Amazon SageMaker AI是一个基于云的机器学习平台，允许开发者在云端创建、训练和部署机器学习（ML）模型。该平台于2017年11月在AWS re:Invent大会上推出，支持将ML模型部署到嵌入式系统和边缘设备。它是Amazon Web Services（AWS）的一部分，并与其他AWS服务集成，用于数据存储、批处理和实时数据流。
SageMaker为开发者提供了多个抽象层次，从预训练模型到完全自定义算法。它包括内置的ML算法、TensorFlow和Apache MXNet的托管实例，以及多种编程语言的接口。该平台已发展出自动缩放、强化学习和边缘部署等功能。
功能
SageMaker使开发者能够在训练和部署机器学习模型时在不同抽象层次上操作。在其最高层次，它提供可直接部署的预训练ML模型。它还提供多种内置ML算法，开发者可以使用自己的数据训练这些算法，涵盖分类、回归和聚类等常见任务。
该平台提供TensorFlow和Apache MXNet的托管实例，开发者可以从头创建自己的ML算法。这种灵活性支持机器学习和深度学习工作流。开发者可以将SageMaker启用的ML模型连接到其他AWS服务，例如Amazon DynamoDB用于结构化数据存储、AWS Batch用于离线批处理，或Amazon Kinesis用于实时处理。
开发接口
开发者可以使用多种接口与SageMaker交互。Web API可以远程控制SageMaker服务器实例，虽然该API与开发者使用的编程语言无关，但Amazon为多种语言提供了SageMaker API绑定，包括Python、JavaScript、Ruby、Java和Go。SageMaker Python SDK可通过Anaconda社区主导的conda-forge渠道获取。
SageMaker还提供托管的Jupyter Notebook实例，用于交互式编程SageMaker和其他应用程序。2025年12月，SageMaker AI中新的无服务器定制功能被宣布，用于与Amazon Nova、Llama、Qwen、DeepSeek和GPT-OSS等AI模型接口，扩展其对生成式AI工作负载的支持。
历史与特性
SageMaker于2017年11月29日在AWS re:Invent大会上推出。早期开发侧重于扩展训练和推理能力：
- 2018年2月27日：SageMaker开始支持托管的TensorFlow和MXNet深度神经网络训练和推理。
- 2018年2月28日：SageMaker自动将模型推理扩展到多个服务器实例。
- 2018年7月13日：增加了对循环神经网络训练、word2vec训练、多类线性学习器训练以及使用层自适应速率缩放（LARS）的Chainer分布式深度神经网络训练的支持。
- 2018年7月17日：AWS Batch Transform实现了SageMaker中的高吞吐量非实时机器学习推理。
- 2018年11月8日：引入了对Object2Vec词嵌入的训练和推理支持。
- 2018年11月27日：SageMaker Ground Truth推出，使开发者能够通过Mechanical Turk、第三方供应商或自己的员工使用人工标注者来标注数据。
- 2018年11月28日：SageMaker强化学习（RL）使开发者和数据科学家能够大规模开发强化学习模型。
- 2018年11月28日：SageMaker Neo使深度神经网络模型能够从SageMaker部署到智能手机和智能摄像头等边缘设备。
- 2018年11月29日：AWS Marketplace for SageMaker推出，允许第三方开发者买卖可在SageMaker中训练和部署的机器学习模型。
- 2019年1月27日：SageMaker Neo作为开源软件发布。
集成与生态系统
SageMaker与更广泛的AWS生态系统集成，允许开发者构建端到端的ML流水线。它支持数据增强和其他预处理技术，其托管基础设施减少了训练和部署模型的操作开销。该平台通过SageMaker Neo对边缘部署的支持，解决了需要低延迟或离线操作的场景，例如自动驾驶车辆或汽车系统。
SageMaker的发展反映了人工智能的更广泛趋势，包括向大型语言模型和无服务器计算的转变。2025年12月宣布的Llama和DeepSeek等模型的无服务器定制功能，表明生成式AI应用正朝着更灵活、更具成本效益的部署选项发展。