数据、数据分析服务与机器学习服务无缝集成，为客户提供更智能的服务。例如Amazon Aurora ML、Amazon Redshift ML、Neptune ML等，数据库开发者只需使用熟悉的 SQL 语句，就能进行机器学习操作；Amazon Glue、Amazon Athena ML、Amazon QuickSight Q等，可以帮助用户使用熟悉的技术，甚至自然语言来使用机器学习，帮助企业利用数据做出更好的决策。用户还可以通过机器学习服务Amazon SageMaker、个性化推荐服务Amazon Personalize等挖掘数据智能。

拥抱开源，开放共赢。亚马逊云科技“智能湖仓”架构中的关键组件如Amazon EMR、Amazon Elasticserach Service、Amazon MSK的核心都基于开源代码，接口与开源完全兼容，无需改变任何代码就可以实现迁移，也兼容主流的管理工具。OpenSearch 基于开放的Apache2.0 授权，其代码完全开放，用户可以免费下载使用并获得企业级的功能。这些服务允许用户在转型过程中，以非常低的改造成本向云端迁移。

在顾凡眼中，数据的价值实现有三个步骤：第一是如何把数据基础设施现代化，采用云上的云原生数据库。第二如何从数据中真正产生价值，包括诸多的分析的工具。第三，如何用机器学习更好地辅助决策，甚至是驱动决策。

目前，亚马逊云科技已经打通旗下机器学习Amazon SageMaker和湖仓的融合，同时实现机器学习的再扩圈，数仓和数据库的开发人员或者分析师是SQL专家，但不懂Python，可以让他们能很快上手使用机器学习，而不用让数据科学家帮自己构建算法模型。

作为人工智能的重要部分，机器学习已经走过几十年时间。伴随着大数据时代，数据量级的几何倍增加，让机器学习能有更多的用武之地并焕发新的生命力。

传统的认知上，机器学习为代表的人工智能技术，更多地存在于一线城市科技领域，特别是互联网巨头所盘踞的各个方向。资源丰富、业务量大、科研技术人员多、应用方向广等奠定了一线城市的独特优势。而二三线城市，基础资源薄弱和人才缺乏，限制了机器学习等顶尖技术的发展。

然而，在亚马逊云科技机器学习Amazon SageMaker落地中国区一周年之际，亚马逊云科技大中华区云服务产品管理总经理顾凡却给我们带来了一些不同的视角，颠覆了此前对二三线城市尖端技术发展的趋势预判。

首先从行业的角度，顾凡认为一线城市的确有其得天独厚的优势，一线城市有大量的互联网公司和软件公司。这些公司的业务特征决定了它们比其他行业不得不走得更快更早一点。“无论是看新闻、听音乐、看视频还是购物，它们哪种客户体验没有机器学习？“北上广深一线城市涵盖了整个移动互联网。就行业而言，一线城市机器学习的应用程度的确高于其他线城市。

但如果从产业的角度，结论就非常有意思。放眼全中国很多省份和地域都会有产业的特点，特别是传统工业制造业基本分布在二三线城市。怎么使用机器学习的方式去做智能的、基于人工智能的质量监测，提升良品率和效率，降低人的参与度，甚至在未来工业制造现代化的过程当中怎么做设备的预前故障检测等等。大量的需求在这些产业带中产生。当产业带中有企业通过机器学习解决了某个行业问题，行业都会复制，带动整个行业的技术创新，而这种创新会更多落在这些产业带所属的二三线城市。

顾凡认为，越是传统行业，杠杆效应越高，因为这些传统行业的基础面大影响面广，可能与每个居民都息息相关。

一个比较典型的例子是山东淄博市热力集团有限责任公司。在使用机器学习技术之前，热力行业普遍遇到了从传统供热到产业智能化方向的瓶颈。淄博热力集团选择与亚马逊云科技一道，解决行业难题，并形成了行业创新标准同时将这一创新能力向同行做技术输出。

淄博热力集团利用亚马逊云科技丰富的AL/ML技术和服务，快速构建、训练和部署机器学习模型，实现了精准供热，可以根据气象、工控数据、建筑物维护结构等信息计算出最佳的供热模式，并给出具体的操作指令，既让用户室温始终保持人体最佳舒适温度，又做到尽可能节约成本。

