“逆向工作法”十年引领云计算创芯之旅

作者：周雅

太平洋时间11月27日，在拉斯维加斯的亚马逊云科技2023 re:Invent开幕前两个小时，有一场小型的欢迎晚宴，《星期日泰晤士报》南非站记者Arthur Goldstuck在与至顶科技记者的交流中兴奋地谈到：“这些年参与过很多亚马逊活动，我有个预感，我们可能会目睹最重要的一场re:Invent，这次亚马逊云科技的技术发布，在未来五年都会是极具意义的。”

参与者们有理由兴奋，大家都在好奇，在生成式AI几乎席卷一切的背景下，一个处于领导者地位的云厂商，将会向外界讲出怎样的人工智能故事？

Arthur Goldstuck和包括我在内的更多与会者没有失望。如果站在未来看当下，生成式AI可能是一场大型马拉松，但亚马逊云科技现在就已经在勾勒出它的地图。在亚马逊云科技CEO Adam Selipsky长达两个半小时的演讲中，一张“生成式AI堆栈图”贯穿了整场。

亚马逊云科技“生成式AI技术堆栈图”（Generative AI Stack）

上图可见，亚马逊云科技搭建了三层AI堆栈：最底层是用于训练和推理的「基础设施层」，这里包括一些亚马逊云科技的自研芯片；中间层是微调大模型或基础模型需求的「工具层」；最上层是「生成式AI应用层」，这里包括此次新推出的生成式AI助理Amazon Q。

概括而言，亚马逊云科技正在构建一种范式，去尽可能匹配这个时代下的更多客户的更多需求，正如Adam Selipsky所说——“我们在用一种跟传统完全不同的方式探讨生成式AI概念”。

不过，正所谓见微知著，我们决定将「芯片」，作为观察今年亚马逊云科技re:Invent新发布的切入点。

图片摄于2023 re:Invent一角

十年自研，逆向造芯

很多人了解亚马逊云科技，知道它是全球领先云厂商，构建底层软件的能力非同一般。但大家可能不那么了解的是，亚马逊云科技还是一个在芯片及硬件层有深厚技术底蕴的公司。

早在十年前的2013年起，亚马逊云科技就开始自研芯片，至今已形成了一个芯片全家桶，包括四个系列：

· 云服务技术底层核心的虚拟化芯片Amazon Nitro

· 通用处理器芯片Amazon Graviton

· 用于机器学习的“训练”芯片Amazon Trainium和用于机器学习的“推理”芯片Amazon Inferentia

而且实际上，近年来亚马逊云科技一直在年中举办“亚马逊云科技硅芯片创新日”，与产业交流相关创新。就在今年6月的2023年芯片创新日，Amazon EC2副总裁Dave Brown回忆起2012年，当时亚马逊云科技是如何进入芯片设计的故事。一晃，已是十年。

他描述了一群领导者，包括 Peter DeSantis 和 James Hamilton，如何设想“增加一个硬件设备来增强亚马逊云科技的安全性和性能”——这个简单的想法，开启了一个全新的时代，带来了多种定制的芯片产品。

而在此次re:Invent，就有两款亚马逊云科技自研芯片有了重大升级，分别是：

· Amazon Graviton4
· Amazon Trainium2

Amazon Graviton4 和Amazon Trainium (原型) (Business Wire提供)

Amazon Graviton系列芯片，无疑是芯片发展史上浓墨重彩的发明。提起ARM架构的云端芯片，大家似乎不陌生。但如果把时钟拨回到6年前，虽然当时业界已经通过iPhone，认可了ARM架构是移动端CPU的好选择。但是，开发并规模化商用ARM架构的服务器CPU，还是前无古人的创举。

而亚马逊云科技就是那个开创者，Amazon Graviton第一代诞生于2018年，“现在接近10%的服务器总销售额是ARM，其中很大一部分来自亚马逊云科技。在CPU方面，这家公司做得很好。”Bernstein Research高级分析师Stacy Rasgon在一次接受采访中如是说。

本次大会，Amazon Graviton已经更新到第四代，但依然没有放慢高速增长的步伐。据悉，与前一代相比，Amazon Graviton4性能提升30%，独立核心增加50%，对于高并发等应用所需要的内存带宽，更提升75%，并且，还进一步通过高速物理硬件接口的完全加密提升了安全性。

