一场始于2022年下半年的大模型技术热潮，到了2023年4月，不仅丝毫没有退势，反而越来越热闹了。
以ChatGPT为代表的生成式大模型技术，不仅有技术突破性，而且非常有话题性。大模型大幅度提高了AI的智能化水平，并且在多个场景都表现出诱人的应用前景。
最近，就连从不跟风，只强调客户导向的亚马逊云科技也终于按奈不住进场竞争了。
2023年4月13日，亚马逊云科技发布两个大模型（亚马逊称之为Foundation Model-FM），第一个是针对总结、文本生成（如原创博客）、分类、开放式问答和信息提取等任务的生成式大语言模型。
第二个是文本嵌入（embeddings）大语言模型，能够将文本输入（字词、短语甚至是大篇幅文章）翻译成包含语义的数字表达（即embeddings 嵌入编码）。亚马逊云科技表示，除了这两个以外，未来还会有一系列模型都隶属于Amazon Titan家族。
除了大模型，同时发的还有新的训练和推理实例，一个面向开发者的AI编程工具Amazon CodeWhisperer，还有用于托管和开发生成式AI应用的Amazon Bedrock。四箭齐发，亚马逊云科技抢占大模型市场机遇。
Titan生成式大语言模型可以看做是ChatGPT的竞品，用户输入自然语言，模型会返回自然语言，可用在写博客、写邮件、总结文档、回答问题等场景。
作为同类竞品，很难不与ChatGPT做对比，也很期待后续关于这一模型与ChatGPT的一些对比的信息。
Titan文本嵌入大语言模型用法也更清晰，主要用于搜索和个性化推荐的场景。
以搜索为例，用户输入的文本会被转换为包含语义的数字表达，并且会存放到一个叫embedding space的地方，而要搜索的对象本身也在embedding space里，经过比对后就能更精准的进行匹配。该模型可提高搜索和推荐的精准度。
作为亚马逊云科技推出的AI云服务，它跟类ChatGPT一样的免费服务是不同的，它会避免用户隐私泄露的问题，比如，不会拿用户的数据来做训练，避免三星用ChatGPT泄露数据的问题。
亚马逊云科技生成式AI全球副总裁Vasi Philomin博士表示，亚马逊云科技不会拿用户的数据来训练模型，所有用户数据都会不会离开VPC，并且是加密的，用户数据隐私是有保障的。
众所周知，通用大模型的通用性很强，什么都懂一点，但是在特定领域的表现比较一般。当在大模型基础上针对特定领域进行训练之后，就能大幅提高在某些特定领域中的表现，这被很多人视为非常有前景的实践方向。
事实正是如此，比如，原始的Stable Diffusion表现很一般，而用了LoRA之后，生成的图则有以假乱真的实力。Meta泄露出来的LLaMA大模型表现也很一般，但基于它做的调优模型，表现有明显提高，一些场景中的表现甚至与业内标杆GPT-3.5不相上下。
亚马逊云科技提供Amazon Titan家族以及第三方（包括AI21 Labs、Anthropic 、Stability AI）的模型帮助用户训练模型，并且用新推出的Serverless服务Amazon Bedrock帮用户快速构建和扩展各种生成式AI应用。
对于打算用自己的数据定制化开发模型的用户，可以直接在亚马逊云科技上使用EC2实例。
4月13日，亚马逊云科技还发布了Amazon EC2 Trn1n实例，该实例是专门为生成式大模型准备的，为生成式AI做了专门的优化。
Trn1n在原来Trn1的基础上强化了网络，网络带宽翻倍为1600 Gbps。与Trn1相比，在构建大规模网络密集型模型时的性能可以提高20%以上，能用30000个Trainium构成的UltraCluster来训练大模型。在提高训练速度同时，至少能带来50%的成本节省（与其它EC2相比）。
大模型训练的费用惊人，其实，实际生产环境中，更费钱的是推理。
4月13日正式发布的还有Amazon EC2 Inf2（此前为预览版），它采用的是Inferentia2芯片，在性能和能效方面达到了新的高度，在成本方面又低了一大截。其中，Inf2的吞吐提高了最多四倍，而延迟相较于上代降低了最多10倍以上，性价比相比其他EC2实例提高了最多40%。
新推出的Amazon EC2 Trn1n和Amazon EC2 Inf2将云上大模型的训练和推理的成本骤降，成本问题对于用户将大模型放在云上非常重要。
随着大模型技术浪潮的来袭，以显卡为主的计算资源又变得更紧俏了。大模型集群动辄需要成千上万块显卡，每块显卡的成本都很高，训练需要大量装有显卡的服务器组成集群，还需要交高昂的电费成本，各种因素都不断拉高大模型的训练成本。
高昂的成本阻碍了AI的民主化进程，使得先进的AI技术只能掌握在少数资金充裕的大公司手里，而亚马逊云科技一直在推行机器学习上云。大模型爆火的背景下，又一次努力将云打造成适合训练和部署大模型的地方。
