
今天,AWS北京技术峰会召开,作为AWS进入中国的第二个年头,AWS已经让用户亲身感受到了云基础设施的便利,而AWS也做出了适应本土市场的措施:推出推出AWS合作伙伴计划。
2006年,亚马逊推出了Amazon Web Services(AWS),一个高可靠性的、功能完备的基于云的技术基础设施平台。客户可以从位于美国、澳大利亚、巴西、中国、德国、爱尔兰、日本以及新加坡的数据中心获取丰富的AWS服务,其中包括计算、存储、数据库、分析、应用及部署等服务。
2013年12月,AWS正式进入中国,入华一年来,已经有了360、小米、一加手机、华大基因、HTC等客户。
华大基因科技服务有限公司副总裁陈钢表示,过去,华大基因一直是天河一号和天河二号的用户,为此华大基因还在天河一号和天河二号这两个超算中心的所在地天津和广州部署了数据中心。
但是,天河一号和天河二号的超算中心并不是为个体消费者服务的,尽管华大基因已经是超算中心的重要客户,但是仍然无法满足华大基因的需求。
特别是在华大基因收购了美国的Genome Voyager之后,一些问题更是凸显出来。华大基因要把这家位于美国的公司的研究成果拿到中国甚至全球市场,来为全球的客户服务,而Genome Voyager本身在美国就是AWS的用户,华大基因收购Genome Voyager的节点恰好就是AWS进中国的时机,华大基因也就顺理成章的跟着成为了AWS在中国的用户。
Genome Voyager无缝迁移到了中国市场,华大基因也就此可以享受全球性的云计算服务,把产生在全球的数据轻松的运用起来,建立了基于AWS的全球化上午数据交付与分析系统。
亚马逊AWS宣布在中国推出AWS合作伙伴计划(AWS Partner Network,简称APN),这项全球性计划旨在为技术和咨询合作伙伴提供业务、技术、市场营销和产品上市支持,从而利用AWS成功地开展业务。除了可以享受APN全球计划的所有服务,中国区合作伙伴还可以享受AWS中国针对中国区提供的商业和市场支持,包括AWS培训、商业发展计划、联合市场营销活动支持、被授权使用AWS中国合作伙伴的Logo和标牌、受邀参加AWS中国区域合作伙伴活动等。
随着各种类型的企业和机构广泛使用AWS ——从大数据分析、实时数据、开发新应用,到重新制定自己的数据和网站战略,直至迁移整个关键数据中心,客户越来越多地依赖APN合作伙伴的解决方案和服务来满足他们的业务需求。AWS合作伙伴计划(APN)可为这个生态系统提供技术、业务和市场营销支持,其规模去年增长了75%以上。最近,AWS加强了APN全球计划,增加了针对SaaS和托管服务提供商的新项目并扩大了培训项目等等。
中国自主研发的操作系统领导品牌中标软件有限公司与AWS合作,为中国用户提供安全、可信赖、自主可控的中标麒麟软件操作系统,为广大中国客户提供了AWS平台上操作系统的更多选择。中标软件有限公司是国内著名的自主操作系统产品专业化研发与推广企业。作为国家规划布局内软件企业,中标麒麟操作系统产品已经在政府、国防、金融、教育、公安、审计、交通、医疗、制造等行业得到深入应用。
在会上,亚马逊全球CTO沃纳·威格尔还宣布推出AWS中国云创计划,通过AWS成长助力基金、培训、AWS企业级技术支持服务、1:1虚拟办公时间、定制的AWS服务组合来帮助创业公司成长。
在预览阶段申请加入AWS中国区云创计划的公司,可以享受到独有的快速协助和扶植服务。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。