2200亿美元仍不够用：AWS如何用「集成竞争对手」的反直觉策略构建AI生态护城河
2200亿美元仍不够用：AWS如何用「集成竞争对手」的反直觉策略构建AI生态护城河
2026年7月底，Andy Jassy在一场公开场合说出了一句让整个科技行业停顿的话：Amazon今年将花费2200亿美元资本支出，但仍然没有足够的容量来满足需求。(来源: Fortune, 2026-07-30)
这句话的信息密度远超表面含义。2200亿美元是什么概念？这个数字超过了绝大多数国家的年度国防预算，超过了全球许多顶级科技公司的市值。然而即便如此，AWS依然在需求面前显得捉襟见肘。
但更值得深思的问题不是这个数字有多大，而是：AWS究竟在用这笔钱构建什么？
答案并不是一个更强的语言模型。在OpenAI、Anthropic、Google DeepMind、Meta的AI研究团队之间，模型能力的军备竞赛已经进入了一个让外部观察者难以追踪的速度。AWS的战略选择，恰恰是在这场军备竞赛中选择不参赛——或者更准确地说，选择成为所有参赛者都必须经过的赛场。
将OpenAI的GPT-5.6模型集成进Amazon Bedrock，并在此基础上提供最高80%的价格折扣；将新一代Amazon OpenSearch Serverless推向全面可用；以2200亿美元的年度资本支出构建物理容量壁垒——这三个动作合在一起，描绘的是一幅AWS试图将AI竞争从「谁的模型更强」重新定义为「谁的平台更完整」的战略图景。
这是一场关于分发权的战争，而AWS正在押注自己能赢。
第一章：反直觉的联盟——当最大的竞争对手成为你的产品
OpenAI登陆Bedrock：一个需要解释的决定
如果你在2023年告诉一位云计算分析师，AWS有一天会将OpenAI的模型——包括其最新旗舰产品——集成进自己的核心AI平台，并且主动为这些模型提供价格补贴，这位分析师大概率会认为你在开玩笑。
但这正是2026年正在发生的事情。OpenAI的模型（包括GPT-5.6）、Codex以及Managed Agents已经正式登陆AWS，可以通过Amazon Bedrock平台被企业客户调用。(来源: OpenAI官方博客, 2026)
表面上看，这个决定充满矛盾。Amazon自己有Titan系列模型，有与Anthropic的深度合作关系——Anthropic的Claude系列一直是Bedrock平台上的核心资产。引入OpenAI，是否意味着AWS在向竞争对手输送流量？是否意味着承认自家模型能力不足？
这种解读是错误的，而且错得很有代表性。
Bedrock的真实定位：模型的App Store
要理解这个决定，需要先理解Amazon Bedrock究竟想成为什么。
Bedrock从设计之初就不是一个「AWS自研模型的独家渠道」。它的产品逻辑更接近于Apple的App Store或Google Play——平台本身的价值不来自于自己生产最好的应用，而来自于吸引最多的优质应用，并从中收取过路费（或者更准确地说，从底层算力消耗中获利）。
当企业客户通过Bedrock调用GPT-5.6时，他们支付的不仅仅是模型推理费用，还在隐性地消耗AWS的存储、网络、安全合规基础设施。每一次API调用背后，都有AWS的EC2实例在运转，都有VPC网络在传输数据，都有IAM权限体系在做鉴权。OpenAI从这笔交易中拿走了模型使用费，但AWS拿走了更难被替代的东西：客户的数据重力和工作负载依赖。
这个逻辑在历史上有迹可循。AWS在早期也集成了大量第三方数据库、中间件和开发工具——这些产品有时与AWS自己的服务直接竞争。但实践证明，只要客户的核心工作负载留在AWS上，这种「引入竞争」反而强化了平台的粘性，因为它降低了客户迁移到竞争云平台的动机。
OpenAI的算盘：分发即生存
从OpenAI的角度看，这笔交易同样具有战略必要性，尽管原因截然不同。
AI模型的商业化面临一个根本性挑战：企业客户不会为了使用一个模型而重建自己的IT基础设施。大多数大型企业已经在AWS上运行了数年乃至数十年的工作负载，他们的数据在S3里，他们的安全策略基于AWS IAM，他们的合规框架依赖AWS的审计工具。
要让这些企业使用OpenAI的模型，最阻力最小的路径不是让他们把数据搬到OpenAI的平台，而是把OpenAI的模型送到他们的数据旁边。这正是Bedrock集成能够提供的价值。
