当谷歌、Meta、英伟达都在积极推进 AI 布局时，亚马逊也出招了。

12 月 17 日，亚马逊 CEO 安迪 · 贾西亲自宣布，旗下负责大语言模型的 AGI 团队、自研芯片的 Annapurna Labs，乃至前沿的量子计算团队将进行创造性 " 缝合 "，转变为直属于他的全新 "AGI 组织 "。而公司 AGI 部门原负责人将于明年离职。

2025 年以来亚马逊的日子着实不好过，股价的年度涨幅凑不出一个涨停板。也就是说，在 AI 疯涨的大背景下，投资者压根没把亚马逊算在 "AI 阵营 " 里。一系列雷霆手段与其说是亚马逊在 AI 棋局上的主动出击，不如说是一次紧迫的 " 战略补救 "。

明明手握 AWS、自研芯片和全球电商平台等王牌，亚马逊为何会将一手天胡好牌打得如此被动？

昔日位面之子，沦为版本弃子？

在 " 后百模大战 " 时期，头部玩家的打法已然清晰：以一个强大的、具备持续进化能力的自研基础大模型为 " 大脑 "，以自家的云平台为 " 躯干 " 提供算力与服务，再通过丰富的应用场景和开发者生态将 AI 能力注入 " 四肢百骸 "，形成正向循环、自我强化的闭环。

OpenAI 以 GPT 系列模型为核心，通过与微软 Azure 的深度绑定，构建了强大的 " 模型 + 云 " 双引擎；字节跳动则依托豆包大模型迅速赋能抖音、剪映等亿级用户产品，实现技术与场景的快速融合。

在这个逻辑框架下审视亚马逊，会发现其 AI 的掉队并非一朝一夕，而是在 " 大脑 "、" 躯干 " 与 " 四肢 " 等多个关键环节都出现了不同程度的错位。

当 OpenAI 的 GPT-4 重塑着人们对智能的认知、谷歌携 Gemini 系列模型展示多模态的强大实力时，亚马逊推出的 Nova 系列模型在技术圈和公众视野中却显得声量微弱。

根据 Omdia 发布的最新数据，截至 2025 年 10 月，OpenAI 与谷歌的模型日均 Tokens 调用量占比分别为 31％和 19％，而亚马逊的 Nova 模型则被归入 " 其他 " 类别，市场存在感较低。

为了扭转颓势，亚马逊内部启动了代号为奥林匹斯的秘密武器项目，据称其参数规模将远超现有模型。然而时至今日，该模型仍笼罩在神秘的面纱之下。作为亚马逊利润奶牛和 AI 战略 " 躯干 " 的 AWS 云业务，同样面临腹地被侵蚀的严峻挑战。

要知道，大名鼎鼎的 AWS 曾凭借规模效应、稳定性和成本优势，成为全球企业上云的首选。但在 AI 时代，算力的价值正在与模型的优越性深度绑定。微软通过将 Azure 与 OpenAI 的服务进行深度整合，为企业提供了 " 开箱即用 " 的顶尖 AI 能力，成功吸引了大量高价值的 AI 负载。

根据 Synergy Research Group 的报告，2025 年微软 Azure 在全球云市场的份额持续攀升，与 AWS 之间的差距正持续缩小。Azure 增长的主要驱动力，正是 AI 服务的强劲需求。同样，谷歌云也凭借其与 Gemini 模型的原生集成，在 AI 原生企业中获得了极高的青睐。

面对竞争对手 " 算力 + 模型 " 一体化的凌厉攻势，AWS 的应对策略显得有些力不从心。

它推出的 Bedrock 平台表面上看像是巨大的 " 模型超市 "，集成了包括 Anthropic 的 Claude、Cohere 以及自家 Nova 在内的多种模型。但这种策略也使其在定位上更像渠道商，而非拥有核心竞争力的 " 主机厂 "。

当开发者和企业越来越倾向于选择拥有最强 " 大脑 " 的生态时，AWS 算力租赁优势也被稀释。不仅利润的增长开始放缓，其在 AI 创新者心中的 " 首选平台 " 地位也逐渐动摇。

而在作为 AI 能力 " 四肢 " 的应用层，亚马逊的表现更是令人扼腕。

2014 年亚马逊首次发布 Echo 智能音箱，其内置的语音助手 Alexa 横空出世，一举开创了智能家居时代，成为人机交互领域当之无愧的先驱。

然而十年过去，当年的屠龙少年似乎忘记了如何挥剑。如今的 Alexa，绝大多数时候仍被困在 " 查天气、定闹钟、播放音乐 " 的初级工具性困境中，商业化前景并不明晰。据内部消息透露，负责 Alexa 和硬件的设备与服务部门也长年处于巨额亏损状态。

