本文来自微信公众号： AGI 2050 ，作者：AGI 2050，原文标题：《亚马逊 CEO 深度访谈：一年砸下 2200 亿美元，为什么算力依然不够用？》
全球科技产业正在经历一场前所未有的基础设施扩建。当资本市场还在争论算力投资是否过热时，全球最大云计算平台AWS的母公司亚马逊给出了一个明确的指引：2026年单年资本支出预计将达2200亿美元。
这个体量已经超过了绝大多数跨国巨头的资产规模。然而在亚马逊现任CEO安迪·贾西眼中，即便投入如此庞大的资金，算力供给依然跟不上需求——2026年与2027年的产能已基本售罄，甚至2028年的很大一部分配额也已被锁定。
贾西是AWS的实际缔造者，也是接替贝佐斯掌舵亚马逊已满五年的操盘手。在由知名风险投资机构a16z联合创始人本·霍洛维茨主持的最新对谈中，贾西对当前围绕AI的种种争议做出了正面回应。从数据中心的能耗指责，到企业推理成本的居高不下；从自研芯片对英伟达生态的补充，到同时注资Anthropic与OpenAI的商业平衡；再到大企业内部如何用小团队颠覆传统开发模式，对话信息密度极高，客观呈现了头部云厂商对AI产业终局的推演。
本期内容来自The a16z Show播客，2026年10月23日播出，原视频时长61分钟。
以下为精选对话内容，全文约9000字，阅读时长约5分钟。
本期精彩观点
●
即便我们今年计划投入2200亿美元的资本支出，依然无法满足全部客户需求。2026年的算力容量已经售罄，2027年基本订满，2028年的很大一部分配额也已被锁定。
●
外界对数据中心能耗的批评存在许多误解。高尔夫球场两天的耗水量，就超过了我们全球数据中心一整年的总和；高尔夫球场的总耗水量是数据中心的200倍。
●
前沿AI实验室为了抢占电力和芯片愿意支付极高溢价，但我们绝不会因此挤压在AWS上稳定运行了二十年的传统核心客户。长期帮客户成功，我们的生意自然会跟着来。
●
当前企业的AI需求呈典型的“哑铃状”：一头是吞噬海量算力的模型实验室，另一头是简单的客服降本应用；真正核心的企业生产系统绝大多数还没深度用上AI。阻碍落地的核心瓶颈在于推理成本太高，必须降一个数量级才能迎来真正爆发。
●
我们在重构Bedrock核心推理引擎时，仅用了6名工程师、花费76天就完成了过去40人一整年才能交付的工作。未来大企业内部从事传统常规工种的人数一定会持续减少。
●
与其只盯着“AI毁灭人类”这类更离奇的场景，不如关注眼下最紧迫的威胁——网络安全。大模型能找出大量人类此前没发现的漏洞，如果企业的代码库无法在几分钟内由智能体自动化修复并部署，根本无法抵御未来的攻击。
●
成熟企业如果只把AI当作修补体验的工具，三到五年内很可能就会失去竞争力。从底层彻底重写核心产品虽然痛苦，但想继续领先，就绕不开这一步。
从基建过剩，到AI时代的基建提速
问：贾西，你接任亚马逊CEO已经五年了。今年亚马逊的资本支出预计将达到2200亿美元，AWS重新进入高增长轨道。回顾2021年刚接棒的时刻，你的战略思考发生了什么变化？
贾西：2021年现在回想起来已经很遥远了。如果对比这五年的经营数据，我们的整体营收增长了约80%，AWS的业务规模扩大到近三倍，广告业务体量则是当年的两点五倍。
这五年走得并不轻松。我刚接任时正值疫情尾声，电商业务迎面撞上了履约成本急剧上升的难题。在疫情爆发后的18个月内，我们把耗费25年建立的仓储物流网络整整扩大了一倍；紧接着又在20个月内，建起了一支规模相当于UPS的配送网络。
以这种极限速度扩张，不可避免会产生大量未优化的环节，运营成本一度远超预期。当时外界不少人认为在那个节点接任是“赶上了最糟糕的时机”。
