Insights AI

กลยุทธ์โครงสร้างพื้นฐาน AI มูลค่า $220 พันล้านของ Amazon: ชิปที่ออกแบบเฉพาะ เศรษฐศาสตร์ของศูนย์ข้อมูล และการขยาย AI ในระดับองค์กร

พอดแคสต์ · ฟัง (20 นาที)

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

สารบัญ
  1. 1. ภาวะกลืนไม่เข้าคายไม่ออกของรายจ่ายฝ่ายทุน: การขยายโครงสร้างพื้นฐานภายใต้อุปสงค์ที่ไม่รู้จักอิ่มตัว
  2. 2. กลไกเศรษฐศาสตร์ศูนย์ข้อมูลและแรงต้านเกี่ยวกับโครงข่ายไฟฟ้าสาธารณะ
  3. 3. อุปสงค์ปัญญาประดิษฐ์แบบบาร์เบลและบทบาทของชิปที่ออกแบบเฉพาะ
  4. 4. การออกแบบองค์กรในยุคเอเจนต์และความเป็นจริงด้านความมั่นคงปลอดภัยไซเบอร์
  5. 5. การจัดสรรเงินทุน พันธมิตรเชิงกลยุทธ์ และการสร้างผลิตภัณฑ์หลักขึ้นใหม่
  6. ตัวเลขสำคัญ
  7. สิ่งที่จะเปลี่ยนภาพนี้
  8. เอกสารอ้างอิง

Amazon กำลังดำเนินวัฏจักรการลงทุนรายจ่ายฝ่ายทุนที่ไม่เคยเกิดขึ้นมาก่อนมูลค่า $220 พันล้านใน 2026 เพื่อขยายโครงสร้างพื้นฐานปัญญาประดิษฐ์และการประมวลผลบนคลาวด์ทั่วโลก ด้วยแรงขับเคลื่อนจากอุปสงค์ที่ต่อเนื่องจนกำลังการประมวลผลถูกขายหมดตลอด 2026 ถูกขายไปเกือบหมดสำหรับ 2027 และมีการจองใช้งานจำนวนมากไปจนถึง 2028 บริษัทกำลังสร้างสมดุลระหว่างการลงทุนทางการเงินมหาศาลในระยะใกล้กับการสร้างรายได้จากโครงสร้างพื้นฐานในระยะยาว เพื่อปลดล็อกการนำปัญญาประดิษฐ์มาใช้อย่างแพร่หลายในองค์กรสำหรับภาระงานหลักที่ใช้งานจริง ซึ่งปัจจุบันถูกจำกัดด้วยต้นทุนการอนุมานที่สูง Amazon กำลังติดตั้งชิปที่ออกแบบเฉพาะ รวมถึงตัวเร่งการประมวลผล Trainium และชิปหน่วยประมวลผลกลาง [CPU] Graviton ที่พัฒนาโดย Annapurna Labs เมื่อผสานกับการเปลี่ยนแปลงขั้นพื้นฐานไปสู่กระบวนการวิศวกรรมซอฟต์แวร์ที่ใช้ทีมขนาดเล็กอย่างยิ่งและขับเคลื่อนด้วยเอเจนต์ กลยุทธ์การจัดสรรเงินทุนนี้มุ่งลดต้นทุนการประมวลผลลงหนึ่งลำดับขนาด และสร้างความเป็นผู้นำด้านรากฐานในยุคปัญญาประดิษฐ์ที่กำลังเกิดขึ้น

1. ภาวะกลืนไม่เข้าคายไม่ออกของรายจ่ายฝ่ายทุน: การขยายโครงสร้างพื้นฐานภายใต้อุปสงค์ที่ไม่รู้จักอิ่มตัว

