亚马逊挑战英伟达：AI云的下一场竞争，藏在软件迁移成本里

10月19日，亚马逊股价上涨约5%，成为当日大型科技股中表现突出的公司之一。摩根士丹利将亚马逊列为重点推荐股票，理由包括AWS的增长潜力以及公司在AI基础设施领域的布局。与此同时，亚马逊推出TorchNeuron，试图让开发者以更少的代码改动，将现有PyTorch程序运行在自研Trainium芯片上。两条消息指向同一个问题：AI基础设施投入持续扩大之后，谁能率先把算力需求转化为可持续的云收入与经营利润？

过去几年，AI产业的投资主线集中在GPU、先进制程和高速互联，英伟达凭借CUDA软件生态建立了显著优势。但随着大模型训练与推理进入规模化应用阶段，企业采购算力时越来越关注综合成本、供给稳定性和部署效率。对云厂商而言，自研芯片能够提供更多资源调度空间，软件兼容性则决定这些芯片能否真正进入客户的生产环境。

亚马逊的优势在于，AWS已经拥有成熟的云服务体系、企业客户和基础设施运营能力，自研芯片也有机会与现有云业务形成协同。压力同样明确：资本开支不断增加，芯片投入能否转化为收入、利润和现金流，仍需要财报持续验证。分析亚马逊的AI价值，需要同时观察AWS的增长速度、Trainium的客户采用情况，以及庞大基础设施投入的回报效率。这些指标共同决定，AI究竟会成为亚马逊利润表上的新增动力，还是一项需要更长时间回收的资本投入。

AWS重新进入增长主线，云业务的利润贡献比AI叙事更重要

亚马逊的AI业务已经有了财务数据支撑。根据公司2026年第二季度财报，AWS当季净销售额达到422亿美元，同比增长37%，创下过去18个季度以来最快增速；AWS营业利润为166亿美元，高于上年同期的102亿美元。按照当季收入简单年化计算，AWS收入规模约为1688亿美元，与公司披露的1690亿美元年化收入运行率基本一致。

这组数字值得拆开看。AWS的增长不只来自传统云计算需求，也与企业部署生成式AI、扩展模型训练和推理基础设施有关。AI应用从模型研发走向生产环境，企业需要持续采购计算、存储、网络和数据库服务，云厂商因此有机会获得更长期的收入。相比一次性的芯片销售，云服务能够围绕算力使用、数据管理和应用开发持续收费，客户业务越复杂，迁移成本通常也越高。

AWS的价值正在于此。亚马逊同时经营云基础设施、自研芯片和AI开发服务，可以围绕客户需求调配不同类型的算力资源。英伟达GPU仍然是许多AI工作负载的重要选择，但Trainium能够为部分训练和推理任务提供另一种方案。只要客户在成本、供给和性能之间找到合适的组合，AWS就有机会提高自有芯片的使用比例，改善基础设施的整体经济性。

对比微软Azure和谷歌云，三家公司的共同目标都是把AI需求转化为云收入，竞争差异则体现在企业客户基础、软件生态、芯片能力和产品交付效率上。微软可以依托企业软件与云服务拓展AI业务，谷歌拥有自研TPU及模型能力，亚马逊则有成熟的AWS业务和持续推进的Trainium路线。现阶段没有充分依据认定谁已经取得全面优势，更有价值的观察方法，是比较各家云业务增速、营业利润和资本投入后的现金回报。

亚马逊的财务表现也存在需要正视的另一面。第二季度公司整体净销售额为2006亿美元，同比增长20%，营业利润为275亿美元，同比增长43%；但截至6月30日的过去12个月，自由现金流为负76亿美元，而上年同期为正182亿美元。公司解释称，现金流变化主要受到AI相关投资推动的资本开支增加影响。

这意味着AWS的高增长与亚马逊的现金流压力同时存在。AI需求越旺盛，公司越需要提前投入数据中心、服务器和相关基础设施；收入可以逐步确认，设备采购和建设支出却可能先行发生。判断AWS的增长质量，需要继续追踪营业利润能否覆盖新增投入，以及自由现金流何时改善。对长期投资者而言，这比单纯观察云收入增速更接近业务的真实价值。

TorchNeuron瞄准CUDA生态，Trainium能否扩大使用范围取决于迁移成本

10月19日，亚马逊推出TorchNeuron，允许开发者通过调整配置，将现有PyTorch程序运行在AWS Trainium芯片上。路透社报道，亚马逊计划以免费开源方式发布这款工具，并称已有30多个早期客户使用相关软件，覆盖机器人、世界模型和语音AI等领域。

这项发布的产业意义，在于它触及了英伟达长期积累的软件优势。AI芯片的竞争从来不只看理论算力。开发者需要工具链、调试环境、算子支持和分布式训练能力，企业还要承担模型迁移、性能验证与生产部署的工程成本。即使另一款芯片在部分任务上具备价格优势，只要迁移需要大量代码重写和重新验证，客户就未必愿意切换。