熟悉造芯的朋友们都知道，设计和成功流片一颗新架构的芯片只是造芯的基本功，而能让芯片规模化的用起来，才是决定造芯是否成功的天花板。

在管理理念上，亚马逊内部有一招很特别的法门，叫做“working backwards逆向工作法”。亚马逊云科技的成功造芯，或许正与此有关。

关于“逆向工作法”，曾经贝索斯在2008年致亚马逊公司股东的信中所做解释大意如下：如果我们能很好了解顾客需求，并深信这种需求是有长期价值。那么，我们的一贯做法是——耐心探索，直至找到解决方案……从顾客需求出发的“逆向工作法”（working backwards）与“技能导向法”（skills-forward）形成鲜明对比。

简单来说，逆向工作法，就是先研究需求，再根据需求创造相应工具；而技能导向法，则是手里拿着锤子，看什么都像钉子。

亚马逊云科技的造芯过程，某种程度就遵循了逆向工作法。以亚马逊云科技最早的硬件系统Amazon Nitro为例。它的出现，就是为了解决Xen架构的虚拟化系统的资源消耗问题——服务器中大概只有七成的资源能够提供给用户。而Amazon Nitro针对虚拟化损耗，提出定制化硬件的思路，最终提供了裸机的性能。

而在与用户应用关系度更紧密的CPU层面，亚马逊云科技提供了针对不同负载优化的计算实例类型，来推动芯片的落地应用，从计算密集型、内存密集型，再到存储、IO敏感、吞吐敏感、网络延迟敏感等，一应俱全。

针对最新的Amazon Graviton4，亚马逊云科技就提供了Amazon EC2 R8g内存优化性实例，可以提升客户运行高性能数据库、内存缓存、大数据分析等工作负载的效率。R8g实例相比当前一代R7g实例提供更大的实例大小，虚拟处理器（vCPU）以及内存均提升了3倍。这让用户可以处理更大量的数据、更大规模的工作负载、更快的获得运行结果，并降低总拥有成本。基于Amazon Graviton4的R8g实例现已提供预览版，并将在未来几个月推出正式可用版。

对于Amazon Graviton的设计方式，同样是从逆向工作法开始的，Amazon Graviton自发布以来，它的设计出发点就是用户的实际工作负载，而不是测试软件的benchmark。通过一个“六边形性能分析”可以看到，Amazon Graviton4相比上一代是如何在数据应用中提升性能。这些性能的提升不仅仅存在于re:Invent上，更在客户每次用实际工作负载来测试Amazon Graviton芯片中。

Amazon Graviton4的六边形性能分析，以及在Amazon Graviton3和Amazon Graviton4上运行的MySQL示例

据统计，目前由Amazon Graviton支持的Amazon EC2实例种类达150多个，已经构建的Amazon Graviton处理器数量超过200万个，并拥有超过5万客户，包括Datadog、DirecTV、Discovery、Formula 1 (F1)、NextRoll、Nielsen、Pinterest、SAP、Snowflake、Sprinklr、Stripe以及Zendesk等。例如SAP，在使用Amazon Graviton服务之后，成本降低了35%，且分析速度更快，同时减少了45%的碳排放量。

不过我猜，Arthur Goldstuck和很多人在内，在re:Invent期间更关注的一颗芯，会是Amazon Trainium系列，因为这是面向模型“训练”的芯片，而这部分，算力的瓶颈问题众人皆知。

此次大会发布的Amazon Trainium2，是一款专为基础模型和大模型而生的产品，为拥有数千亿甚至数万亿个参数的基础模型训练做了优化，相比第一代Amazon Trainium(发布于2020年12月)，性能提升4倍，内存提升3倍，能效(每瓦性能)提升2倍，几乎全线超过摩尔定律所定义的范畴。

同样，亚马逊云科技也有相同的实例推动新系列的落地。Amazon EC2 Trn2实例就采用了Amazon Trainium2，一个单独实例中包含16个Amazon Trainium芯片，Trn2实例可帮助在下一代EC2 UltraCluster中扩展到10万个Amazon Trainium2，通过搭配Amazon Elastic Fabric Adapter (EFA) 网络互连，提供65 ExaFlops超算级性能。基于此，客户只用几周就能训练出有3000亿个参数的大模型，这约是OpenAI的大模型GPT-3大小的1.75倍。

