---
title: "Amazons Strategie für KI-Infrastruktur im Umfang von $220 Milliarden: maßgeschneiderte Chips, Wirtschaftlichkeit von Rechenzentren und Skalierung von KI für Unternehmen"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-10-24"
language: "de"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion/"
original_url: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion/"
original_language: "en"
translated_on: "2026-11-15"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-de/"
markdown_url: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-de/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Amazons Strategie für KI-Infrastruktur im Umfang von $220 Milliarden: maßgeschneiderte Chips, Wirtschaftlichkeit von Rechenzentren und Skalierung von KI für Unternehmen, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-de/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "ai"
tickers: ["AMZN"]
sources:
  - title: "Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs"
    url: "https://www.youtube.com/watch?v=-YMMRQ1qscI"
audio: "https://anchor.fm/s/117391698/podcast/play/127980195/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-9-24%2F434854705-44100-2-048188212c408.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/61w7dfoVt8mCa1yuuNZXDx"
---
# Amazons KI-Infrastrukturstrategie über $220 Mrd.: Maßgeschneiderte Chips, Wirtschaftlichkeit von Rechenzentren und Skalierung von Unternehmens-KI

Amazon durchläuft 2026 einen beispiellosen Investitionszyklus von $220 Mrd., um seine globale Infrastruktur für künstliche Intelligenz und Cloud-Computing auszubauen. Angesichts einer ungebrochenen Nachfrage, durch die die Rechenkapazität bis einschließlich 2026 vollständig ausgebucht, für 2027 weitgehend ausgebucht und bis ins Jahr 2028 zu großen Teilen bereits zugesagt ist, bringt das Unternehmen massive kurzfristige Finanzinvestitionen mit der langfristigen Monetarisierung seiner Infrastruktur in Einklang. Um den umfassenden Einsatz von KI in zentralen produktiven Unternehmensanwendungen zu ermöglichen — der derzeit durch hohe Inferenzkosten begrenzt wird — setzt Amazon maßgeschneiderte Chips ein, darunter Trainium-Beschleuniger und Graviton-Zentralprozessoren [CPU], die von Annapurna Labs entwickelt wurden. Zusammen mit einem grundlegenden Wandel hin zu äußerst schlanken, agentenbasierten Arbeitsabläufen in der Softwareentwicklung zielt diese Kapitalallokationsstrategie darauf ab, die Kosten der Rechenleistung um eine Größenordnung zu senken und eine grundlegende Führungsposition im aufkommenden KI-Zeitalter zu sichern.

## 1. Das Investitionsdilemma: Infrastrukturskalierung bei unersättlicher Nachfrage

Das schiere Ausmaß der aktuellen Nachfrage nach künstlicher Intelligenz in Unternehmen hat den Ausbau der Cloud-Infrastruktur in unbekanntes Terrain geführt. Amazon plant für 2026 Gesamtinvestitionen von rund $220 Mrd. — dies entspricht einem außergewöhnlichen Kapitaleinsatz von etwa $600 Mio. pro Tag. Trotz dieser Kapitalzusage bleibt die Rechenkapazität im gesamten Cloud-Ökosystem stark begrenzt. Die Kapazität von Amazon Web Services [AWS] ist bis einschließlich 2026 vollständig ausgebucht, für 2027 weitgehend ausgebucht, und große Kontingente sind bereits bis ins Jahr 2028 zugesagt. Während die Finanzmärkte gelegentlich Skepsis hinsichtlich des enormen Finanzvolumens äußern, das zur Finanzierung dieses Ausbaus erforderlich ist, hat sich die Recheninfrastruktur für Unternehmen zur grundlegenden Versorgungseinrichtung für den globalen Handel, das Bankwesen, das Gesundheitswesen und den Softwarebetrieb entwickelt.

Diese rasche Expansion schafft vorübergehende operative und finanzielle Zielkonflikte, die eng mit Amazons Ausbau seines physischen Netzwerks während der Pandemie vergleichbar sind. Zwischen 2020 und 2022 verdoppelte Amazon die Größe seines Auftragsabwicklungsnetzwerks — eines physischen Netzwerks, das in den vorangegangenen 25 Jahren aufgebaut worden war — in nur 18 Monaten. Gleichzeitig errichtete das Unternehmen in 20 Monaten ein Transportnetzwerk für die letzte Meile, dessen Umfang mit dem von United Parcel Service [UPS] vergleichbar war. 

