亞馬遜CEO安迪·賈西（Andy Jassy）作客知名風投a16z的播客節目，與a16z聯合創始人Ben Horowitz進行了一場深度對談。在這場訪談中，賈西全面揭示了亞馬遜在生成式AI浪潮下的戰略全景。賈西把這一輪 AI 競賽定義為——以客戶長期信任為約束，用“超前基建 + 自研晶片 + 生態繫結 + AI 原生組織”搶佔推理時代，而不是做短期算力套利。
核心要點：
一、總判斷：AI是結構性機會，不是短期泡沫
- AWS 上季度在 1690 億美元年化營收基礎上同比增長 36.7%；生成式 AI 頭三年，AWS 內 AI 業務年化營收突破 250 億美元，而 AWS 早期前三年僅 6000 萬美元，斜率快了幾百倍。
- 2026 年資本開支約 2200 億美元（日均約 6 億美元），但 2026 年算力容量售罄、2027 年基本售罄、2028 年相當部分已鎖定。賈西的判斷是：不是投太多，而是需求仍未被滿足。
二、需求結構：真正的大頭在“啞鈴中段”
- 一端：頂級 AI 實驗室和少數超級應用，對算力、電力吞噬前所未有。
- 另一端：企業用 AI 做客服自動化、反欺詐、流程自動化等單點降本。
- 中段：企業跑在雲端的海量生產系統，絕大多數尚未實質性接入推理，這將是未來 5–7 年 AI 使用量絕對值最大的一塊。
- 啟動中段的關鍵不是“有沒有模型”，而是推理成本還必須再降一個數量級。
三、資本開支邏輯：不是盲目賭，而是分層資產+需求可見度
- 機房：提前約兩年建，使用壽命約 30 年，只需做一次。
- 伺服器與網路裝置：提前幾個月採購，約 3 年回本、壽命 5–6 年，客戶合同普遍 5 年。
- 因此短期自由現金流會有幾年逆風，但需求可見度高：如果不需要那麼多產能，就不買伺服器和裝置。資本開支的風險控制在於“機房先行、裝置後置、可調減”。
四、競爭策略：不把老客戶“賣給”AI新貴
- 面對 HBM、晶片、電力緊缺和 AI 實驗室的高價誘惑，AWS 不會買斷老客戶資源轉手高價賣出。
- 邏輯是：核心客戶的企業命脈在 AWS 上跑了十幾二十年，短期套利會動搖長期信任。正確做法是擴大供給——保障老客戶擴容，同時為 AI 開闢增量。
- 這延續了疫情期間“幫客戶降本、犧牲短期收入換長期信任”的客戶至上原則。
五、自研晶片：從Nitro、Graviton到Trainium，核心是降推理成本
- 收購 Annapurna 最初不是為了 AI，而是把虛擬化、網路、安全、記憶體開銷從主 CPU 剝離，演進為 Nitro。
- 因英特爾主導 CPU 缺乏性價比動力，做出 Graviton：AWS 前 1000 大 EC2 客戶中 99% 使用，性價比比同代 x86 高約 40%。
- AI 領域複製同一邏輯做 Trainium，性價比高約 30%–40%。目的不是“有晶片”，而是把推理成本打下來，讓企業有經濟動力重寫 CPU 應用。
六、投資Anthropic與OpenAI：信念+贏家判斷+技術協同
- 三點邏輯：相信 AI 變革性；相信兩家是長跑贏家；投資必須繫結深度技術協同。
- Anthropic：通過 Bedrock 服務大量客戶，同時是 Trainium 核心研發夥伴。
- OpenAI：客戶強烈想在 AWS 內用 OpenAI 模型；合作引入 Bedrock，共造 有狀態執行階段環境，OpenAI 對 Trainium 做出多年、數吉瓦承諾。
- 本質是：用管道、算力和晶片繫結模型供給側，同時滿足企業客戶需求。
