云上创新计算实例，引领高性能计算新风向

{"value":"\n\n\n\n\n\n很多领域的组织需要依靠高性能计算来解决复杂的学术、科学和商业问题。当前，众多客户如阿斯利康、F1 一级方程式赛车、Maxar Technologies 等在亚马逊云科技上借助其提供的卓越的安全性、可扩展性和弹性，运行传统的高性能计算工作负载，包括基因组学处理、计算流体动力学和天气预报模拟等。\n\n\n\n\n赛车仿真：使用计算流体动力学 (CFD) 模拟，以构建更快的车辆设计\n\n\n\n\n生物医药：快速药物发现和基于结构的药物设计\n\n\n\n基因测序：使用预测、实时或回顾性数据应用程序推进基因组学见解\n\n\n\n地球科学：更快地运行地球科学模拟和地震处理并迭代模型\n\n\n\n金融科技：进行网格计算模拟，并识别投资组合风险和对冲机会\n\n\n工程师、研究人员和科学家使用 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)网络优化型实例（如 C5n、R5n、M5n 和 C6gn）运行高性能计算工作负载，这些实例提供了近乎无限的计算能力和服务器之间的高网络带宽，实现数千个内核处理和交换数据。虽然这些实例的性能足以满足目前大多数高性能计算场景，但人工智能和自动驾驶汽车等新兴应用需要高性能计算优化实例，扩展到数万个甚至更多的内核，进一步解决难度系数持续增加的问题并降低高性能计算工作负载的成本。\n\n\n\n亚马逊云科技在 re:lnvent 2022上宣布推出三款分别由三种新的自研芯片支持的 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例，为客户广泛的工作负载提供更高性价比。**Hpc7g 实例配备了亚马逊云科技自研的最新 Graviton3E 处理器，与当前一代 C6gn 实例相比浮点性能提高了2倍，与当前一代 Hpc6a 实例相比性能提高了20%**，为亚马逊云科技上的高性能计算工作负载提供了超高性价比。\n\n#### **计算实例创新引领高性能计算新风向**\n\n> ***亚马逊云科技 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)副总裁 David Brown** 表示：“从 Graviton 到 Trainium、Inferentia 再到 Nitro，亚马逊云科技每一代自研芯片都为客户的各种工作负载提供更高的性能、更优化的成本和更高的能效。我们不断推陈出新让客户获得卓越的性价比，这也一直驱动着我们的持续创新。我们推出在此次2022亚马逊云科技 re:Invent 大会上推出的 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例为高性能计算、网络密集型工作负载和[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)推理工作负载提供了显著的性能提升，客户有了更多的实例选择来满足他们的特定需求。”*\n\n本次 HPC 高性能计算领域，除已有的基于 AMD Milan 处理器的 Hpc6a 实例以外，我们推出了基于最新 Graviton3E 的 Hpc7g 实例以及基于 Intel 处理器的 Hpc6id 实例，为客户高性能计算场景提供更多选择。\n\n\n\n- **Hpc7g 实例——专为大规模运行高性能计算工作负载提供超高性价比**\n\n\n\nHpc7g 实例由新的 Amazon Graviton3E 芯片提供支持，为客户在 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)上的高性能计算工作负载（如计算流体动力学、天气模拟、基因组学和分子动力学等）提供了超高的性价比。\n\n\n\n与采用 Graviton2 处理器的当前一代 C6gn 实例相比，Hpc7g 实例的浮点性能提高了2倍，与当前一代 Hpc6a 实例相比性能提高了20%，让客户能够在多达数万个内核的高性能计算集群中进行复杂的计算。\n\n\n\nHpc7g 实例还提供高内存带宽和 200Gbps 的 EFA （Elastic Fabric Adapter，弹性结构适配器）网络带宽，可以更快的运行并完成高性能计算应用。\n\n- **Hpc6id 实例——专为紧密耦合的 HPC 工作负载而构建的新实例类型**\n\n\n\n\n[Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)Hpc6id instance，基于 Amazon Nitro 系统构建的 EC2 Hpc6id 实例提供 200Gbps 弹性结构适配器网络，用于高吞吐量节点间通信，使客户 HPC 工作负载能够大规模运行。\n\n> *Adam 表示：“Hpc6id 实例旨在为数据、内存密集型 HPC 工作负载、更高的内存带宽、更快的本地 SSD 存储和弹性结构适配器增强的网络提供领先的性价比。使用 EC2 Hpc6id 实例，可以降低 HPC 工作负载的成本，也可以充分利用亚马逊云科技的弹性和可扩展性。”