亚马逊云服务（AWS）是如何成为全球云计算老大的，它做云有没有一套可借鉴的方法论？
作为亚马逊公司旗下云计算服务平台，AWS 也已经推出上线 14 年，我们很难用一句话说清 AWS 能够在云计算领域持续增长和创新的秘诀。近来，机器学习成为 AWS 内部一项极其重要的业务，我们或许能够从中总结出 AWS 在云计算上一些打法。
在 AWS 披露的一项数据中，自 2016 年推出 3 项机器学习服务以来的 5 年间，AWS 已经累计推出 776 的机器学习服务和功能。按照 2019 年的数据，新推出 248 项机器学习服务和功能后，机器学习在当年新推出服务和功能的总量（2345 项）中的比例超过 10%。
在机器学习上提供的服务越来越深入
当中国云服务商纷纷进军产业界，并逐步确定差异化发展方向的时候，远在美国的全球云计算巨头 AWS 却在疯狂为它的机器学习服务背书。
在不久前的 " 亚马逊 re:Invent 2020 大会 " 上，AWS CEO Andy Jassy 在主题演讲中调侃道："2019 年，我用 75 分钟来讲机器学习，但 2020 年我想换种方式。" 而接下来，无论是他自己的阐述还是客户证言，在他长达 3 小时的演讲中，" 机器学习 " 被提及的次数超过 75 次。
云计算的发展，为机器学习提供了蓬勃发展的土壤。亚马逊副总裁兼 CTO Werner Vogels 博士在 "2021 将改变世界的八大技术趋势 " 的预测中提到，机器学习在 2020 年已经成为主流，未来三年内世界产生的数据比过去 30 年还要多，而与机器学习模型相结合，使用数据摄取和聚合工具，成为各行各业处理信息的唯一实际方法。
认准了机器学习的方向之后，AWS 已经对机器学习的未来做出了趋势性判断，在机器学习上所提供的服务越来越深入。
从 2016 年 -2020 年的五年间，AWS 在机器学习上推出的服务数量增长最快的是 2017-2018 年，这期间，机器学习服务从 2017 年的 60 项，增加 155 项至 215 项，此后 AWS 的机器学习服务每年以 "200 " 的增量发展。
截止目前，AWS 的机器学习服务已经形成了 " 上 - 中 - 下 " 三个层次的服务框架：
AWS 机器学习服务框架图
第一层，AI 服务，这类服务包含了视觉、音频 - 文字互转、聊天机器人等即拿即用的服务；
第二层，Amazon SageMaker 服务，这类服务可以帮助使用者自动标记数据，并提供了 SageMaker studio 集成开发环境，是一个全托管的机器学习平台；
第三层，机器学习框架和基础设施，这类服务包含了可供使用者选择的多种机器学习框架，以及包含算力芯片、服务器等的基础设施。
" 我们的机器学习解决方案，能够快速进行数据的模拟，挖掘数据价值。改变数据管理体系，可以把计算和分析融入所有的业务当中。"Andy Jassy 在演讲中说。
这正是 AWS 的高明之处，它将机器学习抽象为了一项通用服务，是数据湖、数据仓库、数据智能这些当下热门服务的必备工具。不强调行业属性、不强调使用场景，只强调 " 机器学习 " 作为一项服务对 IT 和业务效率的提升。至于用到哪儿、用到什么行业什么场景，客户说了算。
同时，机器学习也可以是更加普惠和易用的。在 Andy Jassy 的观念中，机器学习不应该是只被机器学习方面的专业人士来训练、调优、建构和部署，而应该是 "Expand machine learning to more builders（让机器学习为更多构建者服务）"，这些 "builders" 包含了不是很懂机器学习的数据分析师、IT 业务人员等。
事实也证明，AWS 推出的机器学习服务中的 SageMaker 也已经成为 AWS 历史上增长最快的服务。目前，全球已经有超过 10 万的客户在使用 AWS 的机器学习和人工智能服务。
不同客户需求，促成 AWS 不断创新
不要尝试从 AWS 的口中获得更详细的关于产品创新的方案，在钛媒体 APP 对 AWS 不同人员的多次采访中，" 如何保持创新 " 这个问题的答案永远是 " 以客户为中心 "。实际上，不同客户所产生的对机器学习的需求，也确实促成了 AWS 在机器学习领域的不断创新。
AWS 大中华区云服务产品管理总经理顾凡举了一个 SageMaker 的例子：" 客户说你们去年发布的这些东西都挺好的，但是确实是在机器学习当中有一块硬骨头还是没啃，就是怎么快速地把原始数据转化成模型所需要的核心特征，把这个步骤加快。"
在这样的一些需求下，AWS 推出了机器学习服务 AWS Data Wrangler，该工具是机器学习的特征工厂。这里的 " 特征（function）" 是机器学习中的术语，机器学习建模需要进行函数运算，数据 " 特征 " 输入函数后，就可以输出 " 标签（label）"。机器学习工具会根据标签来识别数据是猫、是狗还是其他。在原来的机器学习工具中，客户需要自己将不同的数据源打通，抓取数据然后格式化，把数据特征跑出才能进入后续流程。