Wenn physische oder digitale Infrastruktur mit einer derart extremen Geschwindigkeit aufgebaut wird, entstehen zwangsläufig operative Ineffizienzen. Im Einzelhandelsbereich führte die rasche Skalierung zunächst zu einem erheblichen Kostendruck bei der Kundenbelieferung. Statt Abstriche beim Kundenerlebnis zu machen oder die in der Unternehmenskultur verankerten operativen Standards zu senken, nutzte Amazon interne Datenkennzahlen und Überprüfungsmechanismen auf Führungsebene, um strukturelle Engpässe zu identifizieren. Dies führte zu einer vollständigen Neugestaltung seiner Logistikinfrastruktur, bei der ein einheitliches landesweites Auftragsabwicklungsnetzwerk in ein regionalisiertes Modell umgewandelt wurde. Durch die Regionalisierung wurden Bestände näher an die Endkunden verlagert, wodurch gleichzeitig Transportwege verkürzt, operative Kosten der Kundenbelieferung gesenkt und Lieferungen beschleunigt wurden.

Eine ähnliche architektonische Entwicklung vollzieht sich in der digitalen Infrastruktur. Amazons Vorstandsvorsitzender Andy Jassy bezeichnet den aktuellen Rechenzentrumsausbau als moderne industrielle Notwendigkeit und vergleicht ihn mit historischen Infrastrukturprojekten des Bundes. *„So etwas hat es in der Welt und in diesem Land vielleicht seit dem Ausbau der Fernstraßen und Brücken in den 1950er-Jahren nicht mehr gegeben“, bemerkte Jassy.* Diesen Investitionszyklus auszulassen oder zu verzögern birgt ein tiefgreifendes strategisches Risiko; der Verzicht auf den Aufbau heimischer Recheninfrastruktur könnte die technologische Führung und die operativen Standards ausländischen Wettbewerbern wie China überlassen.

## 2. Die Mechanik der Rechenzentrumswirtschaftlichkeit und Konflikte um das öffentliche Stromnetz

Um die Wirtschaftlichkeit von Rechenzentren im Hyperscale-Maßstab zu verstehen, muss der klar gegliederte zweiteilige Zahlungszyklus betrachtet werden, der die Cloud-Infrastruktur bestimmt:

* **Rechenzentrumsgebäude und Strominfrastruktur:** Die physischen Rechenzentrumsgebäude und Stromanschlüsse erfordern Kapitalzusagen etwa zwei Jahre vor der Installation der Server. Diese Gebäude sind jedoch Vermögenswerte mit einer Nutzungsdauer von 30 Jahren, die eine einmalige wesentliche Kapitalausgabe erfordern.
* **Server und Netzwerkhardware:** IT-Anlagen — wie Servergestelle, Netzwerkgeräte, Speicher mit hoher Bandbreite [HBM] und dynamischer Speicher mit wahlfreiem Zugriff [DRAM] — werden erst wenige Monate vor der Inbetriebnahme gekauft. Diese Anlagen haben eine Nutzungsdauer von 5 bis 6 Jahren, erreichen typischerweise innerhalb von drei Jahren die Gewinnschwelle und sind durch langfristige Kundenverträge mit einer durchschnittlichen Laufzeit von fünf Jahren abgesichert.

Da Rechenzentrumsgebäude zwei Jahre vor Beginn der Umsatzgenerierung massive Vorabinvestitionen erfordern, erleben Hyperscale-Anbieter während beschleunigter Ausbauphasen erhebliche vorübergehende Belastungen des Free Cashflow. Sobald die Anlagen in Betrieb gehen, Server installiert sind und Kundenverträge monetarisiert werden, normalisieren sich die Zahlungsströme und wachsen kumulativ. *„Selbst mit Investitionen von $220 Mrd. in diesem Jahr lassen wir einen beträchtlichen Teil der Nachfrage unbedient“, erklärte Jassy während der Diskussion.*

Gleichzeitig stößt die Entwicklung von Hyperscale-Infrastruktur wegen ihrer Auswirkungen auf Umwelt und Stromnetz auf politische und lokale öffentliche Widerstände. Empirische Quelldaten widerlegen mehrere verbreitete öffentliche Fehlvorstellungen:

