“我們的晶片業務火熱。”這句話既不是出自輝達、英特爾，也不是Google、微軟，而是來自於亞馬遜CEO安迪·傑西（Andy Jassy）最新的股東信。他還補充到，Trainium晶片的需求正在爆發。這聽起來多少有點反直覺。因為過去一段時間，你聽到的亞馬遜，大機率不是這個故事。你聽到的應該是亞馬遜如何裁員，是自由現金流被AI基建吞掉，是AWS增速被質疑，是它和甲骨文一起被放進了“AI包工頭”那一撥裡。在很多人的印象裡，亞馬遜根本就不是一家站在AI潮頭的公司。模型這邊，OpenAI有ChatGPT，Anthropic有Claude，Google有Gemini。如果我問你亞馬遜最強的模型叫什麼，很多人可能還真得先搜一下。但在大家沒怎麼注意的地方，亞馬遜其實已經暗度陳倉了。在這封股東信裡說寫到，AWS的AI業務年化收入已經超過150億美元。更關鍵的是，包含Graviton、Trainium和Nitro在內的亞馬遜自研晶片業務，年化收入已經超過200億美元，而且還在以三位數同比增長。安迪表示，如果把這塊業務單獨拆出來，像輝達、英特爾那樣直接向第三方賣晶片，它的年化規模大約可以達到500億美元。這個規模就不能再管它叫“內部降本工具”了，這是一塊真正長出來的新業務。更重要的是，亞馬遜現在不是只做晶片。它有底層晶片，有資料中心，有AWS，有Bedrock，有Anthropic這樣的深度繫結客戶，也有OpenAI、蘋果這些外部大客戶。換句話說，雖然模型本身沒那麼亮眼，不過亞馬遜的確是一家全端AI公司了。微軟還在OpenAI、Copilot、Azure和Maia之間摸索主軸，但亞馬遜的方向反而越來越清楚。讓AI儘可能跑在AWS上，儘可能消耗AWS自己的晶片，最後把AI時代的利潤率和控制權重新抓回自己手裡。所以我才覺得，晶片正在成為亞馬遜的“AWS”。就比如Anthropic，現在他們的Claude模型，全都已經在亞馬遜的晶片上跑過了。為了吃定Anthropic這個大客戶，亞馬遜還專門建了一個AI算力叢集，叫Project Rainier。這個叢集是全球已知最大的非Nvidia算力叢集之一，僅印第安納州New Carlisle這一處園區，當時就已經部署了大約50萬顆Trainium2晶片。到2025年底，規模已經擴大到100萬顆晶片。而這些晶片存在的目的就一個，跑Claude。亞馬遜都這麼客氣了，Anthropic自然也得禮尚往來，後者直接參與了亞馬遜Trainium3晶片的設計工作。以前都是晶片公司有什麼晶片，AI公司才能訓練怎樣的模型。現在反過來了，AI公司開始教雲廠商怎麼造晶片。問題也隨之而來。亞馬遜為何非要自己造晶片？它真的是為了挑戰輝達，還是只是想把AWS的利潤率再抬高一點？歸根結底，亞馬遜造晶片這件事，表面看是個硬體故事，但你只要往深處看，就會發現還是亞馬遜那套平台邏輯，把別人的增長，變成自己的基礎設施收入。01一場從2015年開始的豪賭Annapurna Labs成立於2011年，然後他們就一直處於隱身模式。這家公司由三位工程師創立，他們採用了一種很叛逆的設計理念，從雲端運算、資料流量、實際需求倒推回去，再設計晶片。這種反向思維方法，恰好與亞馬遜的工作方式完全契合。2015年初，亞馬遜以3.5億美元收購了一家以色列晶片創業公司Annapurna Labs。沒有新聞發佈會，在亞馬遜的財報中，也只有一條簡短聲明。當時所有人都覺得，這只是亞馬遜眾多投資中不起眼的一筆。收購完成後，亞馬遜並沒有急於推出產品。Annapurna Labs的團隊先是參與了AWS相關項目，後來開始給Nitro System的底層做硬體設計。Nitro System是AWS的一套雲基礎設施底層架構。它是把原來由伺服器主CPU和傳統虛擬化軟體負責的很多事情，拆出來交給專門的硬體去做。Annapurna Labs就是負責來設計這個硬體。有一說一，這只是小打小鬧，或者你可以直接理解為Annapurna Labs在融入亞馬遜這個大家庭之前的一次團建，真正的故事要從2018年開始講起。