淄博市热力集团通过机器学习技术，将自身多年的行业专家级经验转化为全国领先的技术创新，成为众多同行的“产业智能化“师傅。这凸显了顶尖技术与产业带结合迸发出的创新潜力。而这些业务与民众的生活更为相关，解决了很多的实际问题。

淄博市能源集团公司、淄博市热力集团有限责任公司党委书记、董事长汪德刚表示，“多年来，淄博热力利用信息化手段改造传统供热，致力于成为行业标准的制定者和行业发展的引领者。通过与亚马逊云科技合作，借助机器学习能力创新，建成了基于机器学习和大数据分析的智能供热平台，帮助我们从传统供热向产业智能化方向转型，在满足用户需求的同时实现节能减排，建立绿色能源生态系统。未来，希望我们能借助先进的云技术持续创新，推动国内热力行业的数字化、智能化转型。“

据亚马逊云科技提供的数据，目前，全球数以十万计的客户选择亚马逊云科技运行机器学习工作负载。在中国，亚马逊云科技机器学习服务得到医疗健康、教育、出行、工业智能、游戏、新媒体等各个行业客户的青睐，益体康、晶泰科技、新世纪医疗、LEMONBOX、有道乐读、叽里呱啦、全美在线、首汽约车、德比软件、Momenta、图森未来、行者AI、天和荣、中科创达、华来科技、大宇无限、陕西科技大学、易点天下、淄博热力等一批企业和机构的广泛采用，在各行各业实现了丰富多样的人工智能应用创新。

顾凡认为，全中国很多省份蕴含着不同的产业带特性，包括很多自动驾驶的汽车研发基地、跨境电商基地等，这些散布在二三线城市区域存在很多创新场景。“谁先用机器学习解决了一个场景，别人就会关注这个场景，所以从行业维度来看其实是很明显的，可以看到有扩大的效应在形成。“

在Amazon SageMaker落地中国区一周年之际，亚马逊云科技宣布进一步落地多项人工智能与机器学习的新服务和功能。

其中技术部分包括顶层-人工智能服务、中间层-机器学习服务以及底层-框架和基础架构。

在人工智能（AI）服务层面，亚马逊云科技在北京区域推出了Amazon Personalize，客户无需具备机器学习专业知识，即可方便、快速地构建个性化推荐系统。

在中间层，将Amazon SageMaker在re:Invent 2020上亮相的包括Data Wranger、Feature Store、Pipelines等七项新功能在北京区域和宁夏区域上线，让客户可以更轻松地构建端到端的机器学习管道。

在算力层面，亚马逊云科技在北京区域和宁夏区域推出了Amazon EC2 Inf1实例，该实例基于亚马逊云科技自研机器学习推理芯片Amazon Inferentia，与当前成本最低的基于GPU的实例相比，可以提高多达30%的吞吐量，并使每次推断的成本最高降低45%。

2021年1月，工信部印发《工业互联网创新发展行动计划（2021-2023年）》，制定了一系列推动工业互联网新型基础设施建设量质并进的发展目标。3月，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（以下简称“纲要”）全文正式发布。在共19篇65章的纲要全文中，“智能”“智慧”相关表述达57处。

作为拥有全球领先机器学习技术能力的云计算厂商，亚马逊云科技正在扎根中国产业带，让这些传统的产业带与顶尖技术结合，碰撞出更多的创新机遇。

AWS大中华区云服务产品管理总经理顾凡介绍说，“亚马逊利用机器学习技术已经有20多年时间，这是AWS机器学习服务的深厚源泉。AWS在2016年开始发力，在云上提供机器学习服务。当年只发布了三个服务，2017年开始加速，最近三年，每年新增的服务和功能超过200个，为全球人工智能工作者丰富了他们急需的工具集。”

据德勤发布的《全球人工智能发展白皮书》预测，到2025年，世界人工智能市场规模将超过6万亿美元。

面对数字经济的发展机遇，多个国家和地区已将人工智能列为优先发展的国家战略。

2020年11月21日，国家工业信息安全发展研究中心在《2020人工智能与制造业融合发展白皮书》中指出了目前融合存在的诸多难点，其中人才匮乏问题尤为严重。而人社部官网的报道中测算，目前我国人工智能人才的缺口超过500万，国内的供求比例为1:10，供需比例严重失衡。

