前言¶
2026 年 7 月 30 日，亞馬遜發佈截至 6 月 30 日的第二季度財報。對關注雲原生與 AI 基礎設施的開發者來說，這份報告裏最有分量的信號，不是某個單一產品的更新，而是 AWS 重新跑出了 18 個季度以來最快的增速——季度淨銷售額 422 億美元，同比增長 37%，年化 run rate 達到 1690 億美元。與此同時，AWS 內部的 AI 業務與自研芯片業務各自突破 25 億美元年化收入 run rate，且均爲三位數同比增長；公司還將 2026 全年 CapEx 指引上調至約 2200 億美元。CEO Andy Jassy 在財報電話會上直言：即便按這個規模投入，2026 年仍無法滿足全部需求，2027 年大概率如此，而 2028 年的訂單量已經「相當驚人」。
本文基於亞馬遜官方 IR 公告與 Jassy 公開解讀，梳理這組數字背後的技術棧佈局，以及它對雲原生 AI 落地意味着什麼。
Q2 核心數據一覽¶
先列出經官方公告覈實的關鍵指標（貨幣單位：美元）：
| 指標 | Q2 2026 | 同比變化 |
|---|---|---|
| 亞馬遜整體淨銷售額 | 2006 億 | +20% |
| 營業利潤 | 275 億 | +43% |
| AWS 淨銷售額 | 422 億 | +37% |
| AWS 營業利潤 | 166 億 | +63% |
| AWS 年化 run rate | 1690 億 | — |
| AWS AI 業務年化 run rate | >25 億 | 三位數增長 |
| 自研芯片業務年化 run rate | >25 億 | 三位數增長 |
| Q2 資本開支（購建 PPE） | 542 億 | 去年同期 322 億 |
| 2026 全年 CapEx 指引 | ~2200 億 | 此前約 2000 億 |
需要說明的是，AWS 季度增速在公告中同時出現 37%（四捨五入）與 36.7%（精確值）兩種表述，本質上是同一組數據的不同精度。AI 與芯片業務的「25 億」指的是年化 run rate——按當前季度收入節奏摺算的全年水平，並非單季收入。
AWS 爲何重回加速軌道¶
華爾街此前對 AWS 增速的預期約爲 31%，實際 37% 明顯超預期，也是自 2021 年以來最快的一季。Jassy 把增長歸因於兩條相互咬合的曲線：AI workloads 直接拉動算力與模型服務消費，而 AI 訓練後的 post-training、強化學習、Agent 工具調用等環節，大量跑在 CPU 而非 AI 加速器上，從而帶動存儲、向量數據庫、Graviton 實例等「核心雲」服務同步增長。
對開發者而言，這條邏輯鏈很具體：你在 Bedrock 上跑推理、在 SageMaker 上微調模型，背後不僅需要 GPU/Trainium，還需要 S3 存數據、OpenSearch 做檢索、Lambda 跑 Agent 邏輯。AWS 的賣點是「推理儘量靠近已有應用與數據」——官方稱，全球範圍內，更多企業數據託管在 AWS 而非其他雲。Q2 財報後，AWS 若獨立上市，按 1690 億 run rate 可排進 Fortune 500 前 25 名，體量已接近一家巨型獨立軟件公司。
AI 與自研芯片：兩條 25 億美元跑道¶
AI 服務層：Bedrock 與 SageMaker¶
財報亮點裏，AWS AI 業務 run rate 超 25 億且三位數增長，主要對應模型構建、推理與企業 Agent 部署。
- Amazon Bedrock：模型託管與推理平臺。Q2 新增 10 餘款完全託管的基礎模型，包括 OpenAI GPT-5.6、Anthropic Claude Opus 5、Google DeepMind Gemma 4 等。官方披露，Bedrock 已有數十萬客戶；過去六個月新增客戶數超過產品上線頭兩年之和；Q2 客戶總支出超過此前所有季度之和。
- SageMaker AI：面向希望用 proprietary 數據自建中小規模模型的企業。Jassy 多次強調，技術能力較強的公司不會只依賴 frontier 大模型，而會訓練適配自身數據的專用模型，SageMaker 是這條路徑上的主要工具。
- Bedrock AgentCore：解決 Agent 上生產的「髒活」——安全運行時、記憶、身份、工具連接與可觀測性。Q2 新增 Policies（確定性權限控制）、Payments（自主交易）、Web Search（域內知識 grounding）與 Harness（加速組裝）等能力。