3年之後，AWS推出了Inferentia，這是一款專門用於推理的機器學習晶片。亞馬遜認為，與訓練相比，推理任務對晶片的要求略低，更容易切入。這屬於人之常情，很多國內做AI晶片的廠商也秉持著相同的想法。2019年，搭載Inferentia晶片的Inf1實例正式上線。這玩意到底性能如何呢？亞馬遜之前有一套搭載輝達T4 GPU的雲伺服器，主打圖形渲染、視訊處理和機器學習推理。Inf1比G4多了最高3倍的吞吐，每次推理成本最多低40%。但是，Inf1在市場上卻沒什麼聲量。原因在於它是專門為推理場景做了最佳化，特別適合用來做推薦系統、圖像識別、語音識別、NLP推理這些。可問題就在於，亞馬遜的整個晶片生態剛起步，你想用Inf1，就必須得用亞馬遜自己的AWS Neuron SDK。這個SDK的框架雖然支援TensorFlow/PyTorch/MXNet，但相容性和成熟度遠不如輝達的CUDA。並且早期編譯器限制很多，比如控制流、模型大小、BERT序列長度等都有約束。所以Inf1更像是個概念產品，只是給市場打了個樣，亞馬遜自己也深知這一點。不過Inf1的表現還是超出了亞馬遜的預期，於是接下來，亞馬遜開始高歌猛進。2021年，AWS正式發佈了首款面向客戶用於訓練AI模型的晶片Trainium。訓練晶片的技術難度遠高於推理晶片，第一代Trainium基於7奈米工藝，擁有約550億個電晶體，於2022年開始為EC2 Trn1實例提供算力。亞馬遜表示，在特定工作負載下，Trainium的每token成本比A100叢集低54%。對於GPT類模型，Trainium的吞吐量與A100相當，但成本只有一半左右。2023年底，亞馬遜在re: Invent大會上發佈了第二代Trainium2晶片。這款晶片採用5奈米工藝，計算核心數量是第一代的4倍，訓練速度提升4倍，記憶體容量顯著增加。Trainium2針對生成式AI訓練做了專門最佳化，支援結構化稀疏性，能夠更高效地處理大語言模型的訓練任務。且相較於基於H200/H100的同類雲配置，價格性能可再提升30%到40%。2024年12月，亞馬遜在re: Invent大會上首次公佈了新一代Trainium3晶片。這是AWS首款採用3奈米工藝的AI晶片。到2025年底，Trainium3被正式整合到Trn3 UltraServer中，每台伺服器搭載144顆晶片，提供362 petaflops的總算力。這些伺服器採用液冷技術，能效比前代提升約4倍。AWS表示在部分訓練和推理場景下，客戶可將成本進一步壓低至輝達GPU方案的一半左右。從2015年到2026年，亞馬遜在晶片業務上的投入是漸進式的，因此越後面投入越大。2025年，亞馬遜的資本支出達到約1250億美元，其中絕大部分流向AI所需的資料中心、電力和晶片。2026年，這個數字預計將達到2000億美元，比分析師預期高出近40%，也超過了Google宣佈的1850億美元上限。02亞馬遜的晶片為何能賣出去？錢，不能只花不賺。前文提到亞馬遜晶片業務的年化營收已超過200億美元，是這個數字包括Graviton處理器、Trainium訓練晶片和Nitro網路晶片的總收入。這封信還透露，如果晶片業務作為獨立公司營運，像輝達或英特爾那樣直接向第三方銷售晶片，年化營收規模可達500億美元。Graviton本質上就是Annapurna Labs開發的一款Arm伺服器CPU，用來替代英特爾和AMD那類傳統x86處理器，負責跑Web服務、資料庫、容器和各種企業應用。你可能要問了，那為何要有這玩意呢？我用英特爾的CPU不行嗎？AWS上有大量的工作負載，其實根本不需要GPU，也不需要什麼AI晶片，這些東西吃的就是最普通、最穩定、最長期的伺服器CPU算力。對這些常見的工作負載來說，Graviton更便宜、更省電，還更容易推廣。目前，亞馬遜的晶片主要通過AWS以租用形式提供給客戶，而不是直接銷售硬體。