亚马逊 AWS CEO：AI 热潮才刚刚开始Amazon AWS CEO: AI boom is just getting started

播出信息

• 日期：2026-11-10
• 时长：3171 秒（52 分 51 秒）
• 嘉宾：Matt Garman，AWS CEO
• 音频：收听本集
• YouTube：观看视频
• Episode：节目页面
• 英文转写来源：youtube-captions；以下时间点优先采用节目官方章节。

背景

AWS 是亚马逊的云计算业务。主持人以亚马逊管理层提出的「未来 5—10 年，AWS 有可能成为年营收 1 万亿美元的业务」开场，追问如此庞大的增长从何而来。Garman 给出的答案不只是训练更大的模型：企业原有工作负载迁云、应用中的 AI 推理，以及未来能执行复杂任务的 AI 智能体（Agent），可能互相促进。

这也是一次检验 AWS 商业叙事的访谈。AWS 一面大规模建设数据中心、开发 Trainium 芯片和自有模型，一面要向投资者解释资本开支风险，向客户解释费用和安全控制，向社区解释电力、用水与税收影响。

总结分析

本集最有价值的新信息，是 Garman 将 AI 增长与传统云迁移连成同一条因果链：企业若想让智能体跨数据库、主机和业务系统工作，就必须先解决数据可访问性；于是，原本可以缓慢推进的迁云项目获得了新的紧迫性。迁云又使更多 AI 应用成为可能，形成 AWS 所期待的增长循环。这比简单预测模型调用量更能解释其万亿美元营收雄心，但它仍是管理层对未来需求的判断，而非已经兑现的收入。

供给端的回答同样具体。Garman 预计未来几年算力仍将短缺，AWS 因而依靠长期客户承诺、分阶段建设和预留部分容量来管理风险；他强调不能把全部加速器提前卖给大型实验室，否则会失去服务新企业和初创公司的能力。需求端，他认为推理远未成熟，降价可能释放更多使用量，但主持人提出的「增长到破产」提醒我们：用量增长不等于客户单位经济模型健康。

访谈的另一条主线是「扩张的许可」。数据中心必须获得地方社区支持；智能体必须在权限、数据泄露和业务规则上受到约束。Garman 对自动化推理寄予厚望，希望用可验证的规则约束不确定性的模型行为。不过，「可证明遵守特定规则」与「整个智能体系统安全可靠」并不等价。综合来看，AWS 押注的不只是卖更多算力，而是成为从芯片、基础设施到模型和治理工具的承载平台；真正需要观察的，是这些层次能否同时带来客户价值和可持续回报。

节目结构 / 议程

1. 万亿美元营收目标 — 00:00 🎧 · ▶️
2. AI 如何加速云增长 — 02:24 🎧 · ▶️
3. 扩张的成本与产能 — 09:33 🎧 · ▶️
4. 算力投资的风险 — 14:10 🎧 · ▶️
5. 推理为何仍处早期 — 17:02 🎧 · ▶️
6. 数据中心遭遇反对 — 20:03 🎧 · ▶️
7. 太空、海洋与沙漠选址 — 28:21 🎧 · ▶️
8. 推理服务商崛起 — 31:38 🎧 · ▶️
9. AWS 的全栈策略 — 33:53 🎧 · ▶️
10. 为什么对外销售 Trainium — 36:52 🎧 · ▶️
11. 稀缺算力如何分配 — 38:11 🎧 · ▶️
12. AWS 的前沿模型雄心 — 40:10 🎧 · ▶️
13. 如何保障智能体安全 — 41:37 🎧 · ▶️
14. 开放权重与闭源模型 — 46:31 🎧 · ▶️
15. 在亚马逊内部经营 AWS — 49:14 🎧 · ▶️

分节详解

1) 万亿美元营收目标 — 00:00 🎧 · ▶️

💬 他们说了什么：主持人引用 Andy Jassy 的判断：AWS 未来 5—10 年可能达到年营收 1 万亿美元。Garman 则说，AWS 当前年化收入运行率约 1820 亿美元，同比增长约 39%，且同比增速已连续 6 个季度提高。他同时承认，实现远期机会仍需要大量执行与创新。

