亚马逊开始转向另一个开源虚拟化技术KVM

电子发烧友网报道（文/周凯扬）云服务作为目前市面上利润最大的市场之一，已然成了不少互联网巨头公司的主要业务，而云服务供应商中稳坐头号交椅的，自然是亚马逊的AWS。作为占据全球市场近三分之一，在中国市场仅次于阿里云的公共云平台，亚马逊的云业务成了它最赚钱的业务，甚至在其零售业务开始亏损时，也依然在一己之力撑起亚马逊的利润率。

亚马逊的AWS业务之所以能收获这样的成功，同样离不开硬件。云服务市场初期的竞争很简单，由于硬件用的都是英特尔、AMD这些厂商的服务器产品线，所以差距不大，只能靠虚拟化技术之类的软件架构以及更高的性价比来吸引客户。但为了进一步降低成本，云服务厂商们也纷纷开始自研芯片，亚马逊、谷歌还有阿里巴巴都是如此。

一次成功的收购对于云服务的基石实例来说，虚拟化是至关重要的。亚马逊此前用到的都是Xen这一开源虚拟化技术，随后在发现Xen在硬件虚拟化上的一些限制之后，亚马逊开始转向另一个开源虚拟化技术KVM。

但也正是这一转变让他们有了重大发现，那就是尽管英特尔和AMD的服务器CPU在虚拟化上越来越成熟，但KVM能与ASIC紧密结合在一起反而能发挥出更大的优势。为此，他们决定发展自己的芯片设计业务。

2015年，亚马逊以未公开的金额收购了一家来自以色列的初创芯片公司Annapurna Labs，而这时的Annapurna Labs甚至没有任何公开的产品，但亚马逊很明显看中了他们在服务器芯片上的开发实力。果不其然，2015年起，带有Annapurna Labs标志的ASIC芯片开始出现在Project Nitro中，只不过大部分ASIC芯片都只是作为网络/存储卸载卡上，每个实例的硬件主体大部分还是英特尔的x86 CPU。

2018年，第一代AWS Graviton面世，作为亚马逊自研的ARM服务器CPU方案，基于该处理器的实例在使用成本上要低于基于x86的方案，收获了不少用户的同时，也扩展了ARM的云端开发生态。这之后公布的第二代与第三代AWS Graviton，都为通用工作复杂提供了更高的性价比。

之所以有这么快的迭代速度，与亚马逊以IP为导向的设计路线有关。以AWS Graviton2和Graviton3为例，这两者分别运用了ARM Neoverse N1和Neoverse V1的方案，并不需要亚马逊像Ampere Computing这样的服务器芯片厂商一样，开始考虑自研ARM IP。

AI/ML带来的新一波热潮提供通用计算托管平台的亚马逊也没有止步于此，他们看上了新的市场，那就是AI/ML。作为“新电力”的人工智能正在为各个行业带去新的生机，但所需的算力也成了转型过程中最大的难题。最初大家指望用CPU来解决AI算力的问题，然而面对全新的计算方式，CPU很快就显得心有余而力不足。

但要去做GPU需要的技术积累可不少，市面上也只有英伟达的GPU在AI/ML上打出了名号，所以亚马逊和许多AI芯片初创公司一样，还是打算从ASIC上出发，推出了Inferentia和Trainium这两款推理和训练芯片。

不过Inferentia和Trainium与Graviton的定位是一样的，亚马逊并不指望从性能上打败如日中天的GPU，而是希望提供一个成本更低延迟更低并支持更多算法的方案，继续发挥云服务在即用即付这一高性价比商业模式上的优势。

与此同时，亚马逊作为全球市占比第一的云服务厂商，单靠自己的硬件是没法实现这样的地位的，所以无论是英伟达的GPU还是英特尔Habana Labs的AI加速器，亚马逊也都有合作部署。

即便Inferentia和Trainium带来了一定的成本和功耗优势，但要想打破当下以GPU主导的AI/ML生态，还面临着不少挑战，英伟达的CUDA已经打造了一个相当庞大的开发社区，要想让开发者迁移到ASIC硬件上，还有庞大的移植工作需要完成。这也是为何亚马逊的Annapurna Labs部门目前开放的100多个职位中，硬件开发的其实只有10多位，余下的大部分还是软件开发岗，大部分AI芯片初创公司也在面临着这类困境，并非独此一家。

结语在大部分服务器CPU、AI/ML加速器初创公司眼中，直接把硬件卖给各大数据中心和互联网公司并不是唯一的销售途径，能傍上亚马逊、谷歌和阿里巴巴这样的大腿不仅能盈利，还能提高自己产品的普及程度。

这也是为何Ampere Computing的Altra处理器开始陆续出现在Azure、谷歌云和阿里云等平台上，云服务平台自研芯片归根结底还是为了提供性价比更高的方案，但他们的客户还在猛增阶段，只靠闭门造车肯定是没法扩大市场份额的，拥抱更大的硬件生态才能实现共赢。