更深层的逻辑是：在模型能力快速趋同的今天，分发渠道正在成为决定AI公司商业成功的核心变量。一个在Bedrock上被数万家企业客户调用的模型，比一个在自有平台上等待客户主动迁移的模型，具有完全不同量级的商业价值。
被大多数分析忽视的一点：Managed Agents的战略意义
大多数关于OpenAI登陆AWS的报道聚焦在模型本身，但Managed Agents的集成才是这笔合作中更值得深思的部分。
AI Agent代表着AI应用的下一个演进阶段——从被动响应查询，到主动执行多步骤任务。Managed Agents意味着企业可以在AWS基础设施上运行具备自主行动能力的AI系统，这些系统可以调用AWS的各类服务（S3、Lambda、RDS等）来完成复杂工作流。
这个组合的含义是：AWS正在将自己定位为AI Agent的运行时环境（runtime），而不仅仅是模型的调用入口。当AI Agent需要读取数据库、发送邮件、调用API、写入文件时，每一个动作都在AWS的基础设施上留下痕迹，都在加深企业对AWS生态的依赖。
这是一种比单纯提供算力更深层的锁定机制。
第二章：价格战即生态战——80%折扣背后的竞争逻辑
一个需要被正确理解的价格信号
Amazon Bedrock宣布对OpenAI GPT-5.6模型提供最高80%的价格降幅——参照基准为OpenAI官网直销渠道的同等模型标准API定价，折扣幅度因模型版本和调用量层级而异，80%为最高优惠层级。(来源: AWS官方公告, 2026-07)
这个数字第一眼看起来像是常规的促销行为，但仔细分析其结构，会发现它实际上是一个精心设计的竞争武器。
80%的价格降幅意味着什么？意味着对于达到最高折扣层级的大量调用场景，如果一家企业在OpenAI直接平台上每月支付100万美元的模型推理费用，通过Bedrock调用同样的模型，理论上可以节省高达80万美元。对于AI工作负载规模较大的企业来说，即便实际折扣仅为40-60%，这个差异也足以影响整个AI战略的部署路径选择。
价格优势的来源：规模经济与交叉补贴
AWS能够提供如此大幅度价格折扣的能力，来自两个相互叠加的机制。
第一个机制是规模化采购带来的成本优势。AWS作为全球最大的云计算提供商，在与模型提供商谈判时具有极强的议价能力。通过承诺向OpenAI提供大规模的算力资源和分发渠道，AWS可以以更低的单位成本获取模型使用权，然后将部分成本节约以价格折扣的形式传递给终端客户。
第二个机制更为关键：交叉补贴。AWS并不需要从模型推理费用本身赚取全部利润。每一个使用Bedrock调用GPT-5.6的企业客户，同时也在消耗AWS的存储、网络、计算资源。模型推理的利润率可以被压缩甚至牺牲，只要这些客户的整体AWS支出在增长。这种交叉补贴能力是纯模型公司（如OpenAI的直接平台）所不具备的竞争优势。
价格战的真实目标：锁定工作负载，而非抢夺模型市占率
理解AWS价格策略的关键在于：它的目标不是帮助GPT-5.6赢得模型市场份额，而是确保企业AI工作负载留在AWS生态内。
这个逻辑可以用一个反事实来验证：如果一家企业因为价格优势选择在Bedrock上运行GPT-5.6，而不是在Azure上运行同样的模型，AWS就赢了这场战争的关键一局——无论最终哪个模型在能力上更胜一筹。
从这个角度看，AWS的价格策略实际上是在回答一个更大的问题：当模型能力趋于同质化，企业客户凭什么选择一个平台而非另一个？答案是：价格、合规、集成便利性和生态完整性。AWS通过激进的价格策略，正在将这四个因素全部拉向自己一侧。
对立视角：这是否在破坏AI产业的定价体系？
这里需要呈现一个对立论点。部分分析师认为，AWS的激进价格策略可能对整个AI产业产生负面影响：如果云巨头能够将模型推理价格压缩至极低水平，那么独立模型公司（包括OpenAI本身）将面临越来越大的商业化压力，长期来看可能导致AI研发投入的减少。
这个担忧有其合理性，但我认为它忽略了一个关键事实：模型推理成本本身在快速下降，这是技术进步的自然结果，而非云巨头价格战的人为扭曲。AWS的价格折扣更多是在加速一个已经在发生的趋势，而非创造一个新的破坏性力量。
更重要的是，对于OpenAI而言，通过Bedrock获得的分发规模和企业客户渗透率，其商业价值可能远超被压缩的单次推理利润。这是一个双赢结构，只要双方都能在其中找到可持续的商业模式。