ขนาดอันมหาศาลของอุปสงค์ปัญญาประดิษฐ์ระดับองค์กรในปัจจุบันได้ผลักดันการก่อสร้างโครงสร้างพื้นฐานคลาวด์เข้าสู่ขอบเขตที่ไม่เคยมีมาก่อน Amazon คาดการณ์รายจ่ายฝ่ายทุนรวมประมาณ $220 พันล้านสำหรับ 2026 ซึ่งเทียบเท่ากับอัตราการใช้เงินทุนที่สูงเป็นพิเศษประมาณ $600 ล้านต่อวัน แม้จะทุ่มเงินทุนในระดับนี้ กำลังการประมวลผลก็ยังคงมีข้อจำกัดอย่างรุนแรงทั่วทั้งระบบนิเวศคลาวด์ กำลังการประมวลผลของ Amazon Web Services [AWS] ถูกขายหมดตลอด 2026 ถูกขายไปเกือบหมดสำหรับ 2027 และมีการจัดสรรกำลังการประมวลผลจำนวนมากที่ผูกพันไว้แล้วไปจนถึง 2028 แม้ตลาดการเงินจะแสดงความกังขาเป็นครั้งคราวเกี่ยวกับขนาดเงินทุนมหาศาลที่จำเป็นต่อการขยายตัวนี้ แต่โครงสร้างพื้นฐานการประมวลผลระดับองค์กรได้กลายเป็นสาธารณูปโภคพื้นฐานสำหรับการค้า การธนาคาร การดูแลสุขภาพ และการดำเนินงานซอฟต์แวร์ทั่วโลก

การขยายตัวอย่างรวดเร็วนี้ก่อให้เกิดข้อแลกเปลี่ยนด้านการดำเนินงานและการเงินชั่วคราว ซึ่งคล้ายคลึงอย่างมากกับการขยายเครือข่ายทางกายภาพของ Amazon ในช่วงการระบาดใหญ่ ระหว่าง 2020 ถึง 2022 Amazon เพิ่มขนาดเครือข่ายจัดการคำสั่งซื้อเป็นสองเท่า โดยเครือข่ายทางกายภาพนี้สร้างขึ้นตลอดช่วง 25 ปีก่อนหน้า แต่การขยายดังกล่าวใช้เวลาเพียง 18 เดือน ในขณะเดียวกัน บริษัทสร้างเครือข่ายขนส่งช่วงสุดท้ายที่มีขนาดเทียบเคียงกับ United Parcel Service [UPS] ภายใน 20 เดือน

เมื่อโครงสร้างพื้นฐานทางกายภาพหรือดิจิทัลถูกสร้างขึ้นด้วยความเร็วสูงอย่างสุดขั้วเช่นนี้ ความไร้ประสิทธิภาพในการดำเนินงานย่อมเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ ในธุรกิจค้าปลีก การขยายขนาดอย่างรวดเร็วในระยะแรกสร้างแรงกดดันอย่างรุนแรงต่อต้นทุนการให้บริการ แทนที่จะลดทอนประสบการณ์ของลูกค้าหรือลดมาตรฐานการดำเนินงานที่เป็นส่วนหนึ่งของวัฒนธรรมองค์กร Amazon ใช้ตัวชี้วัดจากข้อมูลภายในและกลไกการทบทวนของผู้บริหารเพื่อระบุคอขวดเชิงโครงสร้าง สิ่งนี้นำไปสู่การออกแบบสถาปัตยกรรมโครงสร้างพื้นฐานโลจิสติกส์ใหม่ทั้งหมด โดยเปลี่ยนเครือข่ายจัดการคำสั่งซื้อแบบรวมระดับประเทศให้เป็นรูปแบบแบ่งตามภูมิภาค การแบ่งตามภูมิภาคทำให้สินค้าคงคลังอยู่ใกล้ผู้บริโภคปลายทางมากขึ้น พร้อมทั้งลดระยะทางขนส่ง ลดต้นทุนการให้บริการในการดำเนินงาน และเพิ่มความเร็วในการจัดส่ง

วิวัฒนาการทางสถาปัตยกรรมที่คล้ายกันกำลังเกิดขึ้นในโครงสร้างพื้นฐานดิจิทัล Andy Jassy ประธานเจ้าหน้าที่บริหารของ Amazon อธิบายการก่อสร้างศูนย์ข้อมูลในปัจจุบันว่าเป็นความจำเป็นทางอุตสาหกรรมยุคใหม่ โดยเปรียบเทียบกับโครงการโครงสร้างพื้นฐานของรัฐบาลกลางในอดีต “ไม่เคยมีสิ่งใดเช่นนี้ในโลกและในประเทศนี้ นับตั้งแต่อาจเป็นช่วงที่เราสร้างทางหลวงและสะพานในทศวรรษ 1950” Jassy กล่าว การข้ามหรือชะลอวัฏจักรการลงทุนนี้ก่อให้เกิดความเสี่ยงเชิงกลยุทธ์อย่างยิ่ง การไม่สร้างโครงสร้างพื้นฐานการประมวลผลภายในประเทศอาจทำให้สูญเสียความเป็นผู้นำด้านเทคโนโลยีและมาตรฐานการดำเนินงานให้แก่คู่แข่งต่างชาติ เช่น จีน

