文 | 海豚研究

OpenAI崛起時，是微軟的風光無限。Gemini的崛起，谷歌云洶涌向前；那么問題來了：Athropic當下一枝獨秀，哪個云廠商會受益。

AI上無論是芯片研發(fā)、模型研發(fā)，還是GPU拿貨都“慢一拍”的亞馬遜會等到屬于自己的機會嗎？

1、原本“遜爆了”的亞馬遜AWS當下AI的業(yè)務布局如何？

2、亞馬遜和Anthropic之間的合作關系對公司的幫助有多大？該合作關系是否穩(wěn)固？

3、亞馬遜的自研芯片能力到底如何？

4、亞馬遜最弱的大模型能力達到什么水平了？

對于以上幾個問題，海豚君來詳細看看：

一、亞馬遜AI要跑起來了？

1、細探AWS的收入構成

26年一季度，亞馬遜的AI年化收入超過$150億，占AWS總收入的比重達到約10%，而在24年一季度時公司曾模糊的表述過當時AI年化收入體量約小幾十億。當前AWS中AI收入約10%的占比仍明顯低于Azure的超20%，相對仍低。

分析AI收入構成前，先說下AWS的收入細分：

a. IaaS：算力芯片、存儲（硬盤）、連接帶寬等基礎資源，拳頭產品如“EC2”。因是基礎硬件初級虛擬化租賃，利潤率低。

b. PaaS中間層：各類Database，數據分析工具，調度管理工具和安全工具等中間層應用，利潤率更高；

c. SaaS應用層 & 其他業(yè)務：自研或或第三方軟件，以及其他業(yè)務例如垂類行業(yè)解決方案，IoT等。

AWS一直IaaS最多，即使到現在也仍占60%，PaaS類占比提升到30%，SaaS仍是個位數比重。

2. 跨層的AI業(yè)務

至于三層蛋糕之上的“+1”就是三大板塊中和AI相關收入，單拉出來的口徑。據市場推測，AWS的AI業(yè)務具體包括：

a. 主要是算力租賃業(yè)務（IaaS類）：相比傳統(tǒng)算力租賃的差異是，AI算業(yè)務租賃的一般是基于Trainium/Inferentia芯片或英偉達GPU，且客戶更加集中于大型AI Lab或科技企業(yè)。

由于AI需求的芯片和存儲成本高漲，客戶群體又更加集中、議價權更強。因此，云廠商們在AI IaaS業(yè)務上利潤率很低，比傳統(tǒng)云低。

b. 第二大部分是Bedrock – AWS旗下的MaaS/TaaS（Token-as-a-service）平臺，不直接租硬件，而是亞馬遜部署好大模型后，直接對外出售模型API或Token。

c. 其他還有SageMaker和亞馬遜 Q等。其中SageMaker簡單來說是預部署好的AI/ML訓練、調試和部署平臺，方便用戶自行訓練或微調AI大模型，以及訓練完成后的調用和推理。

亞馬遜 Q則是直接面向終端用戶的AI Agent產品線，可再細分為Developer、Business、Connect等產品，分別面向開發(fā)者、企業(yè)員工、客服等用戶。

這兩項業(yè)務和Bedrock一樣，都不直接出租“裸硬件”，通過硬件基礎上附加上一層服務，因而邏輯上會有更高的利潤率。

AWS收入高增，利潤率沒掉鏈子，除Anthropic用量爆發(fā)外，核心是因為：

a. AWS AI營收占比不高，但高利潤MaaS/TaaS占比多。根據Semi Analysis調研，目前Bedrock貢獻了AWS AI收入約37%，而Azure和GCP的AI收入中的約80%仍是來自IaaS類的純硬件租賃。

b. MaaS/TaaS絕對收入規(guī)模上，AWS同樣領先達約$55億，谷歌云稍低于50億，而Azure則不到20億。而亞馬遜的MaaS/TaaS業(yè)務目前的經營利潤率可達55%vs. 1Q26 AWS整體不到38%的經營利潤率。

c. 新云如甲骨文、CoreWeave等因與新云們在軟件能力上普遍不強，大多只能做“裸金屬”租賃這類低附加值且低利潤率的業(yè)務。新云MaaS/TaaS收入合計相比三大云廠商基本忽略。

