在今天的"亚马逊克里姆林宫学"一集中,AWS发布了一份新闻稿,显示其最具传奇色彩的领导人之一发生了重大变动。
在AWS re:Invent大会上宣布Nova 2模型两周后,AWS实用计算高级副总裁Peter DeSantis将把他的两个团队从AWS中调出,并入即将于下月离职的高级副总裁Rohit Prasad的原有组织,并将整个部门作为一个名为"AGI"的统一单元进行管理。该单元将直接向亚马逊CEO Andy Jassy汇报。
Peter带走的两个团队分别是:重组后的Annapurna Labs业务,该业务负责制造AWS的硅芯片(Nitro、Graviton、Trainium和Inferentia);以及量子计算业务,这是一个让企业非常兴奋但却无法有效向非伯克利大学博士项目四年级以上学者解释清楚的领域。
要理解这一举措的深层含义,需要回顾一些历史背景。因为这是一个非常具有亚马逊特色的公告。亚马逊远不止Amazon.com和AWS:还有Alexa、Amazon Prime Video、Twitch、Zoox、Amazon Ads以及AGI团队等诸多业务。
这里传递的信息是,AI和AI相关的计算不应该仅仅是AWS的事情,而应该是整个亚马逊的事情。换句话说,Andy Jassy认为这个单元正在构建的东西要么已经非常重要,要么将变得极其重要,因此他们将最资深的AWS领导人之一调去负责全部工作。
将Peter DeSantis调离AWS是否反映了对Matt Garman缺乏信心
答案是否定的,因为Peter接管的组织本来就存在;现在他获得了更大的职权范围,将其他业务也纳入麾下,这在战略上比单纯的实用计算部门更为重要和引人注目。
垂直整合的故事是否似曾相识
Jassy特别指出了"跨模型、芯片、云软件和基础设施进行优化的优势"。这正是苹果在AI领域采用的策略——如果你同时控制硅芯片和模型,就可以进行端到端的优化,而他们最接近的两家竞争对手无法做到这一点:微软因为从英伟达采购芯片,而谷歌的TPU和模型团队则像我的大家庭一样,存在于平行宇宙中,偶尔交换一些带有被动攻击性的电子邮件。这就是亚马逊在这里下的战略赌注。
为什么将量子计算与AI捆绑在一起
这很有趣,不是吗?量子计算至少还需要十年时间才能实现,这一说法在今天和1990年代一样真实。将其归入"需要Peter DeSantis的技术深度来长期引领的领域"表明,这个组织明确关注的是战略耐心,而非季度业绩。这可能是我近期从亚马逊看到的最令人鼓舞的迹象之一;长期思维正是他们最擅长的领域。
隐藏的故事是什么
Jassy的备忘录特别提到Pieter Abbeel将担任AGI内部前沿模型研究团队(基础模型构建者)的新负责人。Abbeel是一位真正的AI研究者,去年亚马逊收购Covariant时加入公司。他将继续与机器人团队合作,同时领导前沿模型开发。
将亚马逊的这一举措简单理解为"一堆不受待见的孩子"是容易的,但请记住,亚马逊拥有地球上最大规模的部署机器人车队之一(仓库)。如果具身AI成为现实,他们拥有OpenAI和Anthropic只能梦想的测试场地。如果亚马逊能够成功,这种融合可能带来一场重大转变,而很多人可能不会预见到这一点。
Q&A
Q1:Peter DeSantis在亚马逊的新职位是什么?
A:Peter DeSantis被任命为亚马逊AGI组织的负责人,该组织整合了芯片制造业务Annapurna Labs和量子计算业务,直接向CEO Andy Jassy汇报。这标志着AI成为整个亚马逊的战略重点,而不仅仅是AWS的业务。
Q2:亚马逊为什么要采用垂直整合的AI策略?
A:亚马逊通过同时控制芯片(Nitro、Graviton、Trainium、Inferentia)和AI模型,可以实现端到端的优化。这与苹果的策略类似,能够获得微软(依赖英伟达芯片)和谷歌(芯片和模型团队协作不佳)无法实现的竞争优势。
Q3:亚马逊在具身AI领域有什么优势?
A:亚马逊拥有地球上最大规模的仓库机器人车队之一,这为具身AI提供了绝佳的测试场地。新任前沿模型研究团队负责人Pieter Abbeel同时负责机器人团队,这种结合可能让亚马逊在具身AI领域获得OpenAI和Anthropic无法比拟的优势。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。