作为全球最大的云服务与技术提供商,AWS在空间计算生态系统中扮演着怎样的角色?考虑到元宇宙和空间计算对于云资源的高度依赖,这个问题值得探究。微软已经在空间计算领域大幅投入,通过HoloLens等项目着力提高自家Azure云服务的利用率。而作为微软在云计算领域的最大竞争对手,亚马逊当然也不会坐失这块市场。
亚马逊的空间计算方法
首先必须承认,无论是经由AR、VR或者是头显之外的载体,还是面向元宇宙和空间计算的具体方案,亚马逊一以贯之的理念始终是寻找能帮助客户取得成功的方法。这个理念成为解读AWS的核心,也成为亚马逊每场演讲、每次对话中被反复提及的基本宗旨。
这种对客户的关注延伸到了亚马逊在行业内的合作伙伴关系当中。AWS已经公开支持众多大大小小的XR厂商,包括Campfire 3D、Meta、Magic Leap、英伟达等。AWS的空间计算部门包含多支团队,涉及游戏、电影、模拟和地理空间等领域。没错,这些载体在本质上都属于一种空间,其中一些需要使用游戏引擎来渲染自身环境。AWS还大力支持OpenXR等开放标准,甚至与Linux基金会合作以将其游戏引擎Lumberyard转化为开放3D引擎,借此建立一套定期更新的开源游戏引擎。
AWS还将自身定位为空间计算的主要云服务商。其不仅在全球部署了数十个云区域,还部署了本地区域及其Wavelength边缘计算基础设施,旨在进一步降低延迟。没错,很多空间计算应用程序对于延迟非常敏感,因此AWS希望能尽可能缩短与用户间的距离。这将带来更好的远程渲染效果,让轻型AR和VR头显在不额外增重的前提下,增强渲染质量或性能表现。如果没有充足的连接性和无处不在的边缘计算部署,AWS开发者根本无法打造出以边缘云资源为基础的应用程序。
AWS还拥有一套名为Sumerian的3D引擎,诞生于2017年,但随后逐渐落寞,这也说明XR市场的增长并未达到许多人的预期。我觉得Sumerian可能不太符合开发者的习惯工作流程:亚马逊一直在努力将用户引导至Balyon.js,以便使用AWS Amplify进行创作和发布。这样的转变可不容易普及。但必须承认,亚马逊在支持大部分空间应用所采用的两大主要引擎(虚幻引擎加Unity)方面做得非常好。
如今的AWS正根据客户需求与客户携手构建产品。只要发现某个项目对其他客户也构成了明确的吸引力,AWS就会将其转化为产品,由此为空间计算的开发流程和最终实现贡献力量。AWS在re: Invent 2022大会上公布的重要空间方案AWS SimSpace Weaver,就是其中的典型代表。
SimSpace Weaver
在本届re: Invent大会上,AWS CEO Adam Selipsky通过开幕主题演讲介绍了SimSpace Weaver。Selipsky首先谈到AWS如何帮助客户解决模拟需求,其中包括全球巨头西门子。亚马逊将模拟视为高性能计算(HPC)的一种形式,有助于在问题发生之前对其开展预测。空间模拟要求将人、机器和环境之间的数百万个实时交互整合起来,从而将体系复杂度提升至全新的水平。空间模拟现在甚至可以用于模拟整座城市,我们已经看到爱立信使用空间模拟在英伟达Omniverse上渲染整个城市的5G覆盖情况。具备这种复杂度和准确性的模拟,也被称为“数字孪生”。
Adam表示,传统的3D引擎虽能模拟此类实时交互,但在规模上绝不可能被扩展至覆盖数百平方英里、反映人口上百万的巨型城市。为了实现这个目标,AWS需要在内部建立解决方案,无缝互连各个模拟实例,从而逐步建立起与真实场景同步的模拟环境。
正是这方面需求,催生出了AWS SimSpace Weaver,它能帮助用户运行大规模空间模拟且无需管理任何基础设施。SimSpace Seaver能够执行空间模拟,并将其自动扩展至多达10个Amazon Elastic Compute Cloud(EC2)实例。它还能将对象从一个实例无缝转移至另一实例,从而令庞大的模拟场景更加自然。AWS不仅支持主流的虚幻引擎和Unity,也提供SimSpace Weaver SDK以实现自定义模拟引擎。AWS希望借此降低大规模模拟场景的构建复杂度,将开发人员从繁琐的细节中解放出来、更多开展尝试。
总结
很明显,AWS在元宇宙和空间计算领域都有不少进展。虽然re: Invent上的多项演讲都集中在游戏开发和如何使用AWS推动社交互动与大型游戏环境,但其中的很多功能也可直接被引入空间计算领域。
所以AWS目前在XR行业中的地位可说是既模糊又坚实。AWS云服务正为用户体验到的多种不同虚拟空间提供支持,包括游戏、VR体感等。但多数情况下,消费者完全不知道是AWS在背后发挥作用——这也许是AWS接下来需要解决的重要问题。
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
微软研究院提出潜在分区网络(LZN),首次实现生成建模、表示学习和分类任务的真正统一。该框架通过共享高斯潜在空间和创新的潜在对齐机制,让原本独立的AI任务协同工作。实验显示LZN不仅能增强现有模型性能,还能独立完成各类任务,多任务联合训练效果更是超越单独训练。这项研究为构建下一代通用AI系统提供了新的架构思路。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
上海AI实验室开发的VLAC模型让机器人首次具备真实世界自主学习能力。该系统如同给机器人配备智能导师,能实时评估动作效果并从中学习。在四个操作任务测试中,机器人成功率从30%提升至90%,仅需200次练习。技术结合视觉、语言理解和动作生成,支持跨场景适应和人机协作,为家庭服务、医疗护理等领域应用奠定基础。