Insights AI

Стратегия Amazon по развитию ИИ-инфраструктуры стоимостью $220 миллиардов: специализированные чипы, экономика центров обработки данных и масштабирование корпоративного ИИ

Подкаст · Слушать (20 мин)

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

Содержание
  1. 1. Дилемма капитальных затрат: масштабирование инфраструктуры в условиях ненасытного спроса
  2. 2. Механика экономики центров обработки данных и общественные разногласия вокруг электросетей
  3. 3. Двухполюсная структура спроса на ИИ и роль специализированных чипов
  4. 4. Организационная структура в эпоху ИИ-агентов и реалии кибербезопасности
  5. 5. Распределение капитала, стратегические альянсы и переосмысление ключевых продуктов
  6. Ключевые показатели
  7. Что могло бы изменить эту картину
  8. Список использованных источников

Amazon осуществляет беспрецедентную программу капитальных затрат объемом $220 млрд в 2026 году, чтобы расширить свою глобальную инфраструктуру искусственного интеллекта и облачных вычислений. На фоне неослабевающего спроса, из-за которого вычислительные мощности полностью законтрактованы до конца 2026 года, в основном законтрактованы на 2027 год и в значительной степени зарезервированы на 2028 год, компания балансирует между масштабными финансовыми вложениями в ближайшей перспективе и долгосрочной монетизацией инфраструктуры. Чтобы обеспечить повсеместное внедрение корпоративного ИИ в основные производственные рабочие нагрузки, которое сейчас сдерживается высокой стоимостью инференса, Amazon внедряет специализированные чипы, включая ускорители Trainium и центральные процессоры Graviton, разработанные Annapurna Labs. В сочетании с фундаментальным переходом к предельно компактным рабочим процессам разработки программного обеспечения с использованием ИИ-агентов эта стратегия распределения капитала направлена на снижение стоимости вычислений на порядок и закрепление базового лидерства в наступающую эпоху ИИ.

1. Дилемма капитальных затрат: масштабирование инфраструктуры в условиях ненасытного спроса

Огромный масштаб текущего корпоративного спроса на искусственный интеллект вывел расширение облачной инфраструктуры на неизведанную территорию. Amazon прогнозирует совокупные капитальные затраты на 2026 год примерно в $220 млрд, что соответствует исключительному темпу вложения капитала — приблизительно $600 млн в день. Несмотря на эти вложения, вычислительные мощности во всей облачной экосистеме остаются крайне ограниченными. Мощности Amazon Web Services [AWS] полностью законтрактованы до конца 2026 года, в основном законтрактованы на 2027 год, а значительные объемы уже зарезервированы на 2028 год. Хотя финансовые рынки периодически выражают скептицизм относительно огромных сумм, необходимых для финансирования этого расширения, корпоративная вычислительная инфраструктура стала базовой коммунальной услугой для мировой торговли, банковского дела, здравоохранения и эксплуатации программного обеспечения.

Это стремительное расширение создает временные операционные и финансовые компромиссы, во многом напоминающие расширение физической сети Amazon во время пандемии. В период между 2020 и 2022 годами Amazon всего за 18 месяцев удвоила масштаб своей сети обработки и выполнения заказов — физической сети, создававшейся на протяжении предшествующих 25 лет. Одновременно компания за 20 месяцев построила транспортную сеть последней мили, сопоставимую по масштабу с United Parcel Service [UPS].

Когда физическая или цифровая инфраструктура создается с такой экстремальной скоростью, неизбежно возникает операционная неэффективность. В розничном подразделении быстрое масштабирование первоначально создало серьезное давление на стоимость обслуживания заказов. Вместо ухудшения клиентского опыта или снижения принятых в корпоративной культуре операционных стандартов Amazon использовала внутренние показатели и механизмы анализа на уровне руководства для выявления структурных узких мест. Это привело к полному пересмотру архитектуры логистической инфраструктуры: единая общенациональная сеть выполнения заказов была преобразована в региональную модель. Регионализация приблизила запасы к конечным потребителям, одновременно сократив транспортные расстояния, снизив операционные затраты на обслуживание заказов и ускорив доставку.