德勤发布的《全球人工智能发展白皮书》指出，在人工智能众多的分支领域中，机器学习是人工智能的核心研究领域之一。包括89%的人工智能专利申请和40%人工智能范围内的相关专利均为机器学习范畴。

AWS是云计算的引领者，也是机器学习的翘楚。面对机器学习这样一个充满前途的事业，以及当前严重缺乏人才的处境，AWS通过多种方式，采取一系列措施，着重通过技术创新，为机器学习扩圈。

首次推出开箱即用的工业领域机器学习解决方案

扩圈举措之一，是推出开箱即用的解决方案。在re:Invent大会上，AWS发布了五项用于工业领域的机器学习服务，分别是Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama一体机、AWS Panorama SDK和Amazon Lookout for Vision。这是AWS首次推出开箱即用的工业领域机器学习解决方案。

Amazon Monitron和Amazon Lookout for Equipment通过机器学习支持预测性维护。Amazon Monitron面向没有建立传感器网络的客户，提供由传感器、网关和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、但不希望自己构建机器学习模型的客户，由AWS为其构建模型并返回预测结果，检测异常设备行为。

AWS Panorama通过计算机视觉改善工业运营和工作场所安全。AWS Panorama一体机是一个硬件设备，将它连接到工业场所的网络中，它就可以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。

Amazon Lookout for Vision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。它通过机器学习技术，每小时可以处理数千张图像，发现产品缺陷和异常。客户可以将摄像头图像批量或实时发送到Amazon Lookout for Vision，找出异常，例如机器部件的裂纹、面板上的凹痕、不规则形状或产品上的颜色错误等。

目前已经使用AWS工业领域机器学习服务的客户和合作伙伴包括Axis、凌华科技、BP、德勤、Fender芬达、GE 医疗和西门子交通等等。

 打造包罗万象的工具箱，赋能每一位AI工作者

扩圈举措之二，是打造全面丰富的工具集，用顾凡的话说， right tool for the right job（为每一项工作都提供一个趁手的工具）。AWS提供的机器学习工具集包括三个层面。

工具集的底层，面向那些技术能力超强的客户，希望将人工智能和机器学习作为自己的核心竞争力。AWS为他们提供强大的算力、全面的算力选择、丰富的机器学习框架选择。AWS支持主流的机器学习框架，客户还可以通过容器部署的方式，自带机器学习框架；AWS可以提供基于英伟达、英特尔、AMD、赛灵思等芯片厂商的最新处理器的强大算力，同时还通过自主设计的处理器，极大地降低机器学习的算力成本。

工具集的中间层，面向那些技术能力较强的客户，他们有大量的数据可以进行机器学习模型训练，有一定的算法人才，不要花精力管理基础设施，专注于自己的应用和业务创新。AWS的Amazon SageMaker为他们提供了首个全托管的机器学习集成开发环境，并为这个开发环境不断增加新功能，从数据准备、到模型训练、参数调优与模型迭代、到模型部署、模型质量监控，在整个过程中最大限度地提高他们开展机器学习的效率，降低他们开展机器学习的门槛。

工具集的顶层，面向技术能力相对薄弱的客户，他们有一定的数据，但没有算法人才，他们希望在业务场景中直接引入人工智能。AWS为他们提供开箱即用的人工智能服务，目前已经涵盖机器视觉、语音文字转换、机器对话、文本处理、电商业务、客服、企业内信息搜索、开发与运维、工业AI等方面。

通过这样一个全面的工具集，AWS可以覆盖和赋能所有的人工智能工作者。

拓展到数据库开发者和数据分析师

扩圈举措之三，是将机器学习拓展到数据开发者和数据分析师。数据库开发者、数据分析师这个群体，人数比机器学习开发人员群体大得多，他们没有机器学习的知识和技能，但是不缺少机器学习的想法。于是，AWS将机器学习能力跟数据库进行嫁接，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。Amazon Aurora是AWS著名的关系型数据库服务，AWS针对Aurora推出了新功能Amazon Aurora ML。数据库开发者发起数据库查询（SQL）时，只要选择一个机器学习模型，就会唤醒机器学习服务，Aurora ML自动将查询结果交给机器学习模型进行推理，返回结果。例如，要查询一个客户评价是正面还是负面，数据库开发者只管做数据库查询、选择这个模型，返回来的查询结果就会自动附加正面或负面判断。类似地，出海电商想把数据库中的商品信息变成多语种，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。