二、和AI Lab合作關系也是關鍵競爭力

以上我們從AI能力三大支柱能力之一--算力的角度，簡要探討了亞馬遜AI業(yè)務的具體構成，以及當前MaaS/TaaS正成為云業(yè)務的主要發(fā)力方向。

而海豚君認為，MaaS/TaaS業(yè)務的主要競爭力在于兩點：一是平臺能提供的模型深度（有沒有當前最強SOTA級模型）和廣度（可選擇的模型數量、類型、層級多不多）；二就是提供類似模型時，成本和定價能不能比其他云廠商有優(yōu)勢。

而這第一點對應的是云廠商自研模型或是和第三方模型公司建立良好合作的能力；第二點則主要對應云廠商們通過自研芯片或優(yōu)秀工程能力降低單位算力成本的能力。

亞馬遜一直強調平臺模式，對大模型研發(fā)投入度不夠，自研Nova模型目前能力僅大約相當于Haiku 4.5 到 Sonnet 4.5水平，因此亞馬遜相當依賴于外部AI Lab來其補強AI模型能力。

實際上，前文提到的Bedrock業(yè)務銷售的API/Token絕大部分是基于第三方模型，目前以Claude為主，在公司和OpenAI建立深度合作后，后續(xù)GPT模型API/Token數量想必也會明顯提升。

因此，我們接下來就詳細探討下亞馬遜和Anthropic這家頭部AI Lab的合作關系：

1、與Anthropic的合作

亞馬遜首個深度合作的AI Lab是Anthropic，最早的“合作跡象”可追溯回23年4月時Claude模型上架Bedrock，正式官宣合作則在23年的9月。概括來看，兩者之間和合作關系發(fā)展可大致分為三個階段：

a. 23年9月：首輪合作亞馬遜對Anthropic注資40億美元（分三次到24年5月全部完成），相應的Anthropic決定以AWS為首要云服務提供商，將在訓練和推理中更多使用Trainium和Inferentia芯片（根據新聞報道，此前可能主要使用TPU和Nvidia GPU），并在Bedrock上全面向商業(yè)用戶提供Claude模型。

b. 24年11月: 這輪合作中，亞馬遜對Anthropic再注資$40億、累計80億。同時，雙方的合作深入到了芯片設計和模型的共同一體化研發(fā)。包括硬件上，Anthropic直接與Annapurna Labs（亞馬遜旗下芯片研發(fā)部門）合作開發(fā)設計Trainium等芯片；軟件上，Claude模型的底層內核也專門針對Trainium芯片和指令站進行優(yōu)化。

這一階段內，兩家公司合作的Project Rainier--主要基于Trn芯片的超大規(guī)模算力中心項目也首度得到官宣。（后文會再單獨詳細討論該項目）

c. 26年4月: 亞馬遜進一步對Anthropic注資$50億，累計達$130億，并擁有最高達$200億的額外投資權。

Anthropic承諾十年內在AWS上花費超過$1000億，并使用5GW的Trainium芯片，包括已投產的Trn2和后續(xù)的Trn3 & Trn4。

這里有意思的一點是，目前公允的1GW算力對應的年收入額普遍略高于$100億，而該1000億對應5GW的合約中，隱含的每GW Trn芯片算力產生的年云收入明顯偏低。

雖然部分原因是算力爬坡需要時間并非從Day1就會用滿5GW算力，并且Anthropic也每表示除了5GW 的Trn芯片外，不通過AWS租用基于其他芯片的算力，但多少側面體現出Trn芯片的綜合使用成本應當明顯低于基于英偉達GPU的成本。

2、Anthropic對AWS收入的貢獻？

那么作為亞馬遜的AI戰(zhàn)略上最重要的合作伙伴，Anthropic實際給AWS貢獻的營收規(guī)模有多大？

這包括兩個部分，主要部分是Anthropic自身花費在AWS上的訓練和推理費用，另一部分則是AWS通過Bedrock代銷Anthropic模型API/Token產生的分傭收入。

a. 海豚君根據新聞報道中的數據進行粗略測算，24年、25年和26年1季度內，Anthropic的算力支出大約占AWS當期收入的約1%、3%和8~9%。雖然絕對占比不高，但以今年1季度為例，Anthropic直接貢獻的收入占AWS AI收入的比重能達80%或更高。

b. 而AWS通過Bedrock分銷Claude模型產生收入，該模式下Bedrock定位是分發(fā)平臺，Anthropic自身才是銷售主體，因此全部銷售額會記為Anthropic的收入。AWS從中直接獲得的收入，是基于銷售額一定比例的渠道傭金。

