文 | 海豚研究

OpenAI 崛起时，是微软的风光无限。Gemini 的崛起，谷歌云汹涌向前；那么问题来了：Athropic 当下一枝独秀，哪个云厂商会受益。

AI 上无论是芯片研发、模型研发，还是 GPU 拿货都 " 慢一拍 " 的亚马逊会等到属于自己的机会吗？

1、原本 " 逊爆了 " 的亚马逊 AWS 当下 AI 的业务布局如何？

2、亚马逊和 Anthropic 之间的合作关系对公司的帮助有多大？该合作关系是否稳固？

3、亚马逊的自研芯片能力到底如何？

4、亚马逊最弱的大模型能力达到什么水平了？

对于以上几个问题，海豚君来详细看看：

一、亚马逊 AI 要跑起来了？

1、细探 AWS 的收入构成

26 年一季度，亚马逊的 AI 年化收入超过 $150 亿，占 AWS 总收入的比重达到约 10%，而在 24 年一季度时公司曾模糊的表述过当时 AI 年化收入体量约小几十亿。当前 AWS 中 AI 收入约 10% 的占比仍明显低于 Azure 的超 20%，相对仍低。

分析 AI 收入构成前，先说下 AWS 的收入细分：

a. IaaS：算力芯片、存储（硬盘）、连接带宽等基础资源，拳头产品如 "EC2"。因是基础硬件初级虚拟化租赁，利润率低。

b. PaaS 中间层：各类 Database，数据分析工具，调度管理工具和安全工具等中间层应用，利润率更高；

c. SaaS 应用层 & 其他业务：自研或或第三方软件，以及其他业务例如垂类行业解决方案，IoT 等。

AWS 一直 IaaS 最多，即使到现在也仍占 60%，PaaS 类占比提升到 30%，SaaS 仍是个位数比重。

2. 跨层的 AI 业务

至于三层蛋糕之上的 "+1" 就是三大板块中和 AI 相关收入，单拉出来的口径。据市场推测，AWS 的 AI 业务具体包括：

a. 主要是算力租赁业务（IaaS 类）：相比传统算力租赁的差异是，AI 算业务租赁的一般是基于 Trainium/Inferentia 芯片或英伟达 GPU，且客户更加集中于大型 AI Lab 或科技企业。

由于AI 需求的芯片和存储成本高涨，客户群体又更加集中、议价权更强。因此，云厂商们在 AI IaaS 业务上利润率很低，比传统云低。

b. 第二大部分是 Bedrock – AWS 旗下的 MaaS/TaaS（Token-as-a-service）平台，不直接租硬件，而是亚马逊部署好大模型后，直接对外出售模型 API 或 Token。

c. 其他还有 SageMaker 和亚马逊 Q 等。其中SageMaker 简单来说是预部署好的 AI/ML 训练、调试和部署平台，方便用户自行训练或微调 AI 大模型，以及训练完成后的调用和推理。

亚马逊 Q 则是直接面向终端用户的 AI Agent 产品线，可再细分为 Developer、Business、Connect 等产品，分别面向开发者、企业员工、客服等用户。

这两项业务和 Bedrock 一样，都不直接出租 " 裸硬件 "，通过硬件基础上附加上一层服务，因而逻辑上会有更高的利润率。

AWS 收入高增，利润率没掉链子，除 Anthropic 用量爆发外，核心是因为：

a. AWS AI 营收占比不高，但高利润 MaaS/TaaS 占比多。根据 Semi Analysis 调研，目前Bedrock 贡献了 AWS AI 收入约 37%，而Azure 和 GCP 的 AI 收入中的约 80% 仍是来自 IaaS 类的纯硬件租赁。

b. MaaS/TaaS 绝对收入规模上，AWS 同样领先达约 $55 亿，谷歌云稍低于 50 亿，而 Azure 则不到 20 亿。而亚马逊的 MaaS/TaaS 业务目前的经营利润率可达 55%vs. 1Q26 AWS 整体不到 38% 的经营利润率。

c. 新云如甲骨文、CoreWeave 等因与新云们在软件能力上普遍不强，大多只能做 " 裸金属 " 租赁这类低附加值且低利润率的业务。新云MaaS/TaaS 收入合计相比三大云厂商基本忽略。