*\n\n同时，基于最新发布的 Graviton3E 处理器，我们发布了 C7gn 网络优化高性能计算实例，以及基于 Inferentia2 [机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)加速推理芯片的 Inf2 实例。\n\n- **C7gn 实例为网络密集型工作负载提供极佳性能，该项实例具有更高的网络带宽、更高的数据包转发性能和更低的延迟**\n\n\n\n\nC7gn 实例采用新的、具有网络加速功能的第五代 Nitro，在 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)网络优化型实例中具有最高的网络带宽和数据包处理性能，而且功耗更低。Nitro 卡将主机 CPU 的 I/O 功能卸载到专门的硬件并进行加速，将 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例的所有资源几乎都提供给客户的工作负载，从而以更低的 CPU 利用率实现更稳定的性能。\n\n\n\n新款 Amazon Nitro 卡使 C7gn 实例的每个 CPU 提供高达2倍的网络带宽，将每秒数据包处理性能提升50%，与当前一代网络优化型 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例相比，进一步降低了 EFA 网络延迟。\n\n- **Inf2 实例专为部署当今最严苛的深度学习模型而设计，支持分布式推理和随机舍入算法**\n\n\n\n\n为提供更好的应用或者更加定制化的个性体验，数据科学家和[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)工程师正在构建更大、更复杂的深度学习模型。\n\n\n\nInf2 实例，配备了亚马逊云科技自研的最新款 Inferentia2 [机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)加速推理芯片，可以运行高达1,750亿个参数的大型深度学习模型（如 LLM、图像生成和自动语音检测），同时在 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)上提供最低的单次推理成本。Inf2 是第一个支持分布式推理的推理优化型 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例，该技术将大型模型分布在多个芯片上，为参数超过1,000亿的深度学习模型提供极佳性能。\n\n\n\nInf2 实例支持随机舍入，这种以概率方式进行四舍五入的方式与传统的四舍五入相比，能够提供更高的性能和更高的精度。**与当前一代 Inf1 实例相比，Inf2 实例提供了高达4倍的吞吐量，降低多达10倍的延迟，与基于 GPU 的实例相比，它的每瓦性能提升高达45%。**\n\n#### **笛卡尔实验室上云为客户提供更为有意义的洞察**\n\n在本次2022亚马逊云科技 re:lnvent 全球大会上，我们同时宣布，领先的地理空间智能公司笛卡尔实验室（Descartes Labs）正在将其包括地理空间处理和分析平台在内的核心 IT 基础设施迁移至亚马逊云科技。通过全面使用亚马逊云科技，笛卡尔实验室将为商业和公共部门的客户提供洞察力，帮助他们及时做出决策以应对全球日益紧迫的挑战，如减轻气候变化影响、加强粮食安全、保护人类以及自然资源。\n\n\n图源：笛卡尔实验室\n\n\n\n笛卡尔实验室通过将云平台迁移至亚马逊云科技，可以通过高性能计算加速地理空间数据的分析。这些空间数据包括描述地球表面自然环境与建筑物的位置和特征的图像、来自卫星和飞机的遥感以及其他数据源。\n\n\n\n凭借亚马逊云科技久经考验的基础设施和广泛而深入的云服务，笛卡尔实验室可以存储、处理和快速分析海量的地理空间数据，帮助其客户从这些专业数据的分析中获得洞察并及时做出决策。笛卡尔实验室利用云中可大规模扩展的对象存储服务 [Amazon S3](https://aws.amazon.com/cn/s3/?trk=cndc-detail) 的智能分层功能，自动将数据存储至最具成本效益的存储层，优化了其 20PB 数据库的存储成本。笛卡尔实验室还通过全托管的搜索和分析服务 [Amazon OpenSearch Service](https://aws.amazon.com/cn/opensearch-service/?trk=cndc-detail)，帮助其客户从庞大的图像档案中搜索并定位与业务相关的精准像素。\n\n\n\n笛卡尔实验室正在亚马逊云科技基础设施上构建自己的云端超算能力，并在商用计算机系统500强排名中位列第40位。笛卡尔实验室利用亚马逊云科技不断增强其计算能力，以处理日益复杂的数据集，并帮助客户预测和解决其行业特有的问题。笛卡尔实验室首席执行官 Richard Davis 表示：“亚马逊云科技为我们提供了所需的性能和规模，帮助我们的企业客户客观地衡量和了解它们对世界的影响，以便能够不断改进运营并完成复杂的任务。