Amazon Athena是数据分析师经常用到的服务。通过这项服务，可以直接从Amazon S3上的对象文件中，利用SQL语句进行数据查询（SQL是结构化查询语言，原本用于关系型数据查询，而S3的对象文件不是关系型数据）。AWS也推出了新功能Amazon Athena ML，查询返回的结果也可以自动附带机器学习推理的结果。

Amazon Redshift是云原生的数据仓库。AWS推出的新功能Amazon Redshift ML，甚至把选择模型这一步省了。举一个例子，电商领域经常会哪些客户有可能流失，这时你可能并没有一个模型来判断什么样特征的客户有可能会流失。通过Redshift ML，数据分析师只管SQL查询，Redshift ML可以把数据导入S3，然后SageMaker的Autopilot功能结合。Autopilot是一个自动建模的功能。这样的Redshift ML可以自动进行数据清洗、模型训练，选择最优的模型进行预测。

Amazon Neptune是AWS的一个图数据库，主要用于知识图谱、身份图谱、欺诈检测、推荐引擎、社交关系、生命科学等场景，用图的方式表示各个数据实体之间的关系，例如，好友关系图。对图数据库，只是表示出数据的相关性显然不够，用户更需要的是，根据这些相关性进行机器学习推理。新功能Neptune ML，就是将图数据库和机器学习打通，通过机器学习模型去访图数据库，进行更精准的预测。

Amazon QuickSight是AWS的一个商业智能（BI）服务，可以轻松地调用各种数据进行分析和展现。AWS于2020年5月推出了QuickSight ML新功能，它也跟SageMaker的Autopilot功能进行了结合，数据分析人员可以用它开展欺诈检测、销售预测等工作。

在今年的re:Invent大会上，AWS推出了更酷的机器学习新功能QuickSight Q。通过它，可以用自然语言对数据进行提问，获得想要的数据洞察。例如，直接在查询框中输入“我们的同比增长率是多少？”几秒钟之内就可以得到高度准确的答案。如果按以往的方式，需要在模型中预先定义增长率、更新模型、处理数据，可能需要几天甚至几周时间。

AWS还推出了Amazon Lookout For Metrics，它利用机器学习技术，通过企业多种数据的比对，检测出数据异常。顾凡举例说，一件商品的售价200元，在某个数据源变成了20元。通过Amazon Lookout For Metrics找出这种异常数据，意义重大。如果是在线销售中出现这样的价格错误，有可能给企业带来巨大的损失。

此外，AWS还发布了利用机器学习的运维服务Amazon DevOps Guru，它可以帮助应用开发人员自动检测运维操作的问题，给出建议补救措施，提高应用程序可用性。此前，AWS已经推出了Amazon CodeGuru，可以让开发人员使用机器学习自动进行代码审核，并且提供指导和建议。

Amazon SageMaker再添九项新功能，快上加快，简单再简单

扩圈举措之四，大力发展机器学习的中间力量。如前所述，Amazon SageMaker是面向机器学习开发者的一个集成开发环境，是一项全托管的服务。它消除了机器学习过程中每个阶段的挑战，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。Amazon SageMaker的功能也在快速迭代中，过去一年就交付了50多项新功能。在今年的re:Invent大会上，AWS再次发布9项新功能。

(1) Data Wranger，数据特征提取器。Amazon SageMaker Data Wrangler可以简化机器学习的数据准备工作。机器学习训练中有一个重要的工作，称为特征工程，就是从不同来源、格式多样的数据提取数据，形成规范化的数据字段（也称为特征），作为机器学习模型的输入，这项工作非常耗时。通过Data Wrangler，客户可以将各种数据存储中的数据一键导入。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。客户可以通过在SageMaker Studio（首个用于机器学习的端到端集成开发环境）中查看这些转换，快速预览和检查这些转换是否符合预期。