Аналогичная эволюция архитектуры происходит в цифровой инфраструктуре. Генеральный директор Amazon Энди Джасси рассматривает нынешнее строительство центров обработки данных как современную промышленную необходимость, сравнивая его с историческими федеральными инфраструктурными проектами. «Ничего подобного не было ни в мире, ни в этой стране, пожалуй, с тех пор, как мы строили автомагистрали и мосты в 1950-х годах», — отметил Джасси. Отказ от этого цикла капитальных вложений или его отсрочка создают серьезный стратегический риск: неспособность создать национальную вычислительную инфраструктуру может привести к уступке технологического лидерства и контроля над операционными стандартами зарубежным конкурентам, таким как Китай.

2. Механика экономики центров обработки данных и общественные разногласия вокруг электросетей

Для понимания экономики гипермасштабных центров обработки данных необходимо оценить особый двухэтапный денежный цикл, определяющий развитие облачной инфраструктуры:

  • Здания центров обработки данных и инфраструктура электроснабжения: Здания центров обработки данных и подключения к электросетям требуют капитальных вложений примерно за два года до установки серверов. Однако эти здания представляют собой активы со сроком полезного использования 30 лет, требующие единовременных основных капитальных затрат.
  • Серверы и сетевое оборудование: Активы информационных технологий, такие как серверные стойки, сетевое оборудование, память с высокой пропускной способностью и динамическая память с произвольным доступом, приобретаются лишь за несколько месяцев до ввода в эксплуатацию. Эти активы имеют срок полезного использования от 5 до 6 лет, обычно окупаются в течение трех лет и обеспечены долгосрочными клиентскими контрактами со средней продолжительностью пять лет.

Поскольку здания центров обработки данных требуют крупных первоначальных вложений за два года до начала получения выручки, операторы гипермасштабной облачной инфраструктуры сталкиваются со значительным временным давлением на свободный денежный поток в периоды ускоренного строительства. Денежные потоки нормализуются и начинают нарастать после ввода объектов в эксплуатацию, установки серверов и начала монетизации клиентских контрактов. «Даже при капитальных затратах в $220 млрд в этом году мы оставляем значительную часть спроса неудовлетворенной», — заявил Джасси в ходе обсуждения.

Одновременно развитие гипермасштабной инфраструктуры сталкивается с политическим сопротивлением и недовольством местных сообществ по поводу воздействия на окружающую среду и электросети. Эмпирические исходные данные опровергают несколько распространенных общественных заблуждений:

  • Водопотребление: Системы охлаждения центров обработки данных высокоэффективны по сравнению с традиционными коммерческими объектами. Например, индустрия гольфа потребляет в 200 раз больше воды, чем все центры обработки данных Amazon вместе взятые, расходуя за два дня больше воды, чем центры обработки данных Amazon используют за целый год.
  • Выбросы и резервные генераторы: Резервные дизельные генераторы на объектах не работают постоянно. Они используются исключительно при отключениях электроэнергии и плановом техническом обслуживании, работая приблизительно 0.1% времени в году, или примерно 10 часов ежегодно.
  • Влияние на местную экономику и электросети: Центры обработки данных формируют огромную налоговую базу для принимающих их муниципалитетов. В округе Сент-Джозеф, штат Индиана, Amazon уплатила приблизительно $3 млрд местных налогов. Кроме того, Amazon обязалась направить $1 млрд в течение пяти лет непосредственно принимающим сообществам через свою программу «Строим вместе». Хотя быстро растущий спрос на электроэнергию первоначально вынуждает модернизировать сети, исторические данные по регионам Индианы, Джорджии и Миссисипи показывают, что после создания необходимой мощности региональной сетевой инфраструктуры местные тарифы на электроэнергию со временем стабилизируются или снижаются.

