AWS发布Graviton5 M9g实例：192核、3nm工艺与数学级安全隔离

从双路Graviton4转向单芯片Graviton5的单片设计，完全消除了跨插槽的通信开销。对于需要跨越大量核心的负载——例如实时推理处理管线、内存数据库或大规模微服务集群——仅延迟降低一项，就能在IPC（每时钟周期指令数）提升之外，带来可观的吞吐量增益。

相较Graviton4 (M8g) 的性能提升

AWS官方公布的代际性能提升与第三方分析及早期客户基准测试结果高度吻合：

计算与吞吐量：

• 通用计算性能提升最高达 25%
• Web应用服务性能提升最高达 35%
• CPU上的机器学习推理速度提升最高达 35%
• 数据库工作负载性能提升最高达 30%

I/O与带宽：

• 网络带宽：所有实例规格均获提升；最大规格实例的网络吞吐量可达同配M8g的两倍
• EBS带宽：平均提升约20%，最大实例规格的增幅依旧最为显著

真实客户业绩：

• ClickHouse观察到，在无需任何代码改动的情况下，对比M8g性能提升了 36%
• Honeycomb在一项为期六个月的产线可观测性负载A/B测试中，测得每核吞吐量较Graviton4提升了 36%
• HubSpot将其MySQL数据库部署到M9g上，查询耗时最多降低了 60%

这些数据与底层架构的变革方向一致。5倍大的L3缓存显著减少了对高成本DRAM访问的需求，尤其有利于需要遍历大数据集的数据库和分析类负载。更快的DDR5-8800内存和PCIe Gen 6 I/O则移除了前代产品中限制吞吐量的带宽瓶颈。而向单路设计的转变，更减轻了那些依赖横向扩展的应用程序在NUMA架构上需承担的延迟代价。

M9gd变体：搭载本地NVMe SSD存储

针对需要高速、直连实例的暂态存储的工作负载，AWS提供了 M9gd变体。这些实例在同样的Graviton5计算平台之上，增加了一层本地基于NVMe的SSD块存储，提供高达 11.4TB的本地NVMe SSD容量，并且其 IOPS较前代提升了30% 。

M9gd变体瞄准的是诸如大规模缓存集群、日志处理管线和实时分析引擎等工作负载。在这些场景下，让数据尽可能地靠近CPU，直接决定了查询的延迟和吞吐量。更快的核心、更低的核间延迟和更高的本地存储IOPS三者结合，使M9gd天然适用于任何能通过压缩“存储-计算”间距来获益的业务。

瞄准智能体AI工作负载

Graviton5产品定位中一个引人注目的变化，是AWS明确将其推向 智能体AI工作负载——即那些利用大语言模型和其他生成式AI技术，进行实时推理、代码生成和多步骤任务编排的系统 。

尽管GPU和加速器实例主宰着模型训练和大批量推理领域，但规模化运行的智能体AI催生了一种截然不同的计算模式：在模型推理步骤与编排逻辑之间频繁切换的、持续高吞吐的CPU运算，且对多轮互动的延迟有严苛要求。AWS的观点是，Graviton5的核间延迟降低33%、缓存增大5倍以及单实例核心数高企，使其在无需承受GPU那样高昂经济成本的情况下，非常适合在产线规模上运行这类负载 。

Nitro隔离引擎：首个经形式化验证的云虚拟机管理程序

除了原始性能，Graviton5平台最重大的技术补充是 Nitro隔离引擎，它是第六代AWS Nitro系统的一个新组件 。

Nitro隔离引擎采用 Rust语言 实现，是一个极简、专用的虚拟机管理程序组件，负责在共同驻留的虚拟机之间执行隔离策略 。它的与众不同之处在于 形式化验证：AWS利用 Isabelle证明助手 生成了 机器可验证的证明，以数学方式展示了 ：

• 内存安全且不存在运行时错误
• 功能正确性（实现与规范精确一致）
• 信息流控制（虚拟机之间无状态信息泄露）

用更通俗的话说，这意味着AWS能够提供数学的确定性，保证一个客户的负载无法访问另一个客户的数据或干扰其运行，并且AWS运维人员同样会受到这些隔离边界的约束 。AWS已承诺将向客户开放Nitro隔离引擎的实现及其对应证明，以供审阅 。

该引擎在M9g实例上默认启用 。这标志着云安全保证的一种范式转移：从运营控制和审计陈述，转向为底层的隔离层提供机器可验证的数学保障。

早期采用者与生态

已具名的早期采用者和基准测试伙伴包括 Meta、Snowflake、Uber、Honeycomb、SAP、Atlassian和ClickHouse，以及通过性能数据披露识别的HubSpot等 。

来自客户的真实测试结果覆盖了多个工作负载类别：

• 数据库： Snowflake在Graviton4上已报告20%到60%的性能增益，并正扩展至Graviton5 ；HubSpot观察到MySQL查询在M9g上耗时降低高达60%
• 可观测性： Honeycomb每核吞吐量较Graviton4提升36%
• 分析： ClickHouse在Graviton4上观察到平均查询性能提升25%到30%，在Graviton5上则达到36%
• 应用服务： Atlassian将其Jira和Confluence迁移到Graviton4后，获得了30%的吞吐量提升和25%的成本降低

这些结果反映了贯穿Graviton采用曲线的常见模式：当从x86迁移至Arm时，绝大多数工作负载在零改动或最小改动之下就能看到即时性能提升，而且随着芯片本身的进步，收益会在代际间不断累积 。

纵观全局的意义

Graviton5面世的时机，恰逢基于Arm的服务器芯片已从一种降本增效的替代方案，进化为一种主流的性能之选。在过去三年里，超过一半的新增AWS CPU容量都运行在Graviton上，前1000名EC2大客户中已有98%在使用基于Graviton的实例 。

凭借在3nm工艺上实现的192核单片设计、PCIe Gen 6支持、DDR5-8800内存，以及新增的经数学证明的工作负载隔离功能，Graviton5不仅拉高了AWS自身实例家族的天花板，也重新定义了客户有理由从云原生计算中期待获得的特性：以数学证明而非运营承诺为背书的性能、能效与安全保证。

M9g和M9gd实例的正式商用，意味着这些能力如今可通过标准的EC2采纳路径被触达，而计算优化型的C9g和内存优化型的R9g变体预计也将随后推出 。