Insights AI

Amazon की $220 अरब की AI अवसंरचना रणनीति: कस्टम सिलिकॉन, डेटा सेंटर का अर्थशास्त्र और उद्यमों में AI का व्यापक विस्तार

पॉडकास्ट · सुनें (20 मिनट)

$220B AI Bet: How AWS Custom Chips Cut Costs 40%

विषय-सूची
  1. 1. पूंजीगत व्यय की दुविधा: अतृप्त मांग के बीच अवसंरचना का विस्तार
  2. 2. डेटा सेंटर के अर्थशास्त्र की कार्यप्रणाली और सार्वजनिक बिजली ग्रिड से जुड़े टकराव
  3. 3. AI मांग का बारबेल स्वरूप और कस्टम सिलिकॉन की भूमिका
  4. 4. एजेंट-आधारित युग में संगठनात्मक संरचना और साइबर सुरक्षा की वास्तविकताएं
  5. 5. पूंजी आवंटन, रणनीतिक गठबंधन और मुख्य उत्पादों का पुनर्निर्माण
  6. प्रमुख आंकड़े
  7. किन बदलावों से यह तस्वीर बदलेगी
  8. संदर्भ

Amazon अपने वैश्विक कृत्रिम बुद्धिमत्ता और क्लाउड कंप्यूटिंग अवसंरचना का विस्तार करने के लिए 2026 में $220B के अभूतपूर्व पूंजीगत व्यय चक्र से गुजर रहा है। निरंतर बढ़ती मांग के कारण 2026 तक की कंप्यूटिंग क्षमता पूरी तरह बिक चुकी है, 2027 की क्षमता काफी हद तक बिक चुकी है और 2028 की क्षमता का बड़ा हिस्सा प्रतिबद्ध है। ऐसे में कंपनी निकट अवधि के विशाल वित्तीय निवेशों और दीर्घकालिक अवसंरचना मुद्रीकरण के बीच संतुलन बना रही है। मुख्य उत्पादन कार्यभारों में उद्यम AI को व्यापक रूप से अपनाने का मार्ग खोलने के लिए—जो फिलहाल ऊंची इन्फरेंस लागतों से बाधित है—Amazon कस्टम सिलिकॉन तैनात कर रहा है, जिसमें Annapurna Labs द्वारा विकसित Trainium एक्सेलरेटर और Graviton केंद्रीय प्रसंस्करण इकाई [CPU] चिप शामिल हैं। अत्यंत कम संसाधनों वाली, एजेंट-आधारित सॉफ्टवेयर इंजीनियरिंग कार्यप्रणालियों की ओर बुनियादी बदलाव के साथ, इस पूंजी आवंटन रणनीति का लक्ष्य कंप्यूटिंग की लागत को दस गुना कम करना और उभरते AI युग में आधारभूत नेतृत्व सुनिश्चित करना है।

1. पूंजीगत व्यय की दुविधा: अतृप्त मांग के बीच अवसंरचना का विस्तार

उद्यम कृत्रिम बुद्धिमत्ता की मौजूदा मांग के विशाल पैमाने ने क्लाउड अवसंरचना निर्माण को अभूतपूर्व क्षेत्र में पहुंचा दिया है। Amazon 2026 के लिए कुल पूंजीगत व्यय लगभग $220B रहने का अनुमान लगा रहा है—जो प्रतिदिन लगभग $600M की असाधारण पूंजी निवेश दर के बराबर है। इस पूंजी प्रतिबद्धता के बावजूद, पूरे क्लाउड पारिस्थितिकी तंत्र में कंप्यूटिंग क्षमता बेहद सीमित बनी हुई है। Amazon Web Services [AWS] की क्षमता 2026 तक पूरी तरह बिक चुकी है, 2027 के लिए काफी हद तक बिक चुकी है और 2028 के लिए भी बड़े आवंटन पहले से प्रतिबद्ध हैं। हालांकि वित्तीय बाजार इस विस्तार के वित्तपोषण के लिए आवश्यक विशाल वित्तीय पैमाने को लेकर कभी-कभी संदेह व्यक्त करते हैं, उद्यम कंप्यूटिंग अवसंरचना वैश्विक वाणिज्य, बैंकिंग, स्वास्थ्य सेवा और सॉफ्टवेयर परिचालन के लिए आधारभूत उपयोगिता बन चुकी है।

