Andy Jassy谈AI扩张的门槛：从机房投资周期到企业重构

一、嘉宾背景

在这期约61分钟的《The Ben & Marc Show》中，Marc Andreessen和Ben Horowitz采访了Amazon首席执行官Andy Jassy。话题从AI时代的基础设施建设延伸到大型企业如何安排投入、处理扩张后果，以及重新设计已有产品。Jassy以公司管理者的身份讲述经营情况、案例和预测，这一身份也决定了理解这些陈述时需要保留其归属。

Jassy讨论的经营范围涵盖零售履约、AWS、视频，以及卫星、机器人等业务。物理网络、计算平台和消费者体验因此出现在同一场对话中。他将改善客户生活视为这些业务的共同目标，但各项业务实现目标所需的投入和条件并不相同。

回顾AWS的起源时，Jassy说，内部产品团队曾将70%—80%的时间花在无法形成产品差异的基础设施上。计算、存储等积木式服务，最初就是为了减少重复建设，让团队更快开发产品。这段经历也提供了理解整场访谈的一条线索：当基础工作占用过多资源，改变底层结构能否让建设者把更多精力用于客户需要的差异化能力。

二、本期主要内容

对话从疫情后的履约问题展开。Jassy回顾说，Amazon在约18个月内将履约网络翻倍，又在约20个月内建成相当于UPS规模的末端网络。快速建设带来了成本和效率问题。在他看来，速度、节俭与高标准之间本就存在现实张力；当时选择优先服务消费者和卖家，也就意味着之后必须修复扩张留下的问题。美国履约网络随后推进区域化，让库存更靠近客户，通过缩短运输距离改善成本和配送速度。

谈到AI投资，Jassy用两组年化收入运行率说明增长速度：早期AWS发展三年后，这一数字约为1600万美元；本轮生成式AI的前三年，AWS的AI业务运行率已超过250亿美元。他以此解释自己对机会规模的判断，并称Amazon预计2026年资本开支约2200亿美元，即便如此，仍会留下显著的未满足需求。这里的运行率反映业务规模，不能理解为三年累计收入；这组对比也未表明两段发展历程具有相同的收入结构。

容量供给还牵涉客户关系。Jassy称，大块容量中，2026年已售罄，2027年的大部分和2028年的相当部分也已售出，同时仍为按需服务、Bedrock和EC2保留容量。他预计，不同组件的供给约束还会持续数年。AI与非AI业务都在快速增长，使HBM与DRAM的配置形成取舍。面对出价更高的AI需求，他表示，AWS不会挤出核心客户，而会保障这些客户扩容，并增加供给。

数据中心建设的公共争议也是访谈的一部分。Jassy将AI基础设施类比于1950年代的公路和桥梁建设，并以中美竞争说明美国继续建设的必要性。他用高尔夫行业耗水约为Amazon数据中心200倍、备用发电机全年约运行0.1%等说法回应批评，并将电价压力与电网投资不足联系起来。他还称，Amazon在印第安纳州St. Joseph County已缴税约30亿美元，并通过Built Together承诺，未来五年向数据中心所在社区再投入10亿美元。这些数字和判断均是他的论据，材料未作独立核验，也不足以直接裁定某个项目对当地的影响。

对Anthropic和OpenAI的投资，则体现了模型与基础设施之间的合作关系。Jassy从团队、技术、模型应用、AI的长期潜力和深入业务合作等方面解释投资理由。他看好这两家公司，同时也表示，行业中不会人人获胜。按他的介绍，Anthropic已与AWS在Bedrock和Trainium上深入合作；与OpenAI的合作回应了客户使用其模型的需求，包含Bedrock以及双方共同构建的有状态运行时。他认为agent需要状态，并称两家公司都对Trainium作出了多年、多吉瓦承诺。这些合作展示了模型分发、芯片和运行环境如何相互连接，但合作关系本身并不能证明投资最终会取得怎样的回报。