二、和 AI Lab 合作关系也是关键竞争力

以上我们从 AI 能力三大支柱能力之一 -- 算力的角度，简要探讨了亚马逊 AI 业务的具体构成，以及当前 MaaS/TaaS 正成为云业务的主要发力方向。

而海豚君认为，MaaS/TaaS 业务的主要竞争力在于两点：一是平台能提供的模型深度（有没有当前最强 SOTA 级模型）和广度（可选择的模型数量、类型、层级多不多）；二就是提供类似模型时，成本和定价能不能比其他云厂商有优势。

而这第一点对应的是云厂商自研模型或是和第三方模型公司建立良好合作的能力；第二点则主要对应云厂商们通过自研芯片或优秀工程能力降低单位算力成本的能力。

亚马逊一直强调平台模式，对大模型研发投入度不够，自研 Nova 模型目前能力仅大约相当于 Haiku 4.5 到 Sonnet 4.5 水平，因此亚马逊相当依赖于外部 AI Lab 来其补强 AI 模型能力。

实际上，前文提到的Bedrock 业务销售的 API/Token 绝大部分是基于第三方模型，目前以 Claude 为主，在公司和 OpenAI 建立深度合作后，后续 GPT 模型 API/Token 数量想必也会明显提升。

因此，我们接下来就详细探讨下亚马逊和 Anthropic 这家头部 AI Lab 的合作关系：

1、与 Anthropic 的合作

亚马逊首个深度合作的 AI Lab 是 Anthropic，最早的 " 合作迹象 " 可追溯回 23 年 4 月时 Claude 模型上架 Bedrock，正式官宣合作则在 23 年的 9 月。概括来看，两者之间和合作关系发展可大致分为三个阶段：

a. 23 年 9 月：首轮合作亚马逊对 Anthropic 注资 40 亿美元（分三次到 24 年 5 月全部完成），相应的Anthropic 决定以 AWS 为首要云服务提供商，将在训练和推理中更多使用 Trainium 和 Inferentia 芯片（根据新闻报道，此前可能主要使用 TPU 和 Nvidia GPU），并在 Bedrock 上全面向商业用户提供 Claude 模型。

b. 24 年 11 月 : 这轮合作中，亚马逊对 Anthropic 再注资 $40 亿、累计 80 亿。同时，双方的合作深入到了芯片设计和模型的共同一体化研发。包括硬件上，Anthropic 直接与 Annapurna Labs（亚马逊旗下芯片研发部门）合作开发设计 Trainium 等芯片；软件上，Claude 模型的底层内核也专门针对 Trainium 芯片和指令站进行优化。

这一阶段内，两家公司合作的 Project Rainier-- 主要基于 Trn 芯片的超大规模算力中心项目也首度得到官宣。（后文会再单独详细讨论该项目）

c. 26 年 4 月: 亚马逊进一步对 Anthropic 注资 $50 亿，累计达 $130 亿，并拥有最高达 $200 亿的额外投资权。

Anthropic 承诺十年内在 AWS 上花费超过 $1000 亿，并使用 5GW 的 Trainium 芯片，包括已投产的 Trn2 和后续的 Trn3 & Trn4。

这里有意思的一点是，目前公允的 1GW 算力对应的年收入额普遍略高于 $100 亿，而该 1000 亿对应 5GW 的合约中，隐含的每 GW Trn 芯片算力产生的年云收入明显偏低。

虽然部分原因是算力爬坡需要时间并非从 Day1 就会用满 5GW 算力，并且 Anthropic 也每表示除了 5GW 的 Trn 芯片外，不通过 AWS 租用基于其他芯片的算力，但多少侧面体现出 Trn 芯片的综合使用成本应当明显低于基于英伟达 GPU 的成本。