七、組織重構：過度專業化失效，小團隊+AI原生
- Bedrock 團隊 6 名工程師、76 天重寫推理引擎，過去需 40 人一年；四五人周末做出 80% 可運行原型。
- 判斷：做今天這些工作的人會更少，團隊會小得多，複合型人才價值放大；每個團隊起點被 AI 抬到 80%，能更快、更大規模地發明。
- 企業軟體必須為智能體重寫，讓系統可被 Agent 快速介入、修改、部署。
八、安全：現實威脅不是科幻，而是分鐘級網路安全
- 真正致命但討論不足的是網路安全：模型能找出遠超人類審計員的漏洞。
- 未來應對必須以分鐘計，而非幾天幾周；系統要能由智能體自動打補丁並熱部署。AWS 已推出 Continuum 自動化安全服務。
- 如果應用不能被智能體更新，未來攻擊面前幾乎沒有還手之力。
九、產品重構：成熟產品不能只做漸進式修補
- 只把 AI 當修補工具，三到五年後大機率落敗。
- Alexa 必須“換腦”、重寫底層架構；更難的是零售、Prime Video、Fire TV、Prime Music 等當下利潤豐厚的核心業務，也要用獨立團隊從零孵化 AI 原生版本。
- 最大阻力來自組織情感和舊經驗：“過去證明有效、你們踩過坑”。但不自我顛覆，就會被外部新興團隊顛覆。
十、業務組合：三大轉型交匯，用“單線程”避免攤薄
- 三大轉型：AI、機器人與自動化、低軌太空基建。亞馬遜的核心業務本就紮根其中：零售機器人、AI 應用與消費體驗重塑、Amazon Leo 為全球 5 億家庭提供寬頻。
- 避免戰線過長靠兩點：組織設計原則 + 長期戰略定力。堅持“單線程領導責任制”，不讓同一批人管理跨度極大的業務；只要市場足夠大、痛點未滿足、技術能顯著改善體驗、長期現金流健康，就堅決投入。
十一、給年輕人的建議：擁抱AI，但批判性思維更值錢
- 不能迴避 AI，必須大量使用、嘗試超出舒適區。
- 但 AI 把資訊起點拉平後，串聯洞察、研判非共識機會、設計產品、做決策仍依賴人的判斷力、創造力、同理心和試錯勇氣。工具門檻越低，獨立思考越值錢。
最終結論：
賈西的整套邏輯是一條閉環——AI 需求呈槓鈴結構，中段最大但被推理成本卡住；自研晶片降成本，超前基建承接需求，投資模型公司繫結生態，小團隊 AI 原生重構組織和產品，安全必須分鐘級響應；而所有短期誘惑都讓位於客戶長期信任。這不是“基建過剩”，而是以長期客戶關係為錨的 AI 基建提速。
Amazon CEO Andy Jassy 深度對談 a16z 全文
一、接任五年：從履約困局到 AI 大爆發
Ben： Andy，歡迎來到節目。你執掌亞馬遜已經五年，做了很多事。目前是 2200 億美元資本開支，AWS 重新進入高增長軌道。相比 2021 年你正式接棒的時刻，你怎麼看 2026 年亞馬遜的雄心？
Andy Jassy： 2021 年感覺已經非常遙遠，像十年前一樣。世界變化很快。如果和 2021 年相比，我們的整體營收大約高出 80%，AWS 業務規模接近當年的三倍，廣告收入大約是當年的 2.5 倍。 所以業務確實增長得相當多。
我上任時正值疫情尾聲，零售業務迎面撞上了履約成本急劇上升的難題：我們用 25 年建成的履約網路，在約 18 個月裡把規模整整翻了一倍；緊接著又在約 20 個月內，建成了一支規模相當於 UPS 的最後一公里配送網路。建得這麼快，必然會有大量沒有最佳化到位的環節，履約成本遠不是我們想要的狀態，造成了很大的挑戰和焦慮。當時很多人——我上任還不到一年——都說"這個時候接手真是最糟糕的時機、運氣太差"。