(2) Feature Store，数据特征存储库。鉴于有大量的特征需要管理，AWS为Amazon SageMaker推出了一项新功能，名为Feature Store。它一个用于更新、检索和共享机器学习特征的专用库。通过Data Wrangler把特征设计出来以后，可以保存在Feature Store 中，以供重复使用。一组特征会用于不同的模型，被多个开发人员和数据科学家使用，需要有效地跟踪、管理这些特征，及时更新，保持一致性。模型训练和利用模型进行推理（也就是实际运用模型），对特征的使用场景也不同。在训练过程中，模型可以离线、批量地访问特征，使用时间长。而对于推理，通常只用到特征库的一部分，不过需要实时访问，几毫秒内返回预测结果。因此，如何特征库的管理是一件复杂的事儿，Feature Store就用于解决这些问题。

(3) Pipelines，自动化工作流。跟传统编程一样，编排和自动化可以提高机器学习的效率。Amazon SageMaker 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。

(4) Clarify，模型偏差检测。通过Amazon SageMaker Clarify，开发人员可以方便地检测整个机器学习工作流中的统计偏差，为机器学习模型所做的预测做出解释，识别偏差，清晰描述可能的偏差来源及其严重程度，指导开发人员采取措施减小偏差。

(5) Deep Profiling for Amazon SageMaker Debugger，对模型训练进行剖析。通过Deep Profiling，能够自动监控系统资源利用率，例如 GPU、CPU、网络吞吐量和内存 I/O，对训练过程中的资源瓶颈进行告警，让开发者及时调度资源，更快地训练模型。

(6-7) Distributed Training，大型复杂深度学习模型的分布式训练。AWS提供了两种方法，模型训练拆分到几百、几千个CPU上进行。一个是数据并行引擎，对数据集进行拆分。一个是模型并行引擎，自动剖析、识别分割模型的最佳方式，在多个 GPU上高效分割具有几十亿参数的大型复杂模型。通过对训练进行拆分，Amazon SageMaker可以将训练大型复杂深度学习模型的速度比当前的方法快两倍。

(8) Edge Manager，边缘端模型质量监控和管理。Amazon SageMaker Edge Manager 可以帮助开发人员优化、保护、监控和维护部署在边缘设备集群上的机器学习模型。模型部署到边缘设备以后，仍然需要管理和监控模型，确保它们持续以高精度运行。当模型的准确性随着时间的推移而下降时，开发人员可以重新训练模型，不断提高模型的质量。

(9) JumpStart，快捷起步工具。通过Amazon SageMaker JumpStart，客户可以快速找到跟自己类似的机器学习场景相关信息。新手开发人员可以从多个完整的解决方案进行选择，例如欺诈检测、客户流失预测或时序预测，直接部署到自己的Amazon SageMaker Studio环境中。有一些经验的用户则可以从100多个机器学习模型中选择，快速开始模型构建和训练。

不断丰富的新功能，让Amazon SageMaker备受客户欢迎。它推出短短三年时间，已经有几万家客户在使用，包括3M、ADP、阿斯利康、Avis、拜耳、Bundesliga、Capital One、Cerner、Chick-fil-A、Convoy、达美乐比萨、富达投资、GE医疗、Georgia-Pacific、赫斯特、iFood、iHeartMedia、摩根大通、Intuit、联想、Lyft、国家橄榄球联盟、Nerdwallet、T-Mobile、汤森路透、Vanguard等等。

AWS的系列扩圈之举，背后是AWS对机器学习的雄心。Swami说，15年前他研究生毕业，有幸进入AWS开始云计算事业。如今可以毫无不夸张地说，云计算释放出巨大的力量，帮助各种创业公司和成熟企业取得了巨大的成功。机器学习目前就处于那样的早期阶段。我们从Swami的字里行间可以读出，机器学习就是AWS的下一个金矿。

关于亚马逊re:Invent

始于2012年，亚马逊 re:Invent是全球云计算引领者——亚马逊云服务（AWS）举办的年度盛会，也是全球云计算领域全面而盛大的行业峰会。每年的 亚马逊 re:Invent都会发布一系列引领未来的创新技术和服务，邀请全球各个行业、各种规模的客户及AWS合作伙伴分享最新商业创新实践，因而成为了云计算行业的风向标，吸引着全世界开发者与用户的广泛关注和参与。