客戶購買的是EC2實例的計算能力，背後可能是Graviton、Trainium或Inferentia晶片。這種商業模式與傳統晶片廠商完全不同，倒是和網上一些租顯示卡的個體戶很像。從後來的結果看，Graviton也確實成了亞馬遜自研晶片裡最早跑通商業閉環的產品。它不像Trainium那樣需要客戶重寫大量訓練流程，也不像Inferentia那樣強依賴特定推理場景。在AWS彈性計算產品的1000個最大客戶中，超過90%正在使用Graviton晶片。AWS還披露，有超過5萬名客戶在使用Graviton。知名企業如蘋果、SAP、Pinterest、Datadog都是Graviton的使用者。所謂一分錢難倒英雄漢，很多公司遷移到Graviton，就是因為它便宜、穩定，而且遷移成本低。Graviton先幫亞馬遜證明了一件事，只要價格便宜，客戶並不介意自己用的是什麼晶片。而這件事一旦被證明，Trainium和Inferentia後面的故事才真正有了繼續講下去的底氣。Trainium和Inferentia的客戶就相對少一些，它們最大的客戶是Anthropic。2024年底，Anthropic宣佈了Project Rainier，將使用一個擁有近50萬顆Trainium2晶片的算力叢集訓練Claude模型，文章開頭我就提到了。這個叢集在2025年投入使用，是當時世界上最大的機器學習訓練叢集之一，算力是Anthropic之前使用叢集的五倍以上。2025年，OpenAI先與AWS達成了規模達380億美元的長期雲合作承諾。到了2026年2月，亞馬遜又宣佈向OpenAI投資500億美元，並確認OpenAI將通過AWS基礎設施消耗約2吉瓦的Trainium計算容量。考慮到Anthropic和亞馬遜自己的Bedrock服務已經使用了大量Trainium晶片，亞馬遜竟然還能騰出手接下OpenAI這筆大單子，可見當時的亞馬遜已經All In晶片了。除此以外還有蘋果，它們的搜尋產品採用了Graviton 4和Inferentia 2，機器學習推理工作負載的效率提高了40%以上。蘋果還在早期階段測試Trainium 2，初步結果顯示，在Trainium 2上對模型進行預訓練，效率將提升50%。然而正當亞馬遜以為自己的晶片功法就要煉成的時候，有人給他們潑了一盆冷水。2025年7月，一份亞馬遜內部標註為“機密”的文件顯示，AI初創公司Cohere發現Trainium 1和Trainium 2晶片的性能“不及”輝達的H100 GPU。開發了Stable Diffusion的圖像生成公司Stability AI也得出類似結論，認為Trainium 2在延遲方面表現不佳，使其在速度和成本上“競爭力較弱”。新加坡AI研究機構AI Singapore的測試表明，配備輝達GPU的AWS G6伺服器在多個使用場景下的成本性能都優於Inferentia 2。亞馬遜對此回應稱，這些反饋“並非當前情況”，Trainium和Inferentia已經在Ricoh、Datadog、Metagenomi等客戶那裡取得了“出色成果”。03雲巨頭造晶片儘管如此，需求仍在快速增長。亞馬遜的股東信中透露，兩家大型AWS客戶曾要求購買2026年所有的Graviton實例容量，但亞馬遜因需要照顧其他客戶的需求而婉拒了這兩筆大單子。AWS在2025年新增了3.9吉瓦的電力容量，預計到2027年底總電力容量將翻倍。亞馬遜造晶片的故事，從2015年的一筆低調收購，到2026年成為年化200億美元的業務，用了11年時間。你要非得說這個增長多高多快，那也未必見得，但至少說得過去。問題就在於，這條路能走多遠，能否真正複製AWS的成功。亞馬遜造晶片的核心邏輯很簡單，降低成本，提高利潤率。但這個邏輯能否成立，取決於三個問題：晶片真的更便宜嗎？客戶願意為此付出遷移成本嗎？多久能收回投資？首先，客戶需要使用AWS的Neuron SDK對程式碼進行適配。