第三章：向量数据库革命——OpenSearch Serverless与RAG基础设施的战略价值
AI应用的隐形基础设施
在所有关于AWS AI战略的讨论中，向量数据库基础设施是最容易被忽视、但战略价值最不应被低估的一环。
2026年5月，Amazon OpenSearch Serverless新一代版本正式全面可用（GA）。(来源: AWS官方公告, 2026-05)
这个公告在媒体上获得的关注远少于OpenAI集成或资本支出数字，但它所代表的战略意义同样深远。要理解为什么，需要先理解现代AI应用的技术架构。
RAG：企业AI应用的主流范式
在企业AI应用领域，RAG（Retrieval-Augmented Generation，检索增强生成）已经成为最主流的落地范式。原因很简单：大型语言模型的训练数据有截止日期，无法直接访问企业内部的私有数据，且在处理特定领域专业知识时存在幻觉风险。RAG通过在推理时动态检索相关文档，有效解决了这三个问题。
RAG架构的核心组件之一是向量数据库（Vector Database）。当用户提出查询时，系统需要将查询转化为向量表示，然后在预先构建的向量索引中快速找到语义最相近的文档片段，再将这些片段作为上下文送入语言模型生成最终答案。
这个过程对向量检索的性能要求极高：低延迟（通常要求毫秒级响应）、高并发（企业级应用可能有数千个并发查询）、大规模（企业知识库可能包含数百万乃至数十亿个向量）。
OpenSearch Serverless新一代的技术布局
Amazon OpenSearch Serverless新一代版本的推出，直接针对上述需求痛点。Serverless架构意味着企业不需要预先规划和管理向量索引集群的容量，系统会根据实际查询负载自动扩缩容。这对于AI应用来说尤为重要，因为AI工作负载的流量模式往往具有高度的突发性和不可预测性。
从技术-商业交叉的视角看，OpenSearch Serverless的战略价值在于：它填补了AWS AI应用栈中的一个关键缺口。在此之前，企业如果想在AWS上构建完整的RAG应用，往往需要引入第三方向量数据库（如Pinecone、Weaviate、Qdrant等），这意味着数据需要离开AWS的安全边界，或者至少需要额外的数据同步和管理成本。
OpenSearch Serverless新一代的全面可用，让企业可以在不离开AWS生态的情况下完成从数据存储、向量索引构建、到语义检索的完整流程。这是一个典型的「补齐短板」动作，其战略逻辑与当年AWS推出RDS来减少对第三方数据库依赖如出一辙。
向量基础设施竞争的深层逻辑
这里存在一个大多数分析没有触达的深层洞察：向量数据库不仅仅是AI应用的技术组件，它还是企业AI资产的存储容器。
企业在构建RAG应用时，需要将自己的文档、知识库、历史数据转化为向量表示并存储在向量索引中。这个过程需要大量的计算资源（向量化计算）和存储资源，一旦完成，这些向量资产就成为企业AI能力的重要组成部分。
关键在于：向量资产的迁移成本极高。将数百万个向量从一个平台迁移到另一个平台，不仅需要重新进行向量化计算（成本高昂），还需要重建所有下游应用的连接和配置。这意味着，一旦企业在AWS的OpenSearch Serverless上构建了向量资产，迁移到竞争对手平台的摩擦力将极大增加。
需要说明一个技术细节：向量资产能否跨平台复用，取决于是否更换了embedding模型。如果使用相同的embedding模型，向量本身在技术上可以导出导入；但如果迁移到新平台的同时更换embedding供应商，则所有向量必须从源文档全量重新计算，成本与原始构建相当。即便复用相同embedding模型，连接配置、安全策略、IAM权限和应用代码的重构依然需要显著工程投入。更现实的锁定来自于应用层——企业的RAG应用通常深度调用AWS的Bedrock、Lambda、S3等相关服务，这种整体生态的依赖比单纯的向量资产迁移更难解开。
这是一种比传统数据库锁定更深层的粘性机制，因为向量资产的价值与底层AI模型和应用逻辑高度耦合，而不像关系型数据库数据那样具有相对标准化的迁移路径。
第三方向量数据库的生存空间
公平地说，AWS的向量基础设施布局并不意味着独立向量数据库公司（Pinecone、Weaviate等）会立即失去市场。这些公司在多云部署、特定性能场景（如极高维度向量的近似最近邻搜索）、以及与特定AI框架的深度集成方面，仍然具有差异化优势。