“巅峰科技，重塑未来。”亚马逊 re:Invent 2020整装待发。长达3周（2020年12月1日—12月18日）的在线峰会，首次对公众免费开放。欢迎访问：https://reinvent.awsevents.cn/ 观看各项议程。

此次AWS与首汽约车的战略合作主要聚焦在智能语音方向。该解决方案是基于AWS机器学习服务Amazon SageMaker和Amazon Transcribe开发的，也是出行行业首个定制智能语音解决方案。

首汽约车CEO魏东

在首汽约车CEO魏东看来，中国网约车市场已经开始从粗放的1.0时代迈向精细化2.0时代，智能化是网约车2.0时代最核心的部分。如何通过智能化实现服务的标准化是摆在首汽约车、滴滴等网约车平台面前亟待解决的问题。“网约车过去几年虽然很热闹，但事实上我们都始终是在网约车1.0时代，不管我们从滴滴、uber，到神州、曹操、首汽约车等等，我们过去都做的只是连接而已，我们只是通过各种手段提升了司机和乘客的匹配效率。我们不断去挖掘我们的交易引擎、地图引擎、定价引擎，目的是不断让车更快的找到人，目的是让整体的交易效率更高一点，从而不断增加供给、不断增加匹配。这是我们过去一直在做的是1.0的模式，就是连接的效率问题。网约车的交易是基于一天这几个大平台每天都是上千万单的人的每次交易，不是上千万件物理货品的运输，而是一个活体的人去运送活体的人，所以这里面最难的在于这样两侧的融合要高效完成，尤其是驾驶员这侧，对于每一个个体，每一单都能够标准化，我们现在在朝这方面去做。”

如何实现网约车2.0智能智慧交通，魏东认为需要大量拥抱技术，进行大量运算，大量进行数据的处理。一方面是自有的数据、平台的数据、交易数据，一方面是基于对用户理解的用户标签化的数据。但这远远不够，还需要公共数据，包括道路数据、社会数据等任何影响出行最终结果的变量。“如何把这些因素都纳入到一个真正的计算里面，全社会联网不是难事，全社会的联脑怎么实现，这里面涉及到技巧的问题和管理能力的问题。这是真正摆在全行业面前的挑战，但我们非常高兴能够拥抱亚马逊AWS，在这方面已经做了非常多的事情。”

作为中国出行领域的代表性企业，首汽约车对高精尖技术有着开放心态。魏东认为需要更多的技术来解决2.0时代的问题，一方面首汽约车会积极探索，另一方面也会提出各种需求给到AWS，希望一起找到解决方案。“这样的话我们也不用自己增加团队，这不现实，这不是我们擅长的事情，我们需要有所为有所不为，我们可以聚焦在乘客体验上、聚焦在司机体验上，怎么样打造非常好的双边体验，把这样的技术运用起来，实现企业的增值，以及我们共同创造一种社会价值。”

AWS大中华区产品部总经理顾凡

AWS大中华区产品部总经理顾凡认为AWS与首汽约车双方的战略合作是水到渠成，首汽约车有场景，有愿景，也有数据，AWS有技术。AWS能够用更少的人、更少的成本去快速地试错，能够去验证人工智能真的能够帮助提升客服的效率，提升客户的体验。AWS和首汽约车两边的碰撞，其实就是一个技术去赋能行业中一个新的场景，带来客户体验的提升。

用人工智能技术提升出行行业客户体验，赋予企业差异化竞争能力，在顾凡看来中国的人工智能发展速度非常快，而且已经快速落地场景中。AWS已经与首汽约车一起发掘这些场景，真正把别人没有干的事情做出来，未来演变成一个服务，更多人会用到和看到首汽在利用语音方面怎么提升解决客诉和提升客户体验的实践。

此次AWS机器学习服务Amazon SageMaker再一次出现在客户服务中，这一全球领先的技术也是AWS今年4月落地中国地区的重磅级技术。在中国Amazon SageMaker在医疗健康、教育、出行、工业智能、游戏、新媒体等各个行业应用不同场景的实践中。从智能远程心电平台的AI训练和推理场景，提升了模型训练的速度 到快速地构建具有逼真语音体验的在线学习平台以及更高精尖的自动驾驶领域等。