因而，MaaS業(yè)務貢獻的絕對收入規(guī)模會較小，但也因傭金性收入的邊際成本非常低，利潤率會明顯更高。整體來看，可以說當前AWS AI收入的絕大部分都是由Anthropic直接或間接貢獻的，因此Anthropic后續(xù)ARR的增長勢頭也對AWS的增長提速有很強的指引作用。

（需要注意，當客戶在Bedrock上購買Claude模型的API/Token時，其底層的調用的算力硬件大概率也是由AWS供應，因而也會給AWS帶來硬件出租收入，但這部分是作為Anthropic在AWS上花費的推理算力支出計入IaaS收入）

c. 目前看，亞馬遜和Anthropic沒有類似微軟和OpenAI基于股權關系的收益分配。

d. 整體來看，當前AWS AI收入的絕大部分都是由Anthropic直接或間接貢獻的，因此Anthropic后續(xù)ARR的增長勢頭也對AWS的增長提速有很強的指引作用。

做一個簡單測算，Anthropic的ARR在3、4月達峰后，5月的環(huán)比增速有所放緩。截至5月其ARR大約為$450億，保守假設按后續(xù)每月的環(huán)比增量平穩(wěn)下降，到26年Anthropic底達約700億出頭。

則在簡化假設后續(xù)AWS所有AI收入都來自Anthropic，且AWS非AI收入在26年增長約16%（去年約14.4%）的情況下。則26年全年Anthropic可能會貢獻AWS約19%的總收入，帶動AWS在26年的總收入增速達到35%以上，相比一季度是約28%的增速。和我們此前在模型中預估的全年增速大體相當。

此外，微軟曾一度因和OpenAI的緊密合作，業(yè)績強勢上揚。但之后也因和OpenAI關系的漸漸疏離，呈現頹勢。模型和模型分銷商之間強共振。

亞馬遜和Anthropic之間會不會復刻微軟的“老路”？海豚君看下來，感覺應該不會。

首先雖然兩個CSP都是兩個頂模的早期投資人，而且投資金額也都類似，但關鍵區(qū)別是：

a. 微軟 & OpenAI的股權綁定更深：據推測亞馬遜對Anthropic僅持有約個位數%的少數份額，在后者的管委會中也沒有席位。

因此，海豚君認為微軟和OpenAI之間的合作很大程度上建立在更高的股權關系綁定上， 這一點從微軟能夠直接從OpenAI的收入中直接分成，且之前對API有獨家分銷權。亞馬遜卻只能從與Anthropic的正常商業(yè)交易中獲得收益，也有體現。

b. 合作開放，但亞技術綁定深：我們認為亞馬遜和Anthropic之間的合作關系，更多建立在兩家公司之間的技術。

Anthropic的模型訓練大量使用了亞馬遜獨有的Trainium等芯片，且Anthropic模型的底層代碼和亞馬遜的ASIC芯片相互之間都做了專門的深度適配。

因此，Anthropic不能“無痛”脫離亞馬遜，有比較高的遷移成本。而由于微軟在自研芯片上的能力不足，GPT模型主要基于英偉達的硬件生態(tài)，OpenAI因此對微軟沒那么依賴。

3、Project Rainier 能告訴我們什么？

這一章節(jié)的最后，在簡要聊一下Project Rainier，如前文提到的這是AWS為了滿足Anthropic訓練和推理需求，建設的基于亞馬遜自研芯片的超大算力中心。根據公司已宣布的建設計劃，該項目前包括2個營址（Campus）-- Campus New Carlisle 和 Campus Northern Indiana，具體來看：

a. New Carlisle是首個項目，計劃總投入110億美金，總算力規(guī)模在2.2~2.3GW。于24年9月開始建設，25年10月底首次投入運營（當時上線規(guī)模大約為50萬顆Trn2）。據Well Fargo的預測，26年初該項目一期（Phase 1）完全上線，總規(guī)模大約1.3GW，據測算對應約170萬顆Trn2。