亚马逊云科技拥有久经考验的基础设施和服务，以及一支充分了解我们在卫星和航天领域面临的独特挑战的专业团队，帮助我们通过地理空间数据为客户提供达行星尺度的可实施洞察。”\n\n\n\n\n> ***亚马逊云科技全球公共部门副总裁 Max Peterson 表示**：“借助亚马逊云科技，笛卡尔实验室可以快速处理地理空间数据并提供更强大的洞察力，以帮助客户创新，在地球上实现更智能、更可持续的生活和工作方式。亚马逊云科技的全球基础设施、深入的技术能力和快速创新步伐可帮助客户更好地为复杂系统建模，全面了解全球运营情况并发现有意义的洞察，以更好地了解其活动对人类和地球所带来的影响。”*\n\n#### **SimSpace Weaver 助力大规模空间模拟**\n\n本届2022亚马逊云科技 re:lnvent 全球大会上，我们重磅发布了完全托管的计算服务 Amazon SimSpace Weaver，基于云上高性能算力，帮助客户构建、操作和运行大规模的空间模拟仿真系统。\n\n\n\n借助 Amazon SimSpace Weaver，客户可以部署空间模拟应用，对具有多个数据点的动态系统进行建模（例如整个城市的交通、场馆内流动的人群或工厂车间的布局），模拟可视化的物理空间，运行沉浸式的训练模型，获得不同情景下的关键指标并做出明智的决策。\n\n\n\n> ***Amazon.com 副总裁兼首席技术官 Dr. Werner Vogels** 在主题演讲中提到：“我们生活的世界很复杂，开发人员想要模拟的场景也非常复杂。例如，大型音乐会或体育赛事将如何影响交通。模拟这些事件需要对数十万个独立的动态实体进行建模，以代表人和车辆。每个实体都有自己的一组行为，当它在世界中移动并与其他实体交互时，需要对这些行为进行建模，以现实规模进行模拟需要的 CPU 和内存超出了您在单个实例中所能拥有的规模。”*\n\n\n客户使用 Amazon SimSpace Weaver 可模拟出100万个以上、实时交互的仿真对象，创建比以往更加复杂的环境，并且将模拟仿真系统部署的时间从数年缩短至数月。**Amazon SimSpace Weaver 可自动配置 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例以及管理网络和计算基础设施，让客户专注于仿真模型的设计，并支持通过多个查看器实时观察模拟对象的状态**。使用 SimSpace Weaver，您可以在多个 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例上大规模运行模拟。它支持模拟超过一百万个独立的动态实体，且只需为使用的计算量付费。\n\n\n\n直到今天，空间模拟通常仅限于在单个硬件上运行。如果开发人员想模拟一个包含大量独立且动态实体的更大、更复杂的世界，他们需要配置一台更大的计算机。模拟开发人员被迫在规模和保真度之间做出权衡，换句话说，就是要确定世界有多大、有多少独立实体，亚马逊云科技突破了这个挑战。","render":"<p><img src=\\"https://dev-media.amazoncloud.cn/32169dc7a68241b39f518092ee3be4b8_image.png\\" alt=\\"image.png\\" /></p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/8b41d837a7f843a4a8b1bf1b8cd68b60_image.png\\" alt=\\"image.png\\" /></p>\n<p>很多领域的组织需要依靠高性能计算来解决复杂的学术、科学和商业问题。当前，众多客户如阿斯利康、F1 一级方程式赛车、Maxar Technologies 等在亚马逊云科技上借助其提供的卓越的安全性、可扩展性和弹性，运行传统的高性能计算工作负载，包括基因组学处理、计算流体动力学和天气预报模拟等。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/e7593b1ae590483ab4ccee9c04fae560_image.png\\" alt=\\"image.png\\" /></p>\n<p>赛车仿真：使用计算流体动力学 (CFD) 模拟，以构建更快的车辆设计</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/1ceb5107c5714ff182bf7e3fd9bed523_image.png\\" alt=\\"image.png\\" /></p>\n<p>生物医药：快速药物发现和基于结构的药物设计</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/255ac53936b843bcb6996d3b8caba488_image.png\\" alt=\\"image.png\\" /></p>\n<p>基因测序：使用预测、实时或回顾性数据应用程序推进基因组学见解</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/108f201d366646aaa95064df1df7b676_image.png\\" alt=\\"image.png\\" /></p>\n<p>地球科学：更快地运行地球科学模拟和地震处理并迭代模型</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/bee1ce1f4c3d430ca9578ddc546df554_image.png\\" alt=\\"image.png\\" /></p>\n<p>金融科技：进行网格计算模拟，并识别投资组合风险和对冲机会</p>\n<p>工程师、研究人员和科学家使用 