李桂松:全球算力资产竞争格局与资产管理报告(六) |
| 日期 2026-10-19 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第六章亚马逊/AWS 一、企业概况与算力资产规模 (一)AWS云市场份额与收入规模 亚马逊 Web Services(AWS)在2026年继续保持着全球云基础设施市场的领导地位,但其市场格局正在经历微妙而深刻的变化。根据云阿云智库发布的最新数据,截至2026年6月30日,AWS在企业云基础设施服务市场的份额为28%,较一年前的30%下降了2个百分点。这一份额变化揭示了一个关键趋势:虽然AWS的绝对收入仍在高速增长,但其增速未能完全跟上整个云市场的扩张步伐——企业云基础设施服务总支出在2026年第二季度达到1430亿美元,较上一季度的1000亿美元显著跃升,市场整体的快速膨胀意味着“保持份额”本身就需要超越市场的增速。 从绝对收入规模来看,AWS的财务表现依然强劲。2026年第二季度,AWS实现营收422亿美元,同比增长37%,这是AWS连续第五个季度加速增长,也是18个季度以来最快的增速。AWS在2026年第二季度的年化收入运行率达到1690亿美元。AWS CEO安迪·贾西(Andy Jassy)在第一季度财报电话会上曾自豪地宣称AWS的增长是“15个季度以来最快”,随后在第二季度又将这一纪录刷新至“18个季度最快”。 利润端的表现更为亮眼。AWS第二季度营业利润达到166亿美元,较上年同期的102亿美元增长63%,营业利润率从上年同期的约33%大幅提升至39.4%,创下历史新高。华创证券的研报指出,AWS营业利润率同比提升约650个基点,这一利润率扩张表明“规模效应和效率提升正在超越新增产能的成本”。AWS的订单积压规模达到4960亿美元,实现三位数同比增长,为公司提供了“远超今年支出周期的需求可见性”。 从竞争格局来看,AWS面临的压力正在加剧。2026年第二季度,微软Azure的市场份额维持在20%,谷歌 Cloud的市场份额则从上年同期的约12%攀升至15%。Synergy的数据显示,谷歌 Cloud的份额增长“以AWS的份额损失为代价”。在增长率的直接对比中,第三季度(截至3月31日)谷歌 Cloud增长63%,Azure增长40%,而AWS增长28%;第二季度谷歌 Cloud进一步加速至82%,而AWS虽然也加速至37%,但增速差距依然显著。 这一“绝对领先但相对失速”的格局,构成了AWS算力资产管理的基本背景:AWS拥有全球最大的云基础设施规模和最强的利润产生能力,但其在增量市场中的份额正在被侵蚀。这一矛盾的本质是:AWS的算力资产扩张速度可能已经接近其客户获取速度的极限,而竞争对手的增速更快意味着市场份额的稀释。对于算力资产管理而言,这意味着规模优势依然存在,但“规模即壁垒”的逻辑正在弱化——客户有了更多选择,AWS需要以更优的性价比和更强的生态锁定来维持其地位。 (二)资本支出强度 亚马逊在2026年的资本支出规模在超大规模云厂商中处于领先位置,其投资强度反映了公司对AI算力基础设施的战略性押注。 根据亚马逊2026年第二季度财报披露,公司将全年资本支出指引从4月预期的2000亿美元上调至约2200亿美元,上调的主要原因是“内存和零部件成本上升以及AI和云基础设施的持续建设”。这一数字使亚马逊在绝对资本支出规模上领先于微软(约1900亿美元)和谷歌(1950-2050亿美元)。 从季度执行节奏来看,亚马逊第二季度资本支出达到531亿美元,资本支出在全公司层面的年度增速显著。这一支出强度意味着亚马逊在2026年平均每个季度在基础设施上投入超过500亿美元,这一数字本身已经超过了大多数《财富》500强公司的年度总收入。 资本支出的财务影响已经开始显现。过去12个月,亚马逊的自由现金流从正182亿美元转为负76亿美元,主要受AI基础设施投入加大的影响。亚马逊的经营现金流仍增长33%至1614亿美元,显示“经营基本面依然健康”,但自由现金流的转负表明公司正在将几乎全部经营现金流甚至更多资金投入算力基础设施。贾西在财报电话会上明确表示,公司将在“未来几年”经历自由现金流压力,他将其类比于AWS早期的建设阶段,并预期“几年后,收入增长将超过增量资本支出的增长”。 从产能利用的角度看,亚马逊管理层释放了一个关键信号:即使以2200亿美元的支出水平,2026年和2027年的需求仍将超过供给能力,且“2028年已有可观容量被提前预订”。