亞馬遜云科技計算和機器學習服務副總裁 David Brown

北京 2025年7月10日 /美通社/ -- 設想這樣一個系統(tǒng)，它可以探索解決復雜問題的多種方法，依托對海量數(shù)據(jù)的理解——從科學數(shù)據(jù)集到源代碼，再到商業(yè)文檔——并能夠實時推理各種可能性。這種閃電般極速的推理不是未來的設想，而是如今亞馬遜云科技客戶AI生產(chǎn)環(huán)境中正在發(fā)生的事情。當前我們的客戶在藥物研發(fā)、企業(yè)搜索、軟件開發(fā)等多個領域構建的AI系統(tǒng)規(guī)模令人驚嘆，而這僅是開始。

為了加速推理模型、Agentic AI系統(tǒng)等新興生成式AI技術的發(fā)展，亞馬遜云科技宣布由NVIDIA Grace Blackwell Superchips加速的Amazon EC2 P6e-GB200 UltraServer現(xiàn)已正式可用。P6e-GB200 UltraServer專為訓練和部署最大規(guī)模、最復雜的AI模型而設計。今年早些時候，亞馬遜云科技已推出了基于NVIDIA Blackwell GPU的Amazon EC2 P6-B200實例，支持多樣化的AI和高性能計算工作負載。 

基于亞馬遜云科技在大規(guī)模、安全可靠GPU基礎設施的豐富經(jīng)驗，Amazon EC2 P6e-GB200 UltraServer和Amazon P6-B200實例能夠幫助客戶持續(xù)推動AI技術的邊界。

滿足 AI 工作負載不斷增長的計算需求

Amazon EC2 P6e-GB200 UltraServer是亞馬遜云科技迄今為止最強大的GPU產(chǎn)品，配備最多72個NVIDIA Blackwell GPU，這些GPU通過第五代NVIDIA NVLink互連，并作為單一計算單元運行。每臺UltraServer可提供高達360 petaflops的高密度FP8算力，以及13.4TB的高帶寬顯存（HBM3e）——相比P5en實例，在單個NVLink域內(nèi)的計算能力提升超過20倍，內(nèi)存容量提升超過11倍。Amazon EC2 P6e-GB200 UltraServer支持高達28.8 Tbps的第四代Elastic Fabric Adapter（EFAv4）網(wǎng)絡帶寬。

Amazon EC2 P6-B200實例為廣泛AI場景提供靈活選擇。每個實例配備8個通過NVLink互連的NVIDIA Blackwell GPU，擁有1.4TB高帶寬顯存和最高3.2 Tbps的EFAv4網(wǎng)絡帶寬，以及第五代Intel Xeon Scalable處理器。與Amazon EC2 P5en實例相比，Amazon EC2 P6-B200實例的GPU計算能力是其2.25倍，顯存容量為其1.27倍，顯存帶寬為其1.6倍。

如何在Amazon EC2 P6e-GB200與Amazon EC2 P6-B200之間進行選擇？關鍵取決于客戶的具體工作負載需求和架構偏好：

• Amazon EC2 P6e-GB200 UltraServer非常適合對計算與內(nèi)存要求最為嚴苛的AI工作負載，例如訓練和部署萬億參數(shù)級的前沿模型。NVIDIA GB200 NVL72架構在這種規(guī)模下表現(xiàn)尤為出色。可以想象，72個GPU協(xié)同運作、共享統(tǒng)一內(nèi)存空間并實現(xiàn)協(xié)調(diào)的負載分配。這種架構通過降低GPU節(jié)點之間的通信開銷，提高分布式訓練效率。對于推理任務，能夠在單一NVLink域內(nèi)容納萬億參數(shù)模型，這意味著可在大規(guī)模場景下實現(xiàn)更快、更穩(wěn)定的響應時間。當與如NVIDIA Dynamo支持的解耦式推理等優(yōu)化技術結合使用時，GB200 NVL72架構具備的大規(guī)模域優(yōu)勢，可為專家混合模型等多種模型架構帶來顯著的推理效率提升。特別是在處理超長上下文窗口或實時運行高并發(fā)應用時，GB200 NVL72展現(xiàn)出強大的性能表現(xiàn)。
  
