既投模型也建全栈：亚马逊云科技AI战略
2026年上半年，全球AI领域的前沿模型竞争进入白热化阶段，多款新一代大模型陆续发布，科技巨头纷纷加大算力和数据中心的投入。但相比各家模型厂商在榜单上的你追我赶，一个更值得关注的趋势正在显现：亚马逊云科技的业务增速重新回到快车道。
2026年第二季度，亚马逊云科技实现收入422亿美元，同比增长36.7%，创下18个季度以来的最快增速。作为一项年化收入接近1690亿美元的成熟云服务业务，能跑出接近40%的增长实属不易，而AI正是推动这一轮增长的核心变量。目前亚马逊云科技的AI业务年化运行收入已经超过250亿美元，自研芯片业务的年化收入同样突破250亿美元，两项业务均保持三位数的高速增长。其中AI业务环比上一季度大幅增加100亿美元，AI相关收入已占到亚马逊云科技总年化运行收入的约15%，且这一比重还在快速攀升。
作为亚马逊云科技的模型集成和推理平台，Amazon Bedrock目前已经拥有数十万企业客户。过去六个月内新增的客户数量超过了平台推出后前两年的总和，第二季度的客户总支出更是超过了此前所有季度的支出之和。
一组亮眼的数据足以说明，企业AI创造的价值并不只停留在模型层。在模型竞争尚未见分晓的当下，并未长期占据模型榜首的亚马逊云科技，为何能率先兑现AI的商业化红利？
跳出单一模型的竞争误区
过去两年的AI热潮中，行业普遍陷入了一个认知误区：认为参数量最大、评测得分最高的模型厂商，才会是AI市场的最终赢家。但这种以单一模型为核心的价值判断，恰恰忽视了企业级市场的真实需求。
对于企业决策者而言，将核心业务押注在单一模型上是一场高风险的博弈。企业在选型时，很少只依赖一次评测结果，价格、响应延迟、区域可用性、数据边界合规性、运维稳定性，以及供应商锁定风险，都会成为影响最终决策的关键因素。更何况大模型的迭代速度极快，今天领先的模型，可能在几个月后就会在成本、推理速度或特定任务场景上被其他模型超越。如果企业将核心业务绑定在单一模型上，后续的模型切换往往伴随着极高的替换成本和业务中断风险。
亚马逊云科技的AI战略，更像是一套多层下注的组合拳。它没有将所有资源押在单一旗舰模型上，而是构建了覆盖全栈的AI布局：自研基础模型Nova、训练和推理算力芯片Trainium、汇聚第三方模型的Bedrock平台，以及支持Agent运行、身份管理、工具接入和可观测性的AgentCore体系。与此同时，亚马逊还通过投资Anthropic、OpenAI等头部模型厂商，进一步丰富了自身的模型生态资源。
这套布局将竞争的范围从单纯的模型能力比拼，扩展到了芯片成本控制、模型分发渠道和企业级应用基础设施建设。亚马逊云科技的AI生意也从传统的算力租赁，延伸到了模型调用、推理服务和Agent应用运行。随着企业对模型的使用深度不断加深，其对计算、存储、数据库、安全和网络服务的需求也会同步增长，进一步拉动云服务的整体收入。
更重要的是，亚马逊云科技的平台定位，让企业实现模型切换的成本趋近于零。虽然不同模型的接口、工具调用逻辑和输出特征存在差异，企业依然需要进行针对性的评测和适配，但平台提供了统一的账户、权限和治理框架，企业可以在一套体系内测试和使用多款模型，无需为每一家模型厂商重新搭建完整的基础设施。自研芯片则是这套体系的重要底座，亚马逊云科技向企业出售的，不仅是多样化的模型选择权，更是在技术快速迭代过程中的业务可控性。
平台的双向赋能价值
亚马逊云科技的平台价值，首先体现在丰富的模型供给能力上。2026年第二季度，Amazon Bedrock新增了10多款完全托管的基础模型，成功集成了包括OpenAI的GPT-5.6、Anthropic的Claude Opus 5、Google DeepMind的Gemma 4以及SpaceXAI的Grok 4.3在内的头部闭源模型。
同年，OpenAI、xAI与Anthropic进一步加深了与亚马逊云科技的合作，Qwen、DeepSeek、Kimi等主流开源模型也陆续接入Bedrock平台。至此，Bedrock已经覆盖了从前沿闭源模型到开源模型，从高端到经济型的全品类产品矩阵。