这一表述的战略含义是:亚马逊的资本支出并非“赌未来需求”,而是“追赶已签约需求”。贾西的表述最为直接:“我们长期以来一直认为AWS能够成为数千亿美元收入的业务,现在我们认为它至少是这个数字的两倍”。 从融资结构的角度看,亚马逊正在采取多元化的资金策略。公司今年进行了大规模裁员以降低成本、为AI投资提供资金支持。CFO布莱恩·奥尔萨夫斯基在财报电话会上表示,集团仍有“很多选择”来为其AI支出融资,但拒绝就未来计划发表评论。这一表述暗示亚马逊可能在未来通过债务融资、资产证券化或其他金融工具来支撑其算力资产扩张。 (三)自研芯片业务体量 亚马逊的自研芯片业务在2026年已经从“战略实验”成长为具有实质规模的业务单元,这是其算力资产管理中最具差异化竞争力的维度。 亚马逊的自研芯片体系由三款产品构成:特雷尼乌姆(AI训练与推理加速器)、Graviton(通用CPU)和Nitro(网络与安全芯片)。贾西在2026年第一季度的财报电话会上披露了一个里程碑式的数据:亚马逊自研芯片业务的年化收入运行率已超过200亿美元,同比增长超过三位数,是“增长最快的芯片业务之一”。 这一“200亿美元年化运行率”的含义可以从多个角度理解。在横向比较层面,这一规模意味着亚马逊的自研芯片业务如果独立计算,已经可以跻身全球半导体公司的前列。在增速层面,“三位数增长率”意味着该业务在一年内至少翻倍,其增速远超英伟达数据中心业务的增速(2026财年68%)。在战略层面,这一规模表明亚马逊的自研芯片已经跨越了“技术验证”阶段,进入了“规模化商业部署”阶段。 更具前瞻性意义的是收入承诺数据。贾西披露,客户已为特雷尼乌姆芯片的未来收入承诺了超过2250亿美元。这一数字的构成具有高度的战略含义:OpenAI承诺从2027年开始消耗约2吉瓦的特雷尼乌姆容量;Anthropic则锁定了高达5吉瓦的当前和未来几代特雷尼乌姆芯片。作为参照,“一座大型核电站的发电量约为1吉瓦”,这意味着Anthropic锁定的算力容量相当于“最多五座核电站的发电能力”。 从产品迭代的角度看,亚马逊的自研芯片正在经历快速的代际演进。贾西披露,特雷尼乌姆2的性价比比同类显卡高出约30%,“已基本售罄”;特雷尼乌姆3于2026年初开始出货,“几乎完全被预订”;特雷尼乌姆4距离广泛上市还有一年多,“大部分产能已被预留”。这种“每一代产品在发布前就被锁定”的态势,在半导体行业历史上极为罕见。 从客户结构的角度看,亚马逊的自研芯片正在赢得全球顶级AI实验室的信任。Anthropic目前使用超过100万颗特雷尼乌姆2芯片来训练和运行其Claude系列模型。Anthropic的“Project Rainier”集群(目前50万颗特雷尼乌姆2芯片,最终将扩展至100万颗)的成功运行,证明了特雷尼乌姆“能够训练之前需要英伟达集群才能完成的前沿模型”。苹果也已表示将使用特雷尼乌姆2芯片进行自己的AI开发。 二、核心算力资产分析 (一)特雷尼乌姆/Inferentia AI加速器 亚马逊的AI加速器产品线在2026年经历了一次战略聚焦:从“双线并行”转向“单点突破”。 Inferentia的退役是这一战略调整的标志性事件。亚马逊AWS计算总监Rahul Kulkarni明确表示:“两条产品线将会融合。我们将专注于特雷尼乌姆,以提供推理和训练性能。”Inferentia最初设计为专注于推理预测的专用芯片,执行较少的计算量以降低成本。但随着生成式AI模型变得越来越复杂,训练和推理都需要更大的计算量,“使用不同芯片的好处正在逐渐消失”。特雷尼乌姆具有更大的内存容量、支持更广泛的数据格式,并包含在多台服务器同时处理大量数据时实现快速计算和通信的机制,使其能够同时胜任训练和推理工作负载。 特雷尼乌姆2是当前的主力产品。其核心技术特征包括:UltraServer架构将64颗芯片通过NeuronLink互连,实现高带宽通信;集群可以跨越多个建筑,需要专门的校园级互联基础设施。Anthropic的使用模式具有代表性:白天推理高峰时段使用大部分芯片进行推理,晚间推理需求下降时切换到训练运行,“灵活调度最大限度地提高了两种工作负载类型的利用率”。贾西披露的30%性价比优势是特雷尼乌姆2的核心价值主张。 特雷尼乌姆3于2025年12月发布,2026年初开始出货。其技术规格包括:2.52 Peta浮点运算每秒 FP8每芯片,144 GB HBM3e内存。