但回过头看，那其实是一次难得的契机。那种压力倒逼我们打破了长期恪守的底层认知。过去我们在美国运行的是扁平化的全国物流网络；为了压缩成本并提升时效，我们下决心将其切分为八个独立的区域网络。这让库存离用户更近、运输距离大幅缩短，不仅压低了履约成本，还大幅提升了配送速度，进而带动了零售业务新一轮的高速增长。
紧接着，生成式AI爆发了。虽然亚马逊在机器学习领域投入多年，但2023年以来的大模型浪潮截然不同。此前我们预计，AWS在十年内能成长为数千亿美元年营收的业务；而现在，当所有数字化体验都需要被模型推理重塑时，增长空间被进一步打开了。上一季度，AWS在1690亿美元年化营收的基础上，依然实现了36.7%的同比增长。叠加近地轨道卫星网络、自动驾驶和机器人业务，我们能服务的客户场景比过去丰富得多。
问：当年在极短时间内把物流网络翻倍，必然伴随着混乱和低效。亚马逊向来强调“勤俭节约”和卓越运营，作为CEO，你当时如何在推进野蛮扩张的同时，维持公司的组织文化与执行标准？
贾西：亚马逊有16条领导力准则，外界常以为它们是完全统一的，但现实中很多准则之间存在天然的张力。
当时管理层面临的核心抉择是：如果放慢节奏，方案会更成熟、成本会更可控；但在实体商业大面积停摆的特殊时期，全美的消费者和第三方卖家极度依赖亚马逊。我们必须在“精细规划”与“满足客户紧急需求”之间做取舍。我们最终选择了“崇尚行动”，优先保证对客户和商家的履约能力。
在快速推进中，设计出现偏差是必然的。但亚马逊具备一种“直面真相”的内部文化：我们习惯把真实数据和业务症结直接摆在台面上，不粉饰太平，直截了当地讨论问题。一旦基础设施的主体就位，我们立刻把此前优先级靠后的网络架构重组提上日程，通过系统性的架构调整，把成本和速度重新拉回最优区间。
数据中心争议与被误读的能耗账本
问：再看如今的AI基建。随着算力需求激增，数据中心在全球特别是美国本土引发了广泛的社会与政策争议。资本市场开始质疑全球资金是否足够支撑这轮基建，普通民众也对高能耗表示担忧。这些针对数据中心的反对声音究竟有没有依据？
贾西：首先需要建立一个基本共识：现代社会的正常运转——无论是金融交易、医疗系统、在线零售，还是政务与出行，全部建立在数字基础设施之上，而数据中心就是这些系统的底座。如果一边离不开智能手机与数字化服务，另一边却全盘抵制数据中心，在逻辑上是站不住脚的。
更重要的是，AI是这一代人经历的最重大的技术变革，其所需的算力规模，是自20世纪50年代美国建设跨州高速公路网以来从未有过的基础设施工程。无论从产业升级还是国际技术竞争的角度来看，不发展数据中心都会带来巨大的战略被动。
当然，作为基础设施，行业确实需要在环保和运营效率上持续精进。但目前公众舆论中存在不少脱离事实的误读：
首先是水资源消耗。很多人指责数据中心是“耗水大户”，但事实是，全美的高尔夫球场或者加州的杏仁种植业，消耗的水资源远多于数据中心。全美高尔夫球场两天的维护耗水量，就超过了我们全球数据中心一整年的总和；高尔夫球场的总水耗是我们所有数据中心的200倍。
其次是空气污染。外界常引用备用柴油发电机的理论排污数据，但在实际运营中，由于发电机仅在罕见断电或例行维护时开启，全年的有效运行时间仅约10小时，利用率只有0.1%，根本不是常态化的污染源。
最后是居民用电成本。美国电网的基础设施长期投资不足，即使没有AI，电网扩容也是迟早要解决的问题，AI只是让这个结构性矛盾提前爆发了。在印第安纳州、佐治亚州和密西西比州等地，随着我们大规模基建投资的注入，当地的综合电价在扩建后反而趋于稳定甚至有所回落。此外，仅在印第安纳州圣约瑟夫县一地，我们就缴纳了约30亿美元的税款，有效反哺了当地的基础设施建设。发展必须兼顾社区利益，但不能因此因噎废食。
算力供需的“哑铃形态”：为什么不把资源倒卖给新贵？
