如果把過去兩年 AI 基礎設施的主旋律濃縮成一句話，很多人第一時間想到的會是「誰拿得到更多 GPU，誰就能吃到更多成長」。這個說法不算錯，但到了 2026 年，市場開始慢慢發現，真正值得注意的問題已經不是只有誰買到最多晶片，而是誰能把 AI 從訓練階段推進到大規模、可重複、可商業化的推理階段。這也是我今天想聊 Amazon 的原因。
最近在 nash-ai 的選題裡，我注意到一個很有意思的方向：有報告把重點放在「雲計算進入 AI 推理時代，AWS 有望後發先至」，也有報告從「AI 推理推動雲端資源供需趨緊、雲服務價格結構改變」切入。這兩個角度合在一起，其實指向的是同一件事：AI 正在改寫雲端產業的獲利邏輯，而 AWS 不只是想當一個出租算力的房東，它更想當那個同時握有土地、建材、電網、管理系統，甚至連租客施工圖都能提供的人。
簡單來說，市場如果還只把 AWS 當成「雲端老大」來看，可能已經有點低估它在 AI 時代的位置了。真正值得注意的，是 AWS 正在把自己的角色從通用雲平台，往「AI 全棧基礎設施提供者」推進。這個變化，會影響 Amazon 未來幾年的資本支出、AWS 的毛利結構、客戶黏著度，甚至連整個雲端產業的定價權分配都會被重新洗牌。
為什麼現在討論 AWS，時間點很重要
Amazon 在 2026 年 2 月公布的 2025 年第四季與全年財報裡，給了一個非常醒目的訊號。第四季 AWS 營收年增 24% 至 356 億美元，這是過去 13 個季度裡最快的成長速度；AWS 第四季營業利益達 125 億美元，全年 AWS 營收 1,287 億美元，營業利益 456 億美元。這些數字單看已經很強，但真正讓市場抬頭看的，其實是 Andy Jassy 直接講出的另一件事：Amazon 預期 2026 年整體資本支出大約會到 2,000 億美元，而且他明講，背後的重要驅動之一就是 AI。
這個數字的分量不只是「很大」而已，而是它等於告訴市場，Amazon 現在的判斷是：AI 基礎設施還在非常早期，現在不是收割期，而是卡位期。若公司願意在一年內投入這麼高的資本支出，代表管理層看到的不是短期題材，而是未來數年等級的需求曲線。
更值得注意的是，Amazon 的財報還揭露，過去十二個月自由現金流下降，主要就是因為購置不動產與設備的支出年增 507 億美元，而公司把原因直接指向 AI 投資。這個訊號很關鍵，因為它說明了兩件事。第一，Amazon 願意先承受自由現金流被壓縮，也要把 AI 基建先鋪出來。第二，管理層認為這筆錢花下去，未來能換回夠高的長期回報率。
這種表態方式很 Amazon。它不是先把故事講得很夢幻，再等市場買單；它比較像是先把錢砸下去，把路蓋好，再用財務結果證明自己不是在亂燒。對投資人來說，這種公司通常不會太輕鬆，因為短期報表看起來未必漂亮，但長期如果方向對，後勁往往比市場想像得更大。
AI 推理時代，跟過去的訓練敘事到底差在哪裡
很多人談 AI 基建，第一反應還是訓練大型模型。原因很簡單，訓練很燒錢、很燒 GPU，也最容易製造資本市場喜歡的大敘事。但如果把 AI 真正落地到企業應用、客服、程式開發、搜尋、推薦、企業知識庫、流程自動化這些場景，你會發現最後真正反覆發生、每天都在跑、會變成穩定支出的，其實是推理。
訓練比較像是蓋總部大樓，一次要花很多錢；推理比較像是大樓蓋好後，裡面每天開燈、開空調、跑電梯、處理人流。從商業角度看，推理決定的是模型能不能真的被廣泛使用，成本能不能壓到企業願意大量部署，延遲能不能低到使用者覺得「這東西真的能用」。
也因為如此，推理時代的競爭，不再只是比誰有最頂級的訓練晶片，而是比誰能提供更便宜、更穩定、更容易擴展、又能跟企業現有系統整合的整體方案。這裡的關鍵詞不只是 GPU，而是 token economics、模型切換成本、軟硬體協同、資料中心供電效率、網路互連、模型服務平台，以及企業 IT 團隊願不願意把核心工作流放進來。
換句話說，AI 推理時代比的不是單點性能，而是整套系統工程能力。這反而是 AWS 最有機會把優勢放大的地方。因為 AWS 從來就不是靠某一顆單品晶片吃飯，它擅長的是把底層算力、資料、平台工具、安全、部署和帳單模型整合成一個企業能用的方案。AI 一旦走到推理擴散階段，這種能力的價值會比單純「有沒有最強訓練卡」更重要。