大模型能力掉队、云业务腹地被侵蚀、C 端应用创新乏力，三大关键指标集体亮起的红灯，清晰地表明亚马逊的 AI 困境已非局部战术失误，而是较为深刻的系统性危机。此刻看似激进的组织重组，实则是这头商业巨兽在感知到生存危机后，一场迟到却又必然的奋力扑救。

当经验惯性，成为创新牢笼

要理解亚马逊为何会在 AI 赛道上陷入被动，就必须回溯其赖以成功的核心逻辑。

亚马逊的商业帝国是围绕类似 " 飞轮效应 " 的增长模型建立的：以客户体验为中心，提供更丰富的选品、更低的价格和更便捷的体验，从而吸引更多客户；更多的客户带来销售的增长，吸引更多商家入驻、形成规模效应，随后进一步降低成本，再将节省的成本返还给客户，形成不断加速旋转的增长闭环。

这套成功学的核心正是 " 客户至上 "，在这个逻辑的指引下，亚马逊布局自研芯片的决策堪称典范。

早在十多年前大多数公司还在满足于使用英特尔的服务器芯片时，亚马逊就敏锐地意识到要实现成本控制就必须掌握核心硬件。其自研芯片的初衷并非为了对外销售，而是服务于庞大的电商和 AWS 业务，摆脱对英伟达、英特尔等外部供应商的依赖，将成本牢牢控制在自己手中。

这一策略取得了巨大成功，帮助 AWS 在残酷的云计算价格战中始终保持领先，也为亚马逊电商业务的低成本运营提供了坚实基础。2023 年财报显示，AWS 的营业利润高达 246 亿美元，自研芯片带来的成本优势功不可没。

然而，正是这种被过往成功反复验证的经验，在面对生成式 AI 这样的全新物种时，却显现出了其僵化和局限的一面。

亚马逊手握全球最大的电商平台，拥有数百万活跃卖家和数亿会员，积累了无可比拟的消费行为数据，这是将 AI 能力与 C 端场景结合的绝佳试验场，但亚马逊却显得步履蹒跚。

它不仅错失了 C 端 AI 的破圈良机，更在电商主战场被来自中国的 Temu、Shein 等新势力以极致的低价策略拖入缠斗，分散了战略精力。

这背后的深层原因，在于亚马逊的很多资源，都倾向于去打造 " 一匹更快的马 "、其创新模式高度依赖于对现有客户需求的洞察和优化，在细分场景做渐进式改良。

于是，亚马逊 AI 团队被散落在各个业务线，分别解决着 " 如何提升仓库拣货效率 "、" 如何优化商品推荐精准度 " 等具体、细碎的商业问题，虽然在短期内提升了局部效率，却白白浪费了整合资源、集中力量攻坚 AGI 这类通用底层能力的黄金时期。

相比之下，阿里、腾讯等国内大厂在面对新趋势时，反而表现出更强的敏感度和行动力，甚至核心业务来为 AI 进化提供试错和加速度。

比如阿里巴巴迅速将 " 通义千问 " 大模型融入钉钉、淘宝，实现 "AI 帮你读财报 "、"AI 帮你写文案 " 等实用功能，腾讯将 " 混元 " 大模型赋能广告、游戏、会议等核心业务。反观亚马逊，迟迟未能推出一款引爆市场的 AI 原生应用。

过往的成功经验也固化了亚马逊的组织行为模式，以芯片业务为例，" 内部消化、不对外销售 " 的模式虽然在短期内实现了降本目标，却使其芯片产品失去了在广阔市场中竞争和迭代的机会。它无需像英伟达那样为了让开发者使用其 GPU，而呕心沥血地打造出 CUDA 这一强大的软件生态。

缺乏外部市场的锤炼和开发者生态的滋养，亚马逊的芯片虽然性能优秀，却始终只是 " 内部特供品 "，无法成长为像 GPU+CUDA 那样能够定义行业标准、撬动整个产业的平台。

" 客户至上 " 的强大惯性，让亚马逊过度执着于解决客户当下的、可见的痛点，从而系统性地忽视了那些需要长期、巨额投入且短期内看不到商业回报的 " 非共识 " 领域。它擅长从 1 到 N 的优化，却在从 0 到 1 的开创上显得犹豫不决。

这也是所有创新企业的魔咒：从激进派取得了资源积累后，必然会步入保守的守业阶段。在 AI 的星辰大海面前，这种 " 小富即安 " 思维无疑是致命的。也许，只有通过一场刮骨疗毒式的 AI 调整，加上对手的失误，才能让亚马逊重返 AI 第一梯队。

但那些强大且完成试错的对手们，会轻易犯错吗？