问：今年亚马逊的资本支出高达2200亿美元，换算下来每天要投入约6亿美元。如何判断这样的投资规模是否过大？另外，你之前提到AI需求目前呈现出“哑铃状”，具体指什么？
贾西：在AWS创立的初期，业务前三年做到了6000万美元年化营收，当时我们已经觉得这是极快的扩张速度；而在这波生成式AI周期的前三年，AWS内部仅AI相关业务的年化营收就突破了250亿美元，增长斜率完全不同。
这种迅猛的需求在结构上呈现出典型的“哑铃状”：
哑铃的一头是极少数顶级模型实验室和少数超级应用，它们对算力和电力的吞噬是前所未有的；哑铃的另一头是广大企业正在落地的轻量级场景，主要用于客服自动化、反欺诈或业务流程自动化等单点降本环节。
而整个商业世界体量最庞大、价值最集中的“哑铃中段”——也就是各大企业跑在云端的海量生产系统，绝大多数至今还没有实质性地接入大模型推理。未来5到7年内，即便不是大多数，也会有相当多的企业应用深度整合推理能力，这个核心区间的爆发才刚刚开始。
至于这笔资本支出是否过度，事实是最有力的证明：即便我们今年投入2200亿美元，依然无法满足全部客户需求。2026年的算力容量已经售罄，2027年基本订满，2028年的很大一部分配额也已被锁定。
在资本开支的结构上，我们明确区分了两类资产：
一类是数据中心的物理机房（土地、建筑与电力接入），这部分需要提前约两年建设，但资产的使用寿命长达30年；
另一类是机房内部的服务器与网络设备，采购周期只需提前几个月，通常3年左右收回成本，硬件寿命在5到6年之间，而客户普遍签订的是5年长约。
这种资产周期意味着，虽然前期大规模建设会对短期的自由现金流构成压力，但我们对服务器投资的风险控制非常精准——一旦需求转向，我们可以迅速调减设备采购，而机房基础设施作为长期耐用品依然具备极高价值。
问：现在供应链中的高带宽内存、芯片和机柜极度紧缺，顶尖AI实验室愿意为电力和计算资源付出天价。面对这种溢价诱惑，你们会不会产生一种商业冲动：把长期租给老客户的传统资源收回，转手高价卖给这些不计成本的AI公司？
贾西：从纯财务套利的角度，这种逻辑看似合理，但我们在经营上绝不会这么做。
确实，目前无论高带宽内存还是通用服务器内存，供应链都极为紧张，资源分配考验着每家云厂商。但在AWS的价值观里，商业信誉永远高于短期利益。
在疫情期间，许多同行想的是如何在每个季度内尽量多拉营收，而我们做了一件相反的事：主动派技术架构师帮助客户优化云架构，指导他们如何缩容降本。这在短期内压低了我们的营收增速，但却让客户在艰难时期活了下来，并建立了长期的信任纽带。
面对传统核心客户，逻辑是一样的。这些客户的企业命脉在AWS上稳定运行了十几年甚至二十年。如果我们因为眼前的算力溢价，人为挤压老客户的资源或强行提价，就是在动摇业务的立足之本。
我们的职责是尽可能打破供给瓶颈，一边保障老客户平稳扩容，一边为新增的AI算力开辟增量空间。这种供应链紧张态势大概率会持续数年，即便资本开支再多投很多，也不会是糟糕的资本配置，市场需求远远没有被完全满足。
自研芯片与推理成本：决定企业落地速度的关键
问：为了应对供应链瓶颈，各大云厂商都在发力自研硬件。亚马逊早在2015年就收购了芯片设计公司Annapurna Labs，当时行业对大模型还几乎没有认知。十多年前做这笔收购的初衷是什么？它又是如何演变为今天AWS的核心壁垒的？
贾西：收购Annapurna是亚马逊历史上最成功的收购案例之一。
但坦率地说，2015年做这笔交易绝不是为了今天的AI大模型。当时的核心痛点在于：随着云计算规模的扩张，服务器上相当一部分CPU算力被用于处理虚拟化、网络传输、存储管理和底层安全等管理任务。我们希望将服务器的算力全部释放给客户的业务负载，而不是消耗在系统运维上。