* **Wasserverbrauch:** Kühlsysteme von Rechenzentren sind im Vergleich zu älteren Gewerbeimmobilien hocheffizient. Beispielsweise verbraucht die Golfbranche 200-mal mehr Wasser als alle Rechenzentren von Amazon zusammen und in zwei Tagen mehr Wasser als Amazons Rechenzentren in einem ganzen Jahr.
* **Emissionen und Notstromgeneratoren:** Diesel-Notstromgeneratoren vor Ort laufen nicht ununterbrochen. Sie werden ausschließlich bei Stromausfällen und routinemäßigen Wartungen betrieben und laufen etwa 0.1% des Jahres (rund 10 Stunden jährlich).
* **Lokale Wirtschafts- und Netzauswirkungen:** Rechenzentren bilden eine enorme Steuerbasis für ihre Standortgemeinden. In St. Joseph County, Indiana, hat Amazon etwa $3 Mrd. an lokalen Steuern gezahlt. Darüber hinaus hat Amazon im Rahmen seines Programms „Built Together“ $1 Mrd. über fünf Jahre direkt für Standortgemeinden zugesagt. Während der rasch steigende Strombedarf zunächst Netzausbauten erzwingt, zeigen historische Daten aus Regionen in Indiana, Georgia und Mississippi, dass lokale Versorgungstarife im Zeitverlauf stagnieren oder sinken, sobald die regionale Netzinfrastrukturkapazität installiert ist.

## 3. Die Hantelstruktur der KI-Nachfrage und die Rolle maßgeschneiderter Chips

Die aktuelle KI-Nutzung in Unternehmen weist ein strukturelles Missverhältnis auf, das Andy Jassy als „Nachfragehantel“ beschreibt. Der Verbrauch von Rechenleistung konzentriert sich stark auf die beiden äußersten Enden des Marktes, während die überwiegende Mehrheit der Unternehmensanwendungen noch nicht erschlossen ist:

* **Das Ende mit hohem Rechenbedarf:** Umfasst führende KI-Forschungslabore und rasant wachsende Verbraucheranwendungen, die unabhängig vom Preis enorme Mengen an Rechenkapazität verbrauchen.
* **Das Ende mit niedrigem Rechenbedarf:** Umfasst Unternehmen, die KI für eng umrissene Kosteneinsparungen und Produktivitätssteigerungen nutzen, etwa für automatisierten Kundenservice und Betrugserkennung.
* **Die unerschlossene Mitte:** Umfasst zentrale produktive Unternehmensanwendungen, die weiterhin weitgehend an bestehende CPU-Architekturen gebunden sind. 

Der wesentliche Engpass, der den Übergang dieser zentralen produktiven Anwendungen auf KI-Beschleuniger verhindert, sind die Inferenzkosten. Obwohl die Inferenzkosten gesunken sind, liegen sie weiterhin um eine Größenordnung zu hoch, um die Neuentwicklung gängiger Anwendungen zu rechtfertigen. *„Die Inferenzkosten ... sind meiner Meinung nach immer noch um eine Größenordnung zu hoch, damit die Technologie so umfassend wie möglich eingesetzt werden kann“, stellte Jassy fest.* Wenn der Kostenunterschied zwischen standardmäßiger CPU-Rechenleistung und KI-beschleunigter Rechenleistung hoch bleibt, muss der zusätzliche Leistungsvorteil eine ungewöhnlich hohe Mindestverzinsung der Investition erfüllen. Die Senkung der Inferenzkosten ist der entscheidende Katalysator, der zur Erschließung dieses enormen mittleren Marktsegments benötigt wird.

Amazons Strategie zur Senkung der Inferenzkosten stützt sich stark auf maßgeschneiderte Chips von Annapurna Labs, das 2015 übernommen wurde. Ursprünglich wurde Annapurna erworben, um Speicher-, Netzwerk-, Virtualisierungs- und Sicherheitsaufgaben von Server-CPUs auf dedizierte Netzwerkschnittstellenkarten [NICs] auszulagern. Diese Architektur ermöglichte es AWS, nahezu 100% der Server-CPU-Kapazität von Elastic Compute Cloud [EC2] direkt für Kundenanwendungen bereitzustellen.

Aus dieser technischen Grundlage entstanden zwei entscheidende Chipfamilien:

* **Graviton-CPUs:** Als Alternative zur herkömmlichen x86-Architektur entwickelt, bieten Graviton-Chips einen Preis-Leistungs-Vorteil von 40% gegenüber standardmäßigen x86-Prozessoren. Heute wird Graviton von 99% der 1,000 größten EC2-Kunden von AWS eingesetzt.
* **Trainium-KI-Beschleuniger:** Trainium-Prozessoren wurden speziell für das Training tiefer neuronaler Netze und die Inferenz entwickelt und bieten einen Preis-Leistungs-Vorteil von 30% bis 40% gegenüber konkurrierenden handelsüblichen Grafikprozessoren. 

Indem Amazon die Inferenzkosten durch maßgeschneiderte Chips um eine Größenordnung senkt, will das Unternehmen die Neuentwicklung zentraler Softwareanwendungen für eine umfassende KI-Integration für Unternehmen im breiten Markt wirtschaftlich tragfähig machen.

