220億美元砸下去，亞馬遜CEO說2027年算力照樣賣光
傑西說即使今年砸220億美元資本開支，亞馬遜依然主動留下一部分需求沒滿足——2026年容量已賣光，2027年大部分賣光，2028年也賣掉一大塊，這筆錢花得值。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
2027年的算力已經基本賣光了
傑西說即使今年砸220億美元資本開支，亞馬遜仍主動留下一部分有意義的需求沒滿足：2026年容量已經賣光，2027年大部分賣光，2028年也賣出一大塊。這意味著繼續加碼資本開支不是浪費，而是在真實短缺下做的理性選擇，與市場擔心的「AI泡沫、錢不夠燒」形成直接對照。
— Andy JassyAWS的AI業務比AWS本身快了幾百倍
AWS成立後頭三年年化收入只有6000萬美元，而這輪生成式AI浪潮頭三年，AWS裡僅AI業務的年化收入就超過250億美元——按傑西自己的說法是「幾百倍」的速度差。他用這組對比說明這輪AI需求的真實規模：不是營銷敘事，而是公司內部從沒見過的增長斜率。
— Andy Jassy220億資本開支，兩條賬期完全不同
傑西拆解了亞馬遜資本開支的現金週期：數據中心要提前約兩年動工，但可用年限長達30年，而且只用建一次；服務器和網絡設備只需提前幾個月採購，但回本期約3年，更新週期約5到6年，多數合約籤的是5年期。正因為數據中心先行、服務器滯後，公司在快速擴張期的自由現金流會先承壓，等數據中心都裝滿服務器開始變現，賬才會轉正。
— Andy Jassy2015年買的芯片團隊成了最賺的一筆收購
傑西說Annapurna Labs可能是亞馬遜歷史上最好的一筆收購，但當初買它根本不是為了押注AI芯片——起因是EC2服務器上虛擬化、網絡、安全、存儲這些功能佔用了太多算力，公司想把這些功能卸載到芯片上，把服務器算力幾乎100%留給客戶。靠這支團隊，亞馬遜後來又造出CPU芯片Graviton（前1000大EC2客戶99%在用，性價比比x86高約40%）和AI加速芯片Trainium（性價比比同類處理器高30%到40%）。
— Andy Jassy推理成本還貴一個數量級，是真正的卡點
傑西說推理成本這幾年已經降了不少，但在他看來仍然「貴了一個數量級」，這才是企業級應用沒有大規模用上AI加速器的關鍵卡點：如果用AI加速器重寫現有應用的成本差距太大，企業需要的增量收益門檻就會很高；只有把推理成本打下來，門檻才會降低，應用才會普遍用上推理。Horowitz當場舉例，自己團隊有一名員工光做研究就花掉200萬美元的推理費用。
— Andy Jassy6個人76天干完的活，過去要40人一年
Bedrock團隊用6名工程師、76天重寫了推理引擎，而同樣的工作過去估計需要40人幹一年。傑西說這類經歷正在改寫亞馬遜對組織的設計：未來會用更少的人做同樣的工作，團隊規模會比現在小得多，而且成員要能跨職能幹活，因為模型已經能把人帶到80%完成度的起點。老牌大公司能不能做到這種速度，決定了它們會不會被AI原生的創業公司甩開。
— Andy Jassy模型找漏洞太快，補丁要從幾週縮到幾分鐘
傑西認為這波AI最被低估的風險不是「邪惡機器人」這類科幻場景，而是眼前的網絡安全問題：模型能找到的漏洞數量遠超過去人工發現的。按這個速度，未來應用必須能在幾分鐘內響應安全威脅——而今天大多數公司從發現漏洞、分類、開發補丁到部署，流程本身就要拖很久。他的結論是：如果應用沒有被改造成能由agent在幾分鐘內完成更新，企業在新世界裡根本沒有招架的機會。
— Andy Jassy重做Alexa比優化它難，但不重做就會被淘汰
Horowitz把AI時代的打法分成三種：削減成本、做前所未見的新東西，以及把已有的成功產品徹底推倒重來——Alexa就是第三種。傑西說Alexa原來的「大腦」設計在當時很先進，但生成式AI讓「大腦」能做的事完全不同了，所以必須整個重寫，即使這意味著放棄團隊多年積累的經驗和傷疤。他認為這個判斷同樣適用於Prime Video、Fire TV、生鮮零售等所有現有業務——不是微調，而是從零重新想像，否則三五年後就不會是贏家。
— Andy Jassy原話 · 已逐字校驗
We always leave a certain amount for on demand, but 26 is obviously sold out. 27 is largely sold out. A good chunk of 28 is sold out.
