亚马逊约70亿美元买下一家3岁创业公司：目标不是AI视频，而是让算力挣脱英伟达的锁链
亚马逊约70亿美元买下一家3岁创业公司：目标不是AI视频，而是让算力挣脱英伟达的锁链
一家成立仅3年、从未公开披露过营收数据的以色列AI创业公司Decart，正在被亚马逊以55亿至70亿美元的价格收入囊中。这个数字本身就是一个值得反复咀嚼的信号：即便取区间下限的55亿美元，也足以买下一家中型半导体公司，或者在全球任何地方建起一座先进制程晶圆厂的一期工程。但亚马逊要买的既不是晶圆厂，也不是一款爆红的消费级AI产品——Decart最广为人知的产品是一个实时世界模型和AI视频生成引擎，听起来更像是OpenAI Sora的竞争对手，而非基础设施级别的战略资产。
然而，如果你只看到”AI视频公司被高价收购”这个表面叙事，你就完全误读了这笔交易的本质。
根据多家媒体报道的综合判断，这笔收购的真正标的，是Decart团队在跨芯片架构软件优化上积累的独特工程能力——一套能让AI工作负载在英伟达GPU和亚马逊自研芯片Trainium之间自由流动的软件层。这是亚马逊在芯片战争中最缺失、也最难用钱砸出来的一环。Yahoo Finance援引的市场策略师对此的定性一针见血：亚马逊”本质上是在购买软件专长”（来源: Yahoo Finance, 2026-10-13）。
这不是一笔关于AI应用的交易。这是一笔关于算力控制权的交易。
关于收购价格的说明： 截至本文发布时，这笔交易尚未最终完成。多家媒体（Memeburn、247 Wall St、Hoodline等）引用约70亿美元作为交易金额，但以色列财经媒体Calcalist报道称，在此前的竞购方Anthropic退出后，价格可能降至约55亿美元（来源: Calcalist, 2026-10）。本文在分析中以55亿至70亿美元的区间作为参考，最终价格以官方公告为准。
第一章：55亿-70亿美元的表与里——Decart到底值在哪里？
一家”不该值这么多钱”的公司
让我们先正视房间里的大象：Decart是一家成立约3年的创业公司，截至本文发布时暂无公开的营收数据（来源: GeekWire, 2026-10-12）。在传统估值框架下，一家没有披露收入的初创企业被以数十亿美元收购，几乎注定会引发”泡沫”的质疑。
GeekWire在其报道标题中直接点明了这个矛盾：”为什么亚马逊可能为Decart支付数十亿美元——一家3岁的、未披露营收的AI创业公司”（来源: GeekWire, 2026-10-12）。这个问题的答案，不在Decart的财务报表里，而在它的技术栈深处。
Decart的公开产品线围绕”世界模型”（World Model）和AI视频生成展开。从表面看，这是一个拥挤到令人窒息的赛道——OpenAI的Sora、Google的Veo、Runway、Pika Labs都在争夺AI视频生成的市场份额。如果亚马逊只是想要一个视频生成模型，市场上有更便宜的选择，甚至可以通过AWS Bedrock直接接入第三方模型。
但Decart的真正差异化不在于”生成了什么”，而在于”如何生成”——更准确地说，是在于它如何让同一个AI模型在完全不同的芯片架构上高效运行。
跨芯片优化：被低估的技术壁垒
根据多家媒体的报道综合来看，Decart的核心技术能力在于将AI模型的推理和训练工作负载进行深度优化，使其能够同时在英伟达GPU和亚马逊自研芯片Trainium上高效运行（来源: Memeburn, 2026-10-11；来源: 247 Wall St, 2026-10-13）。日本科技媒体Xenospectrum的报道更加明确地指出，Decart的技术路径是”将动画AI与芯片进行协同优化”，这种软硬件一体化的方法论正是亚马逊Trainium生态最需要的能力（来源: Xenospectrum, 2026-10-12）。
需要指出的是，上述关于Decart跨芯片优化能力的描述，主要来自二手媒体的报道和分析，而非Decart官方的技术文档或亚马逊的正式声明。截至本文发布时，Decart尚未公开发表过详细描述其跨架构优化方法论的技术论文或博客文章，亚马逊也未就收购的技术动机发表官方声明。因此，以下分析建立在多家独立媒体报道的交叉印证之上，读者应注意这一信息来源的局限性。本文对Decart技术能力的描述，本质上是基于公开报道的合理推断，而非经过独立技术验证的事实陈述。