## 4. Organisationsgestaltung im agentenbasierten Zeitalter und Realitäten der Cybersicherheit

Die Verbreitung generativer KI und agentenbasierter Entwicklungswerkzeuge verändert die Softwareentwicklung, Teamstrukturen und betriebliche Organisationsmodelle grundlegend. Der historische Trend zu hoch spezialisierten Organisationsstrukturen — in denen einzelne Produktmanager oder Entwickler für kleinste Teile eines Produkts verantwortlich sind — weicht äußerst schlanken, funktionsübergreifenden Teams.

Ein zentrales Beispiel für diesen Geschwindigkeitswandel trat innerhalb von AWS selbst auf: Das Entwicklungsteam von AWS Bedrock entwickelte seine zentrale Inferenzmaschine mit 6 Entwicklern in 76 Tagen vollständig neu. Früher erforderte ein Infrastrukturprojekt dieser Größenordnung 40 Entwickler, die ein ganzes Jahr daran arbeiteten. Ebenso können kleine interne Teams mit 4 bis 5 Entwicklern inzwischen an einem einzigen Wochenende Softwareprototypen erstellen, die zu 80% auslieferungsreif sind.

Diese Geschwindigkeitskennzahlen signalisieren einen grundlegenden Wandel bei der Allokation von Humankapital in technischen Organisationen:

* **Veränderung der Personalstärke:** Softwareorganisationen werden weniger menschliche Entwickler für herkömmliche Aufgaben wie manuelle Programmierung, einfache Verarbeitung juristischer Dokumente und routinemäßige Geschäftsdatenanalyse benötigen. *„In Zukunft werden weniger Menschen die Arbeit erledigen, die sie heute erledigen, als heute“, erklärte Jassy.*
* **Von Grund auf funktionsübergreifende Teams:** Entwicklungsteams werden mit kleineren, äußerst flexiblen Strukturen bereits in fortgeschrittenen Entwicklungsstadien arbeiten und KI-Modelle nutzen, um 80% der Routineaufgaben auszuführen.
* **Verkürzte Markteinführungszeit:** Produktiterationszyklen verkürzen sich von mehrmonatigen Planungsfahrplänen auf mehrtägige Prototypentwicklungsphasen.

Die agentenbasierte Geschwindigkeit bringt jedoch akute Cybersicherheitsrisiken mit sich. Fortschrittliche KI-Modelle entdecken Softwareschwachstellen schneller, als menschliche Sicherheitsspezialisten oder herkömmliche Penetrationstester sie identifizieren können. 

Traditionell beruhte Softwaresicherheit auf der Identifizierung von Schwachstellen, der Erstellung von Korrekturen, dem Testen von Abhängigkeiten und der Bereitstellung von Aktualisierungen — einem Prozess, der häufig Wochen oder Monate dauert. In einer agentenbasierten Bedrohungsumgebung müssen Organisationen die Bereitstellungszeiten für Sicherheitskorrekturen auf Minuten verkürzen. Um diesen Wandel zu überstehen, müssen Unternehmen bestehende Codebestände in von Grund auf agentenbasierte Architekturen umschreiben, damit automatisierte Softwareagenten kontinuierlich Schwachstellen entdecken, beheben und Aktualisierungen bereitstellen können, ohne dass manuelle menschliche Eingriffe erforderlich sind.

## 5. Kapitalallokation, strategische Allianzen und Neuerfindung zentraler Produkte

Amazons Kapitaleinsatzstrategie verbindet die Entwicklung eigener Chips mit strategischen Allianzen im Umfang mehrerer Milliarden Dollar mit führenden Entwicklern von KI-Modellen. 

Im Rahmen seiner Partnerschaft mit Anthropic fungiert AWS als primärer Anbieter für Training und Inferenz der Claude-Modelle. Anthropic hat sich zu Recheninfrastrukturprojekten im Multi-Gigawatt-Bereich auf Basis von Trainium-Chips verpflichtet und bietet seine Modelle zugleich nativ auf AWS Bedrock an. Ebenso hat Amazon sein Ökosystem erweitert, um OpenAI-Anwendungen auf AWS zu unterstützen, und entwickelt gemeinsam spezialisierte zustandsbehaftete Laufzeitumgebungen, die eigens für die agentenbasierte Ausführung konzipiert sind.