2、Anthropic 对 AWS 收入的贡献？

那么作为亚马逊的 AI 战略上最重要的合作伙伴，Anthropic 实际给 AWS 贡献的营收规模有多大？

这包括两个部分，主要部分是 Anthropic 自身花费在 AWS 上的训练和推理费用，另一部分则是 AWS 通过 Bedrock 代销 Anthropic 模型 API/Token 产生的分佣收入。

a. 海豚君根据新闻报道中的数据进行粗略测算，24 年、25 年和 26 年 1 季度内，Anthropic 的算力支出大约占 AWS 当期收入的约 1%、3% 和 8~9%。虽然绝对占比不高，但以今年 1 季度为例，Anthropic 直接贡献的收入占 AWS AI 收入的比重能达 80% 或更高。

b. 而AWS 通过 Bedrock 分销 Claude 模型产生收入，该模式下 Bedrock 定位是分发平台，Anthropic 自身才是销售主体，因此全部销售额会记为 Anthropic 的收入。AWS 从中直接获得的收入，是基于销售额一定比例的渠道佣金。

因而，MaaS 业务贡献的绝对收入规模会较小，但也因佣金性收入的边际成本非常低，利润率会明显更高。整体来看，可以说当前 AWS AI 收入的绝大部分都是由 Anthropic 直接或间接贡献的，因此 Anthropic 后续 ARR 的增长势头也对 AWS 的增长提速有很强的指引作用。

（需要注意，当客户在 Bedrock 上购买 Claude 模型的 API/Token 时，其底层的调用的算力硬件大概率也是由 AWS 供应，因而也会给 AWS 带来硬件出租收入，但这部分是作为 Anthropic 在 AWS 上花费的推理算力支出计入 IaaS 收入）

c. 目前看，亚马逊和 Anthropic 没有类似微软和 OpenAI 基于股权关系的收益分配。

d. 整体来看，当前 AWS AI 收入的绝大部分都是由 Anthropic 直接或间接贡献的，因此 Anthropic 后续 ARR 的增长势头也对 AWS 的增长提速有很强的指引作用。

做一个简单测算，Anthropic 的 ARR 在 3、4 月达峰后，5 月的环比增速有所放缓。截至 5 月其 ARR 大约为 $450 亿，保守假设按后续每月的环比增量平稳下降，到 26 年 Anthropic 底达约 700 亿出头。

则在简化假设后续 AWS 所有 AI 收入都来自 Anthropic，且AWS 非 AI 收入在 26 年增长约 16%（去年约 14.4%）的情况下。则 26 年全年 Anthropic 可能会贡献 AWS 约 19% 的总收入，带动 AWS 在 26 年的总收入增速达到 35% 以上，相比一季度是约 28% 的增速。和我们此前在模型中预估的全年增速大体相当。

此外，微软曾一度因和 OpenAI 的紧密合作，业绩强势上扬。但之后也因和 OpenAI 关系的渐渐疏离，呈现颓势。模型和模型分销商之间强共振。

亚马逊和 Anthropic 之间会不会复刻微软的 " 老路 "？海豚君看下来，感觉应该不会。

首先虽然两个 CSP 都是两个顶模的早期投资人，而且投资金额也都类似，但关键区别是：

a. 微软 & OpenAI 的股权绑定更深：据推测亚马逊对 Anthropic 仅持有约个位数 % 的少数份额，在后者的管委会中也没有席位。

因此，海豚君认为微软和 OpenAI 之间的合作很大程度上建立在更高的股权关系绑定上， 这一点从微软能够直接从 OpenAI 的收入中直接分成，且之前对 API 有独家分销权。亚马逊却只能从与 Anthropic 的正常商业交易中获得收益，也有体现。

b. 合作开放，但亚技术绑定深：我们认为亚马逊和 Anthropic 之间的合作关系，更多建立在两家公司之间的技术。

Anthropic 的模型训练大量使用了亚马逊独有的 Trainium 等芯片，且 Anthropic 模型的底层代码和亚马逊的 ASIC 芯片相互之间都做了专门的深度适配。

因此，Anthropic 不能 " 无痛 " 脱离亚马逊，有比较高的迁移成本。而由于微软在自研芯片上的能力不足，GPT 模型主要基于英伟达的硬件生态，OpenAI 因此对微软没那么依赖。

3、Project Rainier 能告诉我们什么？

这一章节的最后，在简要聊一下 Project Rainier，如前文提到的这是 AWS 为了满足 Anthropic 训练和推理需求，建设的基于亚马逊自研芯片的超大算力中心。根据公司已宣布的建设计划，该项目前包括 2 个营址（Campus）-- Campus New Carlisle 和 Campus Northern Indiana，具体来看：

a. New Carlisle 是首个项目，计划总投入 110 亿美金，总算力规模在 2.2~2.3GW。于 24 年 9 月开始建设，25 年 10 月底首次投入运营（当时上线规模大约为 50 万颗 Trn2）。据 Well Fargo 的预测，26 年初该项目一期（Phase 1）完全上线，总规模大约 1.3GW，据测算对应约 170 万颗 Trn2。