与英伟达 Blackwell Ultra的对比揭示了两种竞争哲学的差异:Blackwell Ultra拥有约5 Peta浮点运算每秒 FP8和288 GB HBM3e,在单芯片性能上领先特雷尼乌姆3约一倍。但AWS的竞争策略不是在单芯片性能上追赶,而是在“系统经济学”上取胜:一个特雷尼乌姆3 UltraServer(144芯片,总计362 Peta浮点运算每秒)的成本可能比等效的Blackwell基础设施低40-60%,同时提供“可比的总计算能力”。 特雷尼乌姆4的规划揭示了AWS对生态现实的务实认知。特雷尼乌姆4计划支持NVLink Fusion,这一决策“表明AWS认识到纯粹替代对所有工作负载并不可行”。混合部署——将特雷尼乌姆用于成本优化组件、英伟达显卡用于CUDA依赖操作——可能成为标准架构。这一策略的本质是:在AWS的算力资产组合中,特雷尼乌姆和英伟达显卡不是“替代关系”,而是“分工关系”。 (二)Graviton CPU与Nitro网络芯片 Graviton和Nitro是AWS自研芯片体系中“不太显眼但至关重要”的组成部分。它们不直接参与AI计算,但为AI计算提供了不可或缺的底层支撑。 Graviton是AWS基于Arm架构的通用CPU系列,在2026年已经进入第五代。Graviton5配备192个核心,缓存容量较上一代提升五倍,针对AWS客户的核心负载场景可实现高达25%的性能跃升。更具标志性意义的是其部署规模:Graviton已连续三年在AWS新增CPU算力部署中占比超过半数;在亚马逊 EC2排名前1000的客户中,98% 在生产环境中采用Graviton系列处理器。 Graviton的战略价值体现在两个层面。在成本层面,Arm架构的能效优势使Graviton在提供可比性能的同时消耗更少的电力,这对于大规模云基础设施的运营成本至关重要。在生态层面,Graviton的广泛采用使AWS的客户(包括Anthropic、OpenAI等AI实验室)的通用计算工作负载运行在AWS自研的CPU上,降低了对外部CPU供应商(Intel/AMD)的依赖。 Nitro是AWS的网络与安全芯片,在特雷尼乌姆3的架构设计中扮演着核心角色。在AWS的统一计算底座(compute sled)中,Graviton和Nitro分别负责通用CPU运算和高性能网络处理任务,为特雷尼乌姆3 UltraServers提供支撑。Nitro的功能是确保数据在AI计算的每个环节之间“安全高效地传输”,其性能直接影响分布式训练的通信效率。Arm的官方博客指出,Nitro与英伟达 BlueField、Intel IPU等平台“正逐渐采用Arm架构芯片进行建构”,反映了网络芯片的Arm化趋势。 Graviton与Nitro的协同价值在于:它们使AWS的整套自研芯片体系(Graviton+Nitro+特雷尼乌姆)部署在统一的硬件架构上,形成“全AWS芯片”的算力底座。这种垂直整合的程度是微软和谷歌尚未达到的——微软的玛雅和Cobalt仍在独立部署阶段,尚未形成统一的系统级集成。 (三)2250亿美元特雷尼乌姆收入承诺 2250亿美元的收入承诺是AWS自研芯片战略中最具说服力的“需求验证”数据,其战略含义远超数字本身。 从客户构成来看,这一承诺由两个具有全球影响力的AI实验室主导。OpenAI承诺从2027年开始消耗约2吉瓦的特雷尼乌姆容量。这一承诺的特别之处在于:OpenAI的主要算力基础设施建立在英伟达显卡之上,其对特雷尼乌姆的承诺代表了对AWS自研芯片技术路线的“战略认可”。Anthropic的承诺规模更大:高达5吉瓦的特雷尼乌姆容量,覆盖特雷尼乌姆2到特雷尼乌姆4的完整产品线,并有选项购买未来几代芯片。GeekWire的报道指出,这些承诺是在Anthropic和OpenAI“分别准备潜在IPO”的背景下做出的,两家公司“都在寻求向公开市场投资者展示长期容量承诺”。 从承诺的性质来看,2250亿美元是“未来收入承诺”而非“当期收入”,这意味着AWS需要在未来数年逐步部署相应的算力容量来“兑现”这些承诺。贾西披露的部署节奏是:近1吉瓦的特雷尼乌姆2和特雷尼乌姆3容量将在2026年底前上线。这一部署节奏与承诺规模之间的差距,揭示了AWS面临的核心挑战:如何以足够快的速度建设算力基础设施来满足已签约的需求。贾西的表述印证了这一点:“我们没有足够的容量来满足蓬勃发展的需求”。 从战略含义来看,2250亿美元的承诺使AWS的算力资产扩张具有高度的“确定性”。