2. กลไกเศรษฐศาสตร์ศูนย์ข้อมูลและแรงต้านเกี่ยวกับโครงข่ายไฟฟ้าสาธารณะ

การทำความเข้าใจเศรษฐศาสตร์ของศูนย์ข้อมูลขนาดใหญ่มากต้องประเมินวัฏจักรเงินสดสองส่วนที่แตกต่างกัน ซึ่งกำกับโครงสร้างพื้นฐานคลาวด์:

  • โครงสร้างอาคารศูนย์ข้อมูลและโครงสร้างพื้นฐานด้านไฟฟ้า: โครงสร้างอาคารทางกายภาพของศูนย์ข้อมูลและการเชื่อมต่อไฟฟ้าต้องมีการผูกพันเงินทุนล่วงหน้าประมาณสองปีก่อนติดตั้งเซิร์ฟเวอร์ อย่างไรก็ตาม โครงสร้างอาคารเหล่านี้เป็นสินทรัพย์ที่มีอายุการใช้งาน 30 ปี ซึ่งต้องใช้เงินลงทุนหลักเพียงครั้งเดียว
  • เซิร์ฟเวอร์และฮาร์ดแวร์เครือข่าย: สินทรัพย์เทคโนโลยีสารสนเทศ เช่น ชั้นวางเซิร์ฟเวอร์ อุปกรณ์เครือข่าย หน่วยความจำแบนด์วิดท์สูง [HBM] และหน่วยความจำเข้าถึงโดยสุ่มแบบไดนามิก [DRAM] จะถูกซื้อเพียงไม่กี่เดือนก่อนนำไปใช้งาน สินทรัพย์เหล่านี้มีอายุการใช้งาน 5-ถึง-6 ปี โดยทั่วไปถึงจุดคุ้มทุนภายในสามปี และมีสัญญาลูกค้าระยะยาวที่มีระยะเวลาเฉลี่ยห้าปีรองรับ

เนื่องจากโครงสร้างอาคารศูนย์ข้อมูลต้องใช้เงินทุนล่วงหน้ามหาศาลก่อนสร้างรายได้สองปี ผู้ให้บริการคลาวด์ขนาดใหญ่มากจึงเผชิญแรงกดดันชั่วคราวอย่างมีนัยสำคัญต่อ FCF (กระแสเงินสดอิสระ) ในช่วงเร่งการก่อสร้าง กระแสเงินสดจะกลับสู่ภาวะปกติและเติบโตแบบทบต้นเมื่อสถานที่เริ่มดำเนินงาน มีการติดตั้งเซิร์ฟเวอร์ และสัญญาลูกค้าเริ่มสร้างรายได้ “แม้จะใช้จ่ายรายจ่ายฝ่ายทุน $220 พันล้านในปีนี้ เราก็ยังปล่อยให้อุปสงค์จำนวนมากไม่ได้รับการตอบสนอง” Jassy กล่าวระหว่างการอภิปราย

ในขณะเดียวกัน การพัฒนาโครงสร้างพื้นฐานขนาดใหญ่มากเผชิญแรงต้านทางการเมืองและจากสาธารณชนในพื้นที่เกี่ยวกับผลกระทบต่อสิ่งแวดล้อมและโครงข่ายไฟฟ้า ข้อมูลจากแหล่งเชิงประจักษ์หักล้างความเข้าใจผิดที่พบได้ทั่วไปหลายประการ:

  • การใช้น้ำ: ระบบทำความเย็นของศูนย์ข้อมูลมีประสิทธิภาพสูงเมื่อเทียบกับอาคารพาณิชย์แบบดั้งเดิม ตัวอย่างเช่น อุตสาหกรรมกอล์ฟใช้น้ำมากกว่าศูนย์ข้อมูลทั้งหมดของ Amazon รวมกัน 200 เท่า โดยใช้น้ำในสองวันมากกว่าที่ศูนย์ข้อมูลของ Amazon ใช้ตลอดทั้งปี
  • การปล่อยมลพิษและเครื่องกำเนิดไฟฟ้าสำรอง: เครื่องกำเนิดไฟฟ้าดีเซลสำรองในพื้นที่ไม่ได้ทำงานอย่างต่อเนื่อง โดยทำงานเฉพาะในช่วงไฟฟ้าดับและการบำรุงรักษาตามกำหนด คิดเป็นประมาณ 0.1% ของปี (ประมาณ 10 ชั่วโมงต่อปี)
  • ผลกระทบต่อเศรษฐกิจท้องถิ่นและโครงข่ายไฟฟ้า: ศูนย์ข้อมูลเป็นฐานภาษีขนาดใหญ่สำหรับชุมชนเทศบาลที่เป็นที่ตั้ง ในเทศมณฑลเซนต์โจเซฟ รัฐอินดีแอนา Amazon ได้จ่ายภาษีท้องถิ่นประมาณ $3 พันล้าน นอกจากนี้ Amazon ยังผูกพันเงิน $1 พันล้านตลอดห้าปีเพื่อสนับสนุนชุมชนที่เป็นที่ตั้งโดยตรงผ่านโครงการ "Built Together" แม้ความต้องการไฟฟ้าที่เพิ่มขึ้นอย่างรวดเร็วจะทำให้ต้องยกระดับโครงข่ายไฟฟ้าในระยะแรก แต่ข้อมูลในอดีตจากพื้นที่ในรัฐอินดีแอนา จอร์เจีย และมิสซิสซิปปีแสดงให้เห็นว่า เมื่อมีการติดตั้งกำลังรองรับของโครงสร้างพื้นฐานโครงข่ายไฟฟ้าระดับภูมิภาคแล้ว อัตราค่าสาธารณูปโภคในท้องถิ่นจะทรงตัวหรือลดลงเมื่อเวลาผ่านไป

3. อุปสงค์ปัญญาประดิษฐ์แบบบาร์เบลและบทบาทของชิปที่ออกแบบเฉพาะ

การนำปัญญาประดิษฐ์มาใช้ในองค์กรปัจจุบันแสดงให้เห็นความไม่สอดคล้องเชิงโครงสร้าง ซึ่ง Andy Jassy อธิบายว่าเป็น “อุปสงค์แบบบาร์เบล” การใช้กำลังการประมวลผลกระจุกตัวอย่างมากที่สองขั้วสุดของตลาด โดยภาระงานส่วนใหญ่ขององค์กรยังไม่ได้รับการเข้าถึง:

  • ขั้วที่ใช้กำลังการประมวลผลสูง: ประกอบด้วยห้องปฏิบัติการวิจัยปัญญาประดิษฐ์แนวหน้าและแอปพลิเคชันสำหรับผู้บริโภคที่เติบโตอย่างก้าวกระโดด ซึ่งใช้กำลังการประมวลผลมหาศาลโดยไม่คำนึงถึงราคา
  • ขั้วที่ใช้กำลังการประมวลผลต่ำ: ประกอบด้วยองค์กรที่ใช้ปัญญาประดิษฐ์เพื่อหลีกเลี่ยงต้นทุนและเพิ่มผลิตภาพในขอบเขตจำกัด เช่น การบริการลูกค้าอัตโนมัติและการตรวจจับการฉ้อโกง
  • ตลาดตรงกลางที่ยังไม่ได้รับการเข้าถึง: ประกอบด้วยแอปพลิเคชันหลักที่องค์กรใช้งานจริง ซึ่งส่วนใหญ่ยังคงผูกอยู่กับสถาปัตยกรรม CPU แบบเดิม

คอขวดหลักที่ขัดขวางไม่ให้ภาระงานหลักที่ใช้งานจริงเหล่านี้เปลี่ยนไปใช้ตัวเร่งการประมวลผลปัญญาประดิษฐ์คือต้นทุนการอนุมาน แม้ต้นทุนการอนุมานจะลดลง แต่ก็ยังสูงเกินไปหนึ่งลำดับขนาดที่จะทำให้การเขียนแอปพลิเคชันที่ใช้งานทั่วไปขึ้นใหม่มีความคุ้มค่า “ต้นทุนการอนุมาน... ในความเห็นของผมยังคงแพงเกินไปหนึ่งลำดับขนาดที่จะนำมาใช้ได้อย่างแพร่หลายที่สุดเท่าที่เป็นไปได้” Jassy ให้ข้อสังเกต หากส่วนต่างต้นทุนระหว่างการประมวลผลด้วย CPU มาตรฐานกับการประมวลผลที่เร่งด้วยปัญญาประดิษฐ์ยังคงสูง ประโยชน์ด้านประสิทธิภาพที่เพิ่มขึ้นต้องผ่านเกณฑ์ผลตอบแทนจากการลงทุนที่สูงเกินปกติ การลดต้นทุนการอนุมานจึงเป็นปัจจัยเร่งสำคัญเพียงประการเดียวที่จำเป็นต่อการปลดล็อกตลาดตรงกลางขนาดมหาศาลนี้