但回頭看，那其實是一次難得的契機。它倒逼我們去考慮一堆本來可能多年都不會去考慮的事情。其中最大的一項，就是把我們原本扁平的全國履約網路在美國做了區域化改造——把庫存放得離客戶近得多，運輸距離大幅縮短，既壓低了履約成本，又讓配送速度大幅提升。在履約成本承壓的時期重新審視我們最根深蒂固的信條，真正釋放了配送速度和零售業務的大量需求。
緊接著，生成式 AI 爆發。AI 不是新事物，我們做機器學習已經很久了，此前也有過好幾波被認為會是"真正轉折點"的 AI 浪潮。但到了 2023 年，生成式 AI 展現出了完全不同的差異。我們原本判斷 AWS 在十年以上能做到數千億美元收入；而現在看到每一種客戶體驗都將被推理和 AI 重塑，我們實際上認為 AWS 不僅在高速增長——上一季度我們在 1690 億美元年化營收的基礎上同比增長了 36.7%——今天擺在我們面前的機會真的非常驚人。再往上疊一層，是那些新業務的種子：Prime Video 已經成為規模很大且盈利的業務；Amazon Leo 在建低軌衛星；Zoox 在做自動駕駛網約車；還有醫療業務和機器人。
Amazon CEO Andy Jassy：「讓客戶的生活每天變得更好、更輕鬆」這一使命，把公司上下在做的一切統一起來。
二、快速擴張與亞馬遜文化如何調和
Ben： 你提到快速擴建履約網路必然會有低效和粗糙之處，內部也有焦慮。作為 CEO，你怎麼在不降低文化標準的前提下推進這件事？亞馬遜以卓越營運、節儉著稱。
Andy Jassy： 有意思的是，我們有 16 條領導力準則，外界常以為它們完全統一，但現實中很多準則之間存在天然張力——這恰恰反映了真實世界的運作方式，沒有什麼事是真正乾淨俐落的，你永遠在做取捨。
回到那個決定以如此激進、如此快的節奏擴建履約網路和末端配送網路的時刻，團隊面對的問題是：我們知道這麼快會很難，成本可能比慢一點做更高，方案可能不會像慢一點做那麼最佳化。但疫情早期所有實體店都關了，客戶和第三方賣家極度依賴亞馬遜。我們必須在"精細規劃"與"滿足客戶緊急需求"之間做取捨。我們最終選擇——就像我們幾乎一貫所做的那樣——偏向客戶這一邊。
推進過程中當然不完美。亞馬遜文化中另一個非常重要的部分是"講真話"：我們把資料擺上桌、把問題擺上桌，彼此直接，不允許任何人把問題粉飾過去。 在這樣的文化裡，問題在指標上會很清楚，在討論中也會很清楚。然後你只需分辨那些是小幅效率問題，那些是架構性問題。我們後來真的重新架構了網路的關鍵部分——那件事當時在團隊優先順序清單上大概排第八、第九，後來變成了高得多的優先順序，以真正拿到速度和成本的最優組合。
三、資料中心的政治爭議與被誤讀的能耗帳本
Ben： 回到你創辦 AWS 時，資料中心大概是世界上最不可能變成政治議題的東西。但現在尤其在美國，對資料中心的反對聲音非常強。這些論點有道理嗎？它如何影響你的建設策略？
Andy Jassy： 我想先給出一個基本共識：今天世界上做的每一件事——股市、銀行、醫療、娛樂、購物、教育、商業、網約車——全部都是數字驅動的，它們都在使用資料中心。 你不能一邊離不開智慧型手機，一邊說"反對資料中心"。這還只是在 AI 之前。
AI 是我們這一代人經歷的最大技術變革——考慮到我們經歷過網際網路、雲和移動，這話份量很重。支撐這種增長所需的基礎設施建設規模，這個世界、這個國家自 1950 年代修建高速公路和橋樑以來就沒有出現過。美國承受不起不建資料中心的代價，否則我們會發現另一個國家（比如中國）會把所有的領導地位和規則都確立在那裡。
