最新消息

作者：張皓翔/資策會MIC

一、AI浪潮下，算法、算力、數據成雲端業者切入布局重點

人工智慧(Artificial Intelligence, AI)是當前最熱門新興技術之一，但在AI市場蓬勃發展背後，需仰賴完善的IT基礎設施與生態系支持，對矢志成為「世界IT」的三大公有雲服務商(Amazon AWS、Microsoft Azure、Google GCP)來說，其在AI領域的布局自然是未來雲服務市場重要看點。

二、從開發工具與API切入「算法」領域

AWS在算法的布局重心在SageMaker與AI API上。SageMaker是一個AI、ML的整合開發環境(Integrated Development Environment, IDE)，該工具可協助開發者完成資料處理、模型訓練、模型優化等任務。SageMaker從2017年釋出至今，持續更新像是增加Tensorflow、PyTorch等開發框架的相容性、推出ML開發自動化功能、釋出無程式碼的版本等，這提升了在AWS上開發AI的彈性，如今SageMaker已是AWS AI生態系戰略的核心服務。此外AWS 內亦包含多種已訓練完的ML、AI API，例如影像辨識、語音辨識、聊天機器人等，可直接套用在AWS資料庫服務上，讓開發團隊可專注於商業邏輯落地而非AI模型訓練。

三、自研專用晶片提升AI「算力」表現與性價比

AWS近年推出兩項AI、ML專用晶片：Inferentia與Trainium。Inferentia是AI「推論」專用晶片，在處理AI運算任務時，能比一般GPU架構有更高傳輸量、更低延遲的表現，但卻能同時降低運算成本；Trainium為AI「訓練」專用晶片，能優化圖片分類、翻譯、語音識別、推薦引擎等深度學習訓練任務，Trainium主要用來配合SageMaker，比起一般GPU，搭配了Trainium的SageMaker有更出色的運算表現，有效減少AI模型訓練時間。Trainium與Inferentia為開發者從模型訓練到推理提供完整支援，讓他們能在高效能、低價格運算環境下處理AI、ML相關任務。

四、儲存服務是雲端業者爭奪「數據」的利器

AWS在AI數據布局以儲存服務為主， 並奉行「最適解原則(Best-fit)」，所以AWS針對不同情境、產業發展出了極為多樣的數據儲存產品線，例如通用性較高的結構性、非結構性資料庫，AWS提供了RDS、Aurora等服務；較偏分析導向的資料倉儲，AWS則有Redshift、Athena等服務；另外針對特殊儲存需求，像是圖片儲存、時間序列儲存、交易紀錄儲存等，AWS亦有DynamoDB、Timestream等服務，如今AWS數據儲存服務已超過10種，為三大雲端業者最豐富者，這能有效提升不同情境下數據儲存、管理的效率。

五、結論

(一)三大雲端業的AI布局策略「同中有異」

三大公有雲在AI的三大領域：算法、算力、數據上布局非常相似，例如算法上，三者都提供了開發工具、現成AI API；算力上，三者都以AI專用晶片提升運算效能；數據上，三者皆以儲存服務為主。然而在組織文化、發展戰略影響下，三大公有雲的布局特性又略有差異，像是AWS在算法、數據上都體現了高度多樣性與包容性，Azure在算法、數據上則具明顯企業導向色彩，GCP則是在三個領域中展現重視開發者文化與多雲趨勢的特色。

(二)三大雲端業者專注於AI賦能者角色

探究三大公有雲AI布局策略，可以發現，比起提供現成AI解決方案，三者更專注於往AI運行的底層需求扎根，以煮飯做比喻，三大公有雲並非想提供一盤現成料理，而是傾向提供更多工具例如鍋子、爐灶、菜刀等，這樣的策略不但讓客戶可以快速開發出合適AI 產品，也讓公有雲業者能掌握更多基盤市場。

(三)AI深度應用正加大三大公有雲的護城河

公有雲的優勢是按需計價收費模式，但這對於擴張速度較慢，或是平均運算需求較穩定的組織來說並沒有足夠吸引力，然而隨著AI被廣泛採用下，越來越多組織的數據增長速度是過去數倍，或是為了運行AI而有短期高強度運算力需求，大部分傳統資料中心不是跟不上擴張速度，就是不符合擴張投資效益，這推動許多組織轉身擁抱公有雲服務，再加上公有雲業者普遍已建立完整AI服務生態系，使得這些組織對於公有雲依賴更加提高，也讓三大公有雲在市場上之領先地位更加穩固。