กลยุทธ์ของ Amazon ในการลดต้นทุนการอนุมานพึ่งพาชิปที่ออกแบบเฉพาะซึ่งพัฒนาโดย Annapurna Labs เป็นอย่างมาก โดยบริษัทเข้าซื้อกิจการนี้ใน 2015 เดิมที การเข้าซื้อ Annapurna มีเป้าหมายเพื่อย้ายงานด้านการจัดเก็บข้อมูล เครือข่าย การจำลองระบบเสมือน และความปลอดภัยออกจาก CPU ของเซิร์ฟเวอร์ไปยังการ์ดเชื่อมต่อเครือข่ายเฉพาะทาง [NICs] สถาปัตยกรรมนี้ทำให้ AWS สามารถจัดสรรกำลัง CPU ของเซิร์ฟเวอร์ Elastic Compute Cloud [EC2] เกือบ 100% ให้แก่ภาระงานของลูกค้าโดยตรง

รากฐานทางวิศวกรรมนี้นำไปสู่ชิปสำคัญสองตระกูล:

  • CPU Graviton: ชิป Graviton พัฒนาขึ้นเพื่อเป็นทางเลือกแทนสถาปัตยกรรม x86 แบบดั้งเดิม โดยให้ความได้เปรียบด้านประสิทธิภาพต่อราคา 40% เมื่อเทียบกับหน่วยประมวลผล x86 มาตรฐาน ปัจจุบัน ลูกค้า EC2 รายใหญ่ที่สุด 1,000 รายของ AWS มีการใช้งาน Graviton ถึง 99%
  • ตัวเร่งการประมวลผลปัญญาประดิษฐ์ Trainium: หน่วยประมวลผล Trainium ออกแบบมาโดยเฉพาะสำหรับการฝึกและการอนุมานของการเรียนรู้เชิงลึก โดยให้ความได้เปรียบด้านประสิทธิภาพต่อราคา 30% ถึง 40% เมื่อเทียบกับหน่วยประมวลผลกราฟิกเชิงพาณิชย์ของคู่แข่ง

ด้วยการลดต้นทุนการอนุมานลงหนึ่งลำดับขนาดผ่านชิปที่ออกแบบเฉพาะ Amazon มุ่งทำให้องค์กรทั่วไปสามารถเขียนแอปพลิเคชันซอฟต์แวร์หลักขึ้นใหม่เพื่อผสานปัญญาประดิษฐ์อย่างแพร่หลายได้อย่างคุ้มค่าทางเศรษฐกิจ

4. การออกแบบองค์กรในยุคเอเจนต์และความเป็นจริงด้านความมั่นคงปลอดภัยไซเบอร์

การแพร่หลายของปัญญาประดิษฐ์เชิงกำเนิดและเครื่องมือพัฒนาที่ขับเคลื่อนด้วยเอเจนต์กำลังเปลี่ยนแปลงวิศวกรรมซอฟต์แวร์ โครงสร้างทีม และรูปแบบการดำเนินงานขององค์กรอย่างถึงรากฐาน แนวโน้มในอดีตที่มุ่งสู่โครงสร้างองค์กรซึ่งแบ่งความเชี่ยวชาญเฉพาะอย่างยิ่ง โดยผู้จัดการผลิตภัณฑ์หรือวิศวกรแต่ละคนรับผิดชอบส่วนเล็กน้อยของผลิตภัณฑ์ กำลังหลีกทางให้กับทีมข้ามสายงานขนาดเล็กอย่างยิ่ง