यह तेज विस्तार अस्थायी परिचालन और वित्तीय समझौते पैदा करता है, जो महामारी के दौरान Amazon के भौतिक नेटवर्क विस्तार से काफी मिलते-जुलते हैं। 2020 और 2022 के बीच, Amazon ने अपने ऑर्डर पूर्ति नेटवर्क का आकार—जो पिछले 25 वर्षों में बना एक भौतिक नेटवर्क था—केवल 18 महीनों में दोगुना कर दिया। साथ ही, कंपनी ने 20 महीनों में United Parcel Service [UPS] के बराबर पैमाने वाला अंतिम चरण का परिवहन नेटवर्क बनाया।

जब भौतिक या डिजिटल अवसंरचना का निर्माण इतनी तेज गति से होता है, तो परिचालन अक्षमताएं अनिवार्य रूप से पैदा होती हैं। खुदरा विभाग में तेज विस्तार ने शुरुआत में सेवा प्रदान करने की लागत पर गंभीर दबाव पैदा किया। ग्राहक अनुभव से समझौता करने या संगठन की परिचालन संस्कृति के मानकों को कम करने के बजाय, Amazon ने संरचनात्मक बाधाओं की पहचान के लिए आंतरिक डेटा मापदंडों और वरिष्ठ प्रबंधन समीक्षा तंत्रों का उपयोग किया। इससे उसकी लॉजिस्टिक्स अवसंरचना की संरचना पूरी तरह बदली गई और एक समान राष्ट्रीय ऑर्डर पूर्ति नेटवर्क को क्षेत्रीय मॉडल में परिवर्तित किया गया। क्षेत्रीयकरण ने भंडार को अंतिम उपभोक्ताओं के करीब रखा, जिससे एक साथ परिवहन दूरी और सेवा प्रदान करने की परिचालन लागत घटी तथा डिलीवरी की गति बढ़ी।

डिजिटल अवसंरचना में भी इसी तरह का संरचनात्मक विकास हो रहा है। Amazon के मुख्य कार्यकारी अधिकारी Andy Jassy मौजूदा डेटा सेंटर निर्माण को आधुनिक औद्योगिक अनिवार्यता बताते हैं और इसकी तुलना ऐतिहासिक संघीय अवसंरचना परियोजनाओं से करते हैं। "दुनिया में और इस देश में ऐसा शायद तब से कुछ नहीं हुआ है, जब हमने 1950 के दशक में राजमार्गों और पुलों का निर्माण किया था," Jassy ने कहा। इस पूंजी चक्र को छोड़ना या टालना गंभीर रणनीतिक जोखिम पैदा करता है; घरेलू कंप्यूटिंग अवसंरचना स्थापित करने में विफलता तकनीकी नेतृत्व और परिचालन मानकों का नियंत्रण चीन जैसे विदेशी प्रतिस्पर्धियों को सौंप सकती है।

2. डेटा सेंटर के अर्थशास्त्र की कार्यप्रणाली और सार्वजनिक बिजली ग्रिड से जुड़े टकराव

विशाल पैमाने वाले डेटा सेंटर के अर्थशास्त्र को समझने के लिए क्लाउड अवसंरचना को संचालित करने वाले विशिष्ट दो-भागीय नकदी चक्र का मूल्यांकन आवश्यक है:

  • डेटा सेंटर के भवन ढांचे और बिजली अवसंरचना: डेटा सेंटर के भौतिक भवन ढांचों और बिजली कनेक्शनों के लिए सर्वर स्थापना से लगभग दो वर्ष पहले पूंजी प्रतिबद्ध करनी पड़ती है। हालांकि, ये भवन ढांचे 30-वर्ष की उपयोगी आयु वाली परिसंपत्तियां हैं, जिनके लिए एक प्रमुख प्रारंभिक पूंजी व्यय आवश्यक होता है।
  • सर्वर और नेटवर्किंग हार्डवेयर: सूचना प्रौद्योगिकी परिसंपत्तियां—जैसे सर्वर रैक, नेटवर्किंग उपकरण, उच्च बैंडविड्थ मेमोरी [HBM] और डायनेमिक रैंडम-एक्सेस मेमोरी [DRAM]—तैनाती से केवल कुछ महीने पहले खरीदी जाती हैं। इन परिसंपत्तियों की उपयोगी आयु 5-से-6-वर्ष होती है, आम तौर पर तीन वर्षों के भीतर इनकी लागत वसूल हो जाती है और इन्हें दीर्घकालिक ग्राहक अनुबंधों का समर्थन प्राप्त होता है, जिनकी औसत अवधि पांच वर्ष होती है।

