AWS 机器学习是由 Amazon Web Services 提供的云端机器学习服务与基础设施集合，面向需要构建、训练和部署机器学习模型的企业、初创企业、数据科学家及机器学习工程师。它覆盖机器学习生命周期的多个步骤，并将托管服务、预配置开发环境、深度学习容器、主流框架、计算实例和学习资源集中在 AWS 体系中。核心入口 SageMaker AI 提供针对机器学习生命周期各环节的基础设施和专门构建的工具，适合希望以大规模方式推进机器学习和基础模型开发的组织。
核心功能
模型构建、训练与部署
Amazon SageMaker AI 用于大规模构建、训练和部署机器学习模型与基础模型。官网将其定位为覆盖机器学习生命周期每个步骤的服务，用户可以围绕模型开发流程使用相应基础设施和工具。
预配置深度学习环境
AWS Deep Learning AMI 提供预配置的环境，用于快速构建可扩展且安全的深度学习应用程序。AWS Deep Learning Containers 则提供经过优化的预打包容器镜像，用于快速部署深度学习环境，适合需要标准化运行环境的开发与部署工作。
主流机器学习框架支持
AWS 页面列出了 Amazon SageMaker 上的 Hugging Face、TensorFlow on AWS、PyTorch on AWS、Apache MXNet on AWS 等框架资源。Hugging Face 模型可以在几分钟内训练和部署；TensorFlow 用于增强并可视化深度学习应用程序；PyTorch on AWS 强调高性能、可扩展和企业级体验。
Jupyter 开发体验
AWS 上的 Jupyter 提供安全、可扩展和协作式的 Jupyter 体验，可作为机器学习开发和实验环境使用。页面同时提供 Amazon SageMaker Studio Lab，用于学习并尝试使用机器学习。
面向训练与推理的基础设施
AWS 提供多种面向机器学习任务的计算实例。Amazon EC2 Trn1 用于高性能、经济高效的生成式人工智能模型训练，P5 实例面向深度学习和 EFA 应用提供基于 GPU 的高性能，Inf2 面向生成式人工智能推理，G5 则适用于图形密集型应用程序和机器学习推理。Amazon SageMaker HyperPod 用于利用专门构建的基础设施进行大规模分布式训练。
使用方式
官网提供 AWS 云端服务、托管开发工具、预配置镜像、容器和计算实例等使用路径。用户可以从“开始使用机器学习”入口进入 AWS，也可以通过 SageMaker AI、Deep Learning AMI、Deep Learning Containers、Jupyter 或机器学习教程开始。页面还提供 Hugging Face、TensorFlow、PyTorch 和 MXNet 等框架资源，以及 SageMaker Studio Lab 学习入口。正文未说明是否必须注册、是否需要自备模型 Key，也未列出独立 API 或命令行使用方式。
适用人群与场景
企业团队可以使用 AWS 机器学习服务优化业务、提供客户服务、创造新产品和新体验；初创企业可以利用 AWS 的机器学习服务、基础设施和部署资源推进创新。数据科学家和机器学习工程师可以使用 SageMaker AI、Jupyter、深度学习容器及主流框架完成模型开发和训练；正在学习机器学习的用户则可以通过 Studio Lab、机器学习教程、DeepRacer 大赛和培训资源进行实践。
定价
官网提供 AWS 上机器学习产品的定价说明入口，并单独提供机器学习产品的免费试用入口。正文没有列出具体价格、免费额度或付费档位，因此只能确认 AWS 提供定价查询和免费试用相关信息，无法从当前页面确定具体费用规则。
注意事项
AWS 机器学习并非单一模型工具，而是由多项服务、基础设施、框架和学习资源组成的产品体系。不同能力分别对应 SageMaker AI、EC2 实例、Deep Learning AMI、Deep Learning Containers、Jupyter 及其他资源。官网强调在机器学习和人工智能应用中采用负责任的人工智能实践，并介绍了 AWS Well-Architected Responsible AI Lens、Amazon Bedrock Guardrails 和 Amazon Bedrock AgentCore 等工具。