當然，作為行業我們確實有可以做得更好的地方。但目前流傳著不少介於迷思與不實之詞之間的說法，因為這是一個"很容易找到反派"的議題：
關於用水：高爾夫球場或加州杏仁種植業消耗的水遠多於資料中心。僅高爾夫球場的總耗水量就是我們所有資料中心的 200 倍——它們兩天的耗水量比我們資料中心一整年還多。
關於污染：備用發電機的排污資料是按"滿負荷全天候運行"申報的，但實際營運中它們全年只運行約 0.1% 的時間，比如每年 10 小時用於維護，根本不是常態化污染源。
關於電價：在有大型資料中心佈局的不同地區，有些電價漲了，有些降了。真正的問題是國家長期對電網基礎設施投資不足，AI 只是把結構性矛盾提前引爆。在印第安納、佐治亞、密西西比等地，隨著產能落地，綜合電價反而趨於走平甚至下降。
關於社區回饋：僅在印第安納州聖約瑟夫縣，我們就繳納了約 30 億美元的稅款。 我們還通過 Built Together 等項目承諾，未來五年向有資料中心佈局的社區再投入 10 億美元。
發展必須與社區持續合作，必須是公私合作，但這輪建設對國家的未來太重要了——想像一下，如果我們當初沒把高速公路和橋樑建起來會怎樣。
四、2200 億美元資本開支與"啞鈴型"AI 需求
Ben： 2200 億美元資本開支，換算下來每天 6 億美元。我想知道你怎麼看當前的 AI 需求——你私下提到"啞鈴型"（barbell）。
Andy Jassy： 先給一個背景：我簡直不敢相信 AI 長得這麼大、這麼快。AWS 早期前三年年化營收約 6000 萬美元，當時我們覺得已經很快了；而這波生成式AI 浪潮的頭三年，僅 AWS 內部的 AI 業務年化營收就突破了 250 億美元——快了幾百倍。 我們從未見過這樣的事。
AI 需求結構呈現典型的"啞鈴型"：
啞鈴一端：頂級 AI 實驗室，對算力和電力的吞噬是我從未見過的；再加上少數爆發式應用，比如 ChatGPT、Claude Code。
啞鈴另一端：廣大企業主要用 AI 做降本和提效——客服自動化、反欺詐、業務流程自動化。
啞鈴中段：企業當前的生產型工作負載，其中很多跑在 AWS 上、今天已經在用推理，但絕大多數還沒有以任何滲透性的方式真正用起來。而中段這部分，將會是 AI 使用量絕對值最大的一塊。
五年到七年後——我不認為它會等到那時才發生，它從來不會一蹴而就——今天企業應用中相當多、甚至大多數都會以滲透性的方式用上推理。前方增長空間非常大。
Ben： 怎麼判斷這樣的資本開支是否過度？
Andy Jassy： 事實是最有力的證明：即便今年花掉 2200 億美元，我們依然把相當可觀的一部分需求留在桌上。2026 年算力容量顯然已經售罄，2027 年基本售罄，2028 年已有相當大一部分被鎖定。 我們總會留一部分給按需業務（Bedrock、EC2 等），但大塊基本都已被預訂。
資本開支結構上我們區分兩類資產：
資料中心物理機房：需提前約兩年投入，才能放伺服器開始變現；但這是使用壽命約 30 年的資產，只需做一次。
伺服器與網路裝置：根據元件類型只需提前幾個月採購，通常 3 年左右回本，使用壽命約 5–6 年，而我們簽的客戶合同普遍是 5 年長約。
這種現金周期意味著：同時建這麼多資料中心時，自由現金流會有幾年逆風，直到幾年後所有資料中心上線、變現、收回伺服器與網路投資。但好處是我們對客戶需求有非常好的可見度——如果發現不需要那麼多產能填資料中心，就不會去買伺服器和網路裝置。