Amazon EC2 网络优化型实例（如 C5n、R5n、M5n 和 C6gn）运行高性能计算工作负载，这些实例提供了近乎无限的计算能力和服务器之间的高网络带宽，实现数千个内核处理和交换数据。虽然这些实例的性能足以满足目前大多数高性能计算场景，但人工智能和自动驾驶汽车等新兴应用需要高性能计算优化实例，扩展到数万个甚至更多的内核，进一步解决难度系数持续增加的问题并降低高性能计算工作负载的成本。</p>\n<p>亚马逊云科技在 re:lnvent 2022上宣布推出三款分别由三种新的自研芯片支持的 Amazon EC2 实例，为客户广泛的工作负载提供更高性价比。<strong>Hpc7g 实例配备了亚马逊云科技自研的最新 Graviton3E 处理器，与当前一代 C6gn 实例相比浮点性能提高了2倍，与当前一代 Hpc6a 实例相比性能提高了20%</strong>，为亚马逊云科技上的高性能计算工作负载提供了超高性价比。</p>\\n<h4><a id=\\"_37\\"></a><strong>计算实例创新引领高性能计算新风向</strong></h4>\\n<blockquote>\\n<p><em><strong>亚马逊云科技 Amazon EC2 副总裁 David Brown</strong> 表示：“从 Graviton 到 Trainium、Inferentia 再到 Nitro，亚马逊云科技每一代自研芯片都为客户的各种工作负载提供更高的性能、更优化的成本和更高的能效。我们不断推陈出新让客户获得卓越的性价比，这也一直驱动着我们的持续创新。我们推出在此次2022亚马逊云科技 re:Invent 大会上推出的 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例为高性能计算、网络密集型工作负载和[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)推理工作负载提供了显著的性能提升，客户有了更多的实例选择来满足他们的特定需求。”</em></p>\n</blockquote>\\n<p>本次 HPC 高性能计算领域，除已有的基于 AMD Milan 处理器的 Hpc6a 实例以外，我们推出了基于最新 Graviton3E 的 Hpc7g 实例以及基于 Intel 处理器的 Hpc6id 实例，为客户高性能计算场景提供更多选择。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/508686135ace4170ada0aeee57b582a4_image.png\\" alt=\\"image.png\\" /></p>\n<ul>\\n<li><strong>Hpc7g 实例——专为大规模运行高性能计算工作负载提供超高性价比</strong></li>\\n</ul>\n<p><img src=\\"https://dev-media.amazoncloud.cn/646ddffa06814098b0ef439db6cd3d3d_image.png\\" alt=\\"image.png\\" /></p>\n<p>Hpc7g 实例由新的 Amazon Graviton3E 芯片提供支持，为客户在 Amazon EC2 上的高性能计算工作负载（如计算流体动力学、天气模拟、基因组学和分子动力学等）提供了超高的性价比。</p>\n<p>与采用 Graviton2 处理器的当前一代 C6gn 实例相比，Hpc7g 实例的浮点性能提高了2倍，与当前一代 Hpc6a 实例相比性能提高了20%，让客户能够在多达数万个内核的高性能计算集群中进行复杂的计算。</p>\n<p>Hpc7g 实例还提供高内存带宽和 200Gbps 的 EFA （Elastic Fabric Adapter，弹性结构适配器）网络带宽，可以更快的运行并完成高性能计算应用。</p>\n<ul>\\n<li><strong>Hpc6id 实例——专为紧密耦合的 HPC 工作负载而构建的新实例类型</strong></li>\\n</ul>\n<p><img src=\\"https://dev-media.amazoncloud.cn/684f2364a25b4289bb47de84674fc26f_image.png\\" alt=\\"image.png\\" /></p>\n<p>Amazon EC2 Hpc6id instance，基于 Amazon Nitro 系统构建的 EC2 Hpc6id 实例提供 200Gbps 弹性结构适配器网络，用于高吞吐量节点间通信，使客户 HPC 工作负载能够大规模运行。