当时Annapurna正在与我们联合开发一种专用芯片网卡，用来把这些底层开销从主CPU中剥离出去。收购完成后，这项技术演进为现在的Nitro系统，部署在了AWS的每一台服务器中。
在合作中，我们验证了这支团队出色的造芯实力。当时服务器CPU市场几乎被英特尔垄断，而在缺乏竞争对手的情况下，占主导地位的供应商通常缺乏动力去极限推高性价比。为了帮助客户进一步降低云迁移成本，我们让Annapurna团队开发了基于ARM架构的服务器CPU芯片Graviton。目前，AWS排名前1000的核心客户中，有99%都在重度使用Graviton，其性价比比同代x86处理器高出约40%。
几年前，我们在AI加速器领域看到了相似的行业格局：单一供应商占据绝对主导地位，硬件虽然优异，但综合使用成本居高不下。
回到前面提到的“哑铃中段”，为什么海量传统企业的核心生产系统迟迟不接入AI？人才和组织能力是一方面，但很大一块阻碍是经济账算不过来——推理成本太高了。如果应用调用模型的边际成本下不来，企业重写老旧系统的投资回报率就会很低。现在的推理成本必须再降一个数量级，企业级应用的大爆发才会真正到来。
这就是我们开发自研AI芯片Trainium的核心原因。最新一代Trainium相比同类硬件，在性价比上同样保持了30%到40%的优势。只有把推理成本打下来，AI应用才能从实验室玩具变成无处不在的生产工具。
同时结盟Anthropic与OpenAI的底层逻辑
问：除了底层硬件，亚马逊在生态合作上也动作频频。你们向Anthropic投资了上百亿美元，近期又深化了与OpenAI的大规模合作。但在资本市场看来，云厂商既当投资人又当算力供应商的模式存在争议。亚马逊布局这两笔重量级合作的商业逻辑是什么？
贾西：这两家公司拥有目前全球顶尖的工程技术团队，在业务增长速度上也打破了软件行业的历史记录。
我们的投资与合作基于三个清晰的维度：第一，我们确信AI代表着深远的产业转型；第二，大模型生态不会演变为单一玩家垄断，这两家团队都会是长跑中的胜出者；第三，投资必须依托于实打实的深度技术协同。
对于Anthropic，双方的合作历时更久。海量企业客户选择通过我们的托管平台Bedrock调用Claude系列模型。更重要的是，Anthropic也是我们自研芯片Trainium的核心研发合作伙伴，他们的大量前沿训练与推理任务长期运行在Trainium集群上，这种软硬件协同让我们双方都受益匪浅。
而在OpenAI这边，合作的触发点完全来自于客户的强烈诉求。过去受限于商业条款，企业很难在AWS的原生安全环境内直接调用OpenAI的前沿模型。经过多轮沟通，我们不仅成功将OpenAI的模型引入Bedrock，还共同开发了“有状态运行时环境”。
未来的AI智能体必须具备长期记忆和状态留存能力，这项技术构成了下一代智能体应用的基础底座。与此同时，OpenAI也做出了采购数吉瓦Trainium算力资源的长期承诺。这种既满足了核心企业客户的需求、又为自研硬件找到了落地场景的合作，在战略上是非常明确的。
6个人用76天重写系统：AI重塑团队组织模式
问：来看AI对大企业组织形态的改造。你提到Bedrock团队只用了6名工程师、耗时76天就推翻并重写了核心推理引擎，而传统模式需要40人做一整年。亚马逊当年提出了著名的“两个披萨团队”理念，在AI辅助编程和智能体普及的今天，你如何看待大公司的团队架构演进？过去的精细化分工是否失效了？
贾西：Bedrock团队的这次重构在亚马逊内部带来了很大震动。我们把这个案例在全公司反复宣讲，目的就是打破大企业在规模扩张中养成的组织惰性。
我加入亚马逊快30年了。刚入职时我是助理产品经理，一个人要负责5款产品。然而随着企业规模做大，组织不可避免地走向了过度专业化：一个产品经理往往只负责某个大系统下极窄的一个模块，比如专职负责定价策略或特定交互。大家逐渐形成了一种惯性思维，认为大公司推进业务就必须依赖冗长的流程和庞大的团队。