但长期趋势是清晰的：随着AWS等云巨头持续完善自己的向量基础设施，独立向量数据库公司将被逐渐压缩至更垂直的细分场景，而不是作为通用向量存储解决方案与云原生选项竞争。这与历史上独立数据库公司面对云原生数据库崛起的处境高度相似。
第四章：2200亿美元的容量焦虑——资本支出背后的供需方程
一个数字的多重含义
2200亿美元。这是Amazon 2026年全年资本支出的预计数字，其中AI相关基础设施占据主导地位。(来源: Data Center Dynamics, 2026; Fortune, 2026-07-30)
Andy Jassy在公开场合明确表示，即使花费这笔钱，AWS仍然没有足够的容量来满足需求。(来源: Fortune, 2026-07-30) 这句话需要从两个维度来解读：一是AWS AI业务增长的真实速度，二是云基础设施行业正在经历的历史性供需失衡。
AWS增长加速：2021年以来最快
根据Amazon 2026年Q2财报，AWS正在经历自2021年以来最快的增长速度。(来源: Data Center Dynamics, 2026; Amazon官方财报, 2026-Q2) 这个数据点的重要性在于它的时间参照系：2021年是云计算行业的上一个超级增长周期，由疫情驱动的数字化加速所推动。
当时的增长主要来自企业将传统工作负载迁移到云端（lift-and-shift）。而当前这一轮增长的驱动力完全不同：它来自AI推理工作负载的爆发式增长，以及企业开始将AI能力嵌入核心业务流程所带来的新增计算需求。
这两种增长在性质上有根本差异。传统工作负载迁移是一次性的存量转移，完成后增长自然放缓。AI推理工作负载则具有持续增长的特征：随着AI应用渗透率提升，每个用户、每个业务流程产生的计算需求会持续累积，而不会在某个时点饱和。
供需缺口的物理根源
为什么2200亿美元仍然不够？答案藏在AI推理基础设施的物理约束中。
AI推理对特定硬件（GPU/TPU）的需求高度集中，而这些硬件的生产周期远比软件部署周期更长。从决定采购到硬件实际交付并投入运营，通常需要12-18个月的前置时间。这意味着AWS今天的容量建设，反映的是对12-18个月后需求的预判，而不是对当前需求的即时响应。
更复杂的是，AI推理工作负载对内存带宽的需求极高——这正是Andy Jassy在公开场合特别提及「AI内存成本」的原因。(来源: Data Center Dynamics, 2026) 高带宽内存（HBM）的生产能力高度集中在少数供应商（SK Hynix、三星、美光），其产能扩张速度远跟不上AI算力需求的增长速度。这个供应链瓶颈是所有云巨头都面临的共同约束，不是AWS特有的问题，但也意味着即使有足够的资本意愿，物理产能的扩张也有其上限。
资本支出作为竞争壁垒的双重性
2200亿美元的资本支出是一把双刃剑。
从竞争壁垒的角度看，这笔支出构建了一个规模效应驱动的护城河：AWS的容量规模越大，能够服务的客户越多，单位成本越低，价格竞争力越强，吸引的客户又进一步增加容量利用率。这是一个正向飞轮，而进入这个飞轮的门票价格（数千亿美元的基础设施投入）是大多数竞争者无法承受的。
但从财务风险的角度看，这笔支出也代表了一个巨大的需求赌注。如果AI需求曲线在某个时点出现回落——无论是因为技术瓶颈、监管压力、还是企业AI投资回报率不达预期——那么这些已经建成的基础设施将面临严重的利用率下降，对Amazon的整体财务状况产生显著冲击。
关于这一点，目前市场上存在明显的分歧。乐观派认为AI推理需求的增长是结构性的、长期的，2200亿美元的投入将在未来数年内产生丰厚回报。悲观派则担心企业AI投资存在泡沫成分，当前的需求旺盛部分来自「囤积」心理而非真实的生产性使用，一旦泡沫破裂，云巨头将面临严重的资本错配问题。
我的判断倾向于乐观派，但有重要的条件限定：AI推理需求的长期增长是可信的，但增长速度可能不如当前预期那么线性。更可能的情景是增长曲线出现阶段性波动，而不是持续的指数级上升。AWS的风险不在于需求消失，而在于需求增长的节奏与资本支出的节奏之间可能出现的时间错配。
容量稀缺作为战略资产
还有一个维度值得单独讨论：在容量供不应求的市场环境下，能够稳定提供算力的云平台本身就具有极高的战略价值。
当企业客户面临AI算力短缺时，他们会优先选择与有稳定供给能力的平台建立长期关系，而不是在现货市场上频繁切换。这意味着AWS当前的容量投入，不仅仅是在满足现有需求，也是在建立长期客户关系，锁定未来需求。