纳斯达克的分析指出:“当客户提前承诺这种规模的资金时,它告诉你支出是在追逐真实的、已签约的需求,而不是对‘某天可能卖出什么’的猜测”。这一判断的资产管理含义是:AWS的算力资产折旧风险相对较低,因为对应的收入已经在合约中锁定。然而,这也意味着如果AI需求的结构或技术路线发生根本性变化(例如,模型架构的变化使特雷尼乌姆不再适用),AWS可能面临“锁定在错误技术路线上的资产减值风险”。 (四)OpenAI与Anthropic的算力合作 亚马逊在2026年采取了一个独特的战略:同时与全球两大AI实验室建立深度算力合作关系,这在超大规模云厂商中是独一无二的。 与Anthropic的合作是亚马逊最早、最深入的战略联盟。亚马逊自2023年起累计向Anthropic投资80亿美元,2026年4月进一步宣布追加投资高达250亿美元(其中50亿美元立即投入,200亿美元与商业里程碑挂钩),投资估值基于Anthropic的3800亿美元最新估值。作为合作的一部分,Anthropic承诺在10年内向AWS投入超过1000亿美元,并锁定高达5吉瓦的特雷尼乌姆容量。更具战略意义的是产品集成深度:完整的Claude平台将直接内置于AWS,客户可以通过现有的AWS账户、账单和安全控制来访问Anthropic的工具,“比通过亚马逊 Bedrock市场提供Claude的集成更为深入”。 与OpenAI的合作则是亚马逊在2026年取得的战略突破。2026年2月,亚马逊向OpenAI投资500亿美元,并达成1000亿美元的云合作协议。OpenAI与AWS的合作始于2025年11月的380亿美元协议,OpenAI“立即开始使用AWS计算”,所有容量目标在2026年底前部署,并有能力在2027年及以后进一步扩展。该协议聚焦于英伟达显卡(GB200和GB300集群),但可以扩展至“数千万个CPU”用于代理型工作负载。2026年第一季度,亚马逊进一步披露OpenAI承诺从2027年开始消耗约2吉瓦的特雷尼乌姆容量。 这种“双实验室”策略的战略含义可以从风险分散和生态锁定两个层面理解。在风险分散层面,同时绑定OpenAI和Anthropic意味着AWS的算力资产不依赖于任何单一AI实验室的命运。如果Anthropic的模型路线发生变化,OpenAI的需求可以提供缓冲;反之亦然。在生态锁定层面,通过将两大实验室的模型平台深度集成到AWS(Claude直接内置,OpenAI模型通过Bedrock提供),AWS使客户在“使用哪个模型”的选择上不再需要离开AWS生态。这一策略的资产含义是:AWS的算力资产的价值不取决于“哪个模型胜出”,而取决于“AI模型的使用本身”只要AI模型被使用,无论使用哪个模型,算力需求都会流向AWS。 三、竞争优势分析 (一)云市场先发优势与规模效应 AWS的云市场先发优势是其算力资产管理中最持久的竞争壁垒。AWS在2006年推出S3和EC2时,比微软Azure(2010年)早四年,比谷歌 Cloud(2011年)早五年。这一时间差使AWS积累了最大的基础设施规模、最成熟的运营经验和最广泛的客户基础。 规模效应的量化体现可以从多个维度观察。在基础设施规模层面,AWS的年度营收(1690亿美元年化运行率)是Azure(1019亿美元)的约1.7倍,是谷歌 Cloud的约3倍以上。在客户覆盖层面,AWS的服务覆盖全球绝大多数地理区域和行业垂直领域,其客户包括从初创企业到财富500强的全谱系用户。在运营效率层面,AWS第二季度39.4%的营业利润率是三大云厂商中最高的,反映了“规模带来单位成本下降”的经典规模经济效应。 然而,先发优势的局限性也在2026年变得日益明显。Synergy的数据显示,AWS的市场份额从30%下降至28%,而谷歌 Cloud的份额从12%上升至15%。这一变化的深层含义是:云市场的竞争正在从“规模竞争”转向“技术竞争”。AWS的先发优势建立在“更早建设、更大规模”的基础上,但在AI时代,客户的选择标准正在从“谁的基础设施更成熟”转向“谁的AI能力更强、性价比更高”。谷歌 Cloud凭借TPU的成本优势和AI/ML领域的技术积累正在赢得对价格敏感或对谷歌生态有偏好的客户。AWS的规模优势依然存在,但规模本身不再构成足够的竞争壁垒。 (二)自研芯片的成本优势(特雷尼乌姆2性价比超显卡30%) 自研芯片的成本优势是AWS算力资产管理中最具结构性意义的竞争优势。