前言¶
2026 年 7 月 30 日，亚马逊发布截至 6 月 30 日的第二季度财报。对关注云原生与 AI 基础设施的开发者来说，这份报告里最有分量的信号，不是某个单一产品的更新，而是 AWS 重新跑出了 18 个季度以来最快的增速——季度净销售额 422 亿美元，同比增长 37%，年化 run rate 达到 1690 亿美元。与此同时，AWS 内部的 AI 业务与自研芯片业务各自突破 25 亿美元年化收入 run rate，且均为三位数同比增长；公司还将 2026 全年 CapEx 指引上调至约 2200 亿美元。CEO Andy Jassy 在财报电话会上直言：即便按这个规模投入，2026 年仍无法满足全部需求，2027 年大概率如此，而 2028 年的订单量已经「相当惊人」。
本文基于亚马逊官方 IR 公告与 Jassy 公开解读，梳理这组数字背后的技术栈布局，以及它对云原生 AI 落地意味着什么。
Q2 核心数据一览¶
先列出经官方公告核实的关键指标（货币单位：美元）：
| 指标 | Q2 2026 | 同比变化 |
|---|---|---|
| 亚马逊整体净销售额 | 2006 亿 | +20% |
| 营业利润 | 275 亿 | +43% |
| AWS 净销售额 | 422 亿 | +37% |
| AWS 营业利润 | 166 亿 | +63% |
| AWS 年化 run rate | 1690 亿 | — |
| AWS AI 业务年化 run rate | >25 亿 | 三位数增长 |
| 自研芯片业务年化 run rate | >25 亿 | 三位数增长 |
| Q2 资本开支（购建 PPE） | 542 亿 | 去年同期 322 亿 |
| 2026 全年 CapEx 指引 | ~2200 亿 | 此前约 2000 亿 |
需要说明的是，AWS 季度增速在公告中同时出现 37%（四舍五入）与 36.7%（精确值）两种表述，本质上是同一组数据的不同精度。AI 与芯片业务的「25 亿」指的是年化 run rate——按当前季度收入节奏折算的全年水平，并非单季收入。
AWS 为何重回加速轨道¶
华尔街此前对 AWS 增速的预期约为 31%，实际 37% 明显超预期，也是自 2021 年以来最快的一季。Jassy 把增长归因于两条相互咬合的曲线：AI workloads 直接拉动算力与模型服务消费，而 AI 训练后的 post-training、强化学习、Agent 工具调用等环节，大量跑在 CPU 而非 AI 加速器上，从而带动存储、向量数据库、Graviton 实例等「核心云」服务同步增长。
对开发者而言，这条逻辑链很具体：你在 Bedrock 上跑推理、在 SageMaker 上微调模型，背后不仅需要 GPU/Trainium，还需要 S3 存数据、OpenSearch 做检索、Lambda 跑 Agent 逻辑。AWS 的卖点是「推理尽量靠近已有应用与数据」——官方称，全球范围内，更多企业数据托管在 AWS 而非其他云。Q2 财报后，AWS 若独立上市，按 1690 亿 run rate 可排进 Fortune 500 前 25 名，体量已接近一家巨型独立软件公司。
AI 与自研芯片：两条 25 亿美元跑道¶
AI 服务层：Bedrock 与 SageMaker¶
财报亮点里，AWS AI 业务 run rate 超 25 亿且三位数增长，主要对应模型构建、推理与企业 Agent 部署。
- Amazon Bedrock：模型托管与推理平台。Q2 新增 10 余款完全托管的基础模型，包括 OpenAI GPT-5.6、Anthropic Claude Opus 5、Google DeepMind Gemma 4 等。官方披露，Bedrock 已有数十万客户；过去六个月新增客户数超过产品上线头两年之和；Q2 客户总支出超过此前所有季度之和。
- SageMaker AI：面向希望用 proprietary 数据自建中小规模模型的企业。Jassy 多次强调，技术能力较强的公司不会只依赖 frontier 大模型，而会训练适配自身数据的专用模型，SageMaker 是这条路径上的主要工具。
- Bedrock AgentCore：解决 Agent 上生产的「脏活」——安全运行时、记忆、身份、工具连接与可观测性。Q2 新增 Policies（确定性权限控制）、Payments（自主交易）、Web Search（域内知识 grounding）与 Harness（加速组装）等能力。