💡 为什么重要：这里的「万亿美元」是未来业务规模设想，不是已签约收入。Garman 用现有增长和企业工作负载迁云，解释管理层为何提高了对长期市场空间的信心。

⚡ 争议点：如此大的基数能否长期保持高增长尚不可知；主持人关于所需复合增速的估算，也取决于采用哪一时点的收入基数。

2) AI 如何加速云增长 — 02:24 🎧 · ▶️

💬 Garman 说，企业希望让智能体调用分散的数据、分析系统与主机业务；若关键数据仍锁在本地机房，项目就难以发挥效果。他举数据仓库为例：过去迁云可以「明年再做」，如今跨数据源的智能体应用让迁移更迫切。增长既来自大型机构，也来自快速试错的初创公司。

💡 AI 对 AWS 的贡献不必只表现为模型调用账单；它还可能推动数据库、存储、分析和核心计算业务增长。

⚡ 数据可访问性不等于必须全部迁往同一朵云。混合部署、权限治理和系统集成也可能满足部分需求，迁移本身还有成本与合规约束。

3) 扩张的成本与产能 — 09:33 🎧 · ▶️

💬 主持人提出 AI 公司可能「规模越大，亏得越快」。Garman 说 AWS 正投资更细的成本控制，包括预算达到阈值时提醒或停用、改用较便宜模型。他预计需求在未来几年仍会超过算力供给；大型客户常作出约 3—6 年的支出承诺，部分更长。建设上则先处理土地、电力、许可等长周期事项，服务器采购尽量靠近实际需求。

💡 客户的成本上限和云厂商的分阶段资本开支，是同一供需问题的两面：前者防止应用失控，后者减少错误预测带来的闲置资产。

⚡ 长期承诺提供需求可见度，却不保证客户的 AI 产品最终盈利；延后采购也无法消除电力和建设周期的不确定性。

4) 算力投资的风险 — 14:10 🎧 · ▶️

💬 面对市场对新型云算力公司的债务和客户集中度担忧，Garman 认为风险主要取决于各家商业模式：高度举债、依赖少数客户购买大型训练集群，与 AWS 服务广泛企业、政府及日常应用的结构不同。他说 AWS 的 AI 工作负载目前以推理为主。

💡 同样建数据中心，不代表现金流和资产风险相同。评估算力供应商时，应分别看融资成本、客户集中度、训练与推理占比，以及基础业务。

⚡ Garman 否认这是系统性风险，但行业若共同受到融资收紧、需求不及预期或供电延误冲击，风险仍可能相互传导。

5) 推理为何仍处早期 — 17:02 🎧 · ▶️

💬 主持人以「只有约 2% 的美国人为 AI 直接付费」追问市场上限；Garman 认为直接订阅低估了嵌在应用中的 AI 使用。他判断推理的发展甚至不到未来潜力的 1%，并称其观察到推理价格每下降约 50%，用量可增加约一个数量级。训练仍有市场，但买家更集中。

💡 若 AI 像数据库一样成为应用组件，终端用户未单独购买模型，并不意味着他们没有间接支付推理成本。

⚡ 「不到 1%」与降价带来十倍用量是嘉宾的判断和观察，不能直接外推为行业定律；用量增加后，总收入和利润仍取决于价格及服务成本。

6) 数据中心遭遇反对 — 20:03 🎧 · ▶️

💬 Garman 主张按运营方式区分数据中心，而不是一概而论。他称 AWS 会与地方政府和居民合作，承担新增电力成本；其大型数据中心用水量少于 40 户美国家庭，并以 2030 年实现「水资源正贡献」为目标。他也希望把社区责任写入更结构化的项目要求。

💡 地方是否接受数据中心，正成为扩张速度的实际约束。税基、就业、电网和水资源影响，需要在具体项目层面讨论。

⚡ 用水比较、减税收益与清洁能源贡献均为嘉宾陈述；不同地点、冷却方式和统计边界可能产生显著差异，不能据此推断每个项目的净影响。

7) 太空、海洋与沙漠选址 — 28:21 🎧 · ▶️

💬 Garman 判断，太空数据中心在未来 10—20 年很难具备经济可行性：发射规模、散热、辐射和维护都是障碍。他以 AWS 目前约每 14 秒向数据中心部署一块 GPU 的速度，对比航天发射能力。海洋方案有冷却优势却难维护；三者中，他最看好沙漠。

💡 选址不能只看土地或太阳能，还要同时算运输、供电、散热、通信和维修的完整成本。

⚡ 「最可行」不等于沙漠项目必然合适；水资源、电网接入、生态影响及远距离传输仍须逐址评估。

8) 推理服务商崛起 — 31:38 🎧 · ▶️

💬 谈到 Fireworks 等推理服务商，Garman 将其类比为建在云上的数据库或分析服务：与 AWS 某些产品竞争，也可能采购 AWS 基础设施，并帮助客户优化较难自行部署的开放权重模型。

💡 推理市场不一定由「云厂商对抗独立服务商」划分；同一家公司可能既是 AWS 客户、合作伙伴，又在产品层与 AWS 竞争。

⚡ 这种互补关系取决于服务商是否持续使用 AWS、能否保有差异化，以及客户是否愿意接受底层平台与上层产品的利益交叉。

9) AWS 的全栈策略 — 33:53 🎧 · ▶️

💬 被问及智能体未来可能自行编写集成、选择云平台时，Garman 明确说 AWS 希望参与所有层次：芯片与网络、托管数据库和存储、模型服务，以及面向客服、员工和开发者的应用。他希望客户能按价格、性能和能力选择模型；即便 AWS 没赢得上层产品，只要服务建在 AWS 上，仍有收益。

💡 这是 AWS 面对 AI 重组软件栈的防守与进攻策略：既控制基础设施，也争取上层入口，同时容纳第三方。

⚡ 覆盖全栈会增加产品协同机会，也可能让合作伙伴担心平台优待自有服务；客户选择是否真正便利，需要看实际集成与定价。

10) 为什么对外销售 Trainium — 36:52 🎧 · ▶️

💬 Garman 说，客户希望在 AWS 之外使用 Trainium，包括自有机房或有主权要求的环境；AWS 不可能建设世界上每一座数据中心。他在解释市场空间时提出，约 85% 的工作负载仍在本地环境。

💡 若芯片业务走出 AWS 机房，Trainium 就不只是云服务内部的成本优化工具，也可能进入更广的硬件市场。

⚡ 「约 85%」缺乏访谈中的口径说明；芯片外售还涉及软件生态、支持能力，以及与 AWS 云业务之间的取舍。

11) 稀缺算力如何分配 — 38:11 🎧 · ▶️

💬 Garman 说 AWS 会定期开会分配有限产能，有时只能向客户提供不同交付日期或地区。他不愿把 2027 年即将到位的加速器全部提前售完：除了大型实验室，还要给可能只需要 10 块 GPU 的企业、尚未成立的初创公司，以及 Bedrock 留空间。

💡 保留未售容量牺牲部分短期确定性，却维护了云平台「新客户随时可以开始」的价值。

⚡ 访谈没有给出各类客户的容量配比或分配规则；预留策略能否兼顾公平、利用率与长期合同收益，外界难以判断。

12) AWS 的前沿模型雄心 — 40:10 🎧 · ▶️

💬 主持人追问 Nova 团队调整与模型变化是否意味着 AWS 放弃自研前沿模型。Garman 否认，称这是一次「重置」，涉及人才、数据与基础设施经验的调整；自有前沿模型仍是长期战略的一部分，但他未公布具体模型或时间表。

💡 AWS 不满足于只承载第三方模型，还希望拥有第一方模型能力，以服务客户并参与上层竞争。

⚡ 「继续投入」无法单独证明研发进展。重置后的模型表现、发布节奏和客户采用情况，仍需后续验证。

13) 如何保障智能体安全 — 41:37 🎧 · ▶️

💬 Garman 认为客户需要工具，防止智能体越权、泄露数据或违反业务规则。他提出把自动化推理、数学证明与非确定性模型结合：例如在处理保险理赔时，允许系统探索资料，同时验证其是否遵守明确的权限和政策约束。他设想部分相关工具可能在下一年出现，但强调仍处早期。

💡 若高风险业务可以可靠地约束智能体行为，企业才可能从「人工逐项审批」走向更高程度的自动化。

⚡ 形式化验证只能证明被准确建模的性质；现实世界的规则可能不完整、相互冲突或随时变化，不能把某些约束可验证理解为整个业务流程绝对安全。

14) 开放权重与闭源模型 — 46:31 🎧 · ▶️

💬 Garman 不预测未来推理量会由开放权重还是闭源模型占多数。他认为前沿实验室可能加强防蒸馏措施，也会自行推出较便宜的小模型；开放权重则仍有自定义、控制权和成本方面的需求。AWS 的目标是支持最终被客户采用的选择。