这里需要解释一个关键的技术背景：在当今AI计算领域，”让模型跑起来”和”让模型高效地跑起来”之间存在巨大的鸿沟。一个在英伟达A100/H100上精心调优的大模型，直接移植到另一种芯片架构上（比如Google TPU、亚马逊Trainium、AMD Instinct），性能可能会大幅下降——不是因为新芯片算力不够，而是因为软件层没有针对新架构的内存层次、互联拓扑、数据流模式进行深度适配。
这正是英伟达CUDA生态的护城河所在：自2007年发布以来近20年的软件积累，超过400万注册开发者（来源: 英伟达2024年GTC大会主题演讲，黄仁勋公布数据），以及几乎所有主流AI框架对CUDA的原生优化，共同构成了一个巨大的”引力场”。即便竞争对手的芯片在纸面算力上接近甚至超越英伟达，客户迁移的成本和风险也足以让大多数人选择留在英伟达的生态里。
Decart的价值，恰恰在于——如果多家媒体的报道准确的话——它的团队掌握了在不同芯片架构之间进行深度性能优化的方法论和工程经验。他们的世界模型/视频生成产品，在某种意义上是这种底层能力的”应用层演示”——它证明了这个团队能让复杂的AI工作负载在非英伟达硬件上跑出接近甚至匹敌英伟达平台的效率。
247 Wall St的报道标题精准地捕捉了这一点：”亚马逊愿意为一家3岁的AI创业公司支付70亿美元，因为它能让AI在英伟达芯片和亚马逊自研芯片上都跑得更快”（来源: 247 Wall St, 2026-10-13）。注意这里的关键词：不是”只在亚马逊芯片上跑得更快”，而是”在两种架构上都跑得更快”。这意味着Decart的优化能力是架构无关的（architecture-agnostic），这正是构建”芯片切换软件层”的基础。
第二章：亚马逊芯片战争的隐秘战线——硬件已就位，软件才是命门
数百亿美元的芯片豪赌
要理解Decart收购的战略意义，必须将其放在亚马逊更大的芯片投资版图中审视。
根据Yahoo Finance的报道，亚马逊拥有一个规模达250亿美元的芯片业务（来源: Yahoo Finance, 2026-10-13）。需要说明的是，Yahoo Finance原文使用的表述是”$25B chip business”，但未明确这一数字的具体口径——它可能指的是亚马逊在自研芯片领域的累计投资额（涵盖Annapurna Labs的运营、Trainium和Inferentia系列芯片的研发与生产、以及围绕这些芯片构建的AWS基础设施投入），也可能是对该业务板块的整体估值，或者包含了芯片相关AWS服务的年化收入。不同口径下，这个数字的含义差异巨大。由于Yahoo Finance未提供进一步的拆解或引用亚马逊官方财报中的对应科目，本文在后续分析中将其作为亚马逊芯片战略整体规模的粗略参考指标，而非精确的财务数据，读者在引用时应注意这一不确定性。
Yahoo Finance的报道同时提出了一个尖锐的问题：如此巨额的现金消耗（cash burn）是否值得？
这个问题的答案取决于一个关键变量：亚马逊能否让足够多的AWS客户从英伟达GPU迁移到Trainium上。
从硬件角度看，亚马逊的进展并不慢。Trainium芯片已经迭代到第二代（Trainium2），亚马逊在2024年re:Invent大会上宣布Trainium2将提供比第一代4倍的训练性能提升。亚马逊还与Anthropic达成了深度合作——根据公开报道，亚马逊对Anthropic的总投资已达到80亿美元（来源: CNBC, 2024-11-22），Claude系列模型的训练已经在Trainium集群上进行。从芯片设计到制造（通过台积电代工），再到在AWS数据中心的大规模部署，亚马逊已经走完了硬件侧的大部分路程。
但硬件只是故事的一半。
CUDA锁定：AI计算领域的”Windows效应”
英伟达在AI计算领域的统治地位，从来不仅仅是因为芯片性能。CUDA——英伟达的并行计算平台和编程模型——才是真正的护城河。自2007年发布以来，CUDA已经积累了一个庞大的软件生态系统：
- 几乎所有主流深度学习框架（PyTorch、TensorFlow、JAX）都对CUDA进行了深度优化
- 超过400万注册开发者的日常开发工作流建立在CUDA之上（来源: 英伟达2024年GTC大会主题演讲）