但在AI时代，这种逻辑正在被迅速打破。上周，针对电商业务的一个全新智能体构想，我们在周四明确了方案，仅依靠四五名工程师借助AI开发工具，就在周日交出了一个完成度高达80%、真正能跑起来的原型。这在过去不可想象。
我认为这种演进会给企业组织带来几个确定性的变化：
首先，大企业内部从事常规重复性工作的人员规模，未来一定会持续精简。无论是基础代码编写、日常客服、基础数据分析还是法务初审，过去依赖人海战术的模式难以为继。虽然新兴业务会衍生出新岗位，但传统工作岗位的缩减是不可逆的。
其次，团队规模将更加紧凑，复合型人才的价值被放大。AI可以在技术和业务的各个环节补齐80%的基础能力，这意味着成员不再被死板的职能分工限制，能够更独立地推进端到端的业务落地。
最后，企业的软件架构必须为智能体做出根本性改造。现在的AI原生初创企业从第一天起就针对自动化流程设计系统；而成熟企业如果依然固守几十年前陈旧的代码库和人工审计流程，根本跟不上迭代节奏。企业必须让系统具备被智能体快速介入、修改并部署的能力。
问：这种向自动化的高速演进，对系统安全提出了什么新要求？最近业界热衷于探讨模型的“毁灭性风险”，这是否分散了公众对现实技术隐患的注意力？
贾西：确实如此。最近舆论频繁出现一些偏科幻色彩的极端担忧，比如恶意AI系统是否会失控并接管基础设施。这些理论风险确实需要防范，但坦率地说，政企学界有足够的时间建立规则与防护网。
当前真正致命、但讨论度严重不足的现实隐患，其实是网络安全。
大模型能找出的系统漏洞和代码缺陷比过去多得多，很多是人类审计员一直没发现的。在传统模式下，从发现漏洞、评估威胁、开发补丁到各系统联调部署，往往要拖很长时间，光是部署就常被各种依赖关系卡住；而在AI赋能的网络攻防中，应对迫在眉睫的威胁必须以分钟为单位。
在这样的环境下，企业必须重新梳理代码架构，让系统具备“在几分钟内由智能体自动化打上补丁并完成热部署”的能力。如果防御节奏依然停留在过去的人工排期阶段，系统在未来的攻击面前几乎没有还手之力。我们还为客户推出了名为Continuum的自动化安全服务，专门负责找出漏洞并生成补丁。安全工作虽然繁琐乏味，但它是生死攸关的防线。
重构Alexa：成熟产品不能只做渐进式修补
问：目前业界利用AI大致有几种思路：一种是通过AI裁员降本；另一种是开发前所未有的新物种；第三种则是你们在Alexa上尝试的——将一个拥有数亿用户的成熟产品全部推倒重写。推翻自己过去的成果，在组织内部会面临多大阻力？
贾西：如果一家成熟公司只把AI当成给现有产品修修补补的工具，三到五年后，这些产品大概率会在竞争中落败。
底层技术的代际跃迁决定了修补是没有出路的。Alexa当年的技术方案在其面世时非常领先，但大语言模型的出现让这套旧中枢彻底落伍了。我们必须全面掏空并替换掉Alexa的底层架构，哪怕这个过程极为折磨。
这种重构最大的阻力往往来自组织内部。原有团队在旧架构上倾注了多年心血，克服过无数技术难关，对既有方案有极深的感情认同。当你要求大家推倒重来时，最常见的阻力就是：“过去这套方案证明过是有效的，你们提出的新构想我们几年前踩过坑。”
打破团队原有的思维定式需要耗费大量的时间和管理心力。
而比重构Alexa更难的，是重构那些当下运转良好且利润丰厚的核心业务——比如我们的零售平台、流媒体服务Prime Video和数字音乐业务。这些系统表面上看没有任何危机，但我们依然在内部抽调了独立团队，尝试完全基于AI原生架构，从零孵化这些业务的全新版本。
