top of page
搜尋

亚马逊网络服务 (AWS) 即将推出的人工智能增强功能在人工智能领域中的应用

亚马逊云服务 (AWS) 一直是云计算和人工智能领域的重要参与者。随着人工智能技术的飞速发展，许多人都在关注 AWS 将推出哪些新的人工智能增强功能。这些更新会侧重于生成式人工智能模型吗？AWS 能否与 Lambda Labs 等专业 GPU 提供商竞争？分布式计算框架方面又会如何发展——AWS 是否会从 Ray 扩展到 DASK 等服务？本文将探讨这些问题，并展望 AWS 人工智能产品的未来发展方向。



AWS 人工


AWS 和生成式人工智能：预期结果


生成式人工智能因其能够生成文本、图像甚至代码而备受关注。AWS 已将生成式人工智能集成到其部分服务中，例如 Amazon Bedrock，该服务提供对来自不同人工智能提供商的基础模型的访问。问题在于，AWS 是会开发自己的生成式人工智能模型，还是会依赖合作伙伴关系。


目前，AWS专注于提供支持生成式AI工作负载的基础设施和工具，而不是构建与OpenAI或谷歌直接竞争的专有模型。例如：


  • Amazon Bedrock允许客户使用来自 AI21 Labs、Anthropic 和 Stability AI 等 AI 领导者的基础模型来构建应用程序。

  • Amazon SageMaker JumpStart提供预训练模型和微调功能，用于生成式 AI 任务。


AWS 的优势在于能够将这些模型集成到可扩展、安全且经济高效的云环境中。这种方法使开发人员无需管理复杂的基础设施即可尝试生成式人工智能。


AWS会构建自己的生成式人工智能模型吗？


目前AWS尚未公开宣布推出可与OpenAI的GPT系列或谷歌的Bard相媲美的专有生成式AI模型。相反，AWS似乎更注重让客户能够通过其平台使用现有最佳模型。这一策略降低了开发风险，并充分利用了整个AI生态系统中的创新成果。


与 Lambda Labs 和 GPU 提供商竞争


Lambda Labs 以提供专为 AI 训练和推理优化的专用 GPU 硬件而闻名。AWS 提供各种 GPU 实例，包括最新的 NVIDIA A100 和 H100 GPU，这些 GPU 性能强大，足以应对要求苛刻的 AI 工作负载。


AWS GPU 产品对比


  • AWS GPU实例：AWS提供配备专为人工智能设计的GPU的弹性计算云（EC2）实例，例如P4d和P5实例。这些实例支持大规模训练和推理。

  • Lambda Labs ：专注于为人工智能研究人员和开发人员量身打造价格实惠、高性能的 GPU 工作站和服务器。


AWS 的优势在于其庞大的云基础设施、全球可用性以及与其他 AWS 服务的集成。客户可以根据需要扩展或缩减 GPU 资源，而这对于本地部署或专用硬件提供商来说则难以实现。


虽然 Lambda Labs 可以为小型团队或本地部署提供经济实惠的硬件，但 AWS 的 GPU 实例更适合需要灵活、可扩展的 AI 基础设施的企业。


分布式计算：AWS 上的 Ray 与 DASK


分布式计算框架通过将任务拆分到多台机器上，帮助更快地处理大型数据集和训练人工智能模型。


AWS 当前关注点：Ray


AWS 已全面采用Ray ，这是一个广受欢迎的开源分布式计算框架，尤其适用于人工智能和机器学习工作负载。AWS 提供Amazon SageMaker Distributed Training with Ray，使用户能够高效地扩展训练作业。


Ray 支持：


  • 并行化 Python 代码

  • 分布式超参数调优

  • 可扩展强化学习


DASK怎么样？


DASK是另一个分布式计算框架，常用于大数据分析和机器学习。它能很好地与Pandas和NumPy等Python数据科学工具集成。


目前，AWS 不提供托管的 DASK 服务。用户可以在 EC2 或 Kubernetes 上手动部署 DASK 集群，但 AWS 没有专门针对 DASK 的原生服务。


AWS 是否会推出托管式 DASK 服务？


目前尚无明确迹象表明 AWS 计划很快推出托管式 DASK 服务。AWS 似乎更倾向于专注于 Ray，因为它与 AI 和 ML 生态系统有着强大的集成度。Ray 的灵活性和不断壮大的社区使其成为 AWS 支持分布式 AI 工作负载的理想选择。


AWS AI增强功能的实际应用案例


  • 生成式 AI 聊天机器人：企业使用 Amazon Bedrock 构建由基础模型驱动的聊天机器人，而无需管理底层 AI 基础设施。

  • 大规模模型训练：企业利用 AWS GPU 实例和 Ray 在多个节点上训练复杂模型，将训练时间从几天缩短到几小时。

  • 数据处理管道：开发人员在 EC2 集群上部署 DASK 以进行大数据处理，但这需要手动设置和管理。


这些示例展示了 AWS 的 AI 增强功能如何帮助企业高效地构建、训练和部署 AI 应用程序。


AWS 用户接下来应该关注什么


  • Amazon Bedrock 的扩展：预计将添加更多基础模型和功能，使生成式 AI 更容易获得。

  • 新的 GPU 实例类型：AWS 可能会推出更新的 GPU 硬件，以满足 AI 计算需求。

  • 改进与 Ray 的集成：增强分布式 AI 训练和推理的工具和服务。

  • 潜在的 AI 专用硬件：AWS 可能会开发或采用 GPU 以外的 AI 加速器来优化性能和成本。



AWS 将自身定位为灵活的 AI 平台提供商，而非与专业 AI 模型创建者或硬件供应商直接竞争。它专注于可扩展的基础设施、集成和合作伙伴关系，使客户无需大量前期投资即可使用最新的 AI 技术。


对于开发者和企业而言，这意味着 AWS 将继续是构建 AI 应用程序的可靠选择，尤其是在可扩展性和易用性至关重要的情况下。


立即探索 AWS AI 服务，了解如何使用最新的 AI 工具和基础设施开始构建。


bottom of page