- 英伟达持续投入的cuDNN、TensorRT、NCCL等库覆盖了从训练到推理的全链路优化
- 大量的模型代码、调优技巧、性能基准都是基于CUDA环境产生的
这意味着，当一个AWS客户想要将其AI工作负载从英伟达GPU迁移到Trainium时，面临的不仅仅是”换一块芯片”的问题，而是整个软件栈的重写、调优和验证。对于大多数企业客户来说，这个迁移成本——包括工程时间、性能风险和机会成本——往往高到让人望而却步。
这就是亚马逊芯片投资面临的核心困境：你可以设计出一颗很好的芯片，但如果客户无法低摩擦地将工作负载迁移过来，这颗芯片的商业价值就无法充分释放。
Barchart的分析文章将这一点阐述得极为清晰：亚马逊这笔数十亿美元的交易，瞄准的是英伟达的”弱点”——而这个弱点不是芯片性能本身，而是CUDA生态的”锁定效应”一旦被打破后英伟达的脆弱性（来源: Barchart, 2026-10-13）。换句话说，如果有人能造出一把钥匙，让算力在不同芯片架构之间自由流动，英伟达的CUDA护城河就会从”不可逾越的壁垒”变成”可以绕过的障碍”。
Decart：那把缺失的钥匙
Decart的跨芯片优化能力——据多家媒体报道推断——恰好填补了亚马逊芯片战略中最关键的缺口。
具体来说，Decart团队的工程能力可以在以下几个层面为亚马逊创造价值（以下为基于公开报道的合理推断，而非亚马逊或Decart官方确认的整合计划）：
第一，降低迁移摩擦。 如果Decart的技术确如报道所述，能够让AI模型在英伟达GPU和Trainium之间进行高效的工作负载迁移，而不需要客户进行大规模的代码重写，这将直接降低AWS客户尝试Trainium的门槛。
第二，提升Trainium的实际性能表现。 芯片的峰值算力（FLOPS）只是理论值，实际性能取决于软件对硬件特性的利用程度。Decart团队在芯片级优化上的深厚经验，可以帮助亚马逊更快地释放Trainium的硬件潜力，缩小甚至消除与英伟达在实际工作负载上的性能差距。
第三，构建”算力可移植性”的叙事。 对于AWS的企业客户来说，被锁定在单一芯片供应商上是一个真实的商业风险。如果亚马逊能够提供一套工具链，让客户的AI工作负载可以在英伟达GPU和Trainium之间灵活调度——根据成本、可用性、性能需求动态选择——这将成为AWS在AI云服务竞争中的差异化卖点。
这第三点尤其重要，也是大多数人在分析这笔交易时忽略的深层逻辑。亚马逊不需要让所有客户完全抛弃英伟达——它只需要让客户觉得”迁移是可行的、低风险的”，就足以改变整个博弈格局。当客户拥有了”芯片选择权”，英伟达的定价权就会被削弱，而亚马逊自研芯片的商业回报就能加速兑现。这是一个经典的”期权思维”：Decart的价值不在于它今天能创造多少收入，而在于它为亚马逊打开了一个此前被CUDA锁死的战略选项空间。
第三章：Anthropic为何放弃、亚马逊为何接手——交易背后的战略博弈
一笔被”传递”的交易
Decart的收购故事并非从亚马逊开始。根据多家媒体报道，在亚马逊介入之前，Anthropic曾与Decart进行过收购谈判，但最终选择退出（来源: Hoodline, 2026-10-11；来源: Calcalist, 2026-10-12）。Calcalist（以色列知名财经媒体）的报道还提到了一个有趣的细节：在Anthropic退出后，亚马逊可能以约55亿美元的价格获得Decart，低于此前传出的70亿美元（来源: Calcalist, 2026-10-12）。
AIBase的报道进一步指出，Decart此前与”两家大型科技巨头”的收购谈判均以失败告终，亚马逊是第三个买家（来源: AIBase, 2026-10-11）。需要注意的是，AIBase是一家AI资讯聚合平台，其原创报道的独立核实能力有限，这一说法尚未被其他独立来源交叉验证。如果属实，它意味着至少有两家公司在评估Decart后选择了放弃——这既可能说明Decart的要价过高，也可能说明只有亚马逊这样拥有自研芯片战略的买家才能真正释放Decart的价值。鉴于信源的局限性，读者应将”第三个买家”这一说法视为未经充分验证的信息，而非已确认的事实。
Anthropic的逻辑：我不需要”芯片切换层”
Anthropic放弃Decart的原因，从战略逻辑上是完全可以理解的。作为一家专注于前沿AI模型研发的公司，Anthropic的核心竞争力在于模型能力（Claude系列），而非基础设施。Anthropic已经与亚马逊建立了深度的芯片合作关系——根据公开报道，亚马逊对Anthropic的累计投资已达80亿美元，Claude模型在Trainium上的训练和部署已经在推进中。对Anthropic来说，芯片层面的优化工作可以依赖亚马逊来完成，自己没有必要为此花费数十亿美元收购一家基础设施优化公司。
更重要的是，Anthropic的商业模式不依赖于”让算力在不同芯片之间流动”。Anthropic需要的是”在特定芯片上把模型训练得更好”，这与Decart的跨架构优化能力并不完全匹配。Anthropic可能从Decart的技术中受益，但这种受益不足以支撑数十亿美元的收购溢价。
需要指出的是，以上关于Anthropic退出动机的分析完全基于公开信息的逻辑推演，Anthropic本身并未公开说明退出原因。实际原因可能涉及估值分歧、尽职调查中发现的问题、或与亚马逊之间的战略协调等我们无法从公开信息中获知的因素。
亚马逊的逻辑：这正是我最需要的拼图
对亚马逊来说，情况完全不同。亚马逊不是一家AI模型公司——它是一家云基础设施公司。根据Synergy Research Group的数据，AWS在2024年第三季度仍以约31%的市场份额领跑全球云基础设施市场（来源: Synergy Research Group, 2024年第三季度报告）。AWS的商业模式建立在”为客户提供最优性价比的计算资源”之上。在AI计算这个领域，AWS面临的核心挑战就是：如何让客户愿意使用Trainium，而不是只用英伟达GPU。
Decart的跨芯片优化能力，对亚马逊而言不是”锦上添花”，而是”雪中送炭”。它直接解决了Trainium商业化的最大瓶颈——软件生态的缺失。
Yahoo Finance引用的市场策略师评论将这笔交易的本质概括为一句话：”（亚马逊）本质上是在购买软件专长”（来源: Yahoo Finance, 2026-10-13）。这个定性极其精准。在AI基础设施领域，硬件设计可以通过招聘芯片工程师和增加研发投入来追赶，但软件生态的建设需要的是特定的工程文化、跨领域的技术直觉和大量的实战经验——这些东西无法通过简单的招聘来获得，收购团队是最高效的路径。
价格博弈：55亿与70亿之间的信号
Calcalist报道的55亿美元与其他媒体引用的70亿美元之间的差异，可能反映了几种不同的情况：一是Anthropic退出后Decart议价能力下降导致的实际降价；二是不同媒体获取信息的时间节点不同（早期竞价阶段vs后期独家谈判阶段）；三是交易结构的差异——70亿美元可能包含了基于业绩里程碑的对赌条款（earnout），而55亿美元可能是确定性的现金对价部分。以上三种解释均为基于行业惯例的推测，具体原因有待交易正式披露后确认。
无论最终数字落在区间的哪个位置，几个信号是清晰的：
第一， 即便是55亿美元，对于一家未披露营收的3年创业公司来说，仍然是一个极高的价格。这进一步证明亚马逊看重的不是Decart的当前收入，而是其团队和技术能力的战略价值。
第二， 价格的下降幅度（如果属实）约为21%，这在科技收购谈判中属于正常范围，并不意味着Decart的价值被大幅重估。
第三， 在AI基础设施竞争中，软件层的价值正在被重新定价——这是这笔交易无论最终金额如何都传递的核心信号。
第四章：芯片投资的回报方程式——软件是决定一切的关键变量
芯片投资的”回本”难题
Yahoo Finance的报道提出了一个直击要害的问题：亚马逊芯片业务持续的现金消耗是否值得？（来源: Yahoo Finance, 2026-10-13）
这个问题的答案，取决于Trainium能在多大程度上替代英伟达GPU成为AWS客户的AI计算首选。而这个替代过程的速度和规模，又取决于两个变量：
- 硬件性能差距：Trainium与英伟达最新GPU（如H100/H200/B200系列）在实际AI工作负载上的性能差距有多大？
- 迁移摩擦：客户将工作负载从英伟达迁移到Trainium的难度和成本有多高？
第一个变量，亚马逊可以通过持续的芯片迭代来改善——Trainium3的研发已经在路上。但第二个变量——迁移摩擦——是一个更棘手的问题，因为它不仅涉及技术（编译器、库、框架适配），还涉及客户的心智模型和风险偏好。
Decart的收购，正是亚马逊对第二个变量的一次重大投入。
杠杆效应的定性分析
收购Decart的价值不应该用Decart自身的营收来衡量，而应该用它对Trainium商业化速度的加速效果来衡量。这里的经济逻辑可以从两个维度理解：
收入侧： 根据Canalys的数据，全球云基础设施服务市场在2024年第三季度达到约820亿美元的季度规模（来源: Canalys, 2024年第三季度云基础设施服务报告），其中AI相关工作负载是增长最快的细分领域。AWS作为市场份额最大的玩家，其AI计算收入规模虽未单独披露，但考虑到亚马逊CEO Andy Jassy在2024年多次财报电话会议中强调AI是AWS增长最快的业务，这一数字显然是巨大的。在这个规模下，即便Decart的技术只能将Trainium的客户采用率提升几个百分点，对应的收入增量也可能远超收购价格。
成本侧： 每一个从英伟达迁移到Trainium的工作负载，都意味着亚马逊在芯片采购上的成本节省——不再需要向英伟达支付GPU的溢价，而是使用自研芯片的边际成本（主要是台积电的代工费和数据中心的部署成本）。根据半导体行业分析师的普遍估算，自研芯片相比外购英伟达GPU可以节省约20%-40%的单位算力成本（来源: 多家半导体行业分析机构的公开估算，具体数字因芯片型号、工作负载类型和部署规模而异，此处取行业常见引用区间）。这种”自产自销”的模式，是亚马逊、Google、Meta等超大规模云厂商投入自研芯片的根本经济逻辑。
因此，Decart的收购价格，本质上是亚马逊为其整体芯片投资购买的一个”软件杠杆”——一个能够放大芯片战略回报率的加速器。当然，这一杠杆效应能否兑现，取决于Decart技术的实际整合效果和Trainium本身的硬件竞争力，两者缺一不可。
与Google TPU战略的对比：两条不同的破局路径
值得注意的是，亚马逊面临的”软件层缺失”问题，Google在TPU（Tensor Processing Unit）上已经部分解决了——但解决方式完全不同。
Google的路径是通过JAX框架和XLA编译器构建了一个相对独立的软件生态，使得TPU用户可以在Google的技术栈内获得完整的开发体验。Google在2024年发布的TPU v5p已经被用于训练Gemini系列模型，证明了这条路径的可行性。但这种方式的代价是，TPU的软件生态与英伟达/CUDA生态之间的互通性较差，客户需要在两个生态之间做出选择。
亚马逊通过收购Decart，似乎在走一条不同的路：不是构建一个与CUDA对立的独立生态，而是构建一个”桥梁”——让算力可以在英伟达和Trainium之间自由流动。这种策略的优势在于，它不要求客户做出非此即彼的选择，而是提供了一种渐进式的迁移路径。客户可以先在英伟达GPU上开发和验证模型，然后无痛地将部分或全部工作负载迁移到Trainium上以获得更好的性价比。
这里隐藏着一个大多数分析忽略的第三层洞察： 亚马逊的”桥梁”策略实际上比Google的”独立生态”策略更具颠覆性——因为它不是在英伟达的城墙外另建一座城，而是在城墙上凿出一扇门。一旦这扇门被打开，受益的不仅是Trainium，而是所有非英伟达芯片。AMD Instinct、Intel Gaudi、以及各类AI ASIC创业公司的芯片，都可能通过类似的”桥梁”接入主流AI工作负载。换句话说，亚马逊收购Decart的长期影响，可能不仅仅是增强Trainium的竞争力，而是催化整个AI芯片市场从”英伟达单极”向”多极化”的结构性转变。这一推断基于技术逻辑的延伸——如果跨架构优化的方法论被证明可行，其适用范围天然不限于单一芯片对——但需要强调的是，亚马逊是否有意愿将这种能力开放给竞争对手的芯片，是一个完全不同的商业决策问题。
这种”桥梁”策略在商业上可能比Google的”独立生态”策略更具吸引力——因为它降低了客户的决策风险和迁移成本。但它的技术难度也更高，因为它要求软件层能够同时深度理解和优化两种截然不同的芯片架构。这恰恰是Decart团队被认为具备的核心能力。
与Microsoft的对比：另一个值得关注的维度
Microsoft在这个领域的布局也值得关注。Microsoft Azure正在与AMD进行深度合作，同时也在推进自研AI芯片Maia 100（2023年11月发布）。但与亚马逊不同的是，Microsoft目前尚未进行类似Decart这样的大规模”软件层”收购。这可能意味着Microsoft选择了内部自建的路径，也可能意味着它在等待更合适的时机。无论如何，如果亚马逊通过Decart率先实现了”算力可移植性”，Microsoft和Google都将面临跟进的压力。
第五章：对立视角——这笔交易可能失败的三个理由
怀疑论视角一：人才整合的”死亡之吻”
科技行业的收购历史中，”人才收购”（acqui-hire）的失败案例远多于成功案例。根据Harvard Business Review的相关研究，科技行业收购的失败率高达70%-90%，其中文化冲突和人才流失是最常见的原因（来源: Harvard Business Review, Clayton Christensen等, “The Big Idea: The New M&A Playbook”, 2011年3月刊。需要说明的是，该研究覆盖的是广义的并购交易，而非专门针对科技行业人才收购，实际数字可能因定义”失败”的标准不同而有所差异）。
Decart作为一家以色列创业公司，其核心团队很可能具有强烈的创业文化和技术自主性。被亚马逊收购后，他们需要适应大公司的流程、政治和决策速度。如果整合不当，Decart的核心工程师可能会在完成锁定期（通常2-4年）后迅速流失，而他们带走的将是最难以复制的”隐性知识”——那些没有写在文档里的架构直觉和优化技巧。
一个值得参考的前车之鉴是Google在2014年以5.32亿美元收购DeepMind。虽然DeepMind在科研上取得了巨大成功（AlphaGo、AlphaFold），但其与Google母公司之间的文化摩擦也是业界公开的秘密。Decart的规模远小于DeepMind，整合风险可能更高——但也可能更低，因为小团队在大组织中的嵌入方式更灵活。这一类比仅供参考，两起收购的背景、规模和目标存在显著差异。
怀疑论视角二：英伟达不会坐以待毙
英伟达完全意识到CUDA生态的锁定效应是其最大的竞争优势，并且一直在积极强化这一优势。英伟达的策略包括：持续投入CUDA生态的易用性和性能优化，通过NVLink和NVSwitch等互联技术提升多GPU系统的性能壁垒，以及通过CUDA-X库覆盖越来越多的垂直应用领域。
面对亚马逊的”芯片切换层”策略，英伟达可能会采取反制措施——例如，进一步深化CUDA与特定AI框架的绑定，推出更激进的定价策略来降低客户迁移的经济动力，或者加速推出自己的云服务（DGX Cloud）来直接与AWS竞争。英伟达CEO黄仁勋在2024年多次公开表示，英伟达的竞争优势不仅在于芯片，更在于”全栈”的软硬件整合能力。英伟达2025财年（截至2025年1月）的数据中心收入达到约1150亿美元（来源: 英伟达2025财年年报），这意味着它拥有充足的资源来应对任何挑战。
怀疑论视角三：跨架构优化可能是一个”伪命题”
还有一种更根本的质疑：真正高效的AI计算可能天然需要软硬件的深度耦合，而非”架构无关”的通用优化。Google TPU的成功恰恰建立在JAX/XLA与TPU硬件的紧密协同之上。如果”让同一个模型在所有芯片上都跑得好”意味着在每种芯片上都只能达到80%的效率，而”为特定芯片深度优化”可以达到95%的效率，那么”算力可移植性”的商业价值就会大打折扣。
这个质疑并非没有道理。在高性能计算领域，”可移植性”和”极致性能”之间的权衡是一个经典问题。Decart的技术能否在保持跨架构灵活性的同时不牺牲太多性能，是决定这笔收购成败的关键技术问题——而这个问题的答案，在Decart的技术细节尚未公开的情况下，目前无法从外部做出确定性判断。
我的判断：战略正确，但成功概率取决于执行
尽管存在上述风险，我认为这笔交易的战略逻辑是成立的，原因有三：
第一，时机窗口。 AI计算市场正处于从”英伟达一家独大”向”多元化供给”转型的临界点。根据Mercury Research的数据，英伟达在数据中心GPU市场的份额虽然仍超过90%（来源: Mercury Research, 2024年数据中心GPU市场份额报告，具体链接待核实），但Google TPU、AMD MI300X、亚马逊Trainium等替代方案正在快速成熟。在这个窗口期，软件层的投入具有最大的杠杆效应。
第二，买方的独特性。 亚马逊不是一个普通的买家——它是全球最大的云计算平台，拥有数百万活跃客户。Decart的技术一旦整合进AWS的基础设施，其影响范围将远超Decart作为独立公司所能触达的市场。
第三，防御性价值。 即便Decart的整合不完全成功，这笔收购也阻止了竞争对手（Google、Microsoft/Azure）获得这一关键能力。在AI基础设施军备竞赛中，”不让对手得到”有时与”自己得到”同样重要。
综合来看，我给这笔交易的成功概率打60%-70%——战略方向正确，但执行层面的不确定性（人才留存、技术整合、英伟达反制）使得结果远非确定。这一概率判断是基于上述公开信息分析的个人评估，而非基于任何量化模型或内部信息。
第六章：AI竞争的下一个战场——从”谁有最强芯片”到”谁能让算力自由流动”
软件定义算力的新范式
亚马逊收购Decart的交易，标志着AI基础设施竞争正在进入一个新阶段。在过去5年中，AI算力竞争的主旋律是”谁有最强的芯片”——英伟达从V100到A100到H100到B200的迭代节奏，定义了整个行业的算力基准线。但随着越来越多的玩家推出具有竞争力的替代方案，竞争的焦点正在从”硬件性能”转向”软件生态”。
这个转变的逻辑很简单：当多种芯片的硬件性能都达到了”足够好”的水平时，决定客户选择的关键因素就不再是峰值FLOPS，而是”我能多容易地把工作负载跑在这块芯片上”以及”我能多灵活地在不同芯片之间切换”。
亚马逊通过收购Decart，正在押注一个新的竞争维度：算力的可移植性（compute portability）。在这个维度上，竞争的核心不是芯片本身，而是连接不同芯片的软件层——编译器、运行时、优化库、以及跨架构的性能调优工具链。
对整个行业的连锁影响
如果亚马逊成功地将Decart的技术整合进AWS，并构建出一个真正的”芯片切换层”，其影响将远超亚马逊和英伟达的双边博弈：
对AWS客户： 获得了真正的”芯片选择权”。客户可以根据工作负载特性、成本预算和可用性，在英伟达GPU和Trainium之间灵活选择，甚至实现自动化的动态调度。这将显著降低客户对单一芯片供应商的依赖风险。
对英伟达： CUDA生态的锁定效应被削弱。当客户可以低成本地在不同芯片之间迁移时，英伟达的定价权将面临压力。这不意味着英伟达会失去市场领导地位——其芯片性能和生态完整性仍然是行业标杆——但其超额利润率（英伟达数据中心业务的毛利率在2025财年超过70%，来源: 英伟达2025财年年报）可能会受到挤压。
对其他云厂商： Google（TPU）和Microsoft（Azure/Maia）将面临来自亚马逊的新竞争压力。如果AWS率先实现了”算力可移植性”，其他云厂商也需要跟进——要么自研类似的软件层，要么通过收购来获取。
对AI芯片创业公司： 这是一个积极信号。”算力可移植性”的兴起意味着，新芯片不再需要构建一个完整的独立生态来与英伟达竞争——只要性能足够好，就可以通过”芯片切换层”接入现有的工作负载。这降低了新芯片进入市场的门槛，可能催生新一波AI芯片创业浪潮。
So What：对你意味着什么
如果你是一位AI工程师或技术决策者，这笔交易传递的信号是：不要把你的AI工作负载锁死在任何一种芯片架构上。 “算力可移植性”正在从一个理论概念变成一个商业现实。在选择AI计算平台时，除了关注芯片性能和价格，还应该评估平台的”架构灵活性”——你的代码能否在不同芯片上高效运行？你的迁移成本有多高？具体建议：在新项目中优先使用PyTorch 2.0+的torch.compile等架构抽象层，减少对CUDA特定API的直接依赖。
如果你是一位投资者，这笔交易的信号是：AI基础设施竞争的价值正在从硬件层向软件层转移。 英伟达的CUDA生态仍然是当今最强大的AI计算平台，但其”不可替代性”正在被系统性地削弱。长期来看，能够提供”跨芯片优化”和”算力可移植性”的软件公司和团队，将成为AI基础设施价值链中越来越重要的一环。关注那些在编译器技术、运行时优化、跨架构AI框架等领域有深厚积累的公司。
如果你是英伟达的股东，不必恐慌——但需要关注。英伟达的芯片性能领先优势在短期内仍然稳固，但其超额利润率的可持续性正在面临结构性挑战。当亚马逊、Google、Meta等超大规模客户同时也是芯片竞争者时，英伟达需要持续加速创新——不仅是在硬件上，更是在软件生态的”粘性”上。黄仁勋在2025年GTC大会上推出的CUDA新特性和NIM微服务平台，正是对这一挑战的回应。
结语
55亿到70亿美元买一家3岁的、没有公开营收的创业公司——这在传统估值框架下几乎是疯狂的。但如果你理解了这笔交易的真正标的——不是AI视频生成模型，而是打破英伟达CUDA锁定的软件钥匙——你就会意识到，这可能是亚马逊在整个芯片战略中性价比最高的一笔投入。
这笔交易揭示的最深层趋势是：AI基础设施竞争正在从”硬件军备竞赛”转向”软件定义算力”的新范式。 上半场的赢家是造出最强芯片的英伟达。下半场的赢家，将是那些能让算力自由流动的玩家。亚马逊收购Decart，是这场范式转移的第一声枪响。
但枪响之后，比赛才刚刚开始。Decart的技术能否在亚马逊体内存活并壮大，英伟达会如何反击，以及”算力可移植性”最终是一个革命性突破还是一个美好但不切实际的愿景——这些问题的答案，将在未来2-3年内逐渐揭晓。
参考资料
- Amazon Decart Deal 2026: The $7B Bet Aimed at Nvidia — Memeburn, 2026-10-11
- Amazon (AMZN) Has a $25B Chip Business. Is the Cash Burn Worth It? — Yahoo Finance, 2026-10-13
- 動画AIとチップを一緒に最適化するDecart、Amazonとの70億ドル買収交渉が浮上 — Xenospectrum, 2026-10-12
- Amazon Wants to Pay $7 Billion for a 3-Year-Old AI Startup That Makes AI Run Faster on Nvidia’s Chips and Its Own — 247 Wall St, 2026-10-13
- Amazon Nears $7B Deal to Buy AI Startup Decart — Hoodline, 2026-10-11
- Why Amazon might pay billions for Decart, a 3-year-old AI startup that hasn’t disclosed its revenue — GeekWire, 2026-10-12
- Amazon Reportedly in Talks to Buy Decart for $7 Billion — Market Strategist Says It Is ‘Effectively Buying Software Expertise’ — Yahoo Finance, 2026-10-13
- Amazon may get Decart for $5.5 billion after Anthropic walked away — Calcalist, 2026-10-12
- Amazon Plans to Acquire Decart for About 7 Billion Dollars — AIBase, 2026-10-11
- Amazon Just Spent $7 Billion to Break Nvidia’s Weak Spot Wide Open — Barchart, 2026-10-13
- 来源: CNBC, 2024-11-22 — Amazon completes $4 billion investment in Anthropic (累计投资达80亿美元)
- 来源: Synergy Research Group, 2024-Q3 — 全球云基础设施市场份额数据
- 来源: 英伟达2025财年年报（截至2025年1月） — 数据中心业务收入及毛利率数据
- 来源: Harvard Business Review, Clayton Christensen, Richard Alton, Curtis Rising, Andrew Waldeck, “The Big Idea: The New M&A Playbook”, 2011年3月刊 — 并购失败率相关研究
- 来源: Canalys, 2024-Q3 — 全球云基础设施服务市场规模数据
- 来源: Mercury Research, 2024 — 数据中心GPU市场份额数据（具体链接待核实）
主题分类：C