</p>\n<blockquote>\\n<p><em>Adam 表示：“Hpc6id 实例旨在为数据、内存密集型 HPC 工作负载、更高的内存带宽、更快的本地 SSD 存储和弹性结构适配器增强的网络提供领先的性价比。使用 EC2 Hpc6id 实例，可以降低 HPC 工作负载的成本，也可以充分利用亚马逊云科技的弹性和可扩展性。”</em></p>\\n</blockquote>\n<p>同时，基于最新发布的 Graviton3E 处理器，我们发布了 C7gn 网络优化高性能计算实例，以及基于 Inferentia2 机器学习加速推理芯片的 Inf2 实例。</p>\n<ul>\\n<li><strong>C7gn 实例为网络密集型工作负载提供极佳性能，该项实例具有更高的网络带宽、更高的数据包转发性能和更低的延迟</strong></li>\\n</ul>\n<p><img src=\\"https://dev-media.amazoncloud.cn/fbc33dc78e9a46578a090b948fab3f69_image.png\\" alt=\\"image.png\\" /></p>\n<p>C7gn 实例采用新的、具有网络加速功能的第五代 Nitro，在 Amazon EC2 网络优化型实例中具有最高的网络带宽和数据包处理性能，而且功耗更低。Nitro 卡将主机 CPU 的 I/O 功能卸载到专门的硬件并进行加速，将 Amazon EC2 实例的所有资源几乎都提供给客户的工作负载，从而以更低的 CPU 利用率实现更稳定的性能。</p>\n<p>新款 Amazon Nitro 卡使 C7gn 实例的每个 CPU 提供高达2倍的网络带宽，将每秒数据包处理性能提升50%，与当前一代网络优化型 Amazon EC2 实例相比，进一步降低了 EFA 网络延迟。</p>\n<ul>\\n<li><strong>Inf2 实例专为部署当今最严苛的深度学习模型而设计，支持分布式推理和随机舍入算法</strong></li>\\n</ul>\n<p><img src=\\"https://dev-media.amazoncloud.cn/477098a27b0b433c945fe75f2afd16a2_image.png\\" alt=\\"image.png\\" /></p>\n<p>为提供更好的应用或者更加定制化的个性体验，数据科学家和机器学习工程师正在构建更大、更复杂的深度学习模型。</p>\n<p>Inf2 实例，配备了亚马逊云科技自研的最新款 Inferentia2 机器学习加速推理芯片，可以运行高达1,750亿个参数的大型深度学习模型（如 LLM、图像生成和自动语音检测），同时在 Amazon EC2 上提供最低的单次推理成本。Inf2 是第一个支持分布式推理的推理优化型 Amazon EC2 实例，该技术将大型模型分布在多个芯片上，为参数超过1,000亿的深度学习模型提供极佳性能。</p>\n<p>Inf2 实例支持随机舍入，这种以概率方式进行四舍五入的方式与传统的四舍五入相比，能够提供更高的性能和更高的精度。<strong>与当前一代 Inf1 实例相比，Inf2 实例提供了高达4倍的吞吐量，降低多达10倍的延迟，与基于 GPU 的实例相比，它的每瓦性能提升高达45%。</strong></p>\\n<h4><a id=\\"_96\\"></a><strong>笛卡尔实验室上云为客户提供更为有意义的洞察</strong></h4>\\n<p>在本次2022亚马逊云科技 re:lnvent 全球大会上，我们同时宣布，领先的地理空间智能公司笛卡尔实验室（Descartes Labs）正在将其包括地理空间处理和分析平台在内的核心 IT 基础设施迁移至亚马逊云科技。通过全面使用亚马逊云科技，笛卡尔实验室将为商业和公共部门的客户提供洞察力，帮助他们及时做出决策以应对全球日益紧迫的挑战，如减轻气候变化影响、加强粮食安全、保护人类以及自然资源。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/0f7f8431d94745b3ab286a62964ffdd3_image.png\\" alt=\\"image.png\\" /><br />\\n图源：笛卡尔实验室</p>\n<p>笛卡尔实验室通过将云平台迁移至亚马逊云科技，可以通过高性能计算加速地理空间数据的分析。这些空间数据包括描述地球表面自然环境与建筑物的位置和特征的图像、来自卫星和飞机的遥感以及其他数据源。</p>\n<p>凭借亚马逊云科技久经考验的基础设施和广泛而深入的云服务，笛卡尔实验室可以存储、处理和快速分析海量的地理空间数据，帮助其客户从这些专业数据的分析中获得洞察并及时做出决策。笛卡尔实验室利用云中可大规模扩展的对象存储服务 Amazon S3 的智能分层功能，自动将数据存储至最具成本效益的存储层，优化了其 20PB 数据库的存储成本。