从这个角度看，Andy Jassy「2200亿美元仍不够用」的表述，与其说是一种抱怨，不如说是一种战略宣示：我们有足够的需求支撑这笔投入，而且我们有意愿继续加码。这是向市场、向客户、也向竞争对手发出的信号。
第五章：从模型战争到分发战争——AWS「做水电煤」战略的长期赌注
战略逻辑的历史渊源
AWS的AI战略，在本质上是其云计算战略的延伸，而不是一个全新的战略框架。
AWS在云计算领域的成功，从来不是建立在自己开发最好的数据库、最好的消息队列或最好的容器编排系统上。它的成功建立在提供一个足够完整的基础设施生态，让企业不需要在AWS之外寻找任何关键组件。S3、EC2、RDS、Lambda……每一个服务的推出，都在减少企业在AWS之外采购IT能力的需要。
现在，同样的逻辑被应用到AI领域。Bedrock集成OpenAI、Anthropic、以及其他模型提供商的模型；OpenSearch Serverless提供向量存储；SageMaker提供模型训练和微调；AWS Trainium提供定制AI加速芯片。整个AI应用栈的每一层，AWS都在部署自己的解决方案或集成第三方最优解。
「做水电煤」的真实含义与局限性
「做水电煤」是一个常被引用的比喻，用来描述云计算和AI基础设施提供商的战略定位。但这个比喻有其准确之处，也有其误导性。
准确之处在于：水电煤是现代经济运行不可或缺的基础设施，其提供者不需要参与上层应用的竞争，只需要确保基础设施的稳定、可靠和经济。AWS的目标，确实是成为AI应用的「基础设施层」，让所有AI应用都运行在自己的平台上，而不管具体的AI应用是谁开发的。
但误导性在于：水电煤是高度商品化的，提供者之间几乎没有差异化。云计算和AI基础设施则不同——不同平台在性能、价格、集成便利性、安全合规能力方面存在实质性差异，这些差异足以影响企业的平台选择。AWS的护城河不是简单的规模壁垒，而是规模、生态完整性、技术能力三者叠加形成的复合壁垒。
分发战争的竞争格局
在分发战争中，AWS的主要对手是Microsoft Azure和Google Cloud。
Microsoft Azure的战略路径与AWS截然不同：它选择了深度绑定单一模型提供商（OpenAI）的路径，通过Azure OpenAI Service将OpenAI的模型能力与Azure的企业客户基础深度融合。这个策略的优势是集中资源、形成差异化；劣势是对单一模型提供商的依赖，以及在非OpenAI模型选择上的相对劣势。
现在，随着OpenAI也登陆AWS Bedrock，Azure的这一差异化优势被部分稀释。OpenAI不再是Azure的独家资产，而是一个在多个平台上都可以调用的模型提供商。这对Azure是一个战略压力，尽管Azure通过与OpenAI的深度技术合作（而非仅仅是API集成）仍然保有一定优势。
Google Cloud的战略则更接近AWS的「生态」路径，但Google同时拥有自研模型（Gemini系列）和第三方模型集成能力，在模型能力上也具有更强的自主性。Google Cloud的挑战在于其企业客户基础相对较小，以及在某些企业级功能（如混合云部署、合规能力）上历史积累不如AWS深厚。
AWS战略的核心风险
任何战略分析如果不讨论风险，都是不完整的。AWS「做生态」战略面临的核心风险有三个。
第一个风险是模型能力分化风险。当前AWS的生态战略建立在「模型能力趋于同质化」的假设上。如果某个模型提供商（无论是OpenAI、Anthropic还是其他公司）在能力上取得决定性突破，远超其他竞争者，那么企业客户可能愿意为了使用这个模型而迁移平台。在这种情景下，AWS的「模型中立」策略将失去吸引力。
第二个风险是垂直整合竞争风险。如果主要的AI模型公司开始大规模自建云基础设施（这个趋势已经在OpenAI身上有所体现），那么「模型公司需要云平台分发」的前提假设将被动摇。值得关注的是，OpenAI已宣布与软银、Oracle等合作推进「Stargate」项目，计划在美国投入最高5000亿美元建设AI基础设施。虽然Stargate主要面向OpenAI自身训练和推理需求，并非直接面向外部客户的云业务，但它标志着大型AI公司具备了在云基础设施层降低对AWS依赖的战略意愿。自建云基础设施的成本和复杂度极高，这个风险在3-5年的时间窗口内将从理论可能演变为值得认真对待的威胁，而非仅是长期趋势。