芯片层：Trainium、Inferentia 与 Graviton¶
自研芯片业务 run rate 同样超 25 亿，涵盖 AI 加速器与通用 CPU 两条线：
- Trainium：面向 AI 训练与推理。Anthropic、OpenAI 已签署多年、多 GW 级 Trainium 采购承诺；Uber、Pinterest 及 NEURA Robotics、Odyssey 等 AI 初创公司也在采用。
- Inferentia：较早推出的推理专用芯片，与 Trainium 共同构成 AWS 在 AI 算力上的自研矩阵；在 Nitro 安全与网络架构之上交付。
- Graviton：通用云 CPU，官方称较同类实例有 30%–40% 的性价比优势；Graviton5 已 GA，算力较 Graviton4 提升约 25%，被 98% 的 EC2 头部千大客户使用。Agent 化 workload 增多后，Graviton 承载的「非加速器」算力需求同步上升。
芯片 run rate 的意义在于：AI 需求带来的算力收入，有相当比例留在 AWS 自有 silicon 的毛利结构里，而不是全部流向外部 GPU 供应商。这对理解 AWS 长期 AI 基础设施 ROI 很关键。
CapEx 2200 亿：投入与回报的博弈¶
CapEx 是本次财报的另一焦点。Q2 单季购建 PPE 约 542 亿美元，同比大增；Jassy 将 2026 全年现金 CapEx 指引从约 2000 亿上调至约 2200 亿，部分原因是存储器（memory）成本上升。
更值得注意的是管理层对供需的判断：
即便投入 2200 亿，2026 年仍不足以满足全部需求；2027 年预计同样紧张；已锁定的 2028 年需求规模相当惊人（strikingly large）。
从 free cash flow 也能看到投入强度：截至 2026 年 6 月 30 日的过去十二个月，经营现金流 1614 亿（+33%），但 free cash flow 为净流出 76 亿，主因 PPE 采购同比增加 661 亿，官方明确「主要反映对人工智能的投资」。
对行业而言，这组数字说明：AI 基础设施 ROI 的验证期正在缩短——AWS 用 25 亿级 AI run rate 证明需求真实存在，但供给侧（数据中心、芯片、内存）的瓶颈意味着客户仍可能面临容量排队与价格压力。云原生团队在做 2026–2027 容量规划时，应把「提前锁定算力与区域」纳入架构决策，而非假设按需即取。
对开发者与云原生 AI 的启示¶
结合 Jassy 在官方博文中的表述，有几条对工程实践有直接参考价值：
- 推理与数据同域部署：企业倾向让 AI 推理靠近现有应用与数据，减少跨云 egress 与合规摩擦。已在 AWS 上的存量 workload，是 Bedrock/SageMaker 增量的天然土壤。
- Agent 生产化门槛在「基础设施胶水」：AgentCore、Lambda MicroVMs（支持最长 8 小时有状态会话）、OpenSearch Serverless 等 Q2 发布，指向同一问题——从 demo 到 7×24 生产，缺的是托管运行时、记忆与观测，而不是再换一个更大的模型。
- 混合算力模型：训练与推理偏加速器（Trainium/GPU），post-training 与 Agent 工具链偏 CPU（Graviton）。做成本建模时不宜只按 GPU 小时估算，CPU、存储与向量检索会占显著比例。
- 安全与治理成为选型硬指标：Continuum（代码漏洞发现与修复 Agent）、Bedrock 治理控件、Quick 的企业访问控制，反映企业客户对 AI 部署的首要关切。技术选型需同步评估策略层（Policies）与审计能力。
结语¶
亚马逊 Q2 2026 财报，用 AWS 37% 增速与双 25 亿 run rate（AI + 芯片）给出了一份可核实的答卷：AI 基础设施投入正在转化为实质收入，且增长不局限于「卖 GPU」，而是覆盖模型服务、Agent 平台与自研 silicon 全栈。CapEx 2200 亿与产能仍供不应求的表态，则提醒开发者——云原生 AI 的下一个竞争维度，除了模型效果，还有算力可得性、区域布局与全栈成本。
对正在评估 Bedrock 微调、Trainium 训练或 AgentCore 上生产的团队，现在值得做的不是等待「泡沫破裂」，而是对照自身 workload 拆解：有多少算力在加速器，有多少在 CPU 与存储，Agent 上线还缺哪几块托管能力。财报数字是风向标，工程落地仍要回到架构图里逐项对齐。