AWS 的打法，不是硬碰硬複製 NVIDIA，而是自己重寫遊戲規則
現在談 AI 基建，所有人都會先看 NVIDIA，這很正常。但 AWS 真正有意思的地方，在於它沒有選擇照抄 NVIDIA 的玩法，而是試著建立自己的生態與成本曲線。
Amazon 近年一直在強推自研 AI 晶片，包括 Trainium 和 Inferentia。從 AWS 官網公開資料來看，Inferentia 主打推理場景，第一代 Inf1 強調相較可比 EC2 執行個體可帶來更高吞吐與更低單次推理成本；第二代 Inferentia2 進一步強調支援更大模型、更低延遲、分散式推理能力，以及更高的記憶體容量與頻寬。Trainium 則主打訓練與大型生成式 AI 工作負載，Trainium2 強調比前一代更高性能，且在價格效能上對部分 GPU 型方案具競爭力；Trainium3 則把重點放在下一代 agentic AI、reasoning 與多模態/影片生成工作負載。
如果只看規格，很多人可能會說，這不就是雲巨頭都在做的自研加速器嗎？但 AWS 跟其他人的不同，在於它不只是做一顆晶片，而是把晶片、EC2 instance、UltraServer、互連、Neuron SDK、Bedrock、SageMaker、EKS/ECS 等服務打包成一整條路徑。這代表 AWS 想爭奪的不是某個晶片季度銷量，而是客戶未來幾年的工作負載會不會長在 AWS 的工具鏈裡。
這裡有個常被忽略的重點：在 AI 時代，真正的 lock-in 不一定是來自資料格式，越來越可能來自「效能最佳化路徑」。如果一家公司已經把模型微調、部署、監控、成本優化、權限治理、Agent 工作流都搭在 AWS 的工具堆疊上，那它未來要整包搬家，其實沒有想像中容易。這種黏著度，往往比單純的雲主機搬遷還更高。
為什麼 Amazon 會特別強調推理，而不是只講訓練
從 Amazon 最新財報揭露的內容來看，管理層刻意提到幾個訊號：Trainium 與 Graviton 合計年化營收跑速已超過 100 億美元，且年增是三位數；Trainium2 已經 fully subscribed；超過 10 萬家公司使用 Bedrock；Trainium2 承載 Bedrock 多數推理工作；Anthropic 的 Project Rainier 由超過 50 萬顆 Trainium2 晶片支撐；Trainium3 供給到 2026 年中前幾乎都將被承諾完畢。
這些話如果拆開看，幾乎每一句都在傳遞同一個訊息：AWS 並不是只想在模型訓練市場插旗，它更想把推理成本做下來，讓更多企業願意把 AI 從 PoC 推到 production。因為對雲平台來說，真正最有價值的不是客戶偶爾來租一批非常貴的訓練資源，而是客戶把長期、反覆、持續產生流量的推理服務放在你這裡。
推理一旦成熟，雲平台的收入品質往往會更好理解。原因在於它更接近日常營運支出，而不是一次性專案支出。今天一家企業要做客服 agent、內部知識搜尋、AI coding assistant、文件摘要、風險偵測、推薦引擎，它用得不是一次，而是每天、每小時、每分鐘都在跑。這種需求如果長出規模，雲平台就不只是吃到一波 AI 熱潮，而是把 AI 變成長期的公用事業型收入。
也因此，推理成本結構比訓練更重要。企業不是不知道 AI 很酷，而是常常算完帳之後發現太貴、太慢、太難管。誰能把這三件事往下壓，誰就更有機會把試用客戶變成真正的大客戶。AWS 自研晶片的戰略意義，就在這裡。
Bedrock 的角色，比很多人想得還大
如果說 Trainium 和 Inferentia 是底層硬體，那 Bedrock 就是 AWS 在 AI 時代的中層作業系統。它的意義不只是提供模型 API，而是讓企業可以在同一個平台上接入多家模型、管理權限、安全、成本、評估、agent 開發與部署。
Amazon 在財報裡提到，Bedrock 已被超過 10 萬家公司使用，且持續加入來自 Amazon Nova、Anthropic、Google、OpenAI、NVIDIA、Mistral、Cohere 等不同供應商的模型。這個策略非常務實。因為企業真正在意的不是「我一輩子只用某一家模型」，而是「我能不能依照成本、延遲、能力與法規需求，隨時切換最適合的模型」。
