一、亚马逊:新机还是危机
1.1AI与云计算走向融合
- 面对 ChatGPT 的爆发,在图像和文本生成这样的C端场景中,亚马逊的优势似乎不太明显，重要的是亚马逊云科技(Amazon WebServices，AWS)——云计算的开创者和引领者，其成功引爆了云计算革命，这也是亚马逊在 ChatGPT 浪潮下的机会。
- 2022 年以来，AIGC 借助图片生成领域的爆款应用成功“出圈”,ChatGPT 更是让整个人工智能领域看到了向 2.0阶段跃进的希望。其中，Stability AI的图片生成引擎由开源模型 Stable Diffusion 驱动，其用关键词生成的图片不但拿到了比赛大奖，还让美工、设计师们感受到了空前的竞争压力。Stable Diffusion 在训练阶段“跑”了15 万块GPU，商业化之后的 StabilityAI迅速与亚马逊云科技合作建立了一个由 4000 块英伟达 A100 组成的大型云计算集群。
- Stability AI正凭借着超强的算力资源，准备进军下一个热门领域AI for Science，已经聚集了 Eleuther AI和 LAION 等知名开源项目,以及生物医药模型 OpenBioML、音频生成模型 Harmonai、人类偏好学习算法 CarperAi等前沿探索。未来使用扩散模型生成 DNA序列，将是有望惠及全球数十亿人的研究方向。StabilityAI的成功绝不是偶然的,AI 与云计算的高度融合正在推动各类应用快速落地。过去是把各种应用迁移到云端,而现在应用本身向云原生演进已成为更具前瞻视野的科技公司的共识。云原生应用不只是在云端训练算法,而是在云端集成整个开发、交付、部署、运维的全过程。AI 采用云原生开发环境，既可以大幅缩减配置服务器的开销，又可以节约海量训练数据的传输成本。
- 根据相关财报显示，亚马逊、微软、谷歌等全球头部云厂商的云计算业务均出现营收增速下滑的情况。这让他们急切希望找到新的突破口，打开增量市场。而ChatGPT 释放出一个信号:生成式AI带来的潜在繁荣或将再次提振市场对云服务的需求。
- 微软管理层在关于 2023财年第二季度(2022年第四季度)财报的电话会议中说，微软正在用 AI模型革新计算平台，新一轮云计算浪潮正在诞生。谷歌同样加入了 AI计算的竞赛。谷歌首席执行官桑德尔·皮查伊表示:“我们最新的人工智能技术如 LaMDA、PaLM、Imagen和MusicLM，正在创造全新的方式来处理信息，从语言和图像到视频和音频。”显然，谷歌与微软的态度一致，都将 AI计算作为竞赛的一个焦点。
- 亚马逊作为一个典型的平台型企业，把重点放在为用户提供基本的公有云服务，如计算、存储、网络、数据库等，基本不触碰上层应用，把空间留给合作伙伴。实际上，亚马逊云科技是亚马逊最强的商业竞争力，目前，亚马逊云科技已成长为全球最大的公有云平台。在基础设施层面，亚马逊云科技拥有遍及全球27个地理区域的87个可用区，覆盖245个国家和地区;在市场占有率层面，亚马逊云科技占据全球公有云市场份额的 1/3 以上;在产品服务层面，亚马逊云科技是全球功能最全面的云平台，提供超过 200项服务，而且每年推出的新功能及服务数量飞快上涨;在用户及生态层面，针对金融、制造、汽车、零售快消、医疗与生命科学、教育、游戏、媒体与娱乐、电商、能源与电力等重点行业，亚马逊云科技都组建了专业的团队，这使得亚马逊不仅拥有数百万名用户，还拥有庞大且最具活力的社区。
- 对于 ChatGPT，亚马逊给予了极高的评价。当前，ChatGPT 已经被亚马逊用于许多不同的工作职能中,包括回答面试问题、编写软件代码和创建培训文档等。但这并不意味着亚马逊不重视 AI计算这个风口。
- 实际上,亚马逊云科技能够提供多种人工智能服务,包括 AmazonLex、Amazon Rekognition、Amazon SageMake 等，涉及语音合成、自然语言生成和计算机视觉等多个细分领域。正如Stability AI和亚马逊云科技的合作一样，使用亚马逊云科技的重磅产品AmazonSageMaker，在浏览器中即可轻松部署预训练模型，此后的微调模型和二次开发过程更可省去烦琐的配置。
- 另外，AI计算需要大规模采购GPU算力。Stability AI的创始人兼首席执行官莫斯塔克称，该公司租用了256块英伟达A100，显卡训练总计耗时 15万小时。不过，更大的需求是推理，即实际应用模型来产生图像或文本，每次在 Midiourney中生成图像，或在 Lensa中生成头像时，推理都是在云端的 GPU 上运行的。
- 目前，英伟达 80GB 显存的 A100 显卡售价约 1.7万美元，每块显卡在云计算平台的租用费约4美元/小时。Stable Diffusion 用 256 块A100 进行训练，约 24 天，并向亚马逊云科技支付 15 万小时的租用费。不过,与动辄千亿参数量的上千万美元开销的语言生成模型相比,这已经是很低的花费了。
- 当然，在 AI 计算方面，亚马逊还需要面对 ChatGPT 和微软绑定对其造成的冲击。当前，ChatGPT 母公司 OpenAI不仅建立了自己的模型，还与微软达成了计算能力的优惠协议，长远来看，或许亚马逊不得不廉价出售 GPU 算力，才能刺激更加繁荣的生成式应用。
1.2亚马逊电商会被攻破吗
- 在过去很长的一段时间里，亚马逊是全球“电商之王”。当然，这离不开其多年来打造的三个“杀手锏”:
- 一是商家端的FBA(Fulfillment by Amazon)服务，
- 二是客户端的 Prime 会员模式
- 三是亚马逊在技术上的支撑。
- 在技术方面，除云科技外，亚马逊的机器学习已有 20余年的历史，早在 1998 年，Amazon.com就上线了基于物品的协同过滤算法，这是业界首次将推荐系统应用于百万个物品及百万名用户规模。比如，亚马逊商城的“看了又看”功能，背后就是由协同过滤算法支撑的。
- 这项功能会在商城中提醒用户:“购买了你的购物车里的这本书的另一位顾客，还购买了以下这些书。”也就是说，算法根据“有相似购买行为的用户可能喜欢相同物品”来进行推荐。算法先根据用户的购买历史评估用户之间的相似性，然后就可以根据其他用户的喜好，对你进行商品推荐。
- 协同过滤算法的其他思想还包括“相似的物品可能被同一个用户喜欢”(如向购买了篮球鞋的用户推荐篮球)、模型协同过滤(如 SVD)等，后者是为了应对亚马逊商城的超大数据规模产生的超高运算量而采用的降维方法。这项技术造就了后来享誉业界的创新–亚马逊电商“千人千面”的个性化推荐。
- 个性化推荐可以增加内容互动，降低获客成本，提高用户留存案和黏性。获客机会的提高带来了整体业务效率的提升，从而能够对用户进行更深层次的需求挖掘，如在促销活动中推荐场景。如果不能对用户进行深层次挖掘，很难做到“千人千面”，无法深化长尾产品不利于长久运营。
- 在这样的背景下,2021年3月,亚马逊推出了Amazon Personalize,一项用于构建个性化推荐系统的完全托管型机器学习服务。亚马逊拥有 20多年的个性化推荐服务经验的积累，Amazon Personalize 正是将亚马逊 20 多年的推荐技术积累构建成平台，进行对外服务的尝试。
- Amazon Personalize 中的推荐过滤器可帮助用户根据业务需求对推荐内容进行微调，客户无须分神设计任何后处理逻辑。推荐过滤器可对用户已经购买的产品、以往观看过的视频及消费过的其他数字内容进行过滤与推荐，借此提高个性化推荐结果的准确率。以往推荐系统提供的内容的准确率往往较低，此类推荐可能影响用户使用感、导致用户参与度降低，最终使业务营收受损。
- 并且，当新用户进入 Amazon Personalize后，网站可以立刻通过基本注册信息预测新用户潜在的购物需求。即使针对新用户，AmazoPersonalize 也能有效地生成推荐，并为用户找到相关的项目进行推荐。
- 可以说，亚马逊的“个性化推荐”是其经营电商的底气，公司的广告收入节节攀升。2014年，在亚马逊投放广告的单次点击费用仅约0.4美分，但到了 2022年初，单次点击已经飙升到了约1.60 美元。