第三个风险是监管风险。随着AI基础设施高度集中在少数云巨头手中，监管机构对平台垄断的关注度在持续上升。如果未来出现强制互操作性要求或反垄断干预，AWS的生态护城河可能面临外部冲击。
企业客户的战略含义
对于企业客户而言，AWS的这一系列动作传递的信号是清晰的：在AI基础设施选择上，平台的完整性和生态深度，正在成为比单一服务价格或单一模型性能更重要的决策维度。
具体而言，企业在评估AI基础设施战略时，需要考量以下几个维度：
其一，数据重力与安全合规。企业的核心数据在哪里，AI工作负载就应该尽可能在哪里运行，以最小化数据移动成本和安全风险。对于已经深度使用AWS的企业，在Bedrock上运行AI工作负载的合规和安全成本远低于迁移到新平台。
其二，模型选择灵活性。随着Bedrock集成越来越多的模型（包括OpenAI GPT-5.6），企业在AWS上的模型选择空间已经足够宽广，「为了使用某个特定模型而迁移平台」的理由越来越难以成立。
其三，总拥有成本。AWS通过价格折扣（如GPT-5.6最高80%的降价）和交叉补贴，将AI工作负载的总体成本压低到竞争对手难以匹配的水平。对于AI支出规模较大的企业，这个成本差异具有实质性的财务意义。
结语：当所有模型都能被调用，平台就是终极赢家
2026年的AI行业正处于一个关键的战略转折点。模型能力的军备竞赛并未结束，但其商业意义正在被重新定义。当GPT-5.6可以在AWS Bedrock上以低于直接渠道80%的价格被调用时，模型能力的边际差异在商业决策中的权重就在下降，而平台的完整性、价格竞争力和生态深度的权重在上升。
AWS通过三个相互强化的动作，正在构建一个难以被单一维度超越的竞争优势：集成竞争对手模型（扩大生态宽度）、提供激进价格折扣（降低迁移动机）、完善向量数据库基础设施（提高数据重力）。而2200亿美元的年度资本支出，是这一切战略意图的物理底座。
Andy Jassy那句「2200亿美元仍然不够用」，在表面的容量焦虑之下，隐藏着一个更深层的战略自信：我们相信AI需求的增长是结构性的，我们愿意在物理基础设施上做出超越短期财务逻辑的长期押注。
这个押注能否成功，取决于AI需求曲线的实际走势、模型能力分化的程度、以及竞争对手的反应速度。但就当前的战略布局而言，AWS正在将AI竞争的战场从「谁的模型更强」转移到「谁的平台更不可或缺」——而在这个新战场上，AWS的起跑位置是所有竞争者中最有利的。
对于企业决策者而言，这意味着AI基础设施选择的窗口期正在收窄。随着AWS生态的向量资产积累、工作负载依赖和价格优势不断加深，今天的平台选择将在未来数年内产生越来越大的路径依赖效应。在这个意义上，AWS的「做生态」战略，本质上是一场关于时间的竞争：在企业AI工作负载固化之前，尽可能多地将其纳入自己的引力场。
这场竞争，AWS正在以2200亿美元的速度全力奔跑。
参考资料
-
OpenAI models, Codex, and Managed Agents come to AWS — OpenAI官方博客, 2026
-
Amazon Bedrock announces up to 80% lower prices for OpenAI GPT-5.6 models — Amazon Web Services官方公告, 2026-07
-
The next generation of Amazon OpenSearch Serverless is now generally available — Amazon Web Services官方公告, 2026-05
-
Andy Jassy said Amazon will spend $220 billion this year—and still won’t have enough capacity — Fortune, 2026-07-30
-
AWS reports fastest growth since 2021, Amazon annual capex to hit $220bn on AI memory costs — Data Center Dynamics, 2026
-
Amazon.com Announces Second Quarter Results — Amazon投资者关系, 2026-Q2
主题分类：企业AI落地