贾西披露的特雷尼乌姆2比同类显卡性价比高约30%的核心数据,是这一优势的量化体现。 从成本结构的角度分析,30%的性价比优势来自多个层面的协同。在芯片设计层面,特雷尼乌姆针对Transformer架构的AI工作负载进行了专用优化,避免了通用显卡中“为所有工作负载设计”的性能冗余。在系统集成层面,特雷尼乌姆3 UltraServer的“64芯片NeuronLink互连”设计使大规模集群的通信效率更高,减少了分布式训练中的通信开销。在供应链层面,特雷尼乌姆由台积电代工,其采用先进制程的优先级可能低于英伟达(后者是台积电最大的AI芯片客户),这使AWS的芯片采购成本可能低于英伟达。在软件层面,Neuron SDK虽然在成熟度上不及CUDA,但其“针对特定模型优化”的策略意味着在支持的工作负载上可以获得接近“原生性能”的效率。 从竞争影响的角度看,30%的性价比优势的累积效应是显著的。对于Anthropic这样每月在算力上花费数亿美元的AI实验室,30%的成本节省意味着每年数亿甚至数十亿美元的成本差异。这一差异足以驱动客户将相当比例的算力需求从英伟达显卡迁移到特雷尼乌姆。纳斯达克的分析指出:“特雷尼乌姆的卖点是单位计算成本,而亚马逊仅通过AWS提供其芯片”。这种“不单独销售芯片”的策略使AWS能够将芯片的成本优势内部化——客户无法从其他渠道获得特雷尼乌姆,他们必须使用AWS才能享受这一成本优势。 然而,30%的性价比优势的适用性是有条件的。根据AWS官方的技术文档,特雷尼乌姆最适合“Transformer模型训练(LLM、视觉Transformer)”、“需要100+芯片的大规模分布式训练”、“PyTorch或JAX代码库且使用标准架构”,以及“成本敏感的训练场景,30-50%的节省足以证明迁移成本是合理的”。不推荐的场景包括:“需要CUDA特定操作的新颖架构”、“无论成本如何都需要最大绝对性能的工作负载”,以及“需要多云可移植性的组织”。这意味着特雷尼乌姆的成本优势以“工作负载适配性”为代价——客户在享受成本优势的同时,需要接受技术栈的锁定和迁移成本。 (三)从芯片到云服务的垂直整合 AWS的垂直整合能力在2026年达到了超大规模云厂商中最深入的程度。这种整合不是“从芯片到云”的简单叠加,而是从芯片到芯片、从芯片到系统、从系统到服务的全链条协同。 第一层整合:芯片间的协同。AWS的“全AWS芯片”策略使Graviton(CPU)、Nitro(网络)和特雷尼乌姆(AI加速)部署在统一的硬件底座上。在特雷尼乌姆3 UltraServer中,Graviton和Nitro直接为特雷尼乌姆提供宿主CPU和网络功能。这种“三芯片一体”的架构使AWS能够优化整个系统的功耗、性能和成本,而非单独优化某一颗芯片。相比之下,微软的玛雅和Cobalt仍在独立部署阶段,尚未形成类似的系统级集成。 第二层整合:芯片到系统的协同。特雷尼乌姆2的UltraServer架构将64颗芯片通过NeuronLink互连,集群可以跨越多个建筑。这种“芯片即系统”的设计使AWS能够以“机架级”或“集群级”的粒度来定义产品,而非“芯片级”。客户购买的不是“一颗特雷尼乌姆芯片”,而是“一个特雷尼乌姆 UltraServer集群”。 第三层整合:系统到服务的协同。特雷尼乌姆仅在AWS内部可用,客户无法单独购买特雷尼乌姆芯片或从其他云平台获取特雷尼乌姆算力。这一策略的资产含义是:特雷尼乌姆的成本优势被“封装”在AWS的服务中,客户必须通过AWS的云服务界面来使用特雷尼乌姆,这使AWS能够将芯片层面的成本节约部分转化为云服务层面的利润提升。AWS第二季度39.4%的营业利润率正是这一“垂直整合利润捕获”的体现。 垂直整合的内在张力在于:整合程度越高,客户的转换成本越高,这增强了AWS的客户锁定;但整合程度越高,AWS对单一技术路线的暴露也越大,如果特雷尼乌姆的技术路线被证明不如英伟达的路线,AWS的整个AI基础设施战略可能面临系统性风险。特雷尼乌姆4支持NVLink Fusion的决策,正是对这一张力的务实回应。 四、劣势与风险分析 (一)云市场份额持续被侵蚀 AWS市场份额的下降是2026年最值得关注的竞争格局变化。Synergy的数据显示,AWS的份额从2025年6月的30%下降至2026年6月的28%,而谷歌 Cloud的份额从12%上升至15%。