随着 Trainium 3 代芯片计划于 26 年中开始量产，后续 Rainier 项目中将同时部署 Trn 2 代和 3 代芯片，并且预计将再新增约 0.9~1GW 的产能（预计大部分将在 26 年内建设完毕）。

b. Northern Indiana 项目在 25 年末宣布，预计总算力规模约 2.4GW，计划投资额 $150 亿，目前对该项目的信息较少，但有新闻报道在 5 月开始该项目已进入建设阶段。

根据以上信息，可以初步得出以下几个值得关注之处：

a. 目前 Project Rainier 已宣布的合计产能约 4.6~4.7GW，且主要基于 Trainium 芯片建设，这和 Anthropic 在 4 月合作协议中宣布将总共使用约 5GW Trn 芯片的规模基本对应。

因此该项目的建设节奏可以视为亚马逊和 Anthropic 两者之间合作关系的风向标。

b. 亚马逊 从零到建设完成约 1GW+ 算力中心需要的时间大约在 15~16 个月，该建设速度和同行 Oracle 的速度大体相当（Abiliene Phase 2 约 1GW，预计 15 个月完成）。

c. 按公司披露的投资额，Rainier 两个项目对应的单 GW 计划投资额仅 $50~60 亿左右，远低于英伟达声称的每 GW 对应 500 亿投资额的框架。当然公司并未明确 $110 亿和 $150 亿投资额覆盖的范围 -- 是只包括数据中心厂房和基础设备，还是包含了芯片、服务器等全部设备。（按常识应该不太可能是完整的花费额）

因此，虽不能简单推断 Trn 芯片的单 GW 建设成本只有基于英伟达 GPU 的 1/10，但定性推断 Trn 芯片的单 GW 综合建设成本比英伟达 GPU 低不少应当问题不大。

d. 从 Anthropic 宣布的 10 年 $1000 亿的云计算支出，对应 5GW Trn 芯片，隐含单 GW 收入明显低于目前行业内每 GW 对应约 100 亿收入的普遍水平。

参考外行的测算（测算与 25 年底，因此不可能是通过 4 月宣布的合作金额来倒推），Trainier New Carlisle 项目 2.2 GW 产生的实际年收入（折扣后）大约在 140 亿，即基于Trn 芯片的每 GW 算力产生收入大约只有目前行业均值的 60%~65%。

综合以上两点，可以侧面表明 Trn 芯片对运营方而言建设成本，和对用户的使用成本应当都明显低于当前基于英伟达芯片的平均水平。

但也需要强调，Project Rainier 目前主要使用的 Trn2 和 Trn3 代芯片的绝对性能，前者大致只有 H200 的约 60%，后者略微超过。因此定价要低也合乎情理。

三、亚马逊的 ASIC 芯片实力如何？

云算力、芯片和大模型是 AI 综合能力的三个主要评判标准，而亚马逊的自研芯片是其能深度绑定 Anthropic，并在云业务上建立成本优势的关键因素。因而这一部分我们来探讨公司的芯片业务布局。

2.1、亚马逊自研芯片类型和时间线

亚马逊的芯片自研史，开始于 2015 年初收购芯片设计公司 Annapurna Labs，且可大致归类为4 条并行的研发路线 – Nitro（专用控制系统和存储），Graviton（基于 ARM 架构的通用 CPU），Inferentia（推理向 ASIC 芯片） 和 Trainium（训练 & 推理全能向 ASIC），具体来看：

1）Nitro / Nitro SSD：是公司自研的第一条硬件产品线，17 年就推出首代。Nitro 系列不直接供客户租用常规计算芯片，而是专用于内部管控的控制硬件系统，将包括虚拟化，网络、存储、等资源分配，任务管、安全管控等职能，交由独立的硬件模块控制，起提升运行效率从而优化成本结构的作用。

