0:00 / --:--
a16z Show · 10 月 23 日
Andy Jassy 认为亚马逊 2026 年约 2200 亿美元资本开支仍无法满足 AI 需求，并将降低推理成本视为企业应用普及的关键前提。
亚马逊 CEO Andy Jassy 解释为何计划在 2026 年投入约 2200 亿美元资本开支仍无法满足 AI 需求，并把算力短缺、定制芯片、企业应用改造与组织重建，放进同一场长期投资中讨论。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
a16z Show· 2026-09-301 万亿美元的 AI 建设｜市场现状The $1 Trillion AI Buildout | State of Markets同主题：AI 算力基建
All-In Podcast· 2026-10-30Anthropic S-1 令人震惊，史上最伟大的企业？谷歌市值蒸发 5000 亿美元，中期选举预测Anthropic S-1 Shocker, Greatest Business Ever? Google's $500B Wipeout, Midterm Predictions同主题：AI 算力基建a16z Show· 2026-10-04David George 与 Jack Altman 谈 AI、自主性和下一个 25 万亿美元Jassy 曾长期领导 AWS，于 2021 年接任亚马逊 CEO。这五年横跨两次截然不同的基础设施挑战：疫情期间，零售配送网络急速扩张，随后必须处理成本与效率；生成式 AI 兴起后，AWS 又面临数据中心、电力、芯片和内存的持续扩容压力。本集由 a16z 方面主持，重点不是单项产品发布，而是追问：巨额建设如何回本、稀缺算力如何分配，以及成熟企业怎样在 AI 时代改变已有的产品与组织。
本集最鲜明的对照，是亚马逊如何看待“先建起来，再优化”。疫情期间，配送网络以异常速度扩张，留下成本问题；Jassy 认为，后来的区域化改造证明，快速服务客户与事后重构并非只能二选一。如今他把类似逻辑用于 AI，但投资规模和前置时间都更大：亚马逊预计 2026 年资本开支约 2200 亿美元，他仍称有需求无法承接。其理由不是单靠远期想象，而是大客户预订、服务器采购较短的决策窗口，以及长期合同提供的需求可见度；不过，数据中心必须提前约两年投入，现金流压力不会因此消失。
更值得注意的是他对需求结构的判断。眼下算力消费集中在大型模型实验室、少数热门应用，以及企业降本增效项目；大量现有企业应用尚未普遍接入推理。若这一“中间地带”真正启动，便能支持长期增长，却也要求推理成本显著下降。因此，Annapurna Labs、Graviton 和 Trainium 在访谈中不是芯片支线，而是亚马逊试图改变 AI 经济性的核心工具。访谈同时显露几组尚未解决的张力：数据中心的全国性收益与当地资源负担、AI 新客户的高支付意愿与老客户的容量保障、模型公司既是投资对象又是算力客户，以及小团队提速后必须同步加快安全修补。Jassy 给出的方向是继续建设并重写产品与工作流程；其成效仍取决于需求兑现、成本下降和执行质量。
💬 他们说了什么：开场剪辑先抛出全片张力：Jassy 称，即使今年支出约 2200 亿美元，亚马逊仍会错过相当一部分需求；2026 年的大块容量已售出，2027 年也大体售出，2028 年已有相当部分被预订。主持人则提出尖锐假设：新 AI 实验室愿意高价购买电力、冷却和芯片，云服务商是否会因此挤走老客户？
💡 为什么重要：访谈讨论的不只是“建多少”，还有稀缺时期“优先服务谁”。资本配置和客户信任在这里成为同一道题。
⚡ 争议点：“售出”需要区分合同承诺、可用容量与实际消耗；开场说法不能直接等同于未来收入已全部锁定。