CUDA的价值正来自这种长期积累。英伟达通过软件工具、开发者社区和硬件产品形成了相互强化的生态，客户一旦围绕CUDA建立开发流程，替换底层芯片就会牵动大量工程工作。亚马逊要扩大Trainium的使用范围，就必须降低这些隐性成本，让开发者能够用熟悉的框架完成测试、调优和部署。

TorchNeuron为这条路径提供了一个入口。亚马逊官方资料显示，该工具支持Trainium2和Trainium3，并通过PyTorch原生后端机制接入现有开发流程。开发者可以使用标准PyTorch接口及相关分布式计算能力，减少为适配硬件而进行的改造。

但“代码迁移更容易”与“芯片已经具备全面竞争力”之间，仍有相当距离。不同模型的计算特征不同，训练和推理对内存、通信、延迟及吞吐量的要求也不一样。开发者能够启动程序，只是采用的第一步；能否在真实生产环境中保持稳定性能，并且在相同任务下实现更低的总成本，才会决定客户是否持续扩大使用规模。

因此，TorchNeuron的后续验证重点应当落在公开测试结果、模型覆盖范围、实际运行效率和单位Token成本上。亚马逊如果能够持续披露可复现的性能数据，并让更多客户在生产环境中采用Trainium，就有机会把软件兼容性转化为芯片使用量，再通过AWS云服务完成商业化。反过来，如果性能优化仍需要大量定制工作，或者客户在关键工作负载上仍高度依赖CUDA，Trainium的推广速度就会受到约束。

这也是观察亚马逊与英伟达关系的一个重要角度。AWS可以采购英伟达GPU满足客户需求，同时发展自研芯片，为不同任务提供更多选择。两条路线并不必然相互排斥，真正的变化在于亚马逊能否逐渐提高对算力成本、供应和产品组合的控制力，并将这种控制力反映到云业务的利润表现中。

AI资本开支仍在扩张，亚马逊需要证明投入能够形成回报

AI云竞争还有一层容易被忽略的变化：大型云厂商正在从算力采购者转向基础设施的综合运营者。芯片、服务器、数据中心、电力和软件需要协同扩张，单独拥有先进芯片并不足以保证交付能力，拥有客户也不意味着可以立即满足所有算力需求。亚马逊的优势，是可以将Trainium、英伟达GPU与AWS现有服务结合起来，为客户提供不同的算力配置；这套体系能否形成竞争优势，取决于供给能力、利用率和成本控制能否同步改善。

亚马逊还具备一项值得持续观察的条件：公司已经通过投资与商业合作参与AI产业链。第二季度财报披露，公司当季净利润达到626亿美元，其中包括主要来自对Anthropic投资的534亿美元税前非经营性其他收益。

这笔收益不能直接当作云业务的经营成果，也不宜据此推断AI投资可以持续贡献同等规模的利润，但它反映出亚马逊与AI模型公司的联系已经延伸至资本层面。AWS既可以提供模型开发与部署所需的基础设施，也有机会通过相关合作获得更多工作负载。

对投资者而言，接下来最重要的是把这条产业链拆成几项能够验证的经营指标。AWS收入增速能否维持在较高水平，营业利润率能否抵消基础设施成本上涨，Trainium能否从早期客户试用走向规模化部署，以及自由现金流能否随着收入增长逐步改善，这些问题将共同决定AI业务的长期回报。

资本开支本身并不构成风险，投入效率才是关键。建设算力需要提前采购设备、锁定电力资源并投入数据中心，如果新增容量能够迅速获得客户使用，前期投入就有机会转化为长期收入；如果客户需求、芯片交付或基础设施建设出现偏差，折旧和资金占用就可能压缩现金流。亚马逊需要在扩张速度与资本纪律之间保持平衡，投资者也需要区分增长带来的真实利润与投资收益、非现金项目等因素对财务报表的影响。

从微软、谷歌到亚马逊，AI云竞争已经进入更强调经营兑现的阶段。市场不缺少对算力需求增长的判断，真正影响企业长期价值的，是谁能以更低的综合成本交付算力，并在满足客户需求的同时维持合理的利润和现金回报。

结语：AI云的胜负手，最终写在现金流里

10月19日亚马逊股价上涨约5%，摩根士丹利的推荐与TorchNeuron的发布为AWS的AI潜力提供了新的讨论入口。

但股价表现只是市场对未来的阶段性判断，不能替代经营结果。

亚马逊真正值得关注的地方，在于AWS已有的收入和利润基础、自研芯片带来的成本控制空间，以及软件工具对客户迁移门槛的改善。三者如果形成正向循环，AI投入就有机会转化为更强的云业务竞争力；如果资本开支持续走高，而利润和现金流改善跟不上，增长故事也会面临重新评估。

未来观察亚马逊，不妨把注意力放在三个连续发生的变化上：客户是否更愿意使用Trainium，AWS能否持续扩大AI相关收入，以及新增基础设施最终能留下多少经营利润与自由现金流。AI云的长期竞争力，最终取决于算力能否被持续使用、持续收费，并转化为可验证的现金回报。