近日AWS在美国拉斯维加斯举行年度re:Invent大会,数据管理成为大会前两日的重要议题。
AWS发布了一系列公告,旨在为云客户提供硬件和软件解决方案以应对范围不断扩大的数据领域。
AWS公司首席执行官Adam Selipsky表示:“管理数据的规模和增长,既是巨大的挑战,也是机遇。你需要一套完整的工具来应对数据的规模和多样性,而AWS专注于构建所有这些能力。”
数据集成
当今大型企业生成了海量的数据信息,在此背景下,数据的工具、集成、治理和洞察力也就成了AWS此次大会的重点。Selipsky在大会主题演讲中指出,仅Expedia Group每年就会产生6000亿次人工智能预测。
为了迎合那些厌倦了必须提取、传输和加载数据的企业,AWS发布了两项公告,以改善Selipsky提到的某个客户所谓“吃力不讨好的、不可持续的黑洞”。
AWS正在通过在Aurora关系数据库服务和Redshift云数据仓库之间引入完全托管的集成来减轻企业在ETL方面的负担。AWS还在Apache Spark中添加了Redshift集成,无需移动数据即可运行查询。
Selipsky表示:“这项最新的集成有助于解决客户最大的ETL痛点,也是朝着我们的零ETL愿景迈出的又一步。”
处理器升级
AWS继续推进硬件计划,帮助企业扩展分析和管理数据。本周一,在由AWS效用计算高级副总裁Peter DeSantis主持的会议上,AWS推出了更新的Nitro芯片系统,以处理更多的数据流量,并推出了Graviton 3E作为驱动高性能计算工作负载的新款处理器。他把这些处理器计划称为AW提供未来新型云服务的关键因素。
DeSantis说:“Nitro是AWS开始开发定制芯片的原因,如何做很重要,这就是我将如何提供云中的一些最重要的属性。”
本周二,AWS又推出了针对EC2的Inf2实例,由AWS的Inferentia芯片提供支持,此外推出了Hpc6id,将其作为一个具有吸引力的性价比选择,可承载高性能计算中的数据和内存。Selipsky说:“定制芯片一直是AWS的一大差异化因素。”
AWS在处理器方面的创新,可能是今天其他几项产品公告的一个推动力。AWS分析产品组合新增了Machine Learning Powered Forecasting for QuickSight Q商业智能服务。
此外,AWS在Amazon Connect云中心产品增加了三项新的功能,包括机器学习预测和指导中心代理工作区,以及AWS SimSpace Weaver,用于支持海量数据密集型空间模拟,无需管理基础设施。
无服务器填补空白
这次大会的另一个核心话题,是不必应对基础设施难题。DeSantis公布了Lambda无服务器平台的更新,通过使用Firecracker及快照功能将性能提高90%,解决了冷启动时间这个棘手的问题。
今天Selipsky公布了更多无服务器方面的公告,推出了OpenSearch Serverless,它填补了AWS分析产品组合中最后剩下的空白——无服务器。他指出:“现在我们所有的分析产品都提供了无服务器选项。”
今年re:Invent大会的主题演讲中还提及了有关AWS持续关注解决更广泛全球问题的话题。AWS宣布推出AWS Supply Chain,一款用于提高供应链可见性的新型云应用,以及Amazon Omics,能够存储、查询和分析大量基因组数据,用于寻找新的治疗方法和医学研究成果。
今年的AWS re:Invent大会恰逢科技行业中很多企业努力寻求在高度不确定的经济环境中减少开支。据报道,亚马逊本身就将裁减10000个职位。
Selipsky在演讲中也提到了经济环境的不确定性,并强调云可以帮助企业应对费用挑战。
“谈到云时,我们有很多客户都知道,他们应该采取行动,如果你想勒紧腰带,云就是你的不二之选。”
但是云在控制成本方面可以发挥更多的作用。“AWS有一个他们没有充分利用的巨大机会,”云成本优化软件公司CloudFix、同时也是AWS的长期客户Rahul Subramaniam表示,我希望Adam能更关注直接解决客户对云计算成本越来越高的担忧。客户需要更清楚地了解他们应该做什么。”
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。