三、核心观点：推理、例子与边界

履约网络的调整说明，成本与客户体验之间的关系可以通过架构改变。Jassy并不否认快速扩张的代价：当服务客户的优先级高于部分效率要求，企业就要在事后处理未曾完全预见的问题。美国履约网络的区域化缩短了运输距离，让降低成本与加快交付成为同一项调整的结果。他给出的管理方法是，用指标和直面问题的讨论找出缺陷，再区分哪些属于局部生产率问题，哪些需要改变系统结构。这一案例说明，经营冲突出现时值得重新审视架构，但并非所有冲突都能靠重构化解。

理解资本开支，需要区分机房建设与设备采购的时间尺度。按Jassy的说法，数据中心需要提前约两年投入，寿命约30年；服务器和网络设备则提前数月采购，平均约三年回本，寿命约五至六年，多数相关交易约五年期。需求不足时，Amazon可以不采购设备填满机房。这为后续设备投资保留了调整空间，也解释了快速扩张初期自由现金流为何承压。不过，暂缓采购无法收回已经投入的机房资本，平均回收周期也不能替代对未来利用率和回款的验证。

需求规模还要与应用的经济门槛一起考察。Jassy用杠铃描述当前需求的两端：一端是大量消耗算力的实验室和爆发式应用，另一端是企业降本用途。他判断，尚未普遍采用推理的企业生产应用，未来会成为绝对需求量最大的板块。他看好未来五至七年的方向，却承认具体推进速度难以预测。应用改写首先需要经济上的理由：如果原本运行在CPU上的应用改用AI后成本上升，新增收益就必须足以覆盖这部分支出。他所说的推理仍贵约一个数量级，是对广泛采用门槛的判断，并非针对所有任务的统一成本测量。后训练、微调人才，以及组织确定和执行优先级的能力，也会影响需求转化。

自研芯片是AWS改善这笔经济账的一条路径。Jassy说，收购Annapurna最初并非为了AI芯片，而是借助NIC卸载虚拟化、网络、安全和存储工作，为客户保留更多计算资源，此后再继续发展芯片能力。他称，前1000大EC2客户中，99%广泛使用Graviton；Graviton较其他x86处理器的性价比高约40%，Trainium较同类处理器高约30%—40%。这些采用情况和性价比数字均来自他的陈述，材料没有提供统一的工作负载和测试条件。它们解释了AWS推进纵向整合的动机，但不能直接作为企业迁移芯片后的收益保证。Jassy也强调，AWS会继续保持既有芯片伙伴关系。

小团队的案例让组织变化有了具体参照，也要求谨慎区分成果的性质。主持人提到，六名工程师用76天重建Bedrock推理引擎，而原先估计需要40人工作一年。Jassy认可这一经历的启发意义，并称Amazon曾在内部广泛分享。他还提到，消费者业务的一个agent项目由四至五人从周四做到周日，便达到他所称约80%可交付的原型状态。前者涉及未实际执行的工期估计，后者描述的是原型成熟度，并非统一衡量的正式上线指标，二者都不能换算为通用的效率倍数。Jassy预测，现有多类工作所需的人力会减少，团队会更小、更跨职能，模型也能帮助不同职能从更高起点开始工作；与此同时，还会出现一些目前无法预知的新岗位。这些案例足以促使企业重新考虑过细的职能分工，却没有给出净就业结果或普遍适用的裁员比例。

安全维护是Jassy认为软件重构日益迫切的原因之一。模型能够发现更多此前未被识别的漏洞，但如果分类、补丁开发和依赖部署仍然缓慢，发现能力的提升就无法及时转化为风险消除。他认为，大企业需要追赶AI原生初创公司的速度，并预测企业几乎需要重写全部代码，让agent能够在约束下更新不同部分。他提出的安全响应要求达到分钟级。按他的介绍，AWS专业服务和Continuum可以帮助客户识别漏洞、构建补丁，模型结合自动化也能扩大渗透测试的覆盖面。这套论证的重点是，整条修复链都要跟上漏洞发现的速度；访谈并未证明所有系统都必须整体重写，也未展示任意漏洞都能得到安全的自动修复。