在之前回答199IT的提问时，顾凡表示，AWS对Amazon SageMaker在中国的发展预期非常大。在中国，人工智能和机器学习最大的挑战在于人才，成本非常高，一个数据科学家基本在100万年薪起步，而且很多被超大型科技公司所垄断。Amazon SageMaker能够帮助企业实现不用雇佣数据科学家，只需要雇有一些数据经验的开发工程师，然后通过培训，用SageMaker几周就实现产出。这是SageMaker最厉害之处。

顾凡认为，SageMaker想象空间不在于AWS，而在于整个行业。AWS帮助行业降低门槛，让非大公司的其他客户有能力把ML做成一个工具，让他们去想象应用场景。“我们坐在屋里是想象不出来SageMaker是怎么用的，只有客户自己能想象出来。我们只不过帮他用逆向思维多测一测而已”。

与场景结合，SageMaker将迸发出强大的性能和生命力，这一趋势也在与首汽约车战略合作中体现出来。目前出行行业普遍采用行程录音辅助安全监控，以及用户问题投诉处理。然而，现有的语音解决方案常常因为录音质量问题难以达到实际目的。

AWS数据实验室和解决方案研发中心在深入了解行程录音的特点及技术需求后，开发了语音降噪和导航音分离算法，并利用Amazon SageMaker机器学习服务进行模型训练、部署和调优，实现模型的快速迭代。Amazon SageMaker机器学习服务极大地降低了首汽约车采用机器学习的门槛。通过这一全托管的服务，首汽约车的数据科学家和算法工程师只需要专注数据和业务逻辑，无需运营和管理复杂的机器学习系统。此外，首汽约车还通过Amazon Transcribe人工智能语音服务将行程录音自动转化为文字，从而实现通过场景化的关键词识别分析触发安全预警，结合后台安全监控人员的人工判断，让实时的行程安全监控从可能变成现实。在应用这一智能语音解决方案时，其对用户数据保留全部所有权，可以随时决定数据的存储及访问权，并确保所有访问行为的合规。

在用户问题投诉处理方面，客服人员可以综合利用文字和语音信息，及时准确地进行判别，提高工作效率，改善司乘满意度。通过使用智能语音解决方案，首汽约车实现客服人工审核工作量降低35%，客服人工听音审核时长缩短20%，并保证智能客诉处理准确率达90%以上，有效改善了司乘体验及满意度、提高企业运营效率，同时，通过智能判责替代人工，还可以有效的降低成本。首汽约车和AWS未来也将进一步紧密合作，丰富智能判责场景，如针对网约车服务中可能出现的司乘矛盾、行驶路线问题等，通过语音智能识别后用作判定的依据。

在AWS中国团队的不断努力下，2020年AWS在中国的落地速度大大加快，今年以来，AWS中国区域已经发布了290项新服务或新功能，远远超过了2019年的数量总和。新服务和新功能不仅涉及大数据分析、人工智能与机器学习、物联网等热门领域。

对于此次与首汽约车的战略合作，AWS大中华区产品部总经理顾凡表示，“当下，全球大部分云上机器学习工作负载都在AWS上进行，我们也将利用AWS全球领先的云技术持续赋能客户。此次，依托AWS广泛而深入的机器学习服务，我们在短短4个月内就完成了智能语音解决方案的开发和上线，也期待能够与首汽约车继续携手推动出行行业的智能化转型。”

（图：AWS大中华区云服务产品管理总经理顾凡 来源：199IT）

中国信息通信研究院7月29日发布的《云计算发展白皮书》显示，从2017到2019年，中国公有云的市场规模从264.8亿元增长689.3亿元，2018年、2019年的增速分别达到65.2%、57.6%。预计到2023年，市场规模将达到2307.4亿元，是2019年的3倍多。

2020年7月31日，亚马逊发布2020年第二季度财报，其中AWS季度收入为108亿美元。在中国，面对未来的良好增长前景，AWS也充满了期待和信心。

顾凡说，AWS要为中国企业和机构的创新赋能，非常重要的一点是要加快AWS云服务产品和功能在中国落地。

AWS云服务落地中国有两种情况：大部分服务和功能只需要做一些简单的本地化开发就可以在中国区域部署落地，有一些服务需要做更多的工作。但无论哪一种，AWS都会根据中国客户的需求，尽快、尽早地将全球的服务和功能落地到中国区域。