更令人警惕的是增速差距:在第二季度,谷歌 Cloud增长82%,Azure增长40%,而AWS增长37%——虽然AWS的37%是“18个季度最快增速”,但谷歌 Cloud的增速是其两倍以上。 这一份额侵蚀的结构性原因值得深入分析。在AI/ML能力层面,谷歌 Cloud凭借其TPU的十年积累和DeepMind的AI研究能力,正在赢得对“AI原生”工作负载有需求的客户。在成本竞争层面,谷歌 Cloud的TPU在推理场景中的成本优势对价格敏感的客户具有吸引力。在生态层面,谷歌的AI工具链(Vertex AI、Gemini API)与谷歌 Workspace的集成正在形成“AI驱动的生产力套件”的差异化定位。 从AWS的视角看,份额下降的直接原因是“供给约束”而非“需求不足”。贾西反复强调“需求超过供给能力”,2026年和2027年的产能已被大部分预订。这意味着AWS的增速受限于其建设速度,而非其客户获取能力。但从长期竞争的角度看,如果AWS的供给约束持续存在,客户可能被迫将部分工作负载迁移到其他云平台,从而形成“永久性的份额损失”。 从算力资产管理的角度看,份额侵蚀的含义是:AWS的算力资产扩张不能假设“市场份额将自动维持”。在供给约束条件下,AWS需要做出战略性的取舍:是将有限的增量算力容量分配给“维持份额”(例如,以有竞争力的价格服务对价格敏感的客户),还是分配给“最大化利润”(例如,优先服务高利润率的AI训练客户)。AWS当前的选择似乎是后者——39.4%的创纪录利润率表明AWS在“以价换量”和“以质取胜”之间选择了后者。 (二)特雷尼乌姆仅在AWS内部可用,市场外延受限 特雷尼乌姆“仅在AWS内部可用”的策略是AWS自研芯片战略中最具争议性的维度。这一策略的优势是明显的:它使AWS能够将芯片的成本优势内部化,增强云服务的竞争力。但其劣势同样显著:它限制了特雷尼乌姆的市场规模和生态发展。 从市场规模的角度看,特雷尼乌姆的“内部化”策略意味着其潜在市场仅限于AWS的客户群体。相比之下,英伟达的显卡可以销售给任何云厂商、任何企业、任何研究机构。这一“市场边界”的差异在长期可能产生重大影响:英伟达通过服务全球市场获得了规模经济和生态网络效应,而特雷尼乌姆的“内部化”使其无法享受这些效应。 从生态发展的角度看,特雷尼乌姆的“内部化”策略使Neuron SDK的开发者社区规模远小于CUDA。CUDA的开发者生态是“开放的”——任何拥有英伟达显卡的人都可以学习CUDA、贡献代码、分享经验。而Neuron SDK的生态是“封闭的”——只有AWS客户才能使用特雷尼乌姆,只有使用特雷尼乌姆的人才有动力学习Neuron。这一“生态规模”的差距在长期可能成为特雷尼乌姆的结构性劣势。 从客户风险的角度看,“仅通过AWS提供”意味着客户对特雷尼乌姆的使用被深度绑定在AWS生态中。AWS官方的迁移指南明确指出:“对AWS的锁定(特雷尼乌姆在其他云上不可用)”是客户在考虑迁移时需要权衡的因素之一。对于需要多云可移植性的客户,这一锁定构成了使用特雷尼乌姆的根本性障碍。 从算力资产管理的角度看,“内部化”策略的资产含义是双重的。积极方面,它使AWS能够控制特雷尼乌姆的整个价值链,从芯片设计到系统集成到服务交付,从而最大化每一单位算力资产的利润捕获。风险方面,它使特雷尼乌姆的资产价值高度依赖于AWS云服务的竞争力——如果AWS的云市场份额继续下降,特雷尼乌姆的“内部市场”也将相应萎缩。相比之下,英伟达的显卡资产价值独立于任何单一云平台的命运。 (三)芯片业务盈利能力不透明 AWS自研芯片业务的盈利能力在2026年仍然是一个“黑箱”。贾西披露的200亿美元年化收入运行率和三位数增长率提供了收入端的可见性,但成本端的信息严重缺失。 从已知信息来看,特雷尼乌姆的“成本优势”是相对于英伟达显卡的采购价格而言的。但特雷尼乌姆的实际成本结构——包括芯片设计成本(研发投入的分摊)、制造成本(台积电代工费用)、系统集成成本(UltraServer的组装和测试)以及软件生态的维护成本(Neuron SDK的持续开发)——从未被公开披露。 这一信息缺口的资产含义是:投资者无法准确评估自研芯片业务的真实利润率。如果特雷尼乌姆的“30%性价比优势”主要来自设计优化和规模效应(而非“亏本销售”),那么这一优势是可持续的。如果特雷尼乌姆的优势主要来自AWS的补贴(例如,将芯片成本计入云服务的“研发费用”而非“销售成本”),那么这一优势的可持续性就值得怀疑。 从竞争对比的角度看,英伟达的毛利率(约75%)是公开信息,而特雷尼乌姆的毛利率是未知的。