成熟产品面临着类似的重构问题。Jassy判断，如果只做渐进改善，今天成熟的体验可能难以在三至五年后继续领先。因此，Alexa需要重接大脑，零售、Prime Video、Fire TV和音乐也在探索重构。他并不保证第一次就能成功，也尚未确定应推出新应用，还是将新能力逐步融入既有体验。重构同时是一场变革管理：团队珍惜已有成果，历史经验可能形成阻力，客户也可能更喜欢旧体验。Jassy将这种困难类比于从本地部署迁移到云。技术可行性与组织、客户的接受程度需要同时解决；过去的经验仍有价值，但也可能让旧条件下的判断延续到已经变化的环境中。

四、学习与应用

评估AI基础设施投入，首先需要拆开不同资本支出的周期。沿着Jassy的解释，可以分别记录机房投入、设备采购时点、使用寿命、合同期限、预计回收期和实际利用情况，并区分已预订容量、收入与现金回收。2200亿美元的投入计划和多年容量销售情况，都需要放在这套关系中考察。需求偏弱时暂缓采购设备，可以减少后续支出，却无法消除机房投入的风险。分析因此还要检验需求延迟和利用率不足的情景，单看当年自由现金流或管理层对需求的描述，都不足以下结论。

选择企业推理项目，应从具体工作流程出发，明确新增价值来自哪里，再估算应用改写、推理调用、后训练和微调人才，以及组织执行所需的成本。企业降本用途与生产应用重构，可能有不同的投入条件。保留现有CPU方案和引入AI方案各自需要达到怎样的价值门槛，应在同一任务中比较；芯片与模型组合也需要在企业自身的工作负载上测试。Jassy给出的性价比数字不能替代这种测量，对未来需求的判断也无法直接证明某个项目当前就值得上线。

小团队试验可以借鉴访谈中的组织思路：让少量成员对一项可运行的体验承担较完整的责任，减少职能之间的反复交接，同时预先明确验收条件。原型出现后，演示成功、功能完成、验证通过和正式交付仍需分别记录。Bedrock案例和周末agent项目可以促使团队重新检验原有工期假设，但不能据此预设固定的提效倍数，更不能将约80%可交付的原型状态，直接作为缩减正式交付资源的依据。

让agent参与代码维护，可以从边界清楚的组件开始，明确允许修改的范围、需要验证的行为和部署依赖，再检查从发现漏洞到完成部署的瓶颈。这是从Jassy的安全论证中推导出的实施思路。如果问题出在依赖协调，仅加快补丁生成未必能缩短完整响应时间。分钟级目标的作用是帮助识别流程障碍，不能成为绕过必要验证的理由。至于几乎重写全部代码，仍是他的预测，是否适用需要逐个系统判断。

产品团队可以同时探索从头设计的版本，以及逐步将新能力融入现有体验的路径，再用客户反馈判断改善是否成立。原团队需要有机会重新检验旧假设，偏爱旧体验的客户也需要迁移选择。Jassy承认首次尝试未必成功，具体路径也尚未确定，因此实施时应保留迭代空间。技术上能够重做，并不意味着客户已经愿意迁移。

个人学习同样需要区分获取材料与形成判断。沿着Jassy的商学院案例，可以用AI加快阅读、研究和笔记整理，再由学习者提出关键问题、连接证据、比较方案并设计检验。他鼓励年轻人使用AI、尝试陌生任务，并提到两个非开发者背景的孩子已用AI构建应用。这一经历支持主动尝试，却不能保证工具输出可靠。他强调，综合材料、形成战略、产品和体验，通常仍需要人的判断与实验，并未断言AI永远无法做到。

多业务组织则可以用Jassy提出的条件筛选新投入：是否具备合适的专责领导和建设者，机会是否足够大，市场是否服务不足，方案是否有差异化，以及组织是否愿意投资。他以去中心化、单线程专责团队解释并行业务投入；这些条件若不具备，增加项目可能只会分散注意力。他也认可专注核心业务可以成功。因此，借鉴去中心化组织时，需要同时落实责任与资源条件，业务数量本身并非目标。

来源

• 原始节目：Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs