Graviton5 正式发布：M9g 实例实测数据出炉，ClickHouse 性能提升 36%
Graviton5 正式发布：M9g 实例实测数据出炉，ClickHouse 性能提升 36%
刷到一条大消息——Graviton5 驱动的 M9g 和 M9gd 实例今天正式 GA 了。
去年 re:Invent 2025 发了预览版，半年过去了，几家大厂跑完了生产级测试，数据挺猛的：
- ClickHouse：比 M8g 性能提升 36%，零代码改动
- Honeycomb：6 个月 A/B 测试，每核吞吐比 Graviton4 高 36%
- HubSpot：MySQL 查询延迟降低了 60%
- Meta：正在用数千万核 Graviton 跑 Agentic AI 工作负载
这些不是实验室数据，是生产环境的实测结果。我来拆解一下这代芯片到底强在哪。
硬件规格升级
| 参数 | Graviton4 (M8g) | Graviton5 (M9g) | 变化 |
|---|---|---|---|
| 核心数 | 96 | 192 | 2x |
| L3 缓存 | 标准 | 5x 更大 | 大幅提升 |
| 核间延迟 | 标准 | 降低 33% | 对多线程友好 |
| 内存 | DDR5 | DDR5（更高带宽） | 吞吐提升 |
| Nitro 系统 | 第5代 | 第6代 | 网络/存储更快 |
192 核 + 5 倍 L3 缓存 + 33% 更低核间延迟，这三个参数叠在一起对数据库和高并发场景的提升非常明显。
为什么 AI Agent 场景需要强 CPU
很多人以为 AI 就是 GPU 的事。但 Agentic AI 工作负载——实时推理、代码生成、多步骤任务编排——实际上非常吃 CPU：
- Agent 编排层：调用工具、处理结果、决策下一步，全是 CPU 密集
- 并发环境管理：一个 Agent 可能同时操作多个沙箱环境
- 数据预处理：从数据库拉数据、序列化/反序列化 JSON、做文本处理
- 等待优化：核间延迟低 → Agent 的每一步决策更快
Meta 选择用 Graviton 跑 Agentic AI 不是偶然——这类工作负载的特点就是高并发、多线程、延迟敏感。
实例选型
M9g 和 M9gd 的区别：
| 实例族 | 特点 | 适合场景 |
|---|---|---|
| M9g | 通用型，EBS 存储 | Web 服务、微服务、应用服务器 |
| M9gd | 带本地 NVMe SSD | 数据库、缓存、需要高 IOPS 的场景 |
规格范围（预计与 M8g 类似）：
m9g.medium → 1 vCPU, 4 GiB
m9g.large → 2 vCPU, 8 GiB
m9g.xlarge → 4 vCPU, 16 GiB
m9g.2xlarge → 8 vCPU, 32 GiB
...
m9g.metal-192xl → 192 vCPU, 768 GiB
迁移评估
如果你现在跑在 M7g/M8g 上，迁移到 M9g 基本是无缝的——同样是 Arm64 架构，只要你的应用已经跑在 Graviton 上，换实例类型就行。
如果你还在 x86 上：
# 检查当前架构
uname -m
# x86_64 → 需要评估迁移
# aarch64 → 直接换实例类型
# 对于容器化应用，构建多架构镜像
docker buildx build --platform linux/amd64,linux/arm64 -t myapp:latest .
关键检查项：
- 原生依赖：看有没有只有 x86 预编译包的库（
ldd检查 .so 文件） - 容器基础镜像：确认用的是多架构镜像（官方 Docker Hub 镜像基本都支持）
- 编译选项：如果有 C/C++ 扩展，去掉
-march=x86-64等硬编码
大部分 Java/Python/Node.js 应用迁移到 Graviton 不需要改代码。主要踩坑点在 C 扩展和 SIMD 指令。
用 Boto3 启动 M9g 实例
import boto3
ec2 = boto3.client("ec2", region_name="us-east-1")
# 查找最新的 Amazon Linux 2023 ARM64 AMI
response = ec2.describe_images(
Owners=["amazon"],
Filters=[
{"Name": "name", "Values": ["al2023-ami-2023.*-arm64"]},
{"Name": "architecture", "Values": ["arm64"]},
{"Name": "state", "Values": ["available"]}
]
)
# 按创建日期排序取最新的
images = sorted(response["Images"], key=lambda x: x["CreationDate"], reverse=True)
ami_id = images[0]["ImageId"]
# 启动 M9g 实例
instance = ec2.run_instances(
ImageId=ami_id,
InstanceType="m9g.xlarge",
MinCount=1,
MaxCount=1,
KeyName="my-key-pair",
SecurityGroupIds=["sg-0123456789abcdef0"],
SubnetId="subnet-0123456789abcdef0",
TagSpecifications=[
{
"ResourceType": "instance",
"Tags": [{"Key": "Name", "Value": "graviton5-test"}]
}
]
)
instance_id = instance["Instances"][0]["InstanceId"]
print(f"Launched M9g instance: {instance_id}")
性价比估算
按照 AWS 定价惯例，同规格 Graviton 实例比 Intel/AMD 便宜约 20%。如果 M9g 比 M8g 性能高 36%（ClickHouse 数据），加上价格可能持平或略涨：
- 假设 M9g 价格 = M8g × 1.05（通常新一代略贵 5%）
- 性能提升 36%
- 性价比提升约 30%
对于 CPU 密集型工作负载，换代的 ROI 很明显。
可用区域
M9g 今天在以下区域 GA：
- 美东（弗吉尼亚）us-east-1
- 美西（俄勒冈）us-west-2
- 欧洲（爱尔兰）eu-west-1
其他区域预计后续几周陆续开放。
参考链接
- AWS 官博公告：https://aws.amazon.com/blogs/aws/now-available-amazon-ec2-m9g-and-m9gd-instances-powered-by-new-aws-graviton5-processors/
- Graviton 处理器概览：https://aws.amazon.com/ec2/graviton/
- EC2 实例类型文档：https://docs.aws.amazon.com/ec2/latest/instancetypes/
- Graviton 迁移指南：https://docs.aws.amazon.com/graviton/latest/userguide/
- Honeycomb 测试报告：https://www.honeycomb.io/blog/graviton5-honeycomb-per-service-results-m8g-m9g-migration
浙公网安备 33010602011771号