隨著Trainium 3代芯片計劃于26年中開始量產，后續(xù)Rainier項目中將同時部署Trn 2代和3代芯片，并且預計將再新增約0.9~1GW的產能（預計大部分將在26年內建設完畢）。

b. Northern Indiana項目在25年末宣布，預計總算力規(guī)模約2.4GW，計劃投資額$150億，目前對該項目的信息較少，但有新聞報道在5月開始該項目已進入建設階段。

根據以上信息，可以初步得出以下幾個值得關注之處：

a. 目前Project Rainier已宣布的合計產能約4.6~4.7GW，且主要基于Trainium芯片建設，這和Anthropic在4月合作協議中宣布將總共使用約5GW Trn芯片的規(guī)模基本對應。

因此該項目的建設節(jié)奏可以視為亞馬遜和Anthropic兩者之間合作關系的風向標。

b. 亞馬遜 從零到建設完成約1GW+算力中心需要的時間大約在15~16個月，該建設速度和同行Oracle的速度大體相當（Abiliene Phase 2 約1GW，預計15個月完成）。

c. 按公司披露的投資額，Rainier兩個項目對應的單GW計劃投資額僅$50~60億左右，遠低于英偉達聲稱的每GW對應500億投資額的框架。當然公司并未明確$110億和$150億投資額覆蓋的范圍--是只包括數據中心廠房和基礎設備，還是包含了芯片、服務器等全部設備。（按常識應該不太可能是完整的花費額）

因此，雖不能簡單推斷Trn芯片的單GW建設成本只有基于英偉達GPU的1/10，但定性推斷Trn芯片的單GW綜合建設成本比英偉達GPU低不少應當問題不大。

d. 從Anthropic宣布的10年$1000億的云計算支出，對應5GW Trn芯片，隱含單GW收入明顯低于目前行業(yè)內每GW對應約100億收入的普遍水平。

參考外行的測算（測算與25年底，因此不可能是通過4月宣布的合作金額來倒推），Trainier New Carlisle項目2.2 GW產生的實際年收入（折扣后）大約在140億，即基于Trn芯片的每GW算力產生收入大約只有目前行業(yè)均值的60%~65%。

綜合以上兩點，可以側面表明Trn芯片對運營方而言建設成本，和對用戶的使用成本應當都明顯低于當前基于英偉達芯片的平均水平。

但也需要強調，Project Rainier目前主要使用的Trn2和Trn3代芯片的絕對性能，前者大致只有H200的約60%，后者略微超過。因此定價要低也合乎情理。

三、亞馬遜的ASIC芯片實力如何？

云算力、芯片和大模型是AI綜合能力的三個主要評判標準，而亞馬遜的自研芯片是其能深度綁定Anthropic，并在云業(yè)務上建立成本優(yōu)勢的關鍵因素。因而這一部分我們來探討公司的芯片業(yè)務布局。

2.1、亞馬遜自研芯片類型和時間線

亞馬遜的芯片自研史，開始于2015年初收購芯片設計公司Annapurna Labs，且可大致歸類為4條并行的研發(fā)路線 – Nitro（專用控制系統(tǒng)和存儲），Graviton（基于ARM架構的通用CPU），Inferentia（推理向ASIC芯片） 和 Trainium（訓練&推理全能向ASIC），具體來看：

1）Nitro / Nitro SSD：是公司自研的第一條硬件產品線，17年就推出首代。Nitro系列不直接供客戶租用常規(guī)計算芯片，而是專用于內部管控的控制硬件系統(tǒng)，將包括虛擬化，網絡、存儲、等資源分配，任務管、安全管控等職能，交由獨立的硬件模塊控制，起提升運行效率從而優(yōu)化成本結構的作用。