其中OpenAI的接入最具标志性意义。2026年2月，亚马逊宣布对OpenAI进行最高500亿美元的战略投资，此后GPT-5.6系列模型以及面向软件开发的Codex陆续在亚马逊云科技正式商用，双方联合开发的Managed Agents项目也在稳步推进。而以推理能力见长的xAI的Grok 4.3，则已经运行在Bedrock的新型推理引擎Mantle上。对于模型厂商来说，亚马逊云科技不仅提供了充足的算力支持，还为它们打通了直达海量企业客户的渠道和成熟的生产环境，模型接入Bedrock就意味着可以快速触达已经将数据和业务系统部署在亚马逊云科技上的企业客户。
Anthropic与亚马逊云科技的合作则更加深入。亚马逊对Anthropic的累计投资已经达到130亿美元，而Anthropic也承诺在未来十年内，在亚马逊云科技的算力采购投入超过1000亿美元，以获得最高5GW的新增算力容量。双方共同建设的Project Rainier项目由超过50万颗Trainium2芯片组成，Anthropic已经在亚马逊云科技上使用了超过100万颗Trainium2芯片来训练和运行Claude模型。
不过，“模型数量多”并不是亚马逊云科技平台的最大优势。企业真正需要的，是一套可以直接投入生产环境的成熟能力。在安全和治理层面，亚马逊云科技提供了统一的安全边界和数据管控体系：通过VPC虚拟私有网络实现网络隔离，利用KMS密钥管理服务对静态和传输中的数据进行加密，配合IAM身份和访问管理系统实现精细化的权限控制，企业可以确保敏感数据完全在自身的可控范围内流转。同时，企业可以在同一套账户和审计体系下管理多款不同的模型，减少多套密钥、多套接口和多套运维流程并行带来的复杂度。
在采购和成本管理层面，符合条件的模型使用量可以计入企业既有的亚马逊云科技承诺消费额度，并纳入统一的账单体系。企业虽然仍需对具体模型进行法务、安全和合规审批，但无需为每一家模型供应商重新搭建独立的采购和计费体系。
在工程层面，AgentCore、知识库、Guardrails和提示词管理工具覆盖了Agent运行、知识检索、内容安全和提示词优化等全流程。企业在接入模型API的同时，就可以获得将模型与自身数据、业务流程和权限体系对接所需的完整基础设施。
对于大型企业来说，引入大模型本质上是一场跨越业务、IT、安全、法务和财务部门的系统性工程。平台的价值就在于将这些高频次、跨部门的决策对齐成本，沉淀为开箱即用的标准化治理能力。在这套架构下，亚马逊云科技不仅为需求端的企业消除了模型投产过程中的组织和工程摩擦，同时也为供给端的模型厂商打通了切入大型企业市场的最后一公里。这种同时为供需双方减负的能力，正是亚马逊云科技平台释放的独特双向引力。
另一条通往AI商业化的路径
事实上，亚马逊云科技的AI战略并不能简单概括为“轻自研、重平台”。它同时投入研发基础模型、专用芯片和企业级应用工具，只是没有将所有资源押注在单一的旗舰模型上，而是将Nova、Trainium、Bedrock和AgentCore整合为一套从底层算力到上层应用运行的完整技术全栈。
在大模型商业化前景仍充满不确定性的当下，这套布局揭示了一个重要的商业现实：前沿模型的能力仍在持续提升，但技术迭代周期不断加快，模型保持领先的时间窗口被大幅压缩，而模型的训练和推理投入则在持续上升。模型厂商需要不断融资，同时需要提升企业客户的收入和单位算力的产出效率。而云平台则通过一种更适配AI时代产业联合的方式，将模型调用转化为计算、存储、数据库、安全和网络服务的消费。
亚马逊云科技通过搭建模型平台、自研专用芯片以及构建生态合作，构建了一个巧妙的商业闭环。它没有与模型厂商在单点技术指标上争夺一时的长短，而是通过提供分发渠道和底层算力基础设施，将模型层激烈内卷产生的技术红利，转化为自身云服务的用量增长。当一家企业通过亚马逊云科技调用大模型时，表面上是在使用前沿模型的能力，实际上也在依赖亚马逊云科技构建的由安全治理、知识库、RAG、身份审计和计费系统共同组成的完整技术体系。
在这场尚无定论的AI竞逐中，亚马逊云科技避开了对单体模型竞争的执念，成功将模型层的技术竞争红利，直接转化为了自身确定性的订单和收入增长。通往通用人工智能山顶的道路不止一条，亚马逊云科技已经找到了属于自己的通路。未来无论开源社区还是闭源大厂成为领跑者，亚马逊云科技都将通过这套平台体系，搭建起一座能够支撑企业级AI长期稳定运转的重工业级基础设施基地。