我們總會給現貨留一些配額，但2026年顯然已經賣光了。2027年大部分賣光。2028年也賣出了一大塊。
Andy Jassy0:00
the financial markets are saying things like, oh, there's not enough money in the world to finance these things.
金融市場在說，哦，這個世界上沒有足夠的錢來為這些東西融資。
Ben Horowitz9:33
In the first three years of this generative AI wave, our business, or just our AI business in AWS is over $25 billion in run rate. So it's several hundred times faster.
在這輪生成式AI浪潮的頭三年裡，我們這塊業務，就光是AWS裡的AI業務，年化收入就超過250億美元。所以速度快了好幾百倍。
Andy Jassy12:41
Is there, like, any business pressure to go, well, maybe we should buy out the old guys and sell them to the new guys because they'll pay us whatever.
有沒有那種業務上的壓力，讓你覺得，呃，也許我們應該把那些老客戶的份額買斷，轉賣給新客戶，因為他們願意出任何價錢。
Ben Horowitz22:57
it's one of the very best acquisitions we've done at amazon in the history of the company if not the best
這是我們亞馬遜歷史上最好的幾筆收購之一，甚至可能是最好的一筆。
Andy Jassy28:12
But it's still an order of magnitude too expensive, in my opinion, for it to be used as pervasively as possible.
但在我看來，它（推理成本）還是貴了一個數量級，沒法被儘可能普遍地用起來。
Andy Jassy32:18
the Bedrock team rebuilt your inference engine with six engineers in 76 days. And that would have taken 40 people a year.
Bedrock團隊用6名工程師、76天重寫了你們的推理引擎。而這件事本來需要40個人幹一年。
Ben Horowitz36:30
we are living in an era of three of the biggest transformations in our lifetime, and maybe ever, between AI, robotics, and space development.
我們正處在一個時代，這是我們這輩子，甚至有史以來最大的三場變革之一：AI、機器人和太空開發。
Andy Jassy56:15
數字與實體
| 2026年資本開支 | 約2200億美元 | 0:00 |
| AWS年化收入規模 | 1690億美元，同比增長36.7% | 4:16 |
| AWS內AI業務年化收入（生成式AI浪潮前三年） | 超過250億美元 | 12:41 |
| AWS成立後前三年年化收入 | 約6000萬美元 | 12:41 |
| Amazon整體營收較2021年 | 增長約80% | 2:05 |
| AWS業務規模較2021年 | 增長近3倍 | 2:05 |
| 對Anthropic的投資 | 約180億美元 | 33:22 |
| 對OpenAI的投資 | 約500億美元 | 33:22 |
| Graviton芯片價格性能優勢 | 比x86處理器高約40% | 31:17 |
| 某員工一段時間內的推理研究花費 | 約200萬美元 | 33:22 |
術語
- barbell (demand)啞鈴型需求
- 兩端集中：AI實驗室和爆款應用瘋狂耗算力，企業端多用於降本，中間大片企業應用還沒起量
- stateful runtime environment有狀態運行時環境
- 能記住上下文狀態的AI agent運行環境，傑西認為這是未來agent的標準架構
- NitroNitro芯片
- 把虛擬化、網絡、安全等功能卸載到專用芯片，把服務器算力幾乎全部留給客戶
- Annapurna Labs安納普爾納實驗室
- 亞馬遜2015年收購的芯片團隊，是Graviton和Trainium芯片的源頭
收聽指南
關注AI基礎設施資本開支、雲計算競爭格局的投資人和創業者，以及想理解大公司組織如何被agent重塑的管理者。
53:10附近關於年輕人如何用AI學習的部分偏通用建議，信息增量較低，可跳過。