ตัวอย่างสำคัญของการเปลี่ยนแปลงด้านความเร็วนี้เกิดขึ้นภายใน AWS เอง โดยทีมวิศวกรรม AWS Bedrock สร้างกลไกการอนุมานหลักขึ้นใหม่ทั้งหมดด้วยวิศวกร 6 คนภายใน 76 วัน ในอดีต โครงการโครงสร้างพื้นฐานขนาดนั้นต้องใช้วิศวกร 40 คนทำงานตลอดทั้งปี ในทำนองเดียวกัน ทีมภายในขนาดเล็กที่มีวิศวกร 4 ถึง 5 คนในปัจจุบันสามารถสร้างต้นแบบซอฟต์แวร์ที่พร้อมส่งมอบได้ 80% ภายในสุดสัปดาห์เดียว

ตัวชี้วัดความเร็วเหล่านี้ส่งสัญญาณถึงการเปลี่ยนผ่านขั้นพื้นฐานในวิธีที่องค์กรด้านเทคนิคจัดสรรทุนมนุษย์:

  • การเปลี่ยนแปลงขนาดกำลังคน: องค์กรซอฟต์แวร์จะต้องการนักพัฒนาที่เป็นมนุษย์น้อยลงสำหรับงานแบบเดิม เช่น การเขียนโค้ดด้วยตนเอง การประมวลผลเอกสารกฎหมายพื้นฐาน และงานข่าวกรองธุรกิจตามปกติ “ในอนาคต เราจะมีมนุษย์ทำงานที่พวกเขากำลังทำอยู่ในวันนี้น้อยกว่าที่เรามีในวันนี้” Jassy อธิบาย
  • ทีมที่เป็นข้ามสายงานตั้งแต่ต้น: ทีมพัฒนาจะดำเนินงานด้วยโครงสร้างที่เล็กลงและยืดหยุ่นสูง เริ่มต้นในขั้นตอนการสร้างที่ก้าวหน้า โดยใช้โมเดลปัญญาประดิษฐ์ดำเนินงานประจำ 80%
  • ระยะเวลาสู่ตลาดที่สั้นลง: วัฏจักรการปรับปรุงผลิตภัณฑ์กำลังหดสั้นจากแผนงานที่ใช้เวลาหลายเดือนเหลือรอบเร่งพัฒนาต้นแบบที่ใช้เวลาเพียงหลายวัน

อย่างไรก็ตาม ความเร็วที่ขับเคลื่อนด้วยเอเจนต์ก่อให้เกิดภัยคุกคามด้านความมั่นคงปลอดภัยไซเบอร์ที่รุนแรง โมเดลปัญญาประดิษฐ์ขั้นสูงกำลังค้นพบช่องโหว่ของซอฟต์แวร์ได้เร็วกว่าที่ผู้เชี่ยวชาญด้านความปลอดภัยที่เป็นมนุษย์หรือผู้ทดสอบการเจาะระบบแบบดั้งเดิมจะระบุได้

ตามแนวทางดั้งเดิม ความปลอดภัยของซอฟต์แวร์อาศัยการระบุช่องโหว่ การจัดทำแพตช์ การทดสอบส่วนที่พึ่งพากัน และการติดตั้งการอัปเดต ซึ่งเป็นกระบวนการที่มักใช้เวลาหลายสัปดาห์หรือหลายเดือน ในสภาพแวดล้อมภัยคุกคามที่ขับเคลื่อนด้วยเอเจนต์ องค์กรต้องลดเวลาการติดตั้งแพตช์ลงเหลือระดับนาที เพื่ออยู่รอดจากการเปลี่ยนแปลงนี้ องค์กรต้องเขียนฐานโค้ดเดิมขึ้นใหม่เป็นสถาปัตยกรรมที่รองรับเอเจนต์โดยกำเนิด เพื่อให้เอเจนต์ซอฟต์แวร์อัตโนมัติสามารถค้นหา แก้ไขด้วยแพตช์ และติดตั้งการอัปเดตได้อย่างต่อเนื่องโดยไม่ต้องอาศัยมนุษย์เข้าแทรกแซงด้วยตนเอง

5. การจัดสรรเงินทุน พันธมิตรเชิงกลยุทธ์ และการสร้างผลิตภัณฑ์หลักขึ้นใหม่

กลยุทธ์การใช้เงินทุนของ Amazon ผสานการพัฒนาชิปกรรมสิทธิ์กับพันธมิตรเชิงกลยุทธ์มูลค่าหลายพันล้านดอลลาร์กับผู้พัฒนาโมเดลปัญญาประดิษฐ์ชั้นนำ