  
• Amazon EC2 P6-B200實例支持廣泛的AI工作負載，是面向中到大型訓練與推理任務的理想選擇。對于希望遷移現(xiàn)有GPU工作負載的客戶，Amazon EC2 P6-B200提供了熟悉的8-GPU配置，可最大程度減少代碼修改，簡化從當前代實例的遷移過程。此外，盡管英偉達的AI軟件棧已針對Arm和x86架構進行了優(yōu)化，但對于構建于x86環(huán)境的工作負載，配備Intel Xeon處理器的Amazon EC2 P6-B200實例將更為契合。

基于亞馬遜云科技核心優(yōu)勢的持續(xù)創(chuàng)新

將NVIDIA Blackwell引入亞馬遜云科技不僅僅是一項技術突破，更是對基礎設施的全面創(chuàng)新?；谠谟嬎?、網(wǎng)絡、運維和托管服務等領域的多年深耕與實踐，亞馬遜云科技將NVIDIA Blackwell的全部功能融入其中，同時滿足客戶期望在亞馬遜云科技獲得的高可靠性和性能。

實例強大的安全性與穩(wěn)定性

客戶在選擇將GPU工作負載部署在亞馬遜云科技上的原因中，有一點反復被提及：他們高度認可亞馬遜云科技在云端對實例安全性與穩(wěn)定性上的重視。Amazon Nitro系統(tǒng)的專用硬件、軟件和固件具備強制隔離機制，確保包括亞馬遜云科技員工在內(nèi)的任何人都無法訪問客戶的敏感AI負載與數(shù)據(jù)。

除了安全性，Amazon Nitro系統(tǒng)還從根本上革新了基礎設施的維護與優(yōu)化方式。該系統(tǒng)負責處理網(wǎng)絡、存儲及其他I/O功能，并支持在系統(tǒng)持續(xù)運行的情況下完成固件升級、漏洞修復和性能優(yōu)化。這種無需停機即可更新的能力，被稱為"實時更新"，在當前對連續(xù)性要求極高的AI生產(chǎn)環(huán)境中尤為關鍵，任何中斷都可能對業(yè)務進度造成嚴重影響。

Amazon EC2 P6e-GB200和Amazon EC2 P6-B200均搭載第六代Nitro系統(tǒng)。但這些安全與穩(wěn)定性的優(yōu)勢并非首次出現(xiàn)，自2017年起，創(chuàng)新型Nitro架構就已在持續(xù)保護和優(yōu)化Amazon EC2上的工作負載。

大規(guī)模環(huán)境下的可靠性能保障

對于AI基礎設施的挑戰(zhàn)不僅在于實現(xiàn)超大規(guī)模，更在于如何在這一規(guī)模下持續(xù)保障性能和可靠性。Amazon EC2 P6e-GB200 UltraServer已部署至第三代Amazon EC2 UltraCluster中，創(chuàng)建了單一架構，可覆蓋亞馬遜云科技規(guī)模最大的數(shù)據(jù)中心。第三代UltraCluster最多可將功耗降低40%、布線需求減少超過80%，不僅顯著提升了能效，也有效減少了潛在故障點。

為了在超大規(guī)模部署中提供一致性能，亞馬遜云科技采用了Elastic Fabric Adapter（EFA）及其可擴展可靠數(shù)據(jù)報協(xié)議（Scalable Reliable Datagram），該協(xié)議可在多條網(wǎng)絡路徑之間智能路由流量，即使在出現(xiàn)擁堵或故障的情況下，也能保持系統(tǒng)穩(wěn)定運行。亞馬遜云科技持續(xù)對四代EFA進行性能優(yōu)化。配備EFAv4的Amazon EC2 P6e-GB200和Amazon EC2 P6-B200實例，在分布式訓練中的集體通信速度相比使用EFAv3的Amazon EC2 P5en實例提升最高可達18%。