Anthropic的工程師透露，將訓練流程遷移到Trainium3大約需要三周時間，這比早期幾代定製晶片所需的數月時間大幅縮短，但仍然是一筆不小的工程投入。其次，不是說所有的模型架構它都能用Trainium來跑。有些架構需要CUDA進行特定操作，而且一些公司它是財大氣粗的類型，要求算力必須達到極限，而這時候，仍然只能使用輝達的產品。如果把視角再往外拉一點，你會發現亞馬遜對晶片這件事的執念，其實也和它自己在AI戰場上的尷尬處境有關。我就舉一個例子，如果問你，亞馬遜的模型是啥，你如果不去搜尋，能立馬回答得上來嗎？亞馬遜不是沒做模型，相反，它很早就佈局了自己的Titan模型家族，後來又推出了Nova，想把文字、圖像、視訊這些生成能力都補齊。後面還有覆蓋消費端到企業端的各種AI產品，比如Bedrock、Q，再到升級版Alexa。問題在於，亞馬遜每一步都跟著摻和了，但是每一步都沒有讓客戶們滿意。這就導致亞馬遜在AI產業上面掉隊了。除了亞馬遜，雲巨頭也都在重塑AI晶片市場。Google的TPU已經迭代到第五代，微軟也在開發自己的AI晶片Maia。Google雖然不直接賣TPU，不過好歹還建了個雲平台，對外銷售TPU的算力。微軟倒好，這個Maia就從來沒有對外放出來過。然而Maia的現狀，並不樂觀。2023年的時候，微軟本想用Maia 100來跑OpenAI、Copilot這些大模型，但等產品剛開始部署的時候發現，Maia 100的算力遠遠不夠支撐當時的ChatGPT，所以OpenAI也只能選擇輝達。2025年，微軟下一代Maia被爆出難產，因此其量產時間從2025年推遲到了2026年，原因包括設計中途變更、團隊流動和工程推進不順，而且按當時外媒透露的消息，新Maia的性能也比不上輝達剛剛發佈的Blackwell。到了2026年1月，微軟總算是正式拿出了採用3nm工藝的Maia 200，但它的定位是推理，並不能像輝達的GPU一樣用來訓練大模型。然而市面上已經充滿了替代產品，微軟不僅技術上沒有領先，就連產能和鋪設速度也比不過亞馬遜和Google，這就導致微軟的Maia沒能掀起什麼風浪。未來的AI晶片市場可能會分化為兩個層次，一個是輝達、AMD主導的通用市場，另一個是雲巨頭各自的封閉生態。對於初創公司和中小企業來說，選擇那個雲平台，就意味著選擇了背後的晶片架構。如果深度依賴AWS的Trainium，將來遷移到其他平台的成本會非常高。亞馬遜以前掉隊了，所以它才想要去鎖定中小企業未來，指不定能在AWS上再養出來幾個OpenAI、Anthropic這樣的企業。但從另一個角度看，雲巨頭的自研晶片也在推動整個行業的進步。輝達之所以能夠長期維持高利潤率，部分原因是缺乏有效競爭。當亞馬遜、Google、微軟都開始自己造晶片，就會去倒逼輝達降價、加快迭代。最終受益的是整個AI行業。亞馬遜造晶片能否成為下一個AWS，取決於如何定義“成功”。如果成功意味著像AWS那樣創造一個全新的行業，改變整個科技生態，那麼顯然，它並不能成為下一個AWS。晶片行業已經存在了幾十年，亞馬遜不是在創造新市場，而是在重新分配現有市場的份額。但如果成功意味著建立一個可持續的、有競爭力的業務，為AWS提供成本優勢和戰略控制權，那麼亞馬遜已經在這條路上走得很遠。200億美元的年化營收，90%以上的頭部客戶採用率，Anthropic和OpenAI這樣的標竿案例，這些都足以證明Trainium的成功。更重要的是，當你擁有從晶片到資料中心到軟體平台的完整堆疊，你就可以針對特定工作負載進行端到端的最佳化，這是購買通用晶片無法實現的。從這個意義上說，亞馬遜造晶片的故事，不是關於能賺多少錢，而是關於誰掌握控制權。在AI時代，算力就是石油，誰控制了算力的生產和分配，誰就掌握了未來。亞馬遜不想把這個控制權完全交給輝達，就像它當年不想把雲基礎設施的控制權交給英特爾一樣。就算到最後，Trainium不能與輝達平起平坐，它也已經證明了雲巨頭有能力挑戰晶片巨頭的壟斷地位。這本身也是一種成功。 (字母榜)
