2022年12月，AI创业公司OpenAI推出了聊天机器人ChatGPT。作为生成式AI在文本领域的实际应用之一，ChatGPT的问世距今不过百天而已，却已经火爆了全球。
一时间，大量的企业投入到生成式AI领域，大有“任彼桑田变沧海，一丸丹药定千春”的架势。有人问，创意创作已经无法阻挡人工智能，以后岂不是万千行业都要被彻底颠覆与重构？愿望很美好，现实很骨感。很可惜，归根到底还是那句话：没有强大和经济的算力，一切无从谈起。
正如亚马逊云科技首席执行官Adam Selipsky所言：“生成式AI有可能会改变整个产业，但是它所需的成本和专业知识，使得除了少数几家公司之外，几乎所有公司都无法使用这项技术。”
始于毫末的伟大突破
以ChatGPT等AI大模型的发展为例，其算力需求大致是每两个月就会增加一倍。这样的增长要求，即便是实现了翻倍的摩尔定律也难以企及，更不消说巨大的成本需求。
显然，如此高昂的成本对任何一家企业来说，基本上都是无法接受的，即便是家里有矿也经不起这样折腾。在这种情况下，想要成百上千倍地提升算力，必然需要全新的算力平台。
2月28日，市场调研机构Counterpoint公布了最新的服务器CPU调查报告。该报告的一大亮点，就是在传统的两家芯片厂商之外，亚马逊云科技的排名来到了第三，3.16%的市场份额较2021年提升了近一倍。
需要指出的是，从第一代Amazon Graviton开始，亚马逊云科技就不对外销售，而是将其完全用于对外提供云服务。这也就是说，通过Graviton，在传统的算力之外，亚马逊云科技为广大客户带来了全新且更为普惠的算力。
在去年底举行的亚马逊云科技2022 re:Invent全球大会上，亚马逊云科技自研的基于Arm架构CPU芯片Graviton发布了增强的第三代版本Graviton3E，并将之用于更多的计算实例。
Graviton不仅用于大名鼎鼎的EC2（Amazon Elastic Compute Cloud），当前亚马逊云科技更多的托管服务，譬如最新的容器等都是基于Graviton打造。事实上，很多客户在使用这些服务的时候，已经明显感受到Graviton带来的性价比提升。人工智能的落地关键毫无疑问，机器学习正在深刻影响，并且推动着关乎我们工作和生活方方面面的突破。从传统企业到创新企业，每一家公司都在使用机器学习技术解决生存与发展的相关命题。
“不管是智能语音、自动驾驶，抑或是最近火热的AI绘画，所有的AI发展都使得机器学习模型变得越来越复杂。”在日前的一场交流中，亚马逊云科技的技术专家这样表示。
诚然如此。过去几年里，模型的规模不断扩充，参数更是从数亿增加到上千亿个之多，训练和部署这些日益复杂的机器学习模型的高成本，正在将很多企业，尤其是小型创新公司拒之门外。
据介绍，从2017年起，亚马逊云科技的工程师团队就注意到这样的趋势。在他们看来，如果不去尽快满足客户的需求，那么机器学习带来的高昂成本，很快就会成为客户不能承受之重。
为此，亚马逊云科技在2019年设计和推出了Amazon Inferentia，来为机器学习应用程序提供高性能，让广大客户在尽享AI红利的同时，同样能够负担得起。
在芯片的设计和构建方面，亚马逊云科技拥有业界顶尖的团队，在十多年的发展中已经开发出众多优秀的产品，譬如我们前文提到的Graviton系列、Inferentia，以及Amazon Nitro系统等。
作为一种专门用于机器学习推理及驱动的服务器芯片，Inferentia与同类基于GPU的服务器相比，提供了更好的性价比、更高的吞吐量和更低的延迟。
同样是在2022 re:Invent全球大会上，亚马逊云科技推出了Inferentia2芯片和Inf2实例。与前代相比，新的Inf2实例的每瓦性能提升45%，吞吐量提升4倍，延时只有1/10，能够支持多达1750亿个参数的超大型复杂深度学习模型。
虽然机器学习的芯片性能进步很大，但是仍然难以跟上训练复杂度的提升程度，可行的解决方案就是利用分布式多处理器，通过网络进行协同计算、协同训练。
为此，亚马逊云科技还专门构建了用于机器学习的Amazon Trainum芯片，在搭载了16颗Trainum、512GB加速器内存和800GBps的网络带宽之后，Trn1实例充分诠释了它的强大：
与基于GPU的类似实例相比，训练成本降低了50%。以一个具备万亿级参数的大模型进行两周训练为例，GPU服务器P3dn需要600个实例，最新一代GPU实例P4d需要128个实例，但Trn1只需要用96个实例，经济性由此也可见一斑。
在去年底的大会上，亚马逊云科技还推出了基于Trn1的网络优化型实例Trn1n，将网络带宽从800GBps擢升到1600GBps，能够将超过1万个Trainium芯片构建在一个超大规模集群里……
通过以亲民的成本提供强大的性能，亚马逊云科技为客户的创新开辟出全新的途径。