五、為什麼不會把老客戶"賣"給 AI 實驗室
Ben： 現在 HBM、晶片、電力極度緊缺，頂尖 AI 實驗室願意為算力付出幾乎任何代價。面對這種溢價誘惑，AWS 會不會有商業衝動——把長期租給老客戶的資源買斷，轉手高價賣給這些不計成本的新貴？
Andy Jassy： 從純財務套利角度這種邏輯看似合理，但我們在經營上絕不會這麼做。 我認為供應緊張不會在 2027 年結束，在不同元件上我們會連續幾年看到瓶頸。
記憶體這一塊就是真實的取捨：你得決定把多少記憶體分配給 HBM（給 AI 加速器），多少分配給 DRAM（給核心業務）。AI 業務和我們所謂的核心業務（非 AI）現在都在快速增長。
但我們的出發點是客戶至上。疫情期間，很多同行想的是怎麼在每個季度內最佳化收入；而我們採取相反的做法——主動派團隊走出去幫客戶做成本最佳化，即便知道這會削弱我們短期和中期收入。 我們堅信：長期幫客戶成功，我們的業務最終也會隨之而來。
核心業務同樣的道理。這些客戶的企業命脈在 AWS 上運行了十幾年甚至二十年。我們不會因為眼前的算力溢價就去擠壓他們。 我們的工作是儘可能擴大供給——一邊保障老客戶平穩擴容，一邊為新增的 AI 算力開闢增量空間，且對我們而言經濟上可持續。即便把資本開支再翻上去很多，也不會是糟糕的資本使用。現在需求實在驚人。
六、自研晶片的底層邏輯：從 Annapurna 到 Trainium
Ben： 2015 年你們收購了 Annapurna Labs。當時行業對大模型幾乎沒有認知，是什麼驅動了那筆收購？它在新世界裡如何回報？
Andy Jassy：Annapurna 團隊是我有幸合作過的最有才華的團隊之一，是亞馬遜歷史上最好的收購之一，甚至可能就是最好的。
坦率地說，我們並不是為了今天的 AI 晶片才收購 Annapurna。當時的核心痛點是：隨著雲端運算規模擴大，伺服器上相當一部分 CPU 算力被用於虛擬化、網路、安全和記憶體管理。我們希望把幾乎 100% 的伺服器算力釋放給客戶的業務負載。收購前我們就和 Annapurna 一起做一種專用網路卡（NIC），把這些底層開銷從主 CPU 剝離。這就是後來部署在每一台 EC2 伺服器上的 Nitro 系統。
在合作中我們驗證了這支團隊的造芯能力。當時英特爾幾乎握有全部 CPU 份額——當合作夥伴握有幾乎全部份額時，他們通常不會去想如何極限推高性價比，而是思考用其他功能獲取更多收入。這是市場運作的常態，也是"創新者的窘境"的一部分。我們試圖推性價比卻很難獲得關注，但客戶想把越來越多本地負載遷到雲上、想要更好性價比。於是我們讓 Annapurna 團隊去造 CPU 晶片——他們做出了 Graviton，今天 AWS 排名前 1000 的 EC2 客戶中 99% 都在重度使用它，性價比比同代 x86 處理器高出約 40%。
幾年前，我們在 AI 領域看到了同一部電影重演：一家非常優秀的主導供應商——我們與它有深厚合作，現在有，可預見的未來也會有——但市場巨大、產品線眾多，我們知道客戶需要更好性價比。所以我們讓 Annapurna 另組團隊做 AI 加速器，就是 Trainium，性價比同樣比同類可比處理器高約 30%–40%。
