產業技術評析

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。

算法、算力、數據是AI三大核心要素。算法是指AI模型背後的運算邏輯，一般來說除了演算法本身外，還包含模型訓練、開發、套用、管理等；算力是指AI運行的所需運算資源，由於AI在訓練、推論過程通常需經過高強度運算，因此算力議題主要反應在AI執行硬體效能上；數據是AI訓練與推論的根本，而數據議題不僅是在資料取得上，也包含數據儲存與管理等。在瞭解算法、算力、數據在AI領域扮演的角色後，以下將依循此三要素，分析三大公有雲商在AI領域的布局策略。

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。

Azure在算法上的布局同樣體現在開發工具與API服務上。Azure Machine Learning是微軟推出的SageMaker競品，其同樣為一站式完成AI開發生命週期的IDE，並可自動化部分高重複性任務，例如數據格式統一、模型測試等。相較開發工具，Azure在現成AI API上投注了較多心力，Azure現成AI服務：AI Gallery內已有超過100種AI服務，數量為三大公有雲業者中之最，裡面包含不只是通用型AI模型，還包含多種針對垂直產業而訓練的特殊模型，例如工業用器材保養預測模型、醫療用乳癌預測模型、金融業用網路詐騙探測模型等。

 Google開啟了以深度學習為主導的人工智慧時代，並在近年陸續發布BERT、聯邦式學習等AI演算法研究，因此從技術面來看，Google在AI、ML領域一般被視為三大公有雲的領先者。Google自從2015年將深度學習框架—Tensorflow開源後，便掌握AI、ML開發者生態系話語權，即使是AWS與Azure的AI開發工具都必需整合Tensorflow才能獲得客戶青睞，而由於掌握了核心技術， GCP旗下AI開發工具如Google AI platform、AutoML等與Tensorflow適性更佳，無形中增加了其服務競爭力。此外，GCP也提供多種AI API服務，其數量雖不若Azure多，但部分服務深度卻具領先地位，例如以語音辨識來說，GCP支援語言高達125種，遠超過Azure 65種與AWS 6種。
 

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。

Azure目前尚未釋出自研AI晶片相關消息，但在「Wintel」長期合作關係下，Intel是當前Azure的AI、ML晶片重要供應商，例如：Intel XEON系列處理器這幾年一直針對AI運算進行優化，也推出CPU+FPGA架構產品來提升深度學習運算效率，這些技術都被Microsoft選用進Azure資料中心內。除了Intel外，Azure亦與AI晶片開發商—Graphcore合作，開發出一款針對AI運算用的「智慧處理單元」(Intelligence Processing Unit, IPU)，專門用來執行高複雜度模型訓練、推論任務，該晶片同樣被大量應用在Azure資料中心內，成為Azure提升AI算力的重要幫手。

Google很早即意識到採用GPU進行深度學習運算的成本問題，因此在2015年投入生產自家深度學習晶片—張量處理器(Tensor Processing Unit, TPU)，專門為TensorFlow框架量身訂製，當年AlphaGo擊敗韓國棋王李世石背後的運算任務便是由第一代TPU執行。TPU發展至今已經歷四代演進，除了不斷提升深度學習訓練、推論表現外，也不斷降低運算功耗，加上與Tensorflow適性加成，吸引許多愛用Tensorflow的開發者選用GCP AI服務。
 

資料來源：資策會MIC ITIS研究團隊(2022/4)
圖1 三大雲端業者自研AI晶片
 

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。
 

資料來源：資策會MIC ITIS研究團隊(2022/4)
圖2 AWS多樣的數據儲存服務
 

Azure同樣以儲存服務布局AI數據領域，在一般結構性、非結構性資料庫上，Azure有SQL Database、CosmosDB等服務；分析導向的資料倉儲來說，Azure有Synapse Analytics服務，整體來說，Azure數據儲存服務種類雖然不如AWS豐富，但已足夠應對大部分需求。此外，比起AWS多點式產品策略，Azure則以Synapse為核心建立了一個資料處理生態系，Azure Synapse Analytics是一個可以串連各種資料庫、AI服務、BI工具的數據平台，並帶有查詢、分析等功能，目的打破多個資料庫間的「穀倉現象」，這讓企業能有效解決其數據因大量、多樣、分散而難以管控的痛點。

GCP同樣以儲存服務切入數據領域，提供多種通用性較高之結構性、非結構性資料庫服務，例如Google Cloud SQL、Cloud Spanner、Cloud BigTable等，而資料分析導向的資料倉儲亦有BigQuery服務。但與AWS、Azure專注於自身產品線的策略不同，GCP數據儲存策略高度扣合其多雲、混合雲戰略，例如在2020年釋出BigQuery Omni服務，主打企業在不搬遷資料下，能直接分析跨多個公有雲環境內數據，讓企業可以避免資料搬遷的時間與金錢成本，同時又能不被單一公有雲商綁定，這提高企業數據儲存彈性，也讓GCP走出不一樣的數據策略。
 

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。
 

(本文作者為資策會MIC執行產業技術基磐研究與知識服務計畫產業分析師)