中国企业数据量的爆炸式增长，对大数据处理和分析有着非常迫切的需求。针对这些企业客户的需求，今年上半年AWS在中国区域就推出和部署了交互式查询服务Amazon Athena，数据提取、转换和加载 (ETL) 服务AWS Glue，以及流式数据处理服务Amazon MSK。

在容器领域，AWS在中国区域落地部署了Amazon EKS，让管理、运维K8S容器变得简单方便。

7月刚刚发布的AWS Cost Management，是一组帮助客户省钱、精细化管理云资源的服务。让客户少花钱，这种事情在IT界可以说是前所未有的。AWS还经常主动降价，截至2020年6月23日，AWS已经公布了自2006年上线以来的第85次降价。

在今年新落地中国区域的云服务和产品中，特别值得一提的是机器学习服务Amazon SageMaker。

人工智能现在是非常热门的话题。亚马逊认为，人工智能的本质和核心是机器学习。人工智能、机器学习的概念早在50年前就出现了。之所以现在才热起来，是因为过去机器学习的门槛比较高，只有少数科技巨头和硬核的研究机构才有条件进行研究。一方面是机器学习需要的庞大算力不容易获得；另一方面，机器学习模型的训练过程特别复杂，要搭建训练环境、准备数据、寻找合适的算法、进行大量的运算、优化算法。

现在有了云计算，算力不再是问题。SageMaker则可以降低机器学习模型训练过程的复杂性。SageMaker是一项完全托管的服务，它可以化繁为简，帮助开发者和数据科学家快速地规模化构建、训练和部署机器学习模型，大大降低了模型构建和训练的难度。

SageMaker是一个非常开放的产品，无论对于各类机器学习框架和算法的支持，模块化的设计方式，还是对于生态合作伙伴解决方案的支持，能够真正让各种类型、各种需求的客户都很方便地应用这个服务。此外，SageMaker Studio还是业界第一个面向机器学习的集成开发环境。

目前，Amazon SageMaker成为了全球上万家客户的选择。Gartner在2020年2月发布的《云上AI开发者服务魔力象限》，在技术执行力和对技术未来发展愿景的完整规划方面将AWS排名在领导者象限最高位置。

SageMaker一经推出就受到了中国客户和合作伙伴的欢迎。大宇无限、虎牙直播、嘉谊互娱、华来科技等公司已经在使用SageMaker解决机器学习技术的需求。中科创达、东软、伊克罗德分别将SageMaker运用到产品质检、企业安全网关、标签标注、文本分析、语意理解、预测分类、推荐系统与诈欺侦测等多种解决方案和应用场景之中。

AWS在加快产品落地、为中国的企业创新赋能的同时，也担当了中国市场全球化桥梁的角色。

一方面，很多知名的中国公司，例如像美的集团、猎豹移动、小米、OPPO、虎牙直播、海信、德比软件、安克创新、TP-Link、一加、币安、晶泰科技、华大基因、传音控股、网易游戏、我爱我家、携程旅行、迈瑞医疗等等，都在利用AWS的全球基础设施和云服务。得益于AWS全球24大区域、77个可用区的广泛布局，这些公司不需要费力地，去异国他乡构建IT设施，在中国就可以做好海外业务。AWS还利用亚马逊的全球资源，例如全球开店、Prime会员、物流配送体系、生态合作伙伴资源等等，为他们提供销售、市场、产品交付、融资等帮助。

另一方面，还有很多跨国公司，例如博西家电、英孚教育、玫琳凯、太古可口可乐、先锋电子、英伟达、赛默飞世尔、西门子、飞利浦等等，他们在海外就使用AWS。进入中国后，他们可以使用AWS中国区域，快速部署应用，在运营上享受一致的体验。

顾凡说，在海外区域使用AWS的客户，也是AWS新服务落地中国区域的向导，他们给AWS提供反馈，希望哪些服务尽快落地中国区域。根据客户反馈制定服务落地中国区域的优先级，让AWS赋能中国客户的工作事半功倍，更加高效。