為什麼推理成本是關鍵？ 除了人才（擅長後訓練和微調的團隊、知道怎麼排優先順序的組織肌肉）之外，很大一塊阻礙是經濟帳算不過來。過去幾年推理成本已經降了不少，但在我看來，它仍然貴了一個數量級，還不足以支撐最廣泛的普及。 如果企業要把今天跑在 CPU 上的應用改寫成用 AI 加速器，成本差異顯著的話，他們重寫應用的門檻就非常高。只有把推理成本打下來，AI 應用才能從實驗室玩具變成無處不在的生產工具——這就是我們的晶片業務如此重要的原因。
七、同時押注 Anthropic 與 OpenAI 的戰略邏輯
Ben： 你們對 Anthropic 和 OpenAI 都做了非常大的投資（Anthropic 約 180 億美元，OpenAI 約 500 億美元）。這種"既當投資人又當算力供應商"的模式讓華爾街想起網際網路泡沫年代的糟糕舊時光，你怎麼看？
Andy Jassy： 這兩家都是非常出色的團隊和公司。它們業務營收的增長速度——我不確定我們是否曾見過類似的情況，真的難以置信。
我們的投資和合作基於三個清晰的維度：
對 AI 變革性的信念；
對這兩家公司長期競爭力的判斷——這個領域不會人人都是贏家，但會湧現出很多非常成功的公司，我們相信它們會是其中兩家；
實打實的深度技術協同。
Anthropic 這邊，合作歷時更久。海量客戶通過我們的託管平台 Bedrock 呼叫 Claude 系列模型，我認為客戶在 Bedrock 上跑 Anthropic 是最成功的。更重要的是，Anthropic 也是我們自研晶片 Trainium 的核心研發合作夥伴，他們的前沿訓練任務長期運行在 Trainium 叢集上——這種軟硬體協同讓雙方都受益匪淺。
OpenAI 這邊，合作的觸發點完全來自客戶的強烈訴求。過去有大量客戶想在 AWS 環境裡使用 OpenAI 的模型，但受限於雙方此前的商業安排無法做到。經過一系列、歷時數月的對話，我們不僅成功把 OpenAI 模型引入 Bedrock，還共同打造了一個獨特產品——有狀態執行階段環境。未來的 AI 智能體必須具備長期記憶和狀態留存能力，我認為所有 Agent 都會以這種方式建構。與此同時，OpenAI 也向 Trainium 做出了多年、數吉瓦等級的算力承諾。這種既滿足了核心客戶需求、又為自研硬體找到落地場景的合作，戰略上是非常明確的。
八、6 名工程師 76 天重寫推理引擎：組織形態被重塑
Ben： Bedrock 團隊用 6 名工程師、76 天重建了核心推理引擎，過去這需要 40 個人幹一年。亞馬遜以"兩個披薩團隊"著稱，考慮到 AI 正在改變一切，你現在的組織設計思路是什麼？
Andy Jassy：Bedrock 團隊的這次重構在亞馬遜內部帶來了很大震動。 我們把這個案例在全公司反覆宣講，目的就是打破大企業在規模擴張中養成的組織惰性。
我 29 年前加入亞馬遜，從助理產品經理做起，當時一個人負責大概 5 款產品。而今天當公司做大、產品做大之後，一個產品經理往往只負責某個大系統下極窄的一個切片——比如專職負責定價。每個人都接受了"過度專業化是大公司做大的必要方式"，但這其實並不成立，在 AI 時代更是絕對不成立。
就說剛剛過去的一周：我們圍繞消費者業務做智能體，有個我們很喜歡的主意，周四達成一致要做出真正可用的原型，四五個人周末加班，到周日就做出了完成度約 80%、真正能跑起來的版本。 這完全是兩個不同的世界。
我認為這種演進會給組織帶來幾個確定性變化：
做今天這些工作的人會比現在少。 無論是智能體完成的編碼量、客服、商業智能、研究，再想想電子表格會怎麼被建構、律師數量會怎樣——不是沒有人，但不會像過去企業規模擴大時那樣往裡堆人。會湧現出新的工作和新崗位，但傳統崗位縮減不可逆。
