为了解决这些复杂的问题，图森未来使用了多种 AWS 产品，将数据从本地传到云端，稳定的链路需要 Direct Connet，传输大量数据需要 Snowball。数据和大部分产品在 S3 上，数据到达 S3 就会触发 Lambda 做预处理，Glacier 提供数据备份，RDS 提供元数据检索。

在架构和算法层面，以可扩展性闻名的 MXNet 是 AWS 的官方深度学习平台，使用者可以通过 MXNet 的 AMI 快速构建 MXNet 环境。一个典型的训练，可能需要 8 个 GPU 花费数小时才能完成，EC2 提供的弹性计算资源则从基础架构层面解决了资源调度的问题。

作为一家自动驾驶公司，郝佳男认为，他们应该把更多精力和成本投入在自动驾驶上，AWS 则以低运营成本、高可用性，满足了人工智能开发者在研发过程中对基础架构的需求，j2直播，使他们的研发得以顺利进行，减少车辆在路测时的问题。

Vogel 展示了一张在 AWS 上运行的人工智能企业的列表，包括用机器学习算法评估房地产价值的 Zillow、依靠推荐系统起家的视频流网站 Netflix 以及 GPU 发明者英伟达等。Vogel 表示，服务这些人工智能最前沿公司的底气来源于亚马逊自己的机器学习经验，因为亚马逊电商网站的库存管理、搜索排序、对评论的整理、对新产品的预测都使用了机器学习和深度学习。

除了让人工智能开发者的注意力集中在自身算法的开发之外，AWS 提供了三种可以立刻应用的人工智能服务：对话服务 Lex、语音服务 Polly 以及视觉服务 Rekognition，使人工智能应用者节省了模型搭建的时间，从而将注意力集中在服务本身。

Lex 来源于亚马逊语音服务 Alexa 背后的技术，使用自动语音识别（ASR）技术将语音转为文本，然后用自然语言理解（NLU）技术理解文本的意图，能让开发者将对话接口用于任何使用语音或文本的应用中。作为 Lex 的客户之一，NASA 用 Lex 复制了一个火星探测车 Rov-E，使学生通过对话的形式学习火星相关知识。iRobot 则开发了能用语音控制的扫地机器人。

语音服务 Polly 利用深度学习技术将文本转换成类似人声的语音。华盛顿邮报作为 Polly 的客户，正在利用这一功能开发语音版报刊。

视觉服务 Rekognition 则帮助人们识别图形，提取其中的信息。比如判断图片中是否有人，通过面部检测、判断这个人是否佩戴眼镜、有什么样的表情，也可以找出做不同表情的同一个人。美国的有线电视网络 C-SPAN 在 Rekognition 发布两周之后，就通过对近十万条数据的学习建立了一个精确到秒的甄别器，用于快速识别视频内发表演说的政治家。

通过向应用者提供人工智能服务，AWS 提供了一个大公司将深度学习技术民主化的良好范例：所有开发者都能运用亚马逊级别的技术创建自己的应用，这些应用可以服务于任何有需要的群体。而这些用户和合作伙伴又进一步构成了一个活跃的生态系统，正如 AWS 首席云计算企业顾问张侠所言，「当你有特定需求的时候，在我们的生态系统里能找到一批可以直接借鉴的成功案例。」