我们不可能在第一天就把所有方案都做对，但这种自我革新是必须承受的阵痛。如果不主动用新范式颠覆自己，就会被外部的新兴团队颠覆。在技术史上，无论是当年从本地IDC向云计算的迁移，还是今天面向AI的架构重写，本质上都是极具挑战的组织变革管理。
给年轻人的建议：工具门槛越低，批判性思维越值钱
问：随着AI工具大幅降低了技术门槛，很多年轻人开始感到迷茫。如果让你回到18岁，站在2026年的当下，你会给自己提出怎样的建议？
贾西：我有两个孩子，他们步入大学或工作时恰逢这一轮AI浪潮爆发。当时我就意识到：任何试图把AI工具阻隔在教育和工作之外的想法都是不切实际的，时代的车轮已经转动了。
亚马逊一直保持着极为严格的“书面备忘录”文化，我们不用幻灯片汇报，全靠写详尽的六页纸文档。近一年来，不少员工开始借助AI辅助写作。坦白讲，文档是否完全由AI代笔，读两段就能分辨出来——用词虽然规范，但观点之间缺乏逻辑咬合的灵魂。
如果给18岁的年轻人提建议，我会强调两点：
第一，不要回避，全面拥抱它。
必须把AI工具当成日常工作和学习的常规手段。去充分尝试自己能力边界之外的事情。我的两个孩子并没有受过专业的计算机工程训练，但他们现在都能熟练地借助AI工具独立开发出完整的应用程序。把它当成智力的放大器，不要产生抵触心理。
第二，绝不能放弃批判性思维与深度判断力。
这就像在商学院分析案例：过去教授会布置复杂的商业案例和冗长的数据表格，总有一些学生不愿做扎实的研读和逻辑推演，在课堂讨论中提不出实质见解。
今天，AI可以在几秒钟内为所有人整理出一份无可挑剔的总结，它把所有人的信息获取基准拉到了同一高度。
但在那之后，如何把分散的商业信息串联成有效的洞察？如何研判非共识的商业机会？如何设计打动人心的产品？如何在混乱中做出决策？这些工作依然依赖人类的直觉、同理心、试错勇气以及深度的批判性思考。
工具的门槛越低，独立思考的价值反而越高。
业务跨度从卫星到零售，亚马逊如何避免战线过长？
问：从最早的线上书店，到如今涵盖电商、超大规模云基础设施、底层芯片、仓储机器人、数字医疗，以及部署数千颗低轨卫星的太空宽带项目Amazon Leo，亚马逊的战线极其漫长。商业史上很多巨头都因业务发散而陷入困境，你如何保证亚马逊在涉及如此多前沿领域的同时，不被过度摊薄？
贾西：我们认为，当前人类社会正处在三项重大技术变革的交汇期：人工智能、机器人与自动化，以及低轨太空基建。
这三项变革中的每一项，都有可能在未来数十年内重塑众多行业的运行规则。而亚马逊在这些领域并非跟风布局，我们原本的核心业务就扎根在这些赛道的中心：
在零售业务里，我们广泛使用机器人；在AI领域，我们既让内外部开发者更容易做出成功的AI应用和智能体，也在重塑所有面向消费者的体验；而在太空基建领域，我们的近地轨道卫星项目旨在为全球5亿没有稳定网络覆盖的家庭提供宽带连接。
要避免业务战线拉得太长而失控，核心取决于两点：组织设计原则，以及长期的战略定力。
亚马逊从来不让同一批管理团队兼顾跨度极大的不同业务。我们长期坚持“单线程领导责任制”——针对每一个重大的新战略业务，挑选具备开拓能力的骨干建立独立闭环团队。这些团队的负责人每天醒来，唯一的使命就是在这一个垂直领域深扎下去，不被其他日常业务的杂音干扰。
有些企业倾向于固守现有的核心基本盘，把单一业务的利润做到极致，这是一种很成功的战略路径；但亚马逊的基因不同。只要一个市场空间足够大、存在未被满足的痛点、我们有能力通过技术显著改善体验，并最终能跑通健康的长期现金流，我们就会坚决进行战略投入。
专注做好现有的核心业务，同时保持对未知领域的开拓野心，二者并不矛盾。
资料来源：The a16z Show，本·霍洛维茨、埃里克·托伦伯格对话安迪·贾西，2026年10月23日播出，https://www.youtube.com/watch?v=-YMMRQ1qscI