ผ่านความร่วมมือกับ Anthropic AWS ทำหน้าที่เป็นผู้ให้บริการหลักด้านการฝึกและการอนุมานสำหรับโมเดล Claude Anthropic ได้ผูกพันการติดตั้งระบบประมวลผลระดับหลายกิกะวัตต์ที่สร้างบนชิป Trainium พร้อมนำเสนอโมเดลของตนให้ใช้งานโดยตรงบน AWS Bedrock ในทำนองเดียวกัน Amazon ได้ขยายระบบนิเวศเพื่อรองรับภาระงานของ OpenAI บน AWS โดยร่วมพัฒนาสภาพแวดล้อมการทำงานขณะรันแบบคงสถานะเฉพาะทางที่ออกแบบมาโดยเฉพาะสำหรับการดำเนินงานด้วยเอเจนต์

นอกเหนือจากการรองรับโมเดลภายนอก กลยุทธ์เทคโนโลยีระดับองค์กรยังต้องสร้างผลิตภัณฑ์ที่พัฒนาเต็มที่และประสบความสำเร็จอย่างสูงขึ้นใหม่ตั้งแต่รากฐาน แทนที่จะพึ่งพาการอัปเดตคุณสมบัติทีละเล็กน้อย Jassy ยกการปรับปรุง Amazon Alexa ใหม่ทั้งหมดเป็นกรณีศึกษา แม้สถาปัตยกรรมดั้งเดิมของ Alexa จะเป็นนวัตกรรมล้ำหน้าเมื่อเปิดตัว แต่การมาถึงของปัญญาประดิษฐ์เชิงกำเนิดทำให้ต้องเปลี่ยนกลไกพื้นฐานทั้งหมด

แม้การอัปเดตซอฟต์แวร์เดิมทีละเล็กน้อยจะทำได้ง่ายกว่าในเชิงองค์กร แต่การรักษาความเป็นผู้นำตลาดต้องอาศัยการเขียนระบบพื้นฐานขึ้นใหม่ แอปพลิเคชันระดับองค์กรที่เป็นที่ยอมรับในธุรกิจค้าปลีก วิดีโอสตรีมมิง และการจัดการคลาวด์ต้องได้รับการออกแบบใหม่ทั้งหมดให้รองรับปัญญาประดิษฐ์โดยกำเนิด เพื่อคงความสามารถในการแข่งขันกับสตาร์ตอัปที่รองรับเอเจนต์โดยกำเนิดซึ่งกำลังเกิดขึ้น

ตัวเลขสำคัญ

  • $220 พันล้าน: รายจ่ายลงทุนที่คาดไว้ของ Amazon ใน 2026 (~$600 ล้านต่อวัน)
  • 36.7%: การเติบโตของรายได้ AWS เมื่อเทียบกับปีก่อนในไตรมาสล่าสุด โดยมีอัตรารายได้เทียบเต็มปีที่ $169 พันล้าน
  • $25+ พันล้าน: อัตรารายได้เทียบเต็มปีของธุรกิจปัญญาประดิษฐ์เชิงสร้างสรรค์ของ AWS ภายใน 3 ปีแรก (เทียบกับอัตรารายได้เทียบเต็มปีที่ $60 ล้านหลังผ่านไป 3 ปีในช่วงเริ่มต้นของ AWS)
  • 80%: การเติบโตโดยประมาณของรายได้รวมของ Amazon ตั้งแต่ 2021 ถึงปัจจุบัน
  • 3x: ขนาดการเติบโตของ AWS ตั้งแต่ 2021 ถึงปัจจุบัน
  • 2.5x: การเติบโตของรายได้โฆษณาของ Amazon ตั้งแต่ 2021 ถึงปัจจุบัน
  • 30 ปี เทียบกับ 5–6 ปี: อายุการใช้งานของโครงสร้างพื้นฐานศูนย์ข้อมูล (30 ปี) เทียบกับอุปกรณ์เซิร์ฟเวอร์และเครือข่าย (5–6 ปี ระยะเวลาคืนทุน ~3 ปี)
  • 40%: การปรับปรุงประสิทธิภาพต่อราคาของหน่วยประมวลผลกลาง Graviton เมื่อเทียบกับหน่วยประมวลผลมาตรฐาน x86
  • 30%–40%: ความได้เปรียบด้านประสิทธิภาพต่อราคาของชิปปัญญาประดิษฐ์ Trainium เมื่อเทียบกับหน่วยประมวลผลที่เทียบเคียงกัน
  • 200x: อัตราที่สนามกอล์ฟใช้น้ำมากกว่าศูนย์ข้อมูลของ Amazon
  • 0.1%: สัดส่วนเวลาตลอดปีที่เครื่องกำเนิดไฟฟ้าสำรองทำงาน (ประมาณ 10 ชั่วโมงต่อปี)
  • $3 พันล้าน: ภาษีที่ Amazon จ่ายในเทศมณฑลเซนต์โจเซฟ รัฐอินดีแอนา
  • $1 พันล้าน: วงเงินที่ให้คำมั่นสนับสนุนชุมชนที่ตั้งศูนย์ข้อมูลตลอดห้าปีผ่านโครงการ "Built Together"
  • วิศวกร 6 คนใน 76 วัน: ขนาดงานของทีม Bedrock ในการสร้างกลไกการอนุมานขึ้นใหม่ (เทียบกับในอดีตที่ใช้ 40 คนเป็นเวลา 1 ปี)