而在使用了 AWS Data Wrangler 之后，无论是单一特征还是复合特征，Data Wrangler 都可以将这些快速转换出来。并且在 SageMaker Studio 中，能够可视化地看到整个转换流程，方便进行流程干预。
另一方面，在机器学习框架上，目前大部分机器学习平台都倾向于只支持 Tensorflow。但在对客户的调研中，AWS 发现，其实对于一些专业做机器学习的人来说，他们希望能够自主选择使用哪种机器学习框架。
"AWS 支持所有主流机器学习框架……我们有好几个团队，一个团队是优化 Tensorflow，另外一个团队是优化 PyTorch，还有一个团队是专注于 MXNet，这就是为什么客户能够获得所有这些框架的最优性能。"Andy Jassy 在演讲中谈到。
客户对工具这种需求，让 AWS 的服务具备了一定的柔性和兼容性，不止是机器学习产品线，在其他产品线也是如此。
Amazon Aurora 是 AWS 的一款云原生的、兼容 MySQL 和 PostgreSQL 的关系数据库，主要使用场景是专有云，使用成本是其它商用数据库成本的十分之一。在 Severless（无服务器计算）使用场景不断增加的情况下，有客户提出能不能让 Aurora 支持 Severless，于是 AWS 推出了 Aurora Severless V2，来满足以上需求。
Andy Jassy 坦言：" 这样做了之后，会有一些在用 Aurora 的客户迁到 Aurora Severless，这样一定程度上看起来会给 AWS 带来一些收入的下降，但恰恰这就是 AWS 做产品不一样的思路。我们会听客户的声音，Aurora Severless 一定程度上冲击了自己 Aurora 的生意，但这是客户需要的，我们相信长期下去，我们会帮客户更好地做到云上成本的节省，它会把更多的费用拿过去做创新。"
做 SaaS，也做边缘硬件
中国云计算服务商在发展中的 " 边界 " 感很强，在创立的初期为了争夺合作伙伴生态，都发表过类似 " 不做 SaaS" 的言论，但随着产业互联网的深入推进，SaaS 已经成为各家云计算服务商都在向客户提供的服务。
但对于 AWS 来说，如果客户有强烈的需求，AWS 是不给自己设限的。既然客户需要且 AWS 能够提供，那就可以依此进行创新。如果这项服务与合作伙伴提供的服务产生冲突，那么可以平等竞争，选择权交给客户。
我们上文提到，AWS 的机器学习服务有一个 " 上 - 中 - 下 " 的服务框架，最上层的 AI 服务中就包括一些为了降低机器学习使用门槛而推出的 SaaS 服务。AWS 表示，随着机器学习技术被各个行业广泛采用，在机器学习上的应用也会越来越多。
前不久，AWS 与黑莓（BlackBerry）宣布推出了智能汽车数据平台 IVY，该平台能够让汽车制造企业把数据的收集、分析进行自动化，从而提供个性化的驾驶及搭乘体验。
最近，在工业领域，AWS 也针对性推出了五项机器学习服务，其中 Amazon Monitron、Amazon Lookout for Equipment 可以让工业企业通过机器学习进行预测性维护、AWS Panorama Appliance、AWS Panorama SDK 则可以通过计算机视觉改善工业运营和工作场所安全，Amazon Lookout for Vision 则可以低成本、快速、准确地对图像和视频进行视觉异常监测。
值得一提的是，AWS Panorama 一体机其实是 AWS 自主设计的、部署在边缘的硬件设备。AWS 全球副总裁 Swami Sivasubramanian 告诉钛媒体 APP，在客户已有本地摄像头的情况下，将它连接到工业场所的网络中，就可以自动识别摄像头数据流，与工业摄像头进行交互。
既提供 SaaS 服务，在必要情况下也提供一些硬件设备。所以在对服务部署模式的界定上，AWS 采取了更为开放的态度，不给创新设限。反过来讲，在一些概念比较热的时候，AWS 也极少跟风。
" 我们有两个原则，一个原则是授人以鱼不如授人以渔，我们更多希望帮助客户把能力建立起来，给他工具、教会他使用工具；第二是真正在工程方面有差距、客户需要帮助的时候，我们会帮他快速把业务难题用产品原型的方式实现出来。"AWS 大中华区云服务产品管理总经理顾凡在总结时表示。
数据显示，AWS 在 2011 年发布了包含机器学习服务在内的 80 多项重要服务和功能；2012 年发布了近 160 项；2016 年发布了 1017 项；2019 年发布了 2345 项。
这么多的服务，AWS 如何保证创新的真正落地呢？
" 我们的产品至少有 90% 以上完全是根据客户的需求开发成产品的。如果你看我们推出一款产品，首先你要相信一定在社会上、在全球范围内有很多客户有这种需求。"AWS 大中华区首席云计算企业战略顾问张侠说。
同时，一项产品上线，并不是要求让所有客户都用起来。" 每一次 re:Invent 发布的时候，我们的客户会非常兴奋，因为他是带着需求看大会发布的。无论从新用户还是老用户来讲，创新无法落地的问题是不存在的。"