云计算的大模型之争,亚马逊云科技落后了?

文丨智能相对论

作者丨沈浪

“OpenAI使用了Azure的智能云服务”——在过去的半年,这几乎成为了微软智能云最好的广告词。

正所谓“水涨船高”,凭借OpenAI旗下的ChatGPT在全球范围内爆发,微软趁势拉了一波自家的云计算业务。2023年二季度,微软旗下Azure云业务营收增长26%,仍维持着较高的增长姿态。

相对来说,作为云计算的开创者,亚马逊云科技则面临着较为窘迫的处境。在一季度营收同比增速降到16%之后,二季度的同比增速仍在下滑,降至12%,创2015年公布云业务数据以来的历史低值。

并非所有的云计算发展路径都按照亚马逊云科技预想的方向前进。大模型的爆发,似乎打乱了这位巨头的节奏,增长失速的处境已经困扰了多个季度。

那么,亚马逊云科技真的在这场大模型之争中落后了?

01、强守基本盘

今年4月,亚马逊云科技发布Amazon Bedrock,正式向大模型领域发起进攻。

Amazon Bedrock这款王牌产品的逻辑类似于“大模型工厂”,用户可以基于该产品服务,在亚马逊高性能基础设施的安全环境中,利用自己的专有数据发现、训练和调整自己的模型,而不需要再去花额外的成本或精力去管理其他事务。

在中国,华为、腾讯等国内云巨头也在做类似的服务。

对于占据行业TOP地位或具备较强生态影响力的厂商而言,这样的思路屡试不爽——凭借原有的技术环境和生态优势(比如成熟的云服务以及商业生态),迅速拉拢其他的新领域力量(比如其他的大模型厂商),形成“借力打力”的效果,从而完成对新领域(比如大模型领域)的扩张。

这样的路径往往也最考验厂商的行业号召力和影响力。而对于亚马逊云科技这样的全球云计算服务龙头而言,这并不是问题。目前,Amazon Bedrock接入了AI21 Labs、Anthropic、Cohere Inc.、Meta Platforms Inc.、Stability AI Ltd.等领先人工智能公司的高性能大模型以及亚马逊云科技自研的定制大模型等等。

用户在Amazon Bedrock上选择好基础模型,写好代码就可以使用亚马逊云科技高性能的基础设施来训练和应用自己的专用大模型,并生成对应的应用。这些基础设施包括了包括亚马逊云科技 Inferentia 支持的 Amazon EC2 Inf1 实例、亚马逊云科技 Trainium 支持的 Amazon EC2 Trn1 实例以及英伟达 H100 Tensor Core GPU 支持的 Amazon EC2 P5 实例。

在基础框架、模型和算力支持之外,亚马逊云科技基于此前云计算体系构建的能力还能为用户提供更多、更强大的开发者工具,比如端到端的数据服务,帮助用户快速、安全、准确地获取数据、处理数据等;AI代码生成服务,有数十亿行公开可用的开源代码供用户使用等等。

这些能力构建的背后,都足以证明亚马逊云科技作为全球云计算服务龙头的深厚沉淀和强大实力。但是,回归大模型领域,亚马逊云科技的战略意图并不算激进,反而有些保守——做了这么多,亚马逊云科技主要还是在用云服务的逻辑和能力去推动第三方大模型的复用和落地,而非主动地去挖掘未来生成式AI的应用潜力。

亚马逊云科技充当了“买铲人”的身份,还是做底层云服务,强守基本盘,把大模型的未来发展空间留给了第三方合作伙伴。

这符合亚马逊云科技一贯的作风,但是这样的作风也注定在短期内亚马逊云科技相比其他更激进的巨头会欠缺一些关注度。

02、中国市场的“隐形巨头”

在中国,亚马逊云科技的关注度就远不如本土的云巨头。

尽管亚马逊云科技位居中国IaaS+PaaS公有云市场(含出海业务)的第二名,但是一旦剔除出海业务,其排名又掉落到了第五,且在国内市场的关注度和讨论度上也远比其他云巨头要少得多。

现阶段,大模型之争在中国云服务市场打得火热,亚马逊云科技虽是入了局,也如同华为、腾讯那般发布了类似“大模型工厂”的平台产品,但是却没有华为、腾讯那样的市场热度。

为什么?抛开品牌因素和环境因素不谈,中国的市场似乎对大模型的发展有着独特判断。

以华为的盘古大模型体系为例,其“5+N+X”三层架构呈现的正是中国市场的应用范式,最底层的“5”代表着华为盘古自研的5个基础大模型,包括自然语言、视觉、多模态、预测、科学计算大模型。

“N+X”对应的N个行业大模型和X类细化场景模型则是在这5个基础大模型上进行延伸和打造。也就是说,中国市场的行业客户推崇的路径实际上是“你做了,且有工具,再带着我做或是教我细化去做”类似的模式,而不是“我这有工具,你来做大模型吧”这种模式。

前者的代表是以华为为代表的本土云厂商,有云业务,也有大模型,能提供相关开发者工具的同时也能提供更细致的建设经验,因而更受本土行业客户的青睐。

而行业客户对后者的印象则停留在了亚马逊云科技的身上,虽有高性价比的开发者工具和基础设施,但是其自研的大模型产品并没有太多声音,在用户心目中不具备认知,也就没有实践经验,无法更好地吸引本土的行业客户。

两相对比之下,亚马逊云科技虽然也是云服务市场的巨头,但却成了中国大模型之争的“隐形巨头”。6月28日,亚马逊云科技在上海举行中国峰会,重点宣传自家的生成式AI服务,但是似乎没有把握好中国本土客户的商业心理,其扎实的产品和优质的服务并没有在中国市场引起太大的水花。

那么,这位全球云巨头在中国就只能继续保持“隐形”。

03、没有唯一的出路

大模型之争虽是趋势,但是云计算的未来出路也并非只有大模型一个。

对比亚马逊云科技、微软智能云、谷歌云三大全球云厂商,在2023年第二季度,营收同比增长势头最好的并非前两者,而是谷歌云,同比增速约为28%。

很显然,微软在大模型领域的发力程度和领先优势都要大于谷歌,但是市场的反馈却一反常态。

目前来看,一方面大模型的落地仍需验证,这一新领域并没有释放出完全的商业价值,很多厂商仍是投入大于产出的状态。另一方面,大模型的落地更注重与行业场景的结合,重点是对垂直业务的深耕,这恰恰是谷歌云在AI领域的优势。

换句话说,亚马逊云科技不必担心现阶段的大模型之争,真正的商业拐点还没有到来。——这或许可以给予这位云巨头一些心理安慰,摆在大模型市场面前的依旧是一片混沌的状态。

反观微软,在大模型领域似乎就有些操之过急的,但是亚马逊云科技若是再迟疑,又显得有些笨拙了。

现阶段,不仅是中国的行业客户和投资者,哪怕是华尔街的金融精英们,在历经几波AI浪潮后,也都更加理性和务实,相比之前更关注AI的落地效果。

从谷歌云的市场反馈来看,谁能解决垂直领域的场景问题,谁就能在这次的大模型之争中撷取更多的市场份额。这对于亚马逊云科技而言,并非完全没有机会。

在亚马逊云科技的平台上,一家名为Eclix Tech 的国际智能营销服务商,正通过使用生成式 AI 帮助进行内容分发,降低了50%电商产品相关的成本,并提升了35%的效率,同时还降低了45%的点击成本。

这是一个相对不错的成绩。或许,对于亚马逊云科技而言,面向大模型之争,应当多向市场讲讲自己能帮助客户群体做些什么,获得什么,而不是谈论自己有什么。

在云计算的大模型之争中,市场更关注云厂商能结合云技术和大模型来为客户带来什么样的效益。现如今,亚马逊云科技已经完成大中华区的换帅工作,储瑞松接替张文翊,担任亚马逊全球副总裁、亚马逊云科技大中华区执行董事。

两人虽然都是技术出身,但是相比张文翊,储瑞松曾担任过百度集团副总裁,负责领导百度阿波罗智能汽车业务。换句话说,储瑞松有过带领本土AI团队从0到1开辟新领域、新业务的项目经验和工作能力,由他来掌舵,或许能让亚马逊云科技更清楚地厘清中国市场的真实动态以及深层需求。

那么,从换帅的动作来看,亚马逊云科技在中国市场或将采用更积极的市场策略,不仅要和本土云巨头抢市场份额,还需要进一步占领用户心智。数据显示,今年上半年,亚马逊云科技大中华区总营收为18亿美元,对比去年同期的15亿美元营收增速不足20%。

摆在亚马逊云科技和储瑞松面前的营收压力,并不低。在大模型之争的现阶段,储瑞松需要为亚马逊云科技找到更接近区域客户和市场的路径。

*本文图片均来源于网络 

#智能相对论  Focusing on智能新产业新服务,这是智能的服务NO.248深度解读

此内容为【智能相对论】原创,

仅代表个人观点,未经授权,任何人不得以任何方式使用,包括转载、摘编、复制或建立镜像。

部分图片来自网络,且未核实版权归属,不作为商业用途,如有侵犯,请作者与我们联系。

•AI产业新媒体;

•澎湃新闻科技榜单月度top5;

•文章长期“霸占”钛媒体热门文章排行榜TOP10;

•著有《人工智能 十万个为什么》

•【重点关注领域】智能家电(含白电、黑电、智能手机、无人机等AIoT设备)、智能驾驶、AI+医疗、机器人、物联网、AI+金融、AI+教育、AR/VR、云计算、开发者以及背后的芯片、算法等。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/135004.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

linux 安装 Anaconda3

文章目录 一、下载二、安装1.使用xftp把下载包拉到服务器上2.执行安装命令3、在安装时没有自动添加环境变量,这里手动设置3.1.1通过修改~/.bashrc来配置环境变量3.1.2 重新载入配置文件3.1.3 测试 一、下载 官网下载链接 二、安装 1.使用xftp把下载包拉到服务器上…

从零开始搭建微服务(二)

忘记了软件还没有装全,今天先把所有的软件装上,nacos已经装过了我们就不在装了,剩余的软件全部都是通过docker安装,我在centos7里面 1. 安装docker 安装dockeryum -y install docker开机自启 systemctl enable docker启动dockre systemctl start docker查看docker版本 doc…

css控制卡片内部的左右布局

先放效果图 纯css样式 可以根据需求进行更改 <template> <!-- 卡片盒子 --><div class"card_box "><el-card class"box-card w400" v-for"(item,index) in cardList" :key"index"><div slot"heade…

网络工程实验记录

网络工程 show ip route show running-config 第一周 相同设备使用交叉线&#xff0c;不同设备之间使用直通线 R1能ping通10.1.1.1 R2能ping通所有的 R3能ping通172.16.1.1 即路由器只能到达自身线连接出去的&#xff0c;另一端就连接不了了。 此时给R1分配静态路由 R…

Spring Security OAuth 2.0 资源服务器— JWT

目录 一、JWT的最小依赖 二、JWT的最基本配置 1、指定授权服务器 2、初始预期&#xff08;Startup Expectations&#xff09; 3、运行时预期&#xff08;Runtime Expectations&#xff09; 三、JWT认证是如何工作的 四、直接指定授权服务器 JWK Set Uri 五、提供 audie…

kimera论文阅读

文章目录 功能构成&#xff1a;Kimera线程A. Kimera-VIO:B. Kimera-RPGO:C. Kimera-Mesher:D. Kimera-Semantics:E.调试工具 功能构成&#xff1a; Kimera包括四个关键模块: Kimera-VIO的核心是基于gtsam的VIO方法[45]&#xff0c;使用IMUpreintegration和无结构视觉因子[27]…

通达OA get_datas.php前台sql注入-可获取数据库session登入后台漏洞复现 [附POC]

文章目录 通达OA get_datas.php前台sql注入-可获取数据库session登入后台漏洞复现 [附POC]0x01 前言0x02 漏洞描述0x03 影响版本0x04 漏洞环境0x05 漏洞复现1.访问漏洞环境2.构造POC3.复现 0x06 修复建议 通达OA get_datas.php前台sql注入-可获取数据库session登入后台漏洞复现…

YOLOv8-Cls推理详解及部署实现

目录 前言一、YOLOv8-Cls推理(Python)1. YOLOv8-Cls预测2. YOLOv8-Cls预处理3. YOLOv8-Cls推理 二、YOLOv8-Cls推理(C)1. ONNX导出2. YOLOv8-Cls预处理3. YOLOv8-Cls推理 三、YOLOv8-Cls部署1. 源码下载2. 环境配置2.1 配置CMakeLists.txt2.2 配置Makefile 3. ONNX导出4. 源码修…

【解密ChatGPT】:从过去到未来,揭示其发展与变革

&#x1f38a;专栏【ChatGPT】 &#x1f33a;每日一句&#xff1a;天行健,君子以自强不息,地势坤,君子以厚德载物 ⭐欢迎并且感谢大家指出我的问题 文章目录 一、ChatGPT的发展历程 二、ChatGPT的技术原理 三、ChatGPT的应用场景 四、ChatGPT的未来趋势 五、总结 引言:随着…