สิ่งที่จะเปลี่ยนภาพนี้

  1. ต้นทุนการอนุมานที่ลดลงอย่างมาก: ต้นทุนการอนุมานที่ลดลงมหาศาลจากชิปที่ออกแบบเฉพาะ (เช่น Trainium) ซึ่งกระตุ้นให้ส่วนกลางของโครงสร้างแบบ "บาร์เบล" (แอปพลิเคชันองค์กรที่ใช้งานทั่วไป) เปลี่ยนออกจากสถาปัตยกรรมที่ใช้หน่วยประมวลผลกลางเพียงอย่างเดียว
  2. การคลี่คลายข้อจำกัดด้านอุปทานชิ้นส่วนและพลังงาน: การขยายตัวอย่างมีนัยสำคัญของห่วงโซ่อุปทานหน่วยความจำ (HBM/DRAM) พลังงาน และระบบระบายความร้อน ซึ่งช่วยปลดล็อกกำลังรองรับให้เกินข้อจำกัดในปัจจุบันที่ถูกจองเต็มแล้ว (2026–2028)
  3. การเขียนระบบใหม่ด้วยเอเจนต์อัตโนมัติอย่างแพร่หลาย: องค์กรปรับปรุงสถาปัตยกรรมฐานรหัสเดิมให้รองรับเอเจนต์โดยกำเนิดได้สำเร็จ ทำให้สามารถนำแพตช์ความปลอดภัยขึ้นใช้งานได้ทุกนาที
  4. การเปลี่ยนแปลงความร่วมมือด้านโครงสร้างพื้นฐานระหว่างภาครัฐและเอกชน: การเร่งลงทุนของรัฐบาลกลางและท้องถิ่นเพื่อเพิ่มขีดความสามารถของโครงข่ายไฟฟ้าให้สอดคล้องกับความต้องการระดับอุตสาหกรรมของการประมวลผลขนาดมหาศาล

หากต้องการสำรวจบทวิจัยฟรีเพิ่มเติมหรือทดสอบแบบจำลองของคุณเอง โปรดเยี่ยมชมแพลตฟอร์ม DeepValues Research หรือลองใช้แอป DeepValues

เอกสารอ้างอิง

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

ดู

ลิงก์แหล่งข้อมูล

ดูและฟัง

วิจัยบริษัท

เนื้อหางานวิจัยใช้สัญญาอนุญาต CC BY 4.0, อ้างอิงดังนี้: DeepValues Research, กลยุทธ์โครงสร้างพื้นฐาน AI มูลค่า $220 พันล้านของ Amazon: ชิปที่ออกแบบเฉพาะ เศรษฐศาสตร์ของศูนย์ข้อมูล และการขยาย AI ในระดับองค์กร, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-th/

อีเมลรายสัปดาห์ฟรี

Margin of Safety Weekly

ทุกวันเสาร์: ภาวะตลาด สิ่งที่นักลงทุนชั้นนำซื้อและขาย (รายงานแบบ 13F) งานวิจัยใหม่ประจำสัปดาห์ รวมถึงวิดีโอและพอดแคสต์ของเรา — ฟรี ไม่