這種多模型平台思維，會讓 AWS 在企業客戶面前更像基礎設施中立平台，而不是某一個模型陣營的業務代理。對企業來說，這很重要。因為模型市場變化太快，今天最強的不一定明天還最強；今天最划算的，也不一定半年後還划算。AWS 如果能在這個過程裡扮演「幫你降低切換摩擦、幫你管理風險與成本」的角色，它就不需要在每一個模型評比裡都拿第一，也能持續把流量留在自己平台上。
更進一步看，Bedrock 還在往 agent infrastructure 延伸。像是 AgentCore Policy、Evaluations、Memory 等能力，本質上都是在替企業解決一個越來越實際的問題：模型不只是回答問題，它要開始執行任務、碰流程、調系統、留下審計軌跡。當 AI 從 chatbot 升級成 agent，企業最怕的從來不是模型不夠聰明，而是它做錯事、越權、難追蹤、出了事不知道怎麼回溯。這種時候，比起模型參數多幾十億，企業更在意基礎設施有沒有治理能力。
這也是為什麼我會說，AWS 真正想搶的不是一輪模型流量，而是 AI 應用層背後的基礎設施定價權。只要企業級 agent 大規模落地，能提供安全、評估、記憶、部署、觀測、權限控管的平台，理論上就更有機會拿到更長的收入壽命。
這件事對 AWS 獲利能力是利多，還是風險
答案是兩者都有，而且先看短期與長期會得出不同結論。
短期來看，AWS 要拚 AI，資本支出一定重，折舊與基礎設施建設成本也會持續往上走。Amazon 2025 年自由現金流下降，就是一個很直接的證據。對只看短期現金流的人來說，這不會是太舒服的數字。再加上 AI 基建競爭激烈，Microsoft、Google、Oracle，甚至不少新型雲服務商都在搶，市場不可能沒有價格壓力。
但長期來看，如果 AWS 能把更多企業 AI 工作負載導向自己自研晶片與工具鏈，它的單位經濟模型有機會變得更漂亮。原因有三個。第一，自研晶片有助於降低對外部供應商的依賴，也讓成本控制空間變大。第二，推理工作負載若規模起來，收入可預測性通常比一次性訓練專案更好。第三，當平台從算力延伸到模型管理、agent orchestration 與安全治理，AWS 不再只是賣最底層硬體時間，而是可以吃到更多軟體與平台層價值。
這裡最值得注意的一點是，AWS 的營業利益率本來就明顯高於 Amazon 其他業務。2025 年 AWS 1,287 億美元營收對應 456 億美元營業利益，代表它仍然是整個 Amazon 利潤結構裡最重要的引擎。如果 AI 能讓 AWS 維持較高成長，又不至於嚴重侵蝕中長期利潤率，那對 Amazon 的整體估值支撐會很強。
問題在於，這條路不是沒有代價。你可以把它想像成一間原本已經很會賺錢的收費高速公路公司，現在決定再蓋一套 AI 專用高架系統。短期會看到工程款暴增、現金流壓力變大；但如果未來車流確實大增，且這條新高架還收得起費，公司的護城河反而可能變更深。
市場可能低估的一個點：AI 雲戰爭不只是模型戰，也是供應鏈戰
財報裡有一句話我覺得很值得注意。Amazon 在前瞻指引與風險因素裡提到，資源與供應波動，包括 memory chips，都是需要留意的變數。這句話看似普通，其實透露出 AI 雲戰爭早就不是單點產品競爭，而是整條供應鏈與資料中心建設能力的比拚。
AI 基建不是只要有晶片就好，還要有 HBM、伺服器、機櫃、交換器、光模組、供電、冷卻、土地、施工、維運與軟體堆疊。這也是為什麼近來市場對 AI 基礎設施的關注，從 GPU 一路擴散到記憶體、網通、電力與設備。AWS 若能靠自研晶片把部分關鍵環節掌握在自己手上，除了降低成本之外，還有一層更重要的戰略價值：提升供應可控性。
這一點，在推理時代尤其重要。因為推理需求一旦從少數模型公司擴展到成千上萬家企業，瓶頸不一定是最尖端訓練資源，而是「夠不夠便宜、夠不夠穩定、能不能快速擴到很多區域」。AWS 在全球資料中心、雲服務營運與企業交付上本來就有底子，現在再疊上自研晶片，實際上是在把供應鏈掌控力轉化成產品競爭力。
AWS 真正的後發優勢，可能不是技術，而是商業化能力
很多人會用「後發先至」這個詞來形容 AWS 在 AI 的機會，但如果要更精準，我會說 AWS 的優勢未必是它在所有 AI 技術指標上領先，而是它有機會在商業化與企業落地效率上後發追上。