चूंकि डेटा सेंटर के भवन ढांचों के लिए राजस्व उत्पन्न होने से दो वर्ष पहले विशाल अग्रिम पूंजी की जरूरत होती है, इसलिए तेज निर्माण चरणों में विशाल पैमाने वाले क्लाउड प्रदाताओं के फ्री कैश फ्लो (FCF) पर महत्वपूर्ण अस्थायी दबाव पड़ता है। सुविधाएं चालू होने, सर्वर स्थापित होने और ग्राहक अनुबंधों से आय शुरू होने पर नकदी प्रवाह सामान्य हो जाता है और चक्रवृद्धि रूप से बढ़ता है। "इस वर्ष पूंजीगत व्यय पर $220B खर्च करने के बावजूद, हम मांग का एक महत्वपूर्ण हिस्सा पूरा नहीं कर पा रहे हैं," Jassy ने चर्चा के दौरान कहा।

साथ ही, विशाल पैमाने वाली अवसंरचना के विकास को पर्यावरण और बिजली ग्रिड पर प्रभाव को लेकर राजनीतिक तथा स्थानीय सार्वजनिक विरोध का सामना करना पड़ता है। अनुभवजन्य स्रोत डेटा कई आम सार्वजनिक भ्रांतियों का खंडन करता है:

  • पानी का उपयोग: पुराने वाणिज्यिक भवनों की तुलना में डेटा सेंटर की शीतलन प्रणालियां अत्यधिक कुशल हैं। उदाहरण के लिए, गोल्फ उद्योग सभी Amazon डेटा सेंटरों के संयुक्त उपयोग से 200 गुना अधिक पानी खपत करता है और दो दिनों में उससे अधिक पानी इस्तेमाल करता है, जितना Amazon के डेटा सेंटर पूरे वर्ष में उपयोग करते हैं।
  • उत्सर्जन और बैकअप जनरेटर: परिसर में लगे बैकअप डीजल जनरेटर लगातार नहीं चलते। वे केवल बिजली कटौती और नियमित रखरखाव के दौरान चलते हैं, और वर्ष के लगभग 0.1% समय तक संचालित होते हैं (सालाना लगभग 10 घंटे)।
  • स्थानीय अर्थव्यवस्था और ग्रिड पर प्रभाव: डेटा सेंटर उन स्थानीय नगरपालिका समुदायों के लिए विशाल कर आधार होते हैं जहां वे स्थापित हैं। इंडियाना की सेंट जोसेफ काउंटी में Amazon ने स्थानीय करों में लगभग $3B चुकाए हैं। इसके अलावा, Amazon ने अपने "Built Together" कार्यक्रम के माध्यम से पांच वर्षों में सीधे मेजबान समुदायों के लिए $1B की प्रतिबद्धता जताई है। हालांकि बिजली की तेजी से बढ़ती मांग शुरुआत में ग्रिड उन्नयन को आवश्यक बनाती है, इंडियाना, जॉर्जिया और मिसिसिपी के क्षेत्रों के ऐतिहासिक आंकड़े दिखाते हैं कि क्षेत्रीय ग्रिड अवसंरचना की क्षमता स्थापित होने के बाद स्थानीय बिजली दरें समय के साथ स्थिर हो जाती हैं या घटती हैं।

3. AI मांग का बारबेल स्वरूप और कस्टम सिलिकॉन की भूमिका

उद्यमों में AI को अपनाने की मौजूदा स्थिति एक संरचनात्मक असंतुलन दिखाती है, जिसे Andy Jassy "मांग का बारबेल स्वरूप" बताते हैं। कंप्यूटिंग की खपत बाजार के दो चरम सिरों पर अत्यधिक केंद्रित है, जबकि अधिकांश उद्यम कार्यभारों में इसका प्रवेश नहीं हुआ है:

  • अधिक कंप्यूटिंग वाला सिरा: इसमें अग्रणी AI अनुसंधान प्रयोगशालाएं और अत्यंत तेजी से लोकप्रिय हो रहे उपभोक्ता अनुप्रयोग शामिल हैं, जो कीमत की परवाह किए बिना विशाल कंप्यूटिंग क्षमता का उपयोग करते हैं।
  • कम कंप्यूटिंग वाला सिरा: इसमें वे उद्यम शामिल हैं जो सीमित लागत बचाव और उत्पादकता सुधार के लिए AI का उपयोग करते हैं, जैसे स्वचालित ग्राहक सेवा और धोखाधड़ी की पहचान।
  • अप्रवेशित मध्य भाग: इसमें मुख्य उद्यम उत्पादन अनुप्रयोग शामिल हैं, जो काफी हद तक पुरानी CPU संरचनाओं से बंधे हुए हैं।

इन मुख्य उत्पादन कार्यभारों को AI एक्सेलरेटर पर स्थानांतरित होने से रोकने वाली प्रमुख बाधा इन्फरेंस की लागत है। हालांकि इन्फरेंस लागत घटी है, फिर भी मुख्यधारा के अनुप्रयोगों को दोबारा लिखने को उचित ठहराने के लिए वह लगभग दस गुना अधिक बनी हुई है। "मेरे विचार में इन्फरेंस की लागत... इसे यथासंभव व्यापक रूप से इस्तेमाल करने के लिए अभी भी लगभग दस गुना अधिक है," Jassy ने कहा। यदि सामान्य CPU कंप्यूटिंग और AI-त्वरित कंप्यूटिंग के बीच लागत का अंतर ऊंचा बना रहता है, तो अतिरिक्त प्रदर्शन लाभ को निवेश पर रिटर्न की अस्वाभाविक रूप से ऊंची सीमा पूरी करनी होगी। इन्फरेंस की लागत घटाना इस विशाल मध्य बाजार को खोलने के लिए आवश्यक एकमात्र निर्णायक उत्प्रेरक है।

इन्फरेंस लागत घटाने की Amazon की रणनीति Annapurna Labs द्वारा विकसित कस्टम सिलिकॉन पर काफी निर्भर है, जिसका अधिग्रहण 2015 में किया गया था। मूल रूप से Annapurna का अधिग्रहण भंडारण, नेटवर्किंग, वर्चुअलाइजेशन और सुरक्षा कार्यों को सर्वर CPU से हटाकर समर्पित नेटवर्क इंटरफेस कार्ड [NICs] पर स्थानांतरित करने के लिए किया गया था। इस संरचना ने AWS को Elastic Compute Cloud [EC2] सर्वर की लगभग 100% CPU क्षमता सीधे ग्राहक कार्यभारों को आवंटित करने में सक्षम बनाया।

इस इंजीनियरिंग आधार से दो महत्वपूर्ण चिप परिवार विकसित हुए:

  • Graviton CPU: पारंपरिक x86 संरचना के विकल्प के रूप में विकसित Graviton चिप सामान्य x86 प्रोसेसर की तुलना में 40% मूल्य-प्रदर्शन लाभ देते हैं। आज AWS के शीर्ष 1,000 EC2 ग्राहकों में से 99% Graviton का उपयोग करते हैं।
  • Trainium AI एक्सेलरेटर: विशेष रूप से डीप लर्निंग प्रशिक्षण और इन्फरेंस के लिए बनाए गए Trainium प्रोसेसर प्रतिस्पर्धी वाणिज्यिक ग्राफिक्स प्रोसेसर की तुलना में 30% से 40% मूल्य-प्रदर्शन लाभ देते हैं।

कस्टम सिलिकॉन के माध्यम से इन्फरेंस की लागत को दस गुना कम करके, Amazon का लक्ष्य मुख्यधारा के उद्यमों के लिए व्यापक AI एकीकरण हेतु मुख्य सॉफ्टवेयर अनुप्रयोगों को दोबारा लिखना आर्थिक रूप से व्यवहार्य बनाना है।

4. एजेंट-आधारित युग में संगठनात्मक संरचना और साइबर सुरक्षा की वास्तविकताएं

जनरेटिव AI और एजेंट-आधारित विकास उपकरणों का प्रसार सॉफ्टवेयर इंजीनियरिंग, टीम संरचनाओं और कॉर्पोरेट परिचालन मॉडलों को बुनियादी रूप से बदल रहा है। अत्यधिक विशिष्ट संगठनात्मक संरचनाओं की ऐतिहासिक प्रवृत्ति—जहां व्यक्तिगत उत्पाद प्रबंधक या इंजीनियर किसी उत्पाद के बहुत छोटे हिस्से के लिए जिम्मेदार होते हैं—की जगह अत्यंत कम संसाधनों वाली, बहु-कार्यात्मक टीमें ले रही हैं।

गति में इस बदलाव का एक प्रमुख उदाहरण AWS के भीतर ही सामने आया: AWS Bedrock की इंजीनियरिंग टीम ने 6 इंजीनियरों की मदद से 76 दिनों में अपने मुख्य इन्फरेंस इंजन को पूरी तरह दोबारा बनाया। ऐतिहासिक रूप से, इतने बड़े पैमाने की अवसंरचना परियोजना के लिए 40 इंजीनियरों को पूरे एक वर्ष तक काम करना पड़ता था। इसी तरह, 4 से 5 इंजीनियरों की छोटी आंतरिक टीमें अब एक ही सप्ताहांत में 80% तक वितरण के लिए तैयार सॉफ्टवेयर प्रोटोटाइप बनाने में सक्षम हैं।

गति के ये मापदंड तकनीकी संगठनों द्वारा मानव पूंजी आवंटित करने के तरीके में बुनियादी बदलाव का संकेत देते हैं:

  • कार्यबल के आकार में बदलाव: सॉफ्टवेयर संगठनों को हाथ से कोड लिखने, बुनियादी कानूनी दस्तावेज प्रसंस्करण और नियमित व्यावसायिक विश्लेषण जैसे पुराने कार्यों के लिए कम मानव डेवलपरों की आवश्यकता होगी। "आज जो काम लोग कर रहे हैं, भविष्य में वही काम करने वाले मनुष्यों की संख्या आज की तुलना में कम होगी," Jassy ने समझाया।
  • स्वभावतः बहु-कार्यात्मक टीमें: विकास टीमें निर्माण के उन्नत चरणों से ही छोटी, अत्यधिक लचीली संरचनाओं में काम करेंगी और नियमित कार्यों के 80% निष्पादन के लिए AI मॉडलों का उपयोग करेंगी।
  • बाजार में पहुंचने का घटता समय: उत्पाद में क्रमिक सुधार के चक्र कई महीनों की नियोजन रूपरेखाओं से सिमटकर कई दिनों के तीव्र प्रोटोटाइप निर्माण चक्रों में बदल रहे हैं।

हालांकि, एजेंट-आधारित गति गंभीर साइबर सुरक्षा खतरे पैदा करती है। उन्नत AI मॉडल सॉफ्टवेयर की कमजोरियां मानव सुरक्षा विशेषज्ञों या पारंपरिक भेदन-परीक्षणकर्ताओं की तुलना में अधिक तेजी से खोज रहे हैं।

पारंपरिक रूप से, सॉफ्टवेयर सुरक्षा कमजोरियों की पहचान, सुधार-पैच तैयार करने, निर्भरताओं के परीक्षण और अद्यतनों की तैनाती पर निर्भर रही है—इस प्रक्रिया में अक्सर सप्ताह या महीने लगते हैं। एजेंट-आधारित खतरों के वातावरण में, संगठनों को सुधार-पैच की तैनाती का समय घटाकर मिनटों में लाना होगा। इस बदलाव में टिके रहने के लिए, उद्यमों को पुराने कोड आधारों को एजेंटों के लिए मूलतः निर्मित संरचनाओं में दोबारा लिखना होगा, ताकि स्वचालित सॉफ्टवेयर एजेंट बिना मानव हस्तक्षेप के लगातार कमजोरियां खोज सकें, सुधार-पैच लगा सकें और अद्यतन तैनात कर सकें।

5. पूंजी आवंटन, रणनीतिक गठबंधन और मुख्य उत्पादों का पुनर्निर्माण

Amazon की पूंजी निवेश रणनीति में स्वामित्व वाले सिलिकॉन का विकास और अग्रणी AI मॉडल डेवलपरों के साथ कई अरब डॉलर के रणनीतिक गठबंधन शामिल हैं।

Anthropic के साथ अपनी साझेदारी के माध्यम से, AWS Claude मॉडलों के लिए प्राथमिक प्रशिक्षण और इन्फरेंस प्रदाता के रूप में काम करता है। Anthropic ने Trainium चिप पर आधारित कई गीगावाट की कंप्यूटिंग तैनाती की प्रतिबद्धता जताई है और साथ ही अपने मॉडल AWS Bedrock पर मूल रूप से उपलब्ध करा रहा है। इसी तरह, Amazon ने AWS पर OpenAI कार्यभारों का समर्थन करने के लिए अपने पारिस्थितिकी तंत्र का विस्तार किया है और विशेष रूप से एजेंट-आधारित निष्पादन के लिए डिज़ाइन किए गए, स्थिति बनाए रखने वाले विशिष्ट रनटाइम वातावरण सह-विकसित कर रहा है।

बाहरी मॉडलों की मेजबानी से आगे, उद्यम प्रौद्योगिकी रणनीति में क्रमिक सुविधा अद्यतनों पर निर्भर रहने के बजाय परिपक्व, अत्यधिक सफल उत्पादों को बुनियाद से दोबारा बनाना आवश्यक है। Jassy Amazon Alexa के संपूर्ण पुनर्निर्माण को एक उदाहरण के रूप में प्रस्तुत करते हैं। हालांकि शुरुआत के समय Alexa की मूल संरचना अभूतपूर्व थी, जनरेटिव AI के आगमन ने उसके अंतर्निहित इंजन को पूरी तरह बदलना आवश्यक बना दिया।

हालांकि पुराने सॉफ्टवेयर को क्रमिक रूप से अद्यतन करना संगठनात्मक दृष्टि से आसान है, बाजार नेतृत्व बनाए रखने के लिए बुनियादी स्तर पर दोबारा लिखना आवश्यक है। खुदरा, स्ट्रीमिंग वीडियो और क्लाउड प्रबंधन के स्थापित उद्यम अनुप्रयोगों को उभरते, एजेंटों के लिए मूलतः निर्मित स्टार्टअपों के मुकाबले प्रतिस्पर्धी बने रहने हेतु पूरी तरह AI के लिए मूलतः डिज़ाइन की गई नई संरचनाओं में बदलना होगा।

प्रमुख आंकड़े

  • $220B: 2026 में Amazon का अपेक्षित पूंजीगत व्यय (~$600M प्रतिदिन)।
  • 36.7%: सबसे हालिया तिमाही में AWS की साल-दर-साल राजस्व वृद्धि, $169B की वार्षिक राजस्व दर पर।
  • $25+B: पहले 3 वर्षों के भीतर AWS के जनरेटिव कृत्रिम बुद्धिमत्ता व्यवसाय की वार्षिक राजस्व दर (AWS के शुरुआती इतिहास में 3 वर्षों के बाद $60M की राजस्व दर की तुलना में)।
  • 80%: 2021 से अब तक Amazon के कुल राजस्व में अनुमानित वृद्धि।
  • 3x: 2021 से अब तक AWS की वृद्धि का गुणक।
  • 2.5x: 2021 से अब तक Amazon के विज्ञापन राजस्व में वृद्धि।
  • 30 वर्ष बनाम 5–6 वर्ष: डेटा केंद्र के बुनियादी ढांचे का उपयोगी जीवन (30 वर्ष) बनाम सर्वर/नेटवर्किंग उपकरण (5–6 वर्ष, लागत की भरपाई ~3 वर्ष में)।
  • 40%: मानक x86 प्रोसेसरों की तुलना में Graviton केंद्रीय प्रसंस्करण इकाइयों के मूल्य-प्रदर्शन में सुधार।
  • 30%–40%: तुलनीय प्रोसेसरों की तुलना में Trainium कृत्रिम बुद्धिमत्ता चिपों का मूल्य-प्रदर्शन लाभ।
  • 200x: वह गुणक जिसके अनुसार गोल्फ कोर्स Amazon के डेटा केंद्रों से अधिक पानी का उपभोग करते हैं।
  • 0.1%: वर्ष का वह प्रतिशत जब बैकअप जनरेटर चलते हैं (लगभग 10 घंटे सालाना)।
  • $3B: इंडियाना की सेंट जोसेफ काउंटी में Amazon द्वारा चुकाए गए कर।
  • $1B: "Built Together" कार्यक्रम के माध्यम से डेटा केंद्रों की मेजबानी करने वाले समुदायों के लिए पांच-वर्षीय प्रतिबद्धता।
  • 76 दिनों में 6 इंजीनियर: अनुमान इंजन के पुनर्निर्माण में Bedrock टीम का कार्य-दायरा (पहले 1 वर्ष के लिए 40 लोगों की तुलना में)।

