Uber 運用 AWS 自研晶片訓練模型，提升乘車和外送行程效率

Uber 運用亞馬遜雲端運算服務（Amazon Web Services，AWS）擴展基礎設施和 AI 能力。Uber 使用 AWS Graviton 晶片支援更多 Trip Serving Zones，這是每次乘車和外送背後的即時運算基礎設施，並開始在 AWS Trainium 晶片試行部分 AI 模型訓練，以達到更快速的乘車和外送訂單配對、處理全球業務需求。

每當用戶開啟 Uber 叫車或叫外送，背後會產生一連串的瞬間決策，像是哪位駕駛最近、最快的路線是哪一條、實際抵達需要多久時間等等。Uber 要同時為數百萬人即時且正確回答這些問題，背後需要完善的基礎設施，才能在尖峰時段和大型活動期間大規模地提供服務。

Uber 的 Trip Serving Zones 系統能確保每次乘車和外送順利運作，需要在毫秒內進行數百萬次預測並處理定位資訊。

現在 Uber 擴大使用 AWS 運算、儲存和網路服務，支援 Trip Serving Zones 即時運作。透過在 AWS Graviton4 晶片執行更多工作負載，Uber 能夠降低能源消耗，同時快速擴展、滿足需求高峰，進而減少延遲、最佳化成本支出。AWS Graviton 的高效能還能支援部分即時運算，有助於快速將乘客與駕駛配對。

▲ AWS Graviton 晶片。

Uber 開始嘗試使用 AWS Trainium3 晶片訓練支援應用程式的部分 AI 模型，這些模型透過分析數十億次乘車和外送資料，決定派遣哪位駕駛或外送員、計算抵達時間，為用戶推薦最合適的外送選項。進行如此大規模的 AI 訓練需要龐大算力，AWS Trainium 以高效能且具成本效益的方式滿足需求。隨著模型不斷學習行程資料，Uber 能為全球用戶提供更快速的配對、更準確的預計抵達時間，以及更加個人化的推薦。