亚马逊豪掷1.3万亿押注AI，能否逆转市场颓势？
文 | GPLP看科技，作者 | Colin
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
当全球企业还在为如何接入人工智能而焦虑时，亚马逊（Amazon）选择了一条更加简单粗暴的道路，通过“买买买”加码AI。
日前，亚马逊CEO安迪·贾西（Andy Jassy）称，预计2026年投入2000亿美元（约合1.3万亿元人民币），较2025年的1310亿美元激增52%，全面加码人工智能基础设施、自研芯片及机器人技术。
然而，这份“世代级军备竞赛”的豪赌却并未迎来资本的掌声，甚至在财报发布后，亚马逊股价盘后一度重挫超11%，市值蒸发超4500亿美元 。在微软与谷歌的夹击下，这位曾经的“云老大”能否靠这场天价赌局挽回掉队之势？还是说，这只是科技巨头在AI泡沫前夜的一次集体焦虑？
一切都是未知数，但可以肯定的是，如此大手笔的投入，不单单是一场与其他大厂的普通“军备竞赛”，更是亚马逊在AI时代的一场“诺曼底登陆”，要么重新夺回王座，要么彻底沦为二线玩家。
2000亿美元押宝 一场不计代价的“诺曼底登陆”
在硅谷的科技巨头中，亚马逊向来以“长期主义”著称，从物流网络到云计算基础设施，贝佐斯时代的大手笔投入最终都转化为了坚不可摧的“护城河”。而这样的固有形象也让此次贾西押上的筹码超出了所有人的预期。
这一数字究竟有多夸张？通过横向对比更能凸显这场豪赌的疯狂程度，公开数据显示，谷歌母公司Alphabet预计2026年资本支出为1750亿-1850亿美元，Meta计划投入1150亿-1350亿美元，而亚马逊的2000亿美元不仅“冠绝群雄”，更是接近Meta的两倍。
当然，这2000亿美元并非漫无目的的撒钱，贾西也给出了明确答案，绝大部分将用于AWS的AI能力建设，包括价值110亿美元的“Project Rainier”AI数据中心，专门用于运行其投资的Anthropic工作负载，以及自研的Trainium AI芯片、Nova系列大模型、Bedrock第三方模型市场，还有那个迟到已久的生成式AI版Alexa。
只是如此激进的重仓AI却并未换得资本市场的热烈反应，相反，上述消息发布后，还引发了亚马逊股价的下跌，而投资者用脚投票的背后是对“投入-产出”平衡的深度疑虑，当自由现金流已因前期投入大幅下滑66%，当AI的商业化路径仍不明朗，这笔天价开支会不会成为“压垮骆驼的最后一根稻草”？
事实上，投资者的恐慌并非毫无根据，眼下的亚马逊正陷入中年危机。
首先，是云业务增速的掉队。 虽然AWS在2025年第四季度实现了356亿美元营收，同比增长24%，创下13个季度以来最快增速，但这依然落后于其主要对手，微软Azure（39%）和谷歌云（近48%）的同期表现 。
其次，是利润表的直接压力。 大规模建设数据中心意味着巨额的折旧费用。同时，为了支持卫星互联网“Project Kuiper”等新业务，亚马逊预计一季度运营利润仅为165亿美元至215亿美元，远不及分析师预期 。更令人担忧的是自由现金流的急剧恶化，从2024年的382亿美元暴跌至2025年的112亿美元 。
基于以上数据维度，亚马逊此次2000亿美元的豪赌更像是一场对自身焦虑的救赎，而要了解亚马逊的焦虑来源必须回到AWS的基本盘，因为这个曾经撑起亚马逊全部利润的云服务部门，正在经历13年来最微妙的时刻。
亚马逊财报显示，2025年第四季度，AWS营收同比增长24%，创下13个季度以来最快增速，看似发展向好，但增长的质量正在发生变化。尤其是在AI云的新叙事中，亚马逊已经从“定义者”变成了“追赶者”。
其中，微软凭借早期对OpenAI的投资，一度让Azure的声势超越AWS，尽管由于OpenAI不甘于做“附庸”，与AWS、甲骨文等合纵连横，甚至推出与微软竞争的产品，但微软已经通过GPT大模型的优先使用权，在AI云市场抢占了心智高地。
同时，谷歌云和阿里云的逆袭更让AWS焦虑。谷歌凭借Gemini模型和TPU芯片的垂直整合能力，正在快速蚕食企业级市场；阿里云则通过Qwen模型的全面开源策略，在全球技术圈建立了独特的影响力，并成为全球唯一一家积极研发先进AI模型且全方位开源的头部云厂商。
当然，面对以上挑战，亚马逊应对策略是通过在Bedrock平台上，提供了包括DeepSeek、Qwen、Kimi、MiniMax在内的数十种模型选择，试图以“模型中立”的姿态满足企业差异化需求。但问题在于，头部模型的不可替代性依然强大，而顶级模型要么掌握在竞争对手手中（如OpenAI与微软的微妙关系），要么企业倾向于自建模型而非托管在Bedrock上。
上述“既要又要”的策略让AWS在模型层的竞争力显得模糊，显然，眼下的贾西意识到了这一点，在最近的re:Invent大会上，AWS一口气更新了多款自研Nova模型，试图在模型能力上至少“不落后太多”。
自研芯片与生态闭环 亚马逊豪赌的“压舱石”
值得一提的是，在这场豪赌中，亚马逊并非没有秘密武器。与微软、谷歌主要依赖英伟达GPU不同，AWS早在多年前就开始布局自研AI芯片Trainium和Inferentia。