芯片層：Trainium、Inferentia 與 Graviton¶
自研芯片業務 run rate 同樣超 25 億，涵蓋 AI 加速器與通用 CPU 兩條線：
- Trainium：面向 AI 訓練與推理。Anthropic、OpenAI 已簽署多年、多 GW 級 Trainium 採購承諾；Uber、Pinterest 及 NEURA Robotics、Odyssey 等 AI 初創公司也在採用。
- Inferentia：較早推出的推理專用芯片，與 Trainium 共同構成 AWS 在 AI 算力上的自研矩陣；在 Nitro 安全與網絡架構之上交付。
- Graviton：通用雲 CPU，官方稱較同類實例有 30%–40% 的性價比優勢；Graviton5 已 GA，算力較 Graviton4 提升約 25%，被 98% 的 EC2 頭部千大客戶使用。Agent 化 workload 增多後，Graviton 承載的「非加速器」算力需求同步上升。
芯片 run rate 的意義在於：AI 需求帶來的算力收入，有相當比例留在 AWS 自有 silicon 的毛利結構裏，而不是全部流向外部 GPU 供應商。這對理解 AWS 長期 AI 基礎設施 ROI 很關鍵。
CapEx 2200 億：投入與回報的博弈¶
CapEx 是本次財報的另一焦點。Q2 單季購建 PPE 約 542 億美元，同比大增；Jassy 將 2026 全年現金 CapEx 指引從約 2000 億上調至約 2200 億，部分原因是存儲器（memory）成本上升。
更值得注意的是管理層對供需的判斷：
即便投入 2200 億，2026 年仍不足以滿足全部需求；2027 年預計同樣緊張；已鎖定的 2028 年需求規模相當驚人（strikingly large）。
從 free cash flow 也能看到投入強度：截至 2026 年 6 月 30 日的過去十二個月，經營現金流 1614 億（+33%），但 free cash flow 爲淨流出 76 億，主因 PPE 採購同比增加 661 億，官方明確「主要反映對人工智能的投資」。
對行業而言，這組數字說明：AI 基礎設施 ROI 的驗證期正在縮短——AWS 用 25 億級 AI run rate 證明需求真實存在，但供給側（數據中心、芯片、內存）的瓶頸意味着客戶仍可能面臨容量排隊與價格壓力。雲原生團隊在做 2026–2027 容量規劃時，應把「提前鎖定算力與區域」納入架構決策，而非假設按需即取。
對開發者與雲原生 AI 的啓示¶
結合 Jassy 在官方博文中的表述，有幾條對工程實踐有直接參考價值：
- 推理與數據同域部署：企業傾向讓 AI 推理靠近現有應用與數據，減少跨雲 egress 與合規摩擦。已在 AWS 上的存量 workload，是 Bedrock/SageMaker 增量的天然土壤。
- Agent 生產化門檻在「基礎設施膠水」：AgentCore、Lambda MicroVMs（支持最長 8 小時有狀態會話）、OpenSearch Serverless 等 Q2 發佈，指向同一問題——從 demo 到 7×24 生產，缺的是託管運行時、記憶與觀測，而不是再換一個更大的模型。
- 混合算力模型：訓練與推理偏加速器（Trainium/GPU），post-training 與 Agent 工具鏈偏 CPU（Graviton）。做成本建模時不宜只按 GPU 小時估算，CPU、存儲與向量檢索會佔顯著比例。
- 安全與治理成爲選型硬指標：Continuum（代碼漏洞發現與修復 Agent）、Bedrock 治理控件、Quick 的企業訪問控制，反映企業客戶對 AI 部署的首要關切。技術選型需同步評估策略層（Policies）與審計能力。
結語¶
亞馬遜 Q2 2026 財報，用 AWS 37% 增速與雙 25 億 run rate（AI + 芯片）給出了一份可覈實的答卷：AI 基礎設施投入正在轉化爲實質收入，且增長不侷限於「賣 GPU」，而是覆蓋模型服務、Agent 平臺與自研 silicon 全棧。CapEx 2200 億與產能仍供不應求的表態，則提醒開發者——雲原生 AI 的下一個競爭維度，除了模型效果，還有算力可得性、區域佈局與全棧成本。
對正在評估 Bedrock 微調、Trainium 訓練或 AgentCore 上生產的團隊，現在值得做的不是等待「泡沫破裂」，而是對照自身 workload 拆解：有多少算力在加速器，有多少在 CPU 與存儲，Agent 上線還缺哪幾塊託管能力。財報數字是風向標，工程落地仍要回到架構圖裏逐項對齊。