💬 Jassy 回顾，亚马逊总体营收较 2021 年约高 80%，AWS 规模接近当时的 3 倍，广告收入约为 2.5 倍。疫情时期，公司约 18 个月便把此前经营 25 年建成的履约网络规模翻倍，又在约 20 个月建起规模可比 UPS 的末端配送网络。过快建设抬高了履约成本，随后美国网络从全国统一布局转向区域化，把商品放得更接近顾客。他还称，AWS 上一季度同比增长 36.7%，对应约 1690 亿美元年化收入运行率。
💡 他以零售网络作例子说明亚马逊的管理方法：紧急时优先满足客户需求，再用指标发现浪费，必要时重做架构，而不只是逐项削减成本。
⚡ 疫情期间的紧急需求与 AI 的长期需求并不相同。“先扩建、后优化”的成功经验，不自动证明每一轮巨额投资都会得到相同回报。
💬 Jassy 比较两次起飞速度：AWS 创立约三年后，年化收入运行率约 6000 万美元；这一轮生成式 AI 兴起约三年后，仅 AWS 的 AI 业务运行率便超过 250 亿美元。亚马逊预计 2026 年资本开支约 2200 亿美元。他把投入分为两类：数据中心通常须提前约 两年建设，预计使用寿命约 30 年；服务器与网络设备可在需求到来前数月购买，设备约 三年回本、使用寿命约 五至六年，而许多客户合同约为 五年。
💡 这套分期投入解释了 Jassy 为何认为自己能控制部分风险：先取得机房容量，接近交付时再依据需求决定是否填入设备。但它也解释了为何高速建设阶段自由现金流承压。
⚡ 设备回本速度、合同期限和机房寿命不是一项项目收益率的完整计算。若供电延期、设备迭代或客户用量低于预期，实际现金回收仍可能改变。
💬 Jassy 将数据中心比作支撑数字经济的道路与桥梁，主张美国必须建设，也承认行业需要更好地与社区合作。他称，高尔夫球场耗水量约为亚马逊所有数据中心的 200 倍；备用发电机一般仅在维护时运行，约每年 10 小时。他还提及印第安纳州 Saint Joseph County 的约 30 亿美元税款，以及面向数据中心所在地社区、未来 五年追加 10 亿美元的承诺。
💡 机房不再只是云公司的内部资产。土地、水、电网、税收与居民接受程度，都可能成为决定算力何时上线的约束。
⚡ 全国总量比较不能替代某个流域或社区的局部评估；税收、费率和发电机运行数据也需明确统计口径、时间范围及受益对象。
💬 Jassy 把现有需求形容为“杠铃”：一端是大量购买算力的模型实验室及少数爆款应用；另一端是将 AI 用于客服、反欺诈和流程自动化的企业。大量既有企业生产应用位于尚未充分采用推理的“中间”。供给端，他称 2026 年大块容量已售出、2027 年大体售出、2028 年已有相当部分售出，但会为按需服务保留容量；电力、数据中心与内存短缺可能持续数年。他明确表示不会为了出价更高的 AI 客户挤掉运行核心业务的老客户。
💡 如果企业现有应用逐渐普遍采用推理，未来需求可能不只来自头部模型公司。与此同时，HBM 与传统 DRAM、AI 与非 AI 云业务之间，都存在真实的资源分配取舍。
⚡ 企业应用改造的速度尚难预测；长期客户保障是一项原则，具体如何体现于紧缺时的配额、价格和交付安排，访谈没有展开。
💬 亚马逊 2015 年收购 Annapurna Labs，最初并非为了 AI 加速器，而是希望用网卡卸载虚拟化、网络、安全与存储任务，把更多服务器资源留给客户计算。团队随后开发 Graviton CPU；Jassy 称，AWS 排名前 1000 的 EC2 客户中有 99% 使用它，其性价比较其他 x86 处理器约高 40%。Trainium 则针对 AI 加速，他称相对可比处理器的性价比高约 30%—40%；在他看来，推理成本仍比实现广泛采用所需的水平高出约一个数量级。
💡 自研芯片的目标不仅是摆脱单一供应商，还在于降低把既有软件改写为 AI 应用的经济门槛。推理若仍昂贵，企业就必须证明更高的新增价值，才愿意迁移。
⚡ 性价比取决于工作负载、软件适配和比较基准；“高一个数量级”是 Jassy 对普及门槛的判断，不是所有应用通用的定价结论。