Über den Betrieb externer Modelle hinaus erfordert die Technologiestrategie für Unternehmen, ausgereifte, äußerst erfolgreiche Produkte von Grund auf neu zu erfinden, statt sich auf schrittweise Funktionserweiterungen zu verlassen. Jassy nennt die vollständige Überarbeitung von Amazon Alexa als Fallbeispiel. Obwohl die ursprüngliche Architektur von Alexa bei der Einführung bahnbrechend war, erforderte das Aufkommen generativer KI einen vollständigen Austausch der zugrunde liegenden technischen Basis. 

Während die schrittweise Aktualisierung bestehender Software organisatorisch einfacher ist, erfordert die Bewahrung der Marktführerschaft grundlegende Neuentwicklungen. Etablierte Unternehmensanwendungen in den Bereichen Einzelhandel, Videostreaming und Cloud-Verwaltung müssen vollständig und von Grund auf KI-basiert neu gestaltet werden, um gegenüber aufkommenden, von Grund auf agentenbasierten Start-ups wettbewerbsfähig zu bleiben.
## Wichtige Kennzahlen

* **$220 Mrd.:** Erwartete Investitionsausgaben von Amazon in 2026 (~$600 Mio. pro Tag).
* **36.7%:** Umsatzwachstum von AWS gegenüber dem Vorjahr im jüngsten Quartal bei einem annualisierten Umsatz von $169 Mrd.
* **$25+ Mrd.:** Annualisierter Umsatz des Geschäfts von AWS mit generativer KI innerhalb seiner ersten 3 Jahre (verglichen mit einem annualisierten Umsatz von $60 Mio. nach 3 Jahren in der Anfangszeit von AWS).
* **80%:** Ungefähres Umsatzwachstum von Amazon insgesamt von 2021 bis heute.
* **3x:** Wachstumsfaktor von AWS von 2021 bis heute.
* **2.5x:** Wachstumsfaktor der Werbeumsätze von Amazon von 2021 bis heute.
* **30 Jahre gegenüber 5–6 Jahren:** Nutzungsdauer der Rechenzentrumsinfrastruktur (30 Jahre) gegenüber Server- und Netzwerkausrüstung (5–6 Jahre, Amortisation nach ~3 Jahren).
* **40%:** Verbesserung des Preis-Leistungs-Verhältnisses von Graviton-Prozessoren gegenüber Standard-x86-Prozessoren.
* **30%–40%:** Preis-Leistungs-Vorteil der Trainium-KI-Chips gegenüber vergleichbaren Prozessoren.
* **200x:** Faktor, um den Golfplätze mehr Wasser verbrauchen als Rechenzentren von Amazon.
* **0.1%:** Anteil des Jahres, in dem Notstromgeneratoren in Betrieb sind (ca. 10 Stunden jährlich).
* **$3 Mrd.:** Von Amazon in St. Joseph County, Indiana, gezahlte Steuern.
* **$1 Mrd.:** Über fünf Jahre zugesagte Unterstützung für Gemeinden mit Rechenzentrumsstandorten über das Programm „Built Together“.
* **6 Ingenieure in 76 Tagen:** Umfang der Neuentwicklung der Inferenz-Engine durch das Bedrock-Team (gegenüber zuvor 40 Personen für 1 Jahr).

## Was dieses Bild verändern würde

1. **Drastisch gesunkene Inferenzkosten:** Ein massiver Rückgang der Inferenzkosten durch maßgeschneiderte Chips (z. B. Trainium), der die Mitte der „Hantel“ (gängige Unternehmensanwendungen) dazu veranlasst, von reinen Prozessorarchitekturen abzurücken.
2. **Behebung von Engpässen bei Komponenten und Stromversorgung:** Eine erhebliche Ausweitung der Lieferkapazitäten für Speicher (HBM/DRAM), Stromversorgung und Kühlung, die zusätzliche Kapazitäten über die derzeit vollständig ausgebuchten Kapazitäten hinaus ermöglicht (2026–2028).
3. **Breit angelegte autonome Neuentwicklung durch KI-Agenten:** Unternehmen modernisieren erfolgreich die Architekturen ihrer bestehenden Codebestände für den nativen Einsatz von Agenten und ermöglichen so die Bereitstellung von Sicherheitsaktualisierungen im Minutentakt.
4. **Wandel bei öffentlich-privaten Infrastrukturpartnerschaften:** Beschleunigte Investitionen auf Bundes- und kommunaler Ebene in die Stromnetzkapazität, um den industriellen Bedarf an Rechenleistung im Großmaßstab zu decken.

Um weitere kostenlose Analysen zu entdecken oder Ihre eigenen Modelle zu testen, besuchen Sie die Plattform von DeepValues Research oder probieren Sie die DeepValues-App aus.
## Quellen

Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