團隊會比現在小得多，複合型人才價值被放大。 AI 能在許多職能上把人帶到 80% 的程度，成員不再被死板的職能分工限制，能更獨立地推進端到端落地。
每個團隊的起點都比過去高得多，能更大規模、更快地發明創造。
九、Agent 時代的現實威脅：網路安全而非科幻場景
Ben： 最近業界熱衷於探討模型的"毀滅性風險"，你怎麼看？
Andy Jassy： 最近輿論頻繁出現一些偏科幻色彩的極端擔憂——惡意殭屍網路接管一切、給機器人注入惡意意圖。這些理論風險確實可能發生，但我認為行業、加上公共與私營部門會一起解決。真正致命、但討論度嚴重不足的現實隱患，其實是網路安全。
這些模型能找出的系統漏洞和程式碼缺陷比人類審計員過去發現的多得多。在傳統模式下，從發現漏洞、分類、開發補丁到聯調部署要拖很長時間；而在 AI 賦能的網路攻防中，應對緊迫威脅必須以分鐘為單位——不是今天這樣的"幾天甚至幾周"。
這意味著企業必須重寫軟體，讓系統具備"被智能體快速介入、修改並部署"的能力，同時建立嚴格約束。如果應用沒有被重寫為可由智能體更新的形態，在未來的攻擊面前幾乎沒有還手之力。
安全工作雖然繁瑣乏味，但它是生死攸關的防線。在多數公司，專業化在安全領域可能是最糟糕的情形：非常深奧的安全工程師不願和其他工程師合作，又是稀缺資源，結果軟體公司的安全實踐普遍不好。模型加上自動化能讓你對整個攻擊面做滲透測試，發現過去只有靠運氣才能發現的問題。我們有專業服務團隊幫客戶做這件事，還建構了叫 Continuum 的服務，專門負責識別漏洞並生成補丁。
十、重寫 Alexa：成熟產品不能只做漸進式修補
Ben： 業界用 AI 大致有幾條路：一是削減成本、裁掉會計或律師；二是做世界從未見過的東西；三是你們在 Alexa 上做的——把一個成功產品推倒重來。怎麼走到這一步的？內部阻力有多大？
Andy Jassy： 這個三分法很有意思。組織變得更精簡之後，會讓優秀的建構者和小團隊去做出第二類——那些人們從未見過的東西。當你經歷過四天把一個新想法做到 80% 的體驗，對人是非常大的激勵，他們會把更多空閒思考周期用來想新點子。
但對成熟公司而言，如果只把 AI 當作對現有產品的漸進式改善，三到五年後很可能不會有勝出的體驗。 我們所知道的每一種體驗——那怕看起來最難被改變的——幾年後都會因 AI 而顯著不同。
Alexa 就是最明顯的例子。Alexa 的"大腦"在它被造出來的那個時點很有創意，但生成式 AI 讓這個"大腦"能做的事完全不同了。要長期提供出色客戶體驗並保持相關性，就必須給 Alexa 的大腦重新布線。 儘管很明顯，實際做起來其實很難——原有團隊對舊架構傾注了多年心血、克服過無數技術難關，對既有方案有極深的感情認同。讓他們完全從頭開始、重新想像需要時間，最常見的阻力是：“過去這套方案證明過是有效的，你們提的新構想我們幾年前踩過坑。”
比重構 Alexa 更難的，是重構那些當下運轉良好且利潤豐厚的核心業務——比如零售、Prime Video、Fire TV、Prime Music。這些系統表面上看沒有任何危機，但我們已經在內部抽調獨立團隊，嘗試完全基於 AI 原生架構從零孵化這些業務的全新版本。 我們不可能第一天就把所有方案做對，但如果不主動用新範式顛覆自己，就會被外部的新興團隊顛覆。