基礎設施效率

Amazon EC2 P6-B200 實例采用經(jīng)過驗證的空氣冷卻架構，而Amazon EC2 P6e-GB200 UltraServer 則采用液冷方案，使大型 NVLink 域架構能夠實現(xiàn)更高的計算密度，從而提升系統(tǒng)整體性能。P6e-GB200 配備創(chuàng)新的機械冷卻設計，可在新建和既有數(shù)據(jù)中心中實現(xiàn)靈活的芯片級液冷，從而在同一設施內(nèi)同時支持液冷加速器與空氣冷卻的網(wǎng)絡和存儲設備。憑借這一靈活的冷卻架構，亞馬遜云科技能夠以更低成本實現(xiàn)更高性能與效率。

在亞馬遜云科技上啟用 NVIDIA Blackwell

亞馬遜云科技通過多種部署路徑簡化Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實例的啟用過程，客戶可快速開始使用Blackwell GPU，同時保持其現(xiàn)有的運維模式。

Amazon SageMaker HyperPod

如果客戶希望加速AI開發(fā)，并減少對基礎設施和集群運維的投入，Amazon SageMaker HyperPod正是理想之選。該服務提供托管式、可靠的基礎設施，能夠自動完成大型GPU集群的配置與管理。亞馬遜云科技也在持續(xù)增強Amazon SageMaker HyperPod，新增靈活訓練計劃等創(chuàng)新功能，幫助客戶獲得可預測的訓練周期，并將訓練任務控制在預算范圍內(nèi)。

Amazon SageMaker HyperPod將支持Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實例，并通過優(yōu)化使工作負載保持在同一NVLink域內(nèi)，以實現(xiàn)性能最大化。亞馬遜云科技還在構建一套完整的多層級恢復機制：Amazon SageMaker HyperPod可在同一NVLink域內(nèi)自動用預配置的備用實例替換故障節(jié)點。內(nèi)置儀表板將提供從GPU利用率、內(nèi)存使用情況到工作負載指標和UltraServer運行狀態(tài)的全面可視化信息。

Amazon EKS

對于大規(guī)模AI工作負載，如果客戶更傾向于使用Kubernetes管理基礎設施，Amazon Elastic Kubernetes Service（Amazon EKS）通常是首選控制平面。Amazon EKS持續(xù)推動Amazon EKS的創(chuàng)新，例如Amazon EKS Hybrid Nodes功能，可支持在同一個集群中同時管理本地和Amazon EC2 GPU，從而為AI工作負載帶來更大靈活性。

Amazon EKS將通過托管節(jié)點組支持對Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實例的自動配置與生命周期管理。針對Amazon EC2 P6e-GB200 UltraServer，亞馬遜云科技正在為其構建拓撲感知能力，以識別GB200 NVL72架構，并自動為節(jié)點添加UltraServer ID和網(wǎng)絡拓撲信息，從而實現(xiàn)最優(yōu)的工作負載調(diào)度?？蛻艨蛇x擇將節(jié)點組部署在多個UltraServer之間，或專用于單個UltraServer，從而在訓練基礎設施架構上獲得更高的靈活性。Amazon EKS還會監(jiān)控GPU和加速器錯誤，并將相關信息傳遞至Kubernetes控制平面，以支持后續(xù)處理。

亞馬遜云科技上的 NVIDIA DGX Cloud

Amazon EC2 P6e-GB200 UltraServer也將通過NVIDIA DGX Cloud提供。DGX Cloud是一個統(tǒng)一的AI平臺，在各層架構均經(jīng)過優(yōu)化，具備多節(jié)點AI訓練與推理能力，并集成英偉達完整的AI軟件棧。客戶可充分利用英偉達最新的性能優(yōu)化方案、基準測試方法和技術專長，以提升效率與性能。該平臺還提供靈活的服務期限選擇，以及由英偉達專家提供的全面支持與服務，助力客戶加速推進AI項目。

此次發(fā)布是一個重要的里程碑，但這僅僅是一個開始。隨著AI能力持續(xù)的快速演進，客戶需要的基礎設施不僅要滿足當下需求，更要為未來的多種可能性提供支撐。通過在計算、網(wǎng)絡、運維和托管服務等多個層面的持續(xù)創(chuàng)新，Amazon EC2 P6e-GB200 UltraServer和Amazon EC2 P6-B200實例已做好充分準備來實現(xiàn)這些可能。我們期待看到客戶的未來構建。