3. Двухполюсная структура спроса на ИИ и роль специализированных чипов

Текущее внедрение корпоративного ИИ демонстрирует структурный дисбаланс, который Энди Джасси описывает как «гантель спроса». Потребление вычислительных ресурсов сильно сосредоточено на двух крайних полюсах рынка, оставляя подавляющее большинство корпоративных рабочих нагрузок неохваченными:

  • Полюс высокого потребления вычислительных ресурсов: Включает передовые исследовательские лаборатории ИИ и стремительно растущие потребительские приложения, которые потребляют огромные объемы вычислительных мощностей независимо от цены.
  • Полюс низкого потребления вычислительных ресурсов: Включает предприятия, использующие ИИ для точечного сокращения затрат и повышения производительности, например для автоматизированного обслуживания клиентов и выявления мошенничества.
  • Неохваченная середина: Включает основные корпоративные производственные приложения, которые по-прежнему в значительной степени привязаны к традиционным архитектурам центральных процессоров.

Главным препятствием для перевода этих основных производственных рабочих нагрузок на ускорители ИИ является стоимость инференса. Хотя стоимость инференса снизилась, она остается на порядок выше уровня, оправдывающего переписывание массовых приложений. «Стоимость инференса... на мой взгляд, по-прежнему на порядок слишком высока, чтобы его можно было использовать настолько повсеместно, насколько это возможно», — отметил Джасси. Если разница в стоимости между стандартными вычислениями на центральных процессорах и вычислениями с ускорителями ИИ остается высокой, дополнительный выигрыш в производительности должен соответствовать неестественно высокому порогу окупаемости инвестиций. Снижение стоимости инференса выступает единственным необходимым катализатором для освоения этого огромного среднего сегмента рынка.

Стратегия Amazon по снижению стоимости инференса в значительной степени опирается на специализированные чипы, разработанные Annapurna Labs, приобретенной в 2015 году. Первоначально Annapurna была приобретена для переноса задач хранения данных, сетевого взаимодействия, виртуализации и безопасности с центральных процессоров серверов на специализированные сетевые платы. Эта архитектура позволила AWS выделять почти 100% мощности центральных процессоров серверов Elastic Compute Cloud [EC2] непосредственно под клиентские рабочие нагрузки.

На этой инженерной основе были созданы два ключевых семейства чипов:

  • Центральные процессоры Graviton: Разработанные как альтернатива традиционной архитектуре x86, чипы Graviton обеспечивают преимущество в 40% по соотношению цены и производительности по сравнению со стандартными процессорами x86. Сегодня Graviton используют 99% из 1,000 крупнейших клиентов EC2 в AWS.
  • Ускорители ИИ Trainium: Процессоры Trainium, разработанные специально для обучения моделей глубокого обучения и инференса, обеспечивают преимущество от 30% до 40% по соотношению цены и производительности по сравнению с конкурирующими коммерческими графическими процессорами.

Снижая стоимость инференса на порядок за счет специализированных чипов, Amazon стремится сделать экономически целесообразным переписывание основных программных приложений массовыми корпоративными пользователями для повсеместной интеграции ИИ.

4. Организационная структура в эпоху ИИ-агентов и реалии кибербезопасности

Распространение генеративного ИИ и инструментов разработки на основе ИИ-агентов фундаментально меняет разработку программного обеспечения, структуру команд и операционные модели компаний. Историческая тенденция к узкоспециализированным организационным структурам, в которых отдельные менеджеры по продукту или инженеры отвечают за крошечные части продукта, уступает место предельно компактным межфункциональным командам.

Яркий пример такого ускорения появился внутри самой AWS: инженерная команда AWS Bedrock полностью перестроила свой основной механизм инференса силами 6 инженеров за 76 дней. Раньше инфраструктурный проект такого масштаба требовал работы 40 инженеров в течение целого года. Аналогичным образом небольшие внутренние команды из 4–5 инженеров теперь способны за одни выходные создавать прототипы программного обеспечения, готовые к выпуску на 80%.