在这场发布的间隙，在采访中被问道“造芯对于客户带去什么价值”时，亚马逊云科技全球汽车及制造行业专业服务团队负责人Jon Allen告诉我：

“客户想要更快的、更便宜的东西，这是基本原则。”无疑，这也是非常“逆向工作法”的一个回答。他以汽车业务举例，“真正训练一辆自动驾驶汽车，起码得开车跑900万英里，如果用传统方式做数据训练，很多OEMs客户可能根本负担不起”。

生成式AI大时代，有自研，但不影响联盟

虽然亚马逊云科技一直持续自研芯片，但是封闭并非这家公司的基因。而在生成式AI时代起决定性作用的另外一家巨头，英伟达创始人兼CEO黄仁勋穿着标志性皮衣，甚至作为此次re:Invent的首位上场的合作伙伴，与Adam Selipsky进行了一场对话，在对话中黄仁勋提到：

“生成式AI正改变各种云端负载，为多元内容创作在底层注入加速计算动能。我们的共同目标是，为每个客户提供具有成本效益的先进生成式AI，为此英伟达与亚马逊云科技在整个计算堆栈展开合作，横跨AI基础设施、加速库（acceleration libraries）、基础模型、以及生成式AI服务。”

在真正的创新者面前，重要的不是是否有竞争，而是双方是否有能满足客户需求的能力，显然，亚马逊云科技和英伟达都在对方身上看到了这一点。

“GPU和GPU之间用NV link连接方式让我们的GPU可以直接存取CPU的记忆体，CPU可以直接使用GPU的记忆体，这是非常快地进行的。在更大的网络中，通过Grace Harper链接在一起。Amazon Nitro可以将GH变成一颗巨大的虚拟化的GPU。这么多的实例，我们可以跟亚马逊云科技EFA兼容起来用，这也是非常快速的速度来运用的，所有单元都可以变成超级的集群。”黄仁勋说道。

约13年前，亚马逊云科技是第一家把英伟达GPU芯片带到云上的云厂商，而接下来，双方还将扩大合作，主要包括四个方面：

· 亚马逊云科技成为第一家在云端配备英伟达GH200 Grace Hopper超级芯片的云厂商。英伟达GH200 NVL32多节点平台为运用英伟达NVLink与NVSwitch技术连接32个Grace Hopper Superchips组成的实例。此平台将在Amazon Elastic Compute Cloud（Amazon EC2）实例上可用，与亚马逊云科技的网络相连，由虚拟化（Amazon Nitro System）及超大规模集群（Amazon EC2 UltraClusters）提供支持，让共同客户能扩展至数千个GH200超级芯片。

· 在亚马逊云科技平台上将推出英伟达DGX Cloud NVIDIA AI“训练即服务（AI-training-as-a-service）”。此服务将是首个配置GH200 NVL32的DGX Cloud，为开发者提供单一实例中最多的共享内存。在亚马逊云科技上运行的DGX Cloud将加速训练含有超过1兆参数的尖端生成式AI与大型语言模型。

· 英伟达与亚马逊云科技合作推动Project Ceiba，构建全球最快的GPU驱动的AI超级计算机，这是一个配备GH200 NVL32与Amazon EFA互连技术的大规模系统，该系统部署在亚马逊云科技上，为英伟达研发团队提供服务。该超级计算机将前所未有地配置16384颗英伟达H200超级芯片，能处理65 exaflops（衡量超级计算机性能的单位,每秒浮点运算可达一百亿亿次）速度等级的AI运算，英伟达使用该超级计算机推动其全新生成式AI的创新。

· 亚马逊云科技将推出三款Amazon EC2实例：P5e实例配置英伟达H200 Tensor Core GPUs，针对大规模与尖端生成式AI及HPC高性能运算工作负载；分别配置英伟达L4 GPUs与英伟达L40S GPUs的G6与G6e实例，可运行包括AI微调、推理、绘图以及影片工作负载等广泛应用。G6e实例特别适用于开发3D工作流程、数字孪生、以及其他使用英伟达Omniverse的应用，用来连接与构建各种生成式AI的3D应用。

提到大模型，总有人认为这是巨头的游戏。但是Jon Allen不这么看，他告诉我，在亚马逊云科技的帮助下，“对中小企业和创业公司来说，我们的AI芯片带给他们与宝马等汽车巨头相同的计算能力。十年前的硅谷，只有十几人的小公司根本无法负担高昂的算力（与大玩家竞争）。但现在不一样了，AI芯片确实创造了新机会。”