如果特雷尼乌姆的毛利率显著低于英伟达(例如,50%或更低),那么AWS的“30%性价比优势”本质上是一种“薄利多销”策略——AWS通过牺牲芯片业务的利润率来提升云服务的竞争力。这一策略在短期内可以吸引客户,但在长期可能面临“芯片业务无法自我维持” 的可持续性问题。 从财务披露的角度看,AWS将芯片业务的收入合并计入AWS的云服务收入,而非单独列报。这一会计处理使投资者无法区分“云服务收入”和“芯片收入”的贡献。如果特雷尼乌姆的收入占比持续上升,AWS的整体利润率可能被结构性拉低(因为芯片业务的利润率可能低于云服务软件业务的利润率)。这一风险在当前的高利润率(39.4%)中可能被掩盖,但在长期可能成为利润率的下行压力来源。 (四)资本支出对现金流的挤压 2200亿美元的资本支出计划对亚马逊的现金流产生了前所未有的压力。过去12个月,亚马逊的自由现金流从正182亿美元转为负76亿美元,主要原因是“物业和设备采购增加了661亿美元”。这意味着亚马逊的经营现金流(1614亿美元)虽然强劲,但不足以覆盖其资本支出需求,公司正在消耗现金储备或增加债务来支撑算力资产扩张。 贾西对这一趋势的公开表态是坦诚的:“我们将在未来几年经历自由现金流压力,因为我们在竞相将数据中心容量上线。”他将其类比于AWS早期的建设阶段:“几年后,收入增长将超过增量资本支出的增长,这将在某个时候发生。”这一表态的潜台词是:亚马逊正在要求投资者接受“短期现金流牺牲”以换取“长期增长” 。贾西的类比是合理的——AWS在2006-2012年的建设阶段同样消耗了大量现金流,但随后的收入增长使AWS成为亚马逊的“利润引擎”。然而,这一次的规模不同:AWS早期建设阶段的年度资本支出在数十亿美元量级,而当前的年度资本支出在2200亿美元量级,是当年的数十倍。 从融资能力的角度看,亚马逊拥有“很多选择”来为其AI支出融资(CFO奥尔萨夫斯基的表述)。这些选择包括:债务融资(利用亚马逊的AA级信用评级)、资产证券化(将算力租赁合约打包为金融产品)、股权融资(虽然贾西尚未表示有此计划),以及运营现金流的持续增长(如果AWS的收入增速持续超过资本支出增速)。 从算力资产管理的角度看,现金流压力的含义是:算力资产的“财务可持续性”正在成为与“技术可行性”同等重要的约束条件。AWS的算力资产扩张不能仅从“技术需求”来论证,还必须从“资本回报率”来论证。如果自由现金流的负值持续扩大,且AI收入的增速未能如期加速,市场可能对亚马逊的估值逻辑产生质疑,从而推高其融资成本、压缩其估值倍数。 五、战略动向与展望 (一)从“云服务商”向“AI基础设施运营商”的转型 AWS的战略演进方向在2026年变得清晰:将AWS从“云服务平台”重新定位为“AI基础设施运营商” 。这一转型的核心标志是算力资产在AWS价值主张中地位的上升——从“支持云服务的底层硬件”变为“核心产品本身”。 贾西对“AI基础设施运营商”定位的最直接表述是:“我们长期以来一直认为AWS能够成为数千亿美元收入的业务,现在我们认为它至少是这个数字的两倍。”这一表述的战略含义是:AWS不再将自己定位为“企业IT的云化替代品”,而是“AI时代的算力基础设施提供商”。这一转型的资产含义是:AWS的算力资产不再被视为“支持软件服务的成本中心”,而是直接产生收入的核心资产。 这一转型的组织体现是AWS对“产能”而非“功能”的强调。贾西和奥尔萨夫斯基在财报电话会上反复提及的关键词是“容量”、“供给”和“产能上线”,而非传统的云服务功能更新。这一话语体系的转变反映了AWS运营重心的转移:从“开发新的云服务”转向“建设更多的算力容量”。 (二)双实验室策略的深化与“模型无关”定位 亚马逊的“双实验室”策略——同时深度绑定OpenAI和Anthropic——是其算力资产管理中最具战略创新性的布局。这一策略的深化方向正在从“算力合作”向“生态整合”演进。 在Anthropic方向,整合的深度已经超越了传统的“云服务提供商-客户”关系。完整的Claude平台直接内置于AWS,客户可以通过现有的AWS账户访问Anthropic的工具,“比通过亚马逊 Bedrock市场提供Claude的集成更为深入”。这一整合使AWS成为Anthropic的分发渠道,而不仅仅是算力供应商。从资产管理的角度看,这意味着AWS的算力资产与Anthropic的模型资产形成了“互补性锁定”——客户使用Claude的体验与AWS的基础设施深度耦合,迁移到其他云平台意味着失去这一整合体验。 