基于指数分布算法的无人机航迹规划-附代码

基于指数分布算法的无人机航迹规划 文章目录 基于指数分布算法的无人机航迹规划1.指数分布搜索算法2.无人机飞行环境建模3.无人机航迹规划建模4.实验结果4.1地图创建4.2 航迹规划 5.参考文献6.Matlab代码 摘要&#xff1a;本文主要介绍利用指数分布算法来优化无人机航迹规划。 …

Visual Studio Code将中文写入变量时,中文老是乱码问题

对于这个问题&#xff0c;我也是弄了很久才知道&#xff0c;编码格式的问题 在此之前我们要先下载个插件 照这以上步骤&#xff0c;最后按F6运行即可&#xff0c;按F6是利用我们刚刚下载的插件进行编译&#xff0c;唯一有一点不好就是&#xff0c;用这种插件运行的话&#xff…

MCU测试科普|如何进行MCU芯片测试,具体流程是什么?

MCU芯片测试系统是一种专门用于检测MCU芯片性能和质量的综合性设备。它通常由硬件和软件两部分组成&#xff0c;硬件包括测试仪器、适配器、测试夹具等&#xff0c;用于连接被测MCU芯片和测试机&#xff0c;实现高效高精度的测试。软件部分通常包括测试程序、测试管理软件等&am…

VMware Ubuntu 共享文件夹

VMware Ubuntu 共享文件夹 flyfish 物理机配置 Network Adapter设置 此处设置为NAT Shared Folders设置 虚拟机配置 vmware-hgfsclient sudo vmhgfs-fuse .host:/ /mnt -o nonempty -o allow_other 或者 sudo vmhgfs-fuse .host:/ /mnt/ -o allow_other第一行命令是查看共…

大数据学习之一文学会Spark【Spark知识点总结】

文章目录 什么是SparkSpark的特点Spark vs HadoopSparkHadoopSpark集群安装部署Spark集群安装部署StandaloneON YARN Spark的工作原理什么是RDDRDD的特点Spark架构相关进程Spark架构原理 Spark实战&#xff1a;单词统计Scala代码开发java代码开发任务提交 Transformation与Acti…

vue基础知识十八:说说你对keep-alive的理解是什么?

一、Keep-alive 是什么 keep-alive是vue中的内置组件&#xff0c;能在组件切换过程中将状态保留在内存中&#xff0c;防止重复渲染DOM keep-alive 包裹动态组件时&#xff0c;会缓存不活动的组件实例&#xff0c;而不是销毁它们 keep-alive可以设置以下props属性&#xff1a…

nanodet训练自己的数据集、NCNN部署到Android

nanodet训练自己的数据集、NCNN部署到Android 一、介绍二、训练自己的数据集1. 运行环境2. 数据集3. 配置文件4. 训练5. 训练可视化6. 测试 三、部署到android1. 使用官方权重文件部署1.1 下载权重文件1.2 使用Android Studio部署apk 2. 部署自己的模型【暂时存在问题】2.1 生成…

目标检测回归损失函数(看情况补...)

文章目录 L1 loss-平均绝对误差(Mean Absolute Error——MAE)L2 loss-均方误差(Mean Square Error——MSE)Smooth L1 LossMAE、MSE、Smooth L1对比IoU LossGIoU LossDIoU Loss、CIoU LossE-IoU Loss、Focal E-IoU LossReferenceL1 loss-平均绝对误差(Mean Absolute Error——…

ASP.NETCore6开启文件服务允许通过url访问附件(图片)

需求背景 最近在做一个工作台的文件上传下载功能&#xff0c;主要想实现上传图片之后&#xff0c;可以通过url直接访问。由于url直接访问文件不安全&#xff0c;所以需要手动开启文件服务。 配置 文件路径如下&#xff0c;其中Files是存放文件的目录&#xff1a; 那么&…

接口测试工具

接口测试的重要性 接口测试&#xff1a; 直接对后端服务的测试&#xff0c;是服务端性能测试的基础&#xff0c;是测试工程师的必备技能。 接口测试的概念 接口&#xff1a;系统之间数据交互的通道 接口测试&#xff1a;校验接口响应数据与预期数据是否一致 接口信息解析 …

缓存-基础理论和Guava Cache介绍

缓存-基础理论和Guava Cache介绍 缓存基础理论 缓存的容量和扩容 缓存初始容量、最大容量&#xff0c;扩容阈值以及相应的扩容实现。 缓存分类 本地缓存&#xff1a;运行于本进程中的缓存&#xff0c; 如Java的 concurrentHashMap, Ehcache&#xff0c;Guava Cache。 分布式缓…