原因很簡單。企業客戶在 AI 採購時，並不是只看 benchmark。它們還會看幾件事：既有資料是不是在這朵雲上、法遵跟權限能不能一起管、是否能跟現有資料庫和應用程式整合、帳單是否可控、全球部署是否成熟、技術團隊是不是找得到人維運。這些問題的答案，AWS 通常不差。
也就是說，AI 從研發熱潮走向企業擴散之後，決勝點可能從「誰最會做模型」逐漸轉向「誰最會讓企業把模型真正用起來」。如果這個判斷成立，那 AWS 的價值就不只是 AI 概念股，而是 AI 工業化過程中的基礎平台。
這點跟 Amazon 整體企業文化其實很一致。它很少只賣一個夢，而是習慣把流程、工具、供應鏈與規模一起做出來。從電商物流到雲端服務，Amazon 強的常常不是某個最耀眼的瞬間，而是把一個原本昂貴、複雜、門檻高的東西，變成可以大規模、標準化、反覆售賣的服務。AI 如果進入這個階段，AWS 就會是非常值得追蹤的角色。
但風險也不能假裝看不見
我不會把 AWS 這條線講得太完美，因為它明顯仍有幾個風險點。
第一，AI 需求很強，不代表每一筆支出都能有效轉成高回報。Amazon 願意投 2,000 億美元資本支出是一種雄心，但也是巨大的執行壓力。如果供給鋪太快、需求落地慢於預期，折舊與資本效率壓力就會浮上來。
第二，自研晶片雖然有戰略價值，但企業採用習慣不是一天能改變。CUDA 生態、開發者熟悉度、既有最佳化經驗，仍然是 NVIDIA 很難被快速撼動的原因。AWS 要讓更多工作負載遷移到 Trainium / Inferentia，不只要證明便宜，還要證明好用、穩定、工具成熟。
第三，AI 平台層競爭會越來越擁擠。Microsoft 有 Azure 與 OpenAI 生態協同，Google 有 TPU 與模型能力，Oracle 在特定高效能與 AI 租賃市場也積極卡位。AWS 不會處在沒有競爭者的舒服環境。
第四，市場現在對 AI 的容忍度很高，但一旦總體環境變化、企業 IT 預算收緊，資本市場會開始更嚴格檢查「高資本支出到底換到了什麼」。到時候 AWS 必須用更具體的工作負載成長、客戶留存與利潤率表現來回答問題。
我的看法：AWS 值得看的，不只是成長率，而是它正在重塑自己的身分
如果要用一句話總結今天這篇，我會說：AWS 的重點，已經不是「它能不能參與 AI」，而是「它能不能把 AI 變成下一個屬於自己的平台週期」。
市場過去很習慣把 AWS 看成成熟雲業務，成長穩、獲利強，但想像空間比最熱門 AI 公司小。可現在情況有點不一樣了。當 Amazon 一邊用 AWS 吃企業 AI 基建，一邊用 Bedrock、AgentCore、Nova 等服務往上打平台層，再加上自研 Trainium / Inferentia 往下接住成本與供應鏈，AWS 的位置其實越來越像一個 AI 時代的「基礎設施作業系統」。
這個位置有個很大的好處：它未必需要在每個單點都當第一名，卻可能在整個產業價值鏈裡拿到最穩定、最長尾、最難搬走的一塊收入。
從這個角度來看，AWS 進入 AI 推理時代，真正值得注意的，不只是第四季 24% 的營收成長，也不只是自研晶片成長三位數，而是 Amazon 正試著把雲端競爭從「賣算力」升級成「賣整套 AI 生產系統」。如果它做成了，未來幾年市場重新評價的，可能不是 AWS 短期多賺幾個百分點，而是整個 Amazon 在 AI 基建時代的角色層級被拉高了。
對一般投資讀者來說，這件事最值得追蹤的幾個觀察點，不是今天要不要下結論，而是後續幾季可以持續看：AWS 營收增速能否維持高檔、Bedrock 與 agent 相關服務的採用是否擴散、自研晶片是否持續提升滲透率、AI 資本支出是否真的轉成更高的企業工作負載，以及自由現金流壓力在未來幾季會不會逐步被更高獲利吸收。
簡單來說，AWS 這條線現在最有意思的地方，不是它看起來多熱，而是它越來越像下一輪 AI 基礎設施秩序裡，不能被忽略的那個定價者。
參考資料
Amazon 2025 Q4 / FY2025 Earnings Release（SEC Exhibit 99.1）
Amazon 2025 Form 10-K（SEC）
AWS Inferentia 官方頁面
AWS Trainium 官方頁面
nash-ai.cn 站內選題檢索：亞馬遜 / 雲計算 / AI 推理相關報告