💬 主持人以约 180 亿美元投向 Anthropic、约 500 亿美元投向 OpenAI的说法发问，担忧投资方同时也是供应商，会让交易看起来像以资金推动彼此收入。Jassy 没有在回答中确认这两个具体金额，而是强调两家公司的团队、模型与增长潜力。Anthropic 与 AWS Bedrock、Trainium 长期合作；OpenAI 的合作则让希望在 AWS 使用其模型的客户获得路径，并涉及 Bedrock、带状态的智能体运行环境及多年、多吉瓦规模的 Trainium 承诺。
💡 投资、模型分发、芯片采用和云计算合同在同一伙伴关系中相互连接，可能增强亚马逊的平台吸引力。
⚡ 这种连接也使外界更难单独判断投资回报、云收入与真实终端需求。主持人提出的投资金额以及合作承诺的具体条件，应另行核对披露文件。
💬 主持人举例称，Bedrock 团队用 6 名工程师、76 天重建推理引擎，而旧方法可能需要 40 人、一年；Jassy 称这个案例令内部深受触动。他又提到一个消费业务智能体构想，由 四五人在周末做出自评约 80% 可交付的原型。他预计团队会更小、成员更跨职能，今天由人完成的部分工作将减少，但也会出现新工作。安全方面，他认为模型发现漏洞的速度正在迫使企业把修补与部署周期缩短到分钟级，并提到 AWS 的 Continuum 服务。
💡 AI 改变的不只是写代码的速度，也改变组织边界：原型可以更快出现，现有应用却必须具备让智能体在约束下安全更新的能力。
⚡ 原型的“80%”不等于可安全上线；单个团队案例也不足以推算普遍生产率。自动修补若缺少测试、权限和回滚机制，可能引入新风险。
💬 Jassy 将 AI 用途区分为降成本、创造全新产品，以及从根本上改造已有产品。Alexa 属于第三类：生成式 AI 已改变语音助手能够具备的能力，因此不能只添加少量功能，而要重做其“头脑”。他认为零售、Prime Video、Fire TV 和音乐等现有体验也需重新构想；若只做渐进改良，三至五年后可能失去竞争力。
💡 对成熟公司而言，困难往往不是缺少技术，而是已有团队、系统和客户都依附于旧体验。Jassy 主张同时探索全新界面与逐步融入现有产品的路径。
⚡ 从零构想未必优于循序升级；新体验是否真正改善使用效果，还须由留存、满意度和可靠性检验。
💬 Jassy 认为学校和年轻人无法回避 AI；即使不是开发者，也应频繁试用，并尝试用它完成舒适区之外的任务。但他提醒，AI 可以让资料阅读、整理与研究更快到达一个较好的起点，不能因此放弃把证据连成策略、产品和判断的能力。他以商学院案例分析为例，强调最终方案仍需人的推理、实验与创造。
💡 工具降低的是入门与执行成本，不必然降低辨别好坏的难度。会提问、会验证、能承担判断的人，才更可能把速度变成成果。
⚡ 人机分工会随模型能力改变；“最终判断由人完成”目前是审慎的实践原则，不宜当作永久不变的技术边界。
💬 面对卫星、机器人、自动驾驶、医疗与零售并行的问题，Jassy 指出 AI、机器人和太空是三场重大技术转型；Amazon Leo 所面向的潜在人群包括全球约 5 亿没有宽带连接的家庭。他认为避免分散注意力的关键，是由专注单项业务的团队分别负责，并筛选足够大的机会、差异化方案和有能力的负责人，同时愿意作长期投入。
💡 亚马逊的扩张逻辑不是让同一管理团队同时兼顾所有项目，而是以分权组织承载多个长期试验，再看它们能否持续改善客户体验并形成业务。
⚡ 独立团队可以减少日常注意力冲突，却不能消除资本、人才和高层决策的共同约束。潜在服务人群规模也不等于可获得客户数。
“即使今年投入 2200 亿美元资本开支，我们仍会留下相当一部分需求无法满足。”——Jassy，意译
“我们不会挤压那些把核心业务运行在 AWS 上的客户。”——Jassy，意译
“如果现有公司只把 AI 当成渐进式改良，三到五年后很可能无法拥有胜出的体验。”——Jassy，意译
“你需要使用这些工具，但批判性推理与思考仍然非常重要。”——Jassy，意译