每一次大轉型都需要巨大的變革管理——就像從本地 IDC 遷到云：很多基礎設施負責人對自己造的東西非常驕傲、身處行動中心，不想學新東西。重塑所有客戶體驗也是同一回事，在理智和情感上都很難。
十一、給 18 歲年輕人的建議：工具門檻越低，獨立思考越值錢
Ben： 如果你在 2026 年是 18 歲，會給自己什麼建議？
Andy Jassy： 我有 25 歲和 22 歲的孩子，22 歲那個在 AI 真正起飛時大概 19 歲。我很快就明白：你不能告訴年輕人在教育裡不要用 AI，那艘船已經離港了。 大學明智的做法是不去對抗它。
亞馬遜一直保持嚴格的"書面備忘錄"文化，不用幻燈片，全靠詳盡的六頁紙文件。近一年不少員工開始用 AI 輔助寫作。坦白說，文件是否完全由 AI 代筆，讀兩段就能分辨——用詞雖然規範，但觀點之間缺乏邏輯咬合。
我的建議有兩點：
第一，不要迴避，全面擁抱它。 把 AI 工具當成日常工作和學習的常規手段，去嘗試超出舒適區的事。我的兩個孩子都不是開發者，但他們現在都能借助 AI 獨立開發完整的應用程式。
第二，絕不能放棄批判性思維與深度判斷力。 就像商學院案例分析：過去教授佈置三個案例，你每天要做大量閱讀、做筆記、識別關鍵問題、整合成戰略方案，總有一些學生根本不做功課。今天 AI 可以在幾秒鐘內為所有人整理出無可挑剔的總結——它把所有人的資訊獲取基準拉到了同一高度。但在這之後，如何把分散的商業資訊串聯成有效洞察？如何研判非共識的商業機會？如何設計打動人心的產品？如何做出決策？這些依然依賴人的直覺、同理心、試錯勇氣和深度批判性思考。
工具的門檻越低，獨立思考的價值反而越高。
十二、從衛星到零售：亞馬遜如何避免戰線過長
Ben： 亞馬遜的業務從最早的網路書店走到今天——電商、超大規模雲、底層晶片、倉儲機器人、數字醫療，還有部署數千顆低軌衛星的 Amazon Leo。戰線如此漫長，你怎麼避免攤得太薄？
Andy Jassy： 首先，我認為我們正處在一生中、也許是有史以來最大的三場轉型的交匯期：AI、機器人與自動化，以及低軌太空基建。 它們都非常巨大，都會徹底重塑眾多行業。亞馬遜在這三個領域並非跟風佈局——我們原本的核心業務就紮根在這些賽道的中心：
零售廣泛使用機器人；
AI 既讓內外部開發者更容易做出成功的 AI 應用和智能體，也在重塑所有消費體驗；
Amazon Leo 的低軌衛星項目旨在為全球 5 億沒有穩定網路覆蓋的家庭提供寬頻連接。
要避免戰線拉得太長而失控，核心取決於兩點：組織設計原則，以及長期的戰略定力。
亞馬遜從來不讓同一批人管理跨度極大的多項業務。我們長期堅持"單線程領導責任制"——為每一個重大的新戰略業務挑選具備開拓能力的骨幹，建立獨立閉環團隊。團隊負責人每天醒來，唯一的使命就是在這一個垂直領域深紮下去，不被其他日常業務的雜音干擾。再加上差異化想法、足夠大的體驗空間、未被服務好的領域——你就有機會同時推進很多事。我們在很長一段時間裡就是這麼做的。
有些公司完全可以理解地說"我們要守住本行"，把單一業務的利潤做到極致——那是非常成功的戰略路徑。但亞馬遜的基因不同：只要一個市場空間足夠大、存在未被滿足的痛點、我們有能力通過技術顯著改善體驗，並最終能跑通健康的長期現金流，我們就會堅決進行戰略投入。 專注做好現有核心業務，同時保持對未知領域的開拓野心，二者並不矛盾。
Ben： 這是很鼓舞人心的收尾——無盡的雄心。Andy，非常感謝你來節目。
Andy Jassy： 謝謝你們的邀請，非常感謝大家。 (invest wallstreet)