2）Graviton：基于 ARM 架构的通用型 CPU，最早一代发布于 18 年，早期以低价格 / 高能效比为特色，主要负责相对低负载任务。

而经过多轮迭代后，目前第 5 代（25 年底推出，预计 26 年中开始大规模商用）已和同代 x86 架构主流 CPU 性能不再有巨大差异。

因此，Graviton 目前已大量提供给外部用户租用，且大概率是目前亚马逊使用量最大的自研芯片。

3）Inferentia：主要用于传统 AI/ML（machining learning）的专用推理 ASIC，首代发布于 18 年底，当时是主要用于如搜索排序、个性化推荐、图片 / 语音识别等较为基础的 ML 功能。

随后转型为 LLM 的推理芯片，但因推理对芯片性能的要求也 " 水涨船高 "，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 代后至今无新产品发布。

4）Trainium：进入 LLM 时代后，目前亚马逊最重要的自研芯片产品线，首代发布于 2020 年（实际应用于 22 年），最早的目的也是用于训练传统 ML 模型。

但随着 GenAI LLM 模型成为 AI 的主流路径，在经过 5 年 3 代的迭代后（4 代正在研发中），已成为主要用于 AI 模型的训练和推理的芯片，对标 Nvidia GPU 和 Google TPU。

小结来看，由于 Nitro 主要是用于内部使用，而 Inferentia 的推理芯片定位已部分被取代，目前值得关注的主要就在 Trainium 和 Graviton，后文我们的重点也就放在这两条产品线。

2.2、性能比较

概况性的讲，公司自研芯片的核心底层原因主要是 -- 降低对外部硬件供应商的依赖，凭借从底层硬件到顶层软件一体化自研的方法，提高硬件的能效 / 成本比，进而最终体现为公司云业务利润率的释放。

因此性能 / 性价比的比对，最好的情况也是不只看单芯片能力，而是基于包含芯片、存储、网络连接、软件一套完整系统，以便更真实的体现不同芯片生态和不同云厂商的真实能力。因此，以下对 Graviton 芯片性能和参数的比较都是基于 AWS 内真实提供的实例。

1）Graviton 芯片性价比很能打

看纸面参数，下表中列出了基于 Graviton 各代芯片和其对标的同样 CPU 在 AWS 内实例的规格。其中 Max CPU 数反映最大并行计算的能力，Network bandwidth 反映实例和外部的连接速度，EBS bandwidth 反映计算实例和存储之间的连接速度。

由于 AWS 对同一芯片有大量不同型号的实体（各有能力特化），我们统一选取 "M 型号 "（通用版本）下的最大 CPU 数实例，可见Graviton 5 实例的纸面参数大致和已量产的最新的 Intel Xeon 6 和 AMD EPYC 5th 旗舰型号 CPU 相差不大。

但 Graviton 5 是 25 年底推出，26 年中量产，而其对标的两款 CPU 芯片则都是 24 年的产品，下一代也已在研发中。综合来看 Graviton 大约还落后 AMD 和 Intel 约一代产品。（实际上从 AWS 的型号命名也可看出）

另外值得注意，Graviton 实例的连接能力更强，如通用版本中 Graviton 5 强于 EPYC 5 代。而若都看连接能力特化版本，以 Graviton 4 为例，其特化版的 Network 和 EBS 最大带宽分别高达 600Gpbs 和 300Gbps，相比之下其对标 EPYC 4 代的最大带宽分别只有 300Gbps 和 50Gbps（Intel 的更低）。

至于实际性能的比较，虽然 Graviton 5 因尚未大规模商用，没有实际性能测试，但 OpenBenchMarking 上有对 Graviton4，AMD EPIC 9R14 和 Intel Xeon 8488 三种芯片同型号实例的多种测试，可以看到：

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

b. 按测试当时（24 年底）各实例的定价，每美元对应性能 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 / 能效比测试可见，虽然 Graviton 芯片在绝对性能上相比同代最强的 AMD CPU 仍有一定差距，但在 AWS 环境下能实现比对标的上代旗舰 CPU 芯片更高的投入产出比，足以吸引部分更追求投入产出比的用户使用 Graviton 来替代传统 CPU。