💡 模型市场可能同时在性能、价格和可控性上竞争；底层平台有动力保持多模型兼容。

⚡ 他对开放权重模型依赖前沿模型蒸馏的概括过于宽泛。不同模型的训练来源与技术路线各异，不宜一概而论。

15) 在亚马逊内部经营 AWS — 49:14 🎧 · ▶️

💬 主持人称 AWS 约占亚马逊收入的 23%、营业利润的 63%，询问在集团内部经营的感受。Garman 回顾自己在 AWS 的约 20 年：亚马逊鼓励团队开发大机会；其零售网站也是 AWS 早期规模庞大、要求严格的内部客户。

💡 AWS 同时享有大公司的资本与真实应用场景，也承担集团主要利润来源的期待。内部客户不断提出扩展性问题，可能成为产品改进的反馈机制。

⚡ 主持人所列收入和利润占比受财报期间及统计口径影响；内部客户带来的优势，也不保证每项外部客户需求都能被同样满足。

人物与机构

• Matt Garman：AWS CEO，本集受访者；解释 AWS 的增长、建设、芯片、模型与智能体策略。
• Andy Jassy：亚马逊 CEO；主持人引用其对 AWS 长期营收规模的判断。
• AWS／Amazon：本集讨论的云业务及其母公司；Bedrock、Nova 和 Trainium 分别涉及模型服务、自有模型与自研芯片。
• Anthropic、OpenAI：访谈中反复出现的模型公司，也是训练、推理和模型竞争讨论的重要参照。
• 推理服务商：如 Fireworks；Garman 将此类公司视为可能与 AWS 既合作又竞争的云上服务提供者。

金句

「我们希望在最后一个可能的时刻花钱，同时保留抓住需求上行的选择权。」 ——Garman 谈分阶段资本开支，意译

「我不想把百分之百的产能都卖给大型实验室。」 ——Garman 谈算力预留，意译

「如果他们建在 AWS 上，即使我们没赢得上层服务，我们也能赢。」 ——Garman 谈全栈与生态策略，意译

「太空是冷的，但太空也没有空气。」 ——Garman 谈太空数据中心的散热难题，意译

洞见与延伸背景

1. 迁云的价值主张正在变化：传统论证常围绕成本与灵活性；本集更强调「让数据成为可调用的业务能力」。因此，衡量迁移项目不应只看服务器是否搬走，还要看数据权限、质量和跨系统任务是否真正改善。
2. 容量预留是一种平台选择：对单个供应商而言，提前售完设备似乎更稳妥；对云平台而言，随时接纳新客户可能带来更大的长期价值。这解释了 AWS 为什么把可用容量视作产品体验的一部分。
3. 可验证智能体的关键是划清边界：权限不升级、不得调用某类接口等规则，较适合形式化描述；「理赔公平」或「客户满意」则涉及事实判断和价值选择。两类目标需要不同治理手段，不能由一套数学证明包办。

争议与需核实

• 财务口径：年化收入运行率、同比增速，以及 AWS 占亚马逊收入和营业利润的比例，应与相应期间财报核对。
• 需求预测：「万亿美元年营收」「推理潜力不到 1%」及降价带来数量级增长，均不是已实现结果。
• 基础设施影响：用水少于 40 户家庭、水资源正贡献、地方减税和清洁能源贡献，需核对项目位置、时间范围及计算边界。
• 本地工作负载比例：Garman 提出的约 85% 缺少明确分母，不能直接视为行业通用统计。
• 技术承诺：Nova 重置后的成果、Trainium 外售规模，以及自动化推理工具的实际覆盖范围，访谈均未提供足够细节。
• 风险判断：AWS 与高度依赖少数训练客户的供应商确有结构差异，但「风险非系统性」仍是受访者观点。

行动建议

• 企业技术负责人：先盘点关键数据源、访问权限和遗留系统，再决定哪些 AI 用例确实需要迁云；同步设置模型调用预算和停用阈值。
• AI 产品团队：按请求衡量推理成本、质量和收入贡献，测试模型分级与降级策略，避免只看用户增长。
• 采购与投资评估者：比较算力供应商时，把客户集中度、合同期限、融资成本、容量交付和地区限制放进同一张风险清单。
• 部署智能体的团队：先定义不可违反的权限和业务规则，再区分哪些能自动验证、哪些仍需人工复核与事后审计。

来源

• 本集 Episode 页面
• 节目音频
• YouTube 视频及英文字幕；英文转写来源：youtube-captions。