在OpenAI方向,整合策略更为多元化。OpenAI与AWS的合作始于2025年11月的380亿美元协议,聚焦于英伟达显卡集群用于ChatGPT推理和新模型训练。2026年第一季度,OpenAI进一步承诺消耗特雷尼乌姆容量。这一“显卡+特雷尼乌姆”的双线合作使AWS能够服务OpenAI的全谱系需求——从“需要CUDA生态的训练任务”到“成本敏感的推理任务”。 “双实验室”策略的深层战略逻辑是“模型无关”定位。贾西的策略本质上是:AWS不押注于“哪个模型会胜出”,而是押注于“AI模型的使用本身”。无论客户选择OpenAI的GPT、Anthropic的Claude,还是开源模型,算力需求都会流向AWS。这一“卖铲子”策略在AI模型竞争高度不确定的环境中具有内在的稳健性——它使AWS的算力资产价值不依赖于任何单一模型或实验室的命运。 (三)特雷尼乌姆的规模化与“系统经济学”竞争 特雷尼乌姆的下一阶段战略可以概括为“以系统经济学竞争,而非以单芯片性能竞争”。这一战略的核心逻辑是:在AI算力市场中,客户购买的不是“芯片”,而是“计算能力”;决定计算能力“性价比”的不仅是芯片的性能参数,还有系统的集成效率、软件的优化程度和运营的规模效应。 特雷尼乌姆3与Blackwell Ultra的对比清晰地展示了这一战略。在单芯片层面,Blackwell Ultra的FP8性能(约5 Peta浮点运算每秒)是特雷尼乌姆3(2.52 Peta浮点运算每秒)的约两倍。在系统层面,一个特雷尼乌姆3 UltraServer(144芯片,362 Peta浮点运算每秒)的成本可能比等效的Blackwell基础设施低40-60%,同时提供“可比的总计算能力”。这意味着,在“每美元能买到多少Peta浮点运算每秒”的维度上,特雷尼乌姆3 UltraServer可能具有显著优势。 这一“系统经济学”竞争策略的前提条件是:客户的工作负载必须适配特雷尼乌姆的架构和Neuron SDK。对于Transformer家族模型和标准架构,这一适配是可行的。对于需要CUDA特定操作的新颖架构,特雷尼乌姆的“系统经济学”优势可能被迁移成本和性能损失所抵消。特雷尼乌姆4支持NVLink Fusion的决策,正是对这一约束的务实回应——通过支持与英伟达基础设施的互操作,AWS可以在“特雷尼乌姆适配的工作负载”和“需要英伟达的工作负载”之间实现混合部署,而非“全有或全无”的选择。 (四)展望:在“规模领先”与“增速落后”之间寻找平衡 AWS的算力资产管理战略面临一个根本性的战略张力:规模领先但增速落后。AWS拥有最大的云基础设施规模和最强的利润产生能力,但其增速(37%)落后于谷歌 Cloud(82%),份额(28%)正在被侵蚀。这一张力的长期含义是:如果AWS无法在“增速”上追赶竞争对手,其“规模领先”的优势将随时间推移而被稀释。 AWS的战略选择似乎是在“规模领先”和“增速落后”之间寻找平衡点——以“利润最大化”而非“份额最大化”为运营目标。39.4%的创纪录营业利润率表明,AWS在“以价换量”和“以质取胜”之间选择了后者。这一选择的逻辑是:在算力供给约束的条件下(“需求超过供给能力”),AWS的增量容量应该分配给最有利可图的客户,而非用于“维持份额”的价格竞争。 这一策略的风险在于:如果谷歌 Cloud和Azure通过“价格竞争”赢得了对成本敏感的客户,这些客户可能在长期形成迁移惯性——一旦工作负载迁移到其他云平台,迁移回来的成本可能很高。从资产管理的角度看,这意味着AWS的算力资产可能面临“客户基础的缓慢流失”,这一流失在短期内可能被“高利润率的客户”所掩盖,但在长期可能侵蚀AWS的规模经济基础。 AWS的长期战略方向——从“云服务商”向“AI基础设施运营商”转型、以“系统经济学”竞争、通过“双实验室”策略实现“模型无关”定位——在逻辑上是连贯的。但这一战略的成功条件是:AWS的算力资产扩张速度必须超过竞争对手的增速差距,且其“高利润率”策略不能以“客户基础的流失”为代价。2200亿美元的资本支出是AWS对“需求将持续超过供给”的押注。如果这一押注正确,AWS将巩固其作为全球AI基础设施核心的地位;如果错误,AWS可能面临“产能过剩”与“份额流失”的双重压力。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|