2）Graviton：基于ARM架構的通用型CPU，最早一代發(fā)布于18年，早期以低價格/高能效比為特色，主要負責相對低負載任務。

而經過多輪迭代后，目前第5代（25年底推出，預計26年中開始大規(guī)模商用）已和同代x86架構主流CPU性能不再有巨大差異。

因此，Graviton目前已大量提供給外部用戶租用，且大概率是目前亞馬遜使用量最大的自研芯片。

3）Inferentia：主要用于傳統(tǒng)AI/ML（machining learning）的專用推理ASIC，首代發(fā)布于18年底，當時是主要用于如搜索排序、個性化推薦、圖片/語音識別等較為基礎的ML功能。

隨后轉型為LLM的推理芯片，但因推理對芯片性能的要求也“水漲船高”，且Trn芯片也可以用于推理，因此目前其定位已部分被Trainium取代，在22年底公布2代后至今無新產品發(fā)布。

4）Trainium：進入LLM時代后，目前亞馬遜最重要的自研芯片產品線，首代發(fā)布于2020年（實際應用于22年），最早的目的也是用于訓練傳統(tǒng)ML模型。

但隨著GenAI LLM模型成為AI的主流路徑，在經過5年3代的迭代后（4代正在研發(fā)中），已成為主要用于AI模型的訓練和推理的芯片，對標Nvidia GPU和Google TPU。

小結來看，由于Nitro主要是用于內部使用，而Inferentia的推理芯片定位已部分被取代，目前值得關注的主要就在Trainium 和 Graviton，后文我們的重點也就放在這兩條產品線。

2.2、性能比較

概況性的講，公司自研芯片的核心底層原因主要是--降低對外部硬件供應商的依賴，憑借從底層硬件到頂層軟件一體化自研的方法，提高硬件的能效/成本比，進而最終體現為公司云業(yè)務利潤率的釋放。

因此性能/性價比的比對，最好的情況也是不只看單芯片能力，而是基于包含芯片、存儲、網絡連接、軟件一套完整系統(tǒng)，以便更真實的體現不同芯片生態(tài)和不同云廠商的真實能力。因此，以下對Graviton芯片性能和參數的比較都是基于AWS內真實提供的實例。

1）Graviton芯片性價比很能打

看紙面參數，下表中列出了基于Graviton各代芯片和其對標的同樣CPU在AWS內實例的規(guī)格。其中Max CPU數反映最大并行計算的能力，Network bandwidth反映實例和外部的連接速度，EBS bandwidth反映計算實例和存儲之間的連接速度。

由于AWS對同一芯片有大量不同型號的實體（各有能力特化），我們統(tǒng)一選取“M型號”（通用版本）下的最大CPU數實例，可見Graviton 5實例的紙面參數大致和已量產的最新的Intel Xeon 6和AMD EPYC 5th旗艦型號CPU相差不大。

但Graviton 5是25年底推出，26年中量產，而其對標的兩款CPU芯片則都是24年的產品，下一代也已在研發(fā)中。綜合來看Graviton大約還落后AMD和Intel約一代產品。（實際上從AWS的型號命名也可看出）

另外值得注意，Graviton實例的連接能力更強，如通用版本中Graviton 5強于EPYC 5代。而若都看連接能力特化版本，以Graviton 4為例，其特化版的Network和EBS最大帶寬分別高達600Gpbs和300Gbps，相比之下其對標EPYC 4代的最大帶寬分別只有300Gbps和50Gbps（Intel的更低）。

至于實際性能的比較，雖然Graviton 5因尚未大規(guī)模商用，沒有實際性能測試，但OpenBenchMarking上有對Graviton4，AMD EPIC 9R14和Intel Xeon 8488 三種芯片同型號實例的多種測試，可以看到：

a. Gravtion的平均性能得分和Xeon 8848c大致相同，大約是EYPC 9R14的80%。

b. 按測試當時（24年底）各實例的定價，每美元對應性能Graviton4位列第一，比EYPC略高3.4%，比Intel Xeon 高出近18%。

由以上基于4代的性能/能效比測試可見，雖然Graviton芯片在絕對性能上相比同代最強的AMD CPU仍有一定差距，但在AWS環(huán)境下能實現比對標的上代旗艦CPU芯片更高的投入產出比，足以吸引部分更追求投入產出比的用戶使用Graviton來替代傳統(tǒng)CPU。

2）Trainium4 潛力可觀？

對于Trainium芯片，由于其基本只以UltraServers/Clusters、即大規(guī)模集群的形式向大客戶提供，公網上對Trainium芯片的真實性能測試（尤其是3代和4代）相當少，只能主要以官方提供的參數和性能評價作為參考。