笛卡尔实验室还通过全托管的搜索和分析服务 Amazon OpenSearch Service，帮助其客户从庞大的图像档案中搜索并定位与业务相关的精准像素。</p>\n<p>笛卡尔实验室正在亚马逊云科技基础设施上构建自己的云端超算能力，并在商用计算机系统500强排名中位列第40位。笛卡尔实验室利用亚马逊云科技不断增强其计算能力，以处理日益复杂的数据集，并帮助客户预测和解决其行业特有的问题。笛卡尔实验室首席执行官 Richard Davis 表示：“亚马逊云科技为我们提供了所需的性能和规模，帮助我们的企业客户客观地衡量和了解它们对世界的影响，以便能够不断改进运营并完成复杂的任务。亚马逊云科技拥有久经考验的基础设施和服务，以及一支充分了解我们在卫星和航天领域面临的独特挑战的专业团队，帮助我们通过地理空间数据为客户提供达行星尺度的可实施洞察。”</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/4e2f13cc523041e6a0c586d61058ed09_image.png\\" alt=\\"image.png\\" /></p>\n<blockquote>\\n<p><em><strong>亚马逊云科技全球公共部门副总裁 Max Peterson 表示</strong>：“借助亚马逊云科技，笛卡尔实验室可以快速处理地理空间数据并提供更强大的洞察力，以帮助客户创新，在地球上实现更智能、更可持续的生活和工作方式。亚马逊云科技的全球基础设施、深入的技术能力和快速创新步伐可帮助客户更好地为复杂系统建模，全面了解全球运营情况并发现有意义的洞察，以更好地了解其活动对人类和地球所带来的影响。”</em></p>\n</blockquote>\\n<h4><a id=\\"SimSpace_Weaver__120\\"></a><strong>SimSpace Weaver 助力大规模空间模拟</strong></h4>\\n<p>本届2022亚马逊云科技 re:lnvent 全球大会上，我们重磅发布了完全托管的计算服务 Amazon SimSpace Weaver，基于云上高性能算力，帮助客户构建、操作和运行大规模的空间模拟仿真系统。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/a457c58ef9e94747a2398eed5e4f8d30_image.png\\" alt=\\"image.png\\" /></p>\n<p>借助 Amazon SimSpace Weaver，客户可以部署空间模拟应用，对具有多个数据点的动态系统进行建模（例如整个城市的交通、场馆内流动的人群或工厂车间的布局），模拟可视化的物理空间，运行沉浸式的训练模型，获得不同情景下的关键指标并做出明智的决策。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/6952a9f0f4c548e28cdb37ed4cf8f2e7_image.png\\" alt=\\"image.png\\" /></p>\n<blockquote>\\n<p><em><strong>Amazon.com 副总裁兼首席技术官 Dr. Werner Vogels</strong> 在主题演讲中提到：“我们生活的世界很复杂，开发人员想要模拟的场景也非常复杂。例如，大型音乐会或体育赛事将如何影响交通。模拟这些事件需要对数十万个独立的动态实体进行建模，以代表人和车辆。每个实体都有自己的一组行为，当它在世界中移动并与其他实体交互时，需要对这些行为进行建模，以现实规模进行模拟需要的 CPU 和内存超出了您在单个实例中所能拥有的规模。”</em></p>\n</blockquote>\\n<p>客户使用 Amazon SimSpace Weaver 可模拟出100万个以上、实时交互的仿真对象，创建比以往更加复杂的环境，并且将模拟仿真系统部署的时间从数年缩短至数月。<strong>Amazon SimSpace Weaver 可自动配置 Amazon EC2 实例以及管理网络和计算基础设施，让客户专注于仿真模型的设计，并支持通过多个查看器实时观察模拟对象的状态</strong>。使用 SimSpace Weaver，您可以在多个 [Amazon EC2 ](https://aws.amazon.com/cn/ec2/?trk=cndc-detail)实例上大规模运行模拟。它支持模拟超过一百万个独立的动态实体，且只需为使用的计算量付费。</p>\\n<p><img src=\\"https://dev-media.amazoncloud.cn/fcc5b76573f24f5ea2158c6cab01a860_image.png\\" alt=\\"image.png\\" /></p>\n<p>直到今天，空间模拟通常仅限于在单个硬件上运行。如果开发人员想模拟一个包含大量独立且动态实体的更大、更复杂的世界，他们需要配置一台更大的计算机。模拟开发人员被迫在规模和保真度之间做出权衡，换句话说，就是要确定世界有多大、有多少独立实体，亚马逊云科技突破了这个挑战。</p>\n"}