除了Aurora Limitless Database，AWS今天也推出快取服務無伺服器版本ElastiCache Serverless。DeSantis表示，這有賴於第三項創新技術突破，也就是減少時鐘誤差範圍（Reducing Clock Error Bounds）。分散式運算系統的資料同步需要仰賴同步計時，他指出主要的三種作法，分別為Wall Clock（現實世界時間）、Logical Clock（邏輯時間）與單一TimeKeeper伺服器，其中Wall Clock方式會因不同時鐘的差異而導致計時同步不可靠。

為了提供準確的同步計時，AWS在2017年推出Amazon Time Sync Service，結合衛星通訊與原子鐘參照，提供與世界協調時間（UTC）誤差僅1毫秒（millisecond）的同步計時。但是，DeSantis指出，時間誤差1毫秒代表著總延遲時間是2毫秒，亦即每秒500次交易的延遲速度，而這對於快取的同步來說太慢了。為此，AWS以Nitro網路加速晶片為基礎設計一個分散式計時網路，並搭配備援電力模組與原子鐘，安裝在一個標準48U機櫃，終於將同步計時誤差由毫秒縮短至微秒（microsecond）等級，其ElastiCache Serverless p50的延遲僅500微秒，並可支援最大5TB記憶體容量。

至於在2021年推出的資料庫倉儲服務無伺服器版本Redshift Serverless，也有更進一步的精進。DeSantis表示，資料庫倉儲不只是要應付資料量，也得因應運算任務多樣化的需求。Redshift Serverless是由請求管理（Request Management）系統來判斷實體主機的負荷量，如果有運算需求較大的ETL（Extract, Transform, Load）任務產生，若既有的主機無法承擔，請求管理系統就會將其分配到新的主機，但若既有的主機可以承擔，雖然該ETL任務可以分配到既有主機，但由於運算需求大，完成運算的時間較久，也會因此牽累該主機的其他運算任務，導致時間拖延。

為了解決Redshift Serverless上述問題，AWS在請求管理系統導入機器學習預測功能，DeSantis指出，其實資料分析任務有80%是雷同的，因此先以機器學習建立好這80%任務的模型，將其內建在請求管理系統的快取，加速其快速分析任務類型，同時，有另一個模型用來學習屬於各別企業組織慣用習慣的另外20%任務，讓請求管理層可以在接到任務時分析與預測其類型，據以分配合適的運算資源。而有了這項AI功能後，Amazon Redshift Serverless Next-generation AI-driven scaling and optimizations也提供用戶自行設定機器學習的政策，以在資料分析運算時間與運算成本之間有所取捨。

此外，AWS歷年來皆會利用re:Invent的首日晚間主題演講發表其在硬體晶片的著墨，今年也不例外，DeSantis首度公開發表新的量子晶片，他表示，Aamzon量子運算團隊在量子糾錯有重大的進展，以邏輯量子位元的方式，將位元翻轉（Bit-flip）與相位翻譯（Phase-flip）錯誤分開，DeSantis指出，藉由被動糾錯方法，已可將錯誤率降低100倍，達到0.1%，亦即千分之一的錯誤率，而硬體過熱也預期可減少6倍。不過，他也說，雖然新晶片在量子糾錯方面有重大的進展，但現在尚於量子運算發展非常早期的階段。

Amazon ElastiCache Serverless目前已可提供服務，Amazon Aurora Limitless Database與Amazon Redshift Serverless Next-generation AI-driven scaling and optimizations則提供預覽。