किन बदलावों से यह तस्वीर बदलेगी

  1. अनुमान की लागत में भारी कमी: विशेष रूप से निर्मित सिलिकॉन (जैसे, Trainium) से अनुमान की लागत में भारी गिरावट, जो "बारबेल" के मध्य हिस्से (मुख्यधारा के उद्यम अनुप्रयोगों) को केवल केंद्रीय प्रसंस्करण इकाई पर आधारित संरचनाओं से हटने के लिए प्रेरित करे।
  2. घटकों और बिजली आपूर्ति की बाधाओं का समाधान: मेमोरी (उच्च-बैंडविड्थ मेमोरी/डायनेमिक रैंडम-एक्सेस मेमोरी), बिजली और शीतलन की आपूर्ति शृंखलाओं में उल्लेखनीय विस्तार, जिससे वर्तमान में पूरी क्षमता बिक जाने के कारण मौजूद बाधाओं से आगे क्षमता उपलब्ध हो सके (2026–2028)।
  3. स्वायत्त एजेंटों द्वारा व्यापक पुनर्लेखन: उद्यमों द्वारा पुराने कोडबेस की संरचनाओं को सफलतापूर्वक अद्यतन करके एजेंटों के लिए मूल रूप से अनुकूल बनाना, जिससे सुरक्षा सुधारों की हर मिनट तैनाती संभव हो।
  4. सार्वजनिक/निजी बुनियादी ढांचा साझेदारियों में बदलाव: अति-वृहद पैमाने की संगणना की औद्योगिक मांग के अनुरूप विद्युत ग्रिड की क्षमता बढ़ाने के लिए संघीय और स्थानीय निवेशों में तेजी।

अधिक निःशुल्क शोध देखने या अपने मॉडलों को परखने के लिए, DeepValues Research मंच पर जाएं या DeepValues ऐप आजमाएं।

संदर्भ

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

देखें

स्रोत लिंक

देखें और सुनें

कंपनी रिसर्च

रिसर्च टेक्स्ट का लाइसेंस: CC BY 4.0। संदर्भ इस तरह दें: DeepValues Research, Amazon की $220 अरब की AI अवसंरचना रणनीति: कस्टम सिलिकॉन, डेटा सेंटर का अर्थशास्त्र और उद्यमों में AI का व्यापक विस्तार, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-hi/

मुफ़्त साप्ताहिक ईमेल

Margin of Safety Weekly

हर शनिवार: बाज़ार का तापमान, महान निवेशकों ने क्या खरीदा और बेचा (13F), इस हफ़्ते की नई रिसर्च, वीडियो और पॉडकास्ट — मुफ़्त, किसी अकाउंट की ज़रूरत नहीं। ईमेल अंग्रेज़ी में आता है।

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. गोपनीयता

और आगे जानें

किसी भी स्टॉक पर यह विश्लेषण 2 मिनट में चलाएँ

Deep Value Intelligence, इस रिपोर्ट के पीछे का मल्टी-एजेंट AI विश्लेषक, किसी भी लिस्टेड कंपनी के लिए माँग पर यही रिपोर्ट तैयार करता है।

Deep Value Intelligence खोलें

DeepValues ऐप में 300+ स्टॉक ट्रैक करें

स्टांस, इंट्रिंसिक वैल्यू और ताज़ा रिपोर्ट, आपके फ़ोन पर।

डेवलपर: API से स्टांस और रिपोर्ट पाएँ

इन पन्नों के पीछे के फंडामेंटल्स, इंट्रिंसिक वैल्यू, स्टांस और रिपोर्ट लिंक, JSON में।

API दस्तावेज़

चर्चा करें