Trainium芯片的战略价值在于成本控制，贾西在2025年4月的股东信中明确指出，自研芯片将“显著降低AI使用成本”，此外，在2000亿美元的资本支出中，相当比例将用于扩大Trainium的产能和优化其性能。如果AWS能够为客户提供“英伟达方案的平价替代”，这不仅能够降低对单一供应商的依赖，还能在价格战中获得更大的腾挪空间。
自研芯片的挑战同样巨大。一方面，英伟达的CUDA生态已经形成了近乎垄断的开发者粘性，Trainium需要在软件兼容性、开发工具链和社区支持上投入巨额资源。Trainium的市场渗透率仍远不及英伟达GPU，AWS的大客户（如Anthropic）依然主要依赖英伟达基础设施。
另一个压舱石则是Alexa的AI化改造，这个拥有数亿用户的语音助手，曾被寄予厚望成为AI时代的入口，只是眼下生成式AI版Alexa的发布一再延期，直到2025年初才姗姗来迟。这也意味着，贾西需要证明Alexa不仅能“说话”，还能真正理解上下文、执行复杂任务，并将用户转化为付费订阅者，否则，这将又是一个“叫好不叫座”的烧钱项目。
从某个角度来看，亚马逊的2000亿美元豪赌本质上是一场与资本市场的耐心博弈。
毕竟，从2006年AWS创立时的巨额亏损，到2010年代物流网络的疯狂扩张，亚马逊多次证明“先投入、后收获”的策略能够建立长期壁垒。2025年，AWS的年化营收已接近1000亿美元，运营利润率超过30%，成为亚马逊的“现金奶牛”。
只是这一次，亚马逊能否再次通过加码投入的方式，“大力出奇迹”，尚需且行且看。
相关攻略
谷歌健康应用将上线，整合并取代Fitbit。部分功能将移除或调整：睡眠档案、鼾声检测等将整合；有氧健身评分更名为VO2max，计算方式更新；每日目标改为个性化每周目标；勋章系统取消；社交功能简化，移除私信与群组，旧版社交将于2026年5月锁定。迁移后用户可管理好友并参与新排名。
谷歌推出全新笔记本电脑Googlebook，以Gemini为核心深度整合安卓与ChromeOS生态。产品与宏碁、华硕等五大厂商合作，配备标志性Glowbar发光条。其引入MagicPointer智能光标，能感知意图提升效率，并支持动态生成桌面小组件。设备可实现安卓应用在电脑端流式运行，并支持跨设备无缝访问手机文件。谷歌同时承诺现有Chromebook将继续获
近日，科技行业传出一则引人瞩目的动态：谷歌与SpaceX正在就一项前沿合作进行秘密磋商，计划将数据中心部署至太空轨道。 这一时机选择颇具深意。SpaceX目前正积极筹备其史上规模最大的首次公开募股，估值预计高达1 75万亿美元。为了向投资者展现更具想象力的增长前景，SpaceX将“太空数据中心”概念
当业界仍在探讨云计算的下一个十年时，硅谷的领军企业已将视野拓展至真正的“云端”——近地轨道。据《华尔街日报》最新报道，谷歌正与埃隆·马斯克创立的SpaceX展开深入磋商，计划借助后者的重型运载火箭，将其极具前瞻性的“轨道数据中心”项目从蓝图变为现实。此次合作不仅是科技巨头间的战略协同，更可能重新定义
谷歌近日确认，其Chromebook长期支持政策保持不变，2021年及之后发布的设备将获得10年自动软件更新。此外，官方透露部分现有Chromebook硬件“有资格过渡到新体验”，虽未明确细节，但被解读为可能获得源自未来高端产品线Googlebooks的某些功能优化。此举旨在维护现有庞大用户群的体验
热门专题
热门推荐
本文介绍了2026年主流的USDT交易软件，重点分析了币安、欧易和火币三大平台的特点与优势。内容涵盖平台安全性、交易功能、用户体验及费用结构，旨在为不同需求的用户提供选择参考。文中强调选择平台时应综合考虑资产安全、操作便捷性和交易成本，并提醒注意风险管理与合规操作。
本文介绍了USDT交易的基本概念与主流平台选择。USDT作为稳定币，其交易主要通过加密货币交易所进行。选择平台时需综合考虑安全性、流动性、手续费和用户体验。文中列举了当前市场认可度较高的几类交易平台，并提醒用户注意资产安全与合规操作，建议根据自身需求谨慎选择。
哥本哈根大学计算机科学系于2026年3月发布了一项具有里程碑意义的研究（论文编号arXiv:2603 12935v1），揭示了当前主流AI推荐系统可能潜藏的社会偏见风险。这项研究同时指出，一种高效且低成本的解决方案——提示工程，或许能成为破解这一难题的关键。 当您使用求职平台或新闻资讯应用时，背后的
照片模糊了、雨滴遮挡了画面、夜晚拍摄噪点过多……这些常见的图像质量问题，往往让人束手无策。传统的解决方案，就像请来一群专科医生：去模糊、去噪点、去雨滴，各有各的专长，但每个“医生”都需要海量的“临床经验”——动辄数百万张训练图片，才能达到可用的修复水平。 然而，一项由香港科技大学、哈尔滨工业大学深圳
这项由英属哥伦比亚大学（UBC）与Vector人工智能研究院联合主导的前沿研究，于2026年3月以预印本论文（arXiv:2603 12634v1）形式发布。研究团队创新性地提出了“预算感知价值树搜索”（Budget-Aware Value Tree Search，简称BA VT）框架，旨在攻克一个