首先在單芯能力上，可見：

a. 目前已開始量產的Trainium3的理論性能（計算頻率和內存帶寬），只剛剛超過Nvidia H200（發(fā)布于23年底）。但仍明顯弱于Google TPU v7（發(fā)布于25年中旬），以FP8計算頻率為例，Trn3的只有TPU v7的約55%。

至于已大規(guī)模使用的Trn2代芯片的紙面性能則更只有Trn3的50%~60%，顯然仍不具備多強的競爭力，更多只能適配于推理計算，或非旗艦級模型的訓練；

b. 不過按公司披露的性能目標，正研發(fā)中的Trainium4的理論性能將直接超過TPU v8系列和Nvidia B300系列，僅在FP4計算精度下的計算速度次于英偉達最新Rubin架構下的R100系列。

也就是說，Trainium 4的理論性能若實際落地，將跨越式達到行業(yè)內的領先水平，足以吸引頭部AI Lab等大型客戶采用Trn4芯片來進行旗艦型模型的訓練與推理，有希望進一步顯著推動AWS收入的增長。

當然也需要注意以上性能目前只存在于紙面，目前Trn4還沒有明確的流片時間。

四、自研模型已起步，還有很大差距要彌補

本文的最后，我們簡要過一下目前亞馬遜在AI能力三支柱上最弱的一環(huán)--即大模型能力。亞馬遜實際也已推出了自研的大模型Nova，能力確實較差，比行業(yè)SOTA水平差了1~2個大版本，概括來看有一下幾個關注點：

a. 發(fā)布時間晚、更新節(jié)奏不快：Nova首代版本發(fā)布于24年12月，直到到25年底才更新了Nova2代。可見亞馬遜自研大模型的起步確實較晚，且更新迭代的節(jié)奏相對較慢。

b. 多模態(tài)路線：可以看到，Nova的研發(fā)路線并非追求專精（如選擇文字或Coding某一能力死磕到SOTA級別），而是選擇了多版本、多模態(tài)路線。在主版本之外，還有Omni版本能支持文字、圖片、視頻處理能力，有Sonic版本支持語音處理。

c. 絕對性能不強，但反應迅速：模型的具體能力上，根據亞馬遜提供的基于MMLU-Pro等指標的跑分數據，Nova2 Lite的能力大致相當于Gemini 2.5 Flash或 Haiku 4.5，而Nova 2 Pro的能力，則和Gemini 2.5 Pro或Sonnet 4.5互有勝負。

可見Nova 2的能力確實不強，最新的旗艦模型只相當于頭部AI Lab上一代版本的中游模型的能力，但也確實在OCR和RealKIE這兩個體現對圖片和結構化文檔識別能力的指標上表現更好。

另一個亞馬遜突出強調的Nova優(yōu)勢在其有更高的相應速度，在輸出首個Token所需時間和平均每秒輸出Token量，這兩個指標上Nova 2 Lite和Pro都明顯快于其對標模型。

d. 基于Nova目前的多模態(tài)路線和能力，海豚君認為Nova目前應當更多是用于企業(yè)內部的提效，用來快速處理相對簡單且重復的任務（如合同、發(fā)票識別處理、電商內的圖片搜索、AI客服等）。

換言之，亞馬遜的自營模型目前對拉動營收增長的作用應當很有限，但可能體現在成本、費用的壓縮上。

小結：當前亞馬遜在云業(yè)務上的綜合實力有從落后者重回領跑的跡象，其在MaaS業(yè)務上的領先是最大亮點；在芯片能力上，亞馬遜實際也有完善的產品線布局。雖目前按已發(fā)布的版本性能，相比Google TPU仍有一定差距，但正在快速解決。

大模型能力上，雖然仍差距明顯，但憑借和Anthropic的深度合作，在中期內算是能起到曲線救國的作用。

因此，亞馬遜的AI綜合實力其實并不算很弱。后續(xù)，海豚君將繼續(xù)梳理、探討其他云公司的AI能力和布局，并在最后嘗試給出一個行業(yè)性的整體判斷和具體公司偏好，盡請期待。