Эти показатели скорости свидетельствуют о фундаментальном изменении того, как технические организации распределяют человеческий капитал:

  • Изменение масштабов персонала: Организациям, занимающимся программным обеспечением, потребуется меньше разработчиков для традиционных задач, таких как ручное написание кода, базовая обработка юридических документов и рутинная бизнес-аналитика. «В будущем у нас будет меньше людей, выполняющих ту работу, которую они выполняют сегодня, чем сейчас», — пояснил Джасси.
  • Изначально межфункциональные команды: Команды разработки будут работать в более компактных и гибких структурах, начиная с продвинутых стадий создания продукта и используя модели ИИ для выполнения 80% рутинных задач.
  • Сокращение времени выхода на рынок: Циклы доработки продуктов сокращаются с многомесячных планов до спринтов по созданию прототипов продолжительностью в несколько дней.

Однако скорость работы ИИ-агентов создает острые угрозы кибербезопасности. Передовые модели ИИ обнаруживают уязвимости программного обеспечения быстрее, чем специалисты по безопасности или традиционные тестировщики на проникновение способны их выявить.

Традиционно безопасность программного обеспечения опиралась на выявление уязвимостей, подготовку исправлений, проверку зависимостей и развертывание обновлений — процесс, часто занимавший недели или месяцы. В условиях угроз со стороны ИИ-агентов организации должны сократить время развертывания исправлений до минут. Чтобы выдержать этот переход, предприятиям необходимо переписать устаревшие кодовые базы под архитектуры, изначально предназначенные для ИИ-агентов, позволяя автоматизированным программным агентам непрерывно выявлять уязвимости, исправлять их и развертывать обновления без ручного вмешательства человека.

5. Распределение капитала, стратегические альянсы и переосмысление ключевых продуктов

Стратегия вложения капитала Amazon сочетает разработку собственных чипов со стратегическими альянсами стоимостью в несколько миллиардов долларов с ведущими разработчиками моделей ИИ.

В рамках партнерства с Anthropic AWS выступает основным поставщиком инфраструктуры для обучения моделей Claude и инференса. Anthropic обязалась развернуть вычислительные мощности на несколько гигаватт на базе чипов Trainium, одновременно предоставляя свои модели непосредственно в AWS Bedrock. Аналогичным образом Amazon расширила свою экосистему для поддержки рабочих нагрузок OpenAI в AWS, совместно разрабатывая специализированные среды исполнения с сохранением состояния, предназначенные непосредственно для работы ИИ-агентов.

Помимо размещения внешних моделей, корпоративная технологическая стратегия требует переосмысления зрелых, чрезвычайно успешных продуктов с нуля, а не опоры на постепенное добавление функций. Джасси приводит в качестве примера полную переработку Amazon Alexa. Хотя первоначальная архитектура Alexa была революционной на момент запуска, появление генеративного ИИ потребовало полной замены ее базового механизма.

Хотя постепенное обновление устаревшего программного обеспечения проще с организационной точки зрения, сохранение рыночного лидерства требует фундаментального переписывания. Существующие корпоративные приложения в розничной торговле, потоковом видео и управлении облачными ресурсами должны пройти полное перепроектирование с ИИ в основе, чтобы оставаться конкурентоспособными по отношению к новым стартапам, изначально построенным вокруг ИИ-агентов.

Ключевые показатели

  • $220 млрд: Ожидаемые капитальные затраты Amazon в 2026 году (~$600 млн в день).
  • 36.7%: Рост выручки AWS год к году в последнем квартале при годовом темпе выручки $169 млрд.
  • $25+ млрд: Годовой темп выручки бизнеса AWS в сфере генеративного искусственного интеллекта за первые 3 года (по сравнению с темпом выручки $60 млн после 3 лет на раннем этапе развития AWS).
  • 80%: Приблизительный рост общей выручки Amazon с 2021 года по настоящее время.
  • 3x: Масштаб роста AWS с 2021 года по настоящее время.
  • 2.5x: Рост рекламной выручки Amazon с 2021 года по настоящее время.
  • 30 лет против 5–6 лет: Срок полезного использования инфраструктуры центров обработки данных (30 лет) по сравнению с серверным и сетевым оборудованием (5–6 лет, окупаемость ~3 года).
  • 40%: Улучшение соотношения цены и производительности центральных процессоров Graviton по сравнению со стандартными процессорами x86.
  • 30%–40%: Преимущество чипов Trainium для искусственного интеллекта по соотношению цены и производительности перед сопоставимыми процессорами.
  • 200x: Во столько раз поля для гольфа потребляют больше воды, чем центры обработки данных Amazon.
  • 0.1%: Доля времени в течение года, когда работают резервные генераторы (примерно 10 часов ежегодно).
  • $3 млрд: Налоги, уплаченные Amazon в округе Сент-Джозеф, штат Индиана.
  • $1 млрд: Пятилетнее обязательство по поддержке местных сообществ, принимающих центры обработки данных, в рамках программы «Built Together».
  • 6 инженеров за 76 дней: Масштаб переработки механизма инференса командой Bedrock (по сравнению с прежними 40 сотрудниками в течение 1 года).

Что могло бы изменить эту картину

  1. Резкое снижение стоимости инференса: Значительное падение затрат на инференс благодаря специализированным чипам (например, Trainium), которое побудит среднюю часть «штанги» (массовые корпоративные приложения) отказаться от архитектур, использующих только центральные процессоры.
  2. Устранение ограничений в поставках компонентов и электроснабжении: Существенное расширение цепочек поставок памяти (HBM/DRAM), электропитания и охлаждения, которое позволит нарастить мощности сверх текущих ограничений, обусловленных полной распродажей доступных мощностей (2026–2028).
  3. Массовая автономная переработка кода агентами: Успешное обновление предприятиями архитектур устаревших кодовых баз для изначальной работы с агентами, позволяющее развертывать исправления безопасности каждую минуту.
  4. Изменение государственно-частных партнерств в инфраструктуре: Ускорение федеральных и местных инвестиций в пропускную способность электросетей для удовлетворения промышленного спроса на гипермасштабные вычисления.

Чтобы ознакомиться с другими бесплатными исследованиями или протестировать собственные модели, посетите платформу DeepValues Research или попробуйте приложение DeepValues.

Список использованных источников

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

Смотреть

Ссылки на источники

Смотреть и слушать

Анализ компании

Текст исследования: CC BY 4.0, для цитирования: DeepValues Research, Стратегия Amazon по развитию ИИ-инфраструктуры стоимостью $220 миллиардов: специализированные чипы, экономика центров обработки данных и масштабирование корпоративного ИИ, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-ru/

Бесплатное письмо в неделю

Margin of Safety Weekly

Каждую субботу: температура рынка, покупки и продажи великих инвесторов (отчётность 13F), новые исследования за неделю, наши видео и подкасты — бесплатно, без учётной записи.

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

Узнайте больше

Такой же анализ любой акции за 2 минуты

Deep Value Intelligence — мультиагентный ИИ-аналитик, подготовивший этот отчёт. По запросу он создаёт такой же отчёт для любой публичной компании.

Открыть Deep Value Intelligence

Следите за 300+ акциями в приложении DeepValues

Позиции по акциям, внутренняя стоимость и свежие отчёты — на вашем телефоне.

Разработчикам: позиции и отчёты через API

Фундаментальные показатели, внутренняя стоимость, позиции по акциям и ссылки на отчёты с этих страниц — в формате JSON.

Документация API

Обсудить