2）Trainium4 潜力可观？

对于 Trainium 芯片，由于其基本只以 UltraServers/Clusters、即大规模集群的形式向大客户提供，公网上对 Trainium 芯片的真实性能测试（尤其是 3 代和 4 代）相当少，只能主要以官方提供的参数和性能评价作为参考。

首先在单芯能力上，可见：

a. 目前已开始量产的 Trainium3 的理论性能（计算频率和内存带宽），只刚刚超过 Nvidia H200（发布于 23 年底）。但仍明显弱于 Google TPU v7（发布于 25 年中旬），以 FP8 计算频率为例，Trn3 的只有 TPU v7 的约 55%。

至于已大规模使用的 Trn2 代芯片的纸面性能则更只有 Trn3 的 50%~60%，显然仍不具备多强的竞争力，更多只能适配于推理计算，或非旗舰级模型的训练；

b. 不过按公司披露的性能目标，正研发中的 Trainium4 的理论性能将直接超过 TPU v8 系列和 Nvidia B300 系列，仅在 FP4 计算精度下的计算速度次于英伟达最新 Rubin 架构下的 R100 系列。

也就是说，Trainium 4 的理论性能若实际落地，将跨越式达到行业内的领先水平，足以吸引头部 AI Lab 等大型客户采用 Trn4 芯片来进行旗舰型模型的训练与推理，有希望进一步显著推动 AWS 收入的增长。

当然也需要注意以上性能目前只存在于纸面，目前 Trn4 还没有明确的流片时间。

四、自研模型已起步，还有很大差距要弥补

本文的最后，我们简要过一下目前亚马逊在 AI 能力三支柱上最弱的一环 -- 即大模型能力。亚马逊实际也已推出了自研的大模型 Nova，能力确实较差，比行业 SOTA 水平差了 1~2 个大版本，概括来看有一下几个关注点：

a. 发布时间晚、更新节奏不快：Nova 首代版本发布于 24 年 12 月，直到到 25 年底才更新了 Nova2 代。可见亚马逊自研大模型的起步确实较晚，且更新迭代的节奏相对较慢。

b. 多模态路线：可以看到，Nova 的研发路线并非追求专精（如选择文字或 Coding 某一能力死磕到 SOTA 级别），而是选择了多版本、多模态路线。在主版本之外，还有 Omni 版本能支持文字、图片、视频处理能力，有 Sonic 版本支持语音处理。

c. 绝对性能不强，但反应迅速：模型的具体能力上，根据亚马逊提供的基于 MMLU-Pro 等指标的跑分数据，Nova2 Lite 的能力大致相当于 Gemini 2.5 Flash 或 Haiku 4.5，而 Nova 2 Pro 的能力，则和 Gemini 2.5 Pro 或 Sonnet 4.5 互有胜负。

可见 Nova 2 的能力确实不强，最新的旗舰模型只相当于头部 AI Lab 上一代版本的中游模型的能力，但也确实在 OCR 和 RealKIE 这两个体现对图片和结构化文档识别能力的指标上表现更好。

另一个亚马逊突出强调的Nova 优势在其有更高的相应速度，在输出首个 Token 所需时间和平均每秒输出 Token 量，这两个指标上 Nova 2 Lite 和 Pro 都明显快于其对标模型。

d. 基于 Nova 目前的多模态路线和能力，海豚君认为Nova 目前应当更多是用于企业内部的提效，用来快速处理相对简单且重复的任务（如合同、发票识别处理、电商内的图片搜索、AI 客服等）。

换言之，亚马逊的自营模型目前对拉动营收增长的作用应当很有限，但可能体现在成本、费用的压缩上。

小结：当前亚马逊在云业务上的综合实力有从落后者重回领跑的迹象，其在 MaaS 业务上的领先是最大亮点；在芯片能力上，亚马逊实际也有完善的产品线布局。虽目前按已发布的版本性能，相比 Google TPU 仍有一定差距，但正在快速解决。

大模型能力上，虽然仍差距明显，但凭借和 Anthropic 的深度合作，在中期内算是能起到曲线救国的作用。

因此，亚马逊的 AI 综合实力其实并不算很弱。后续，海豚君将继续梳理、探讨其他云公司的 AI 能力和布局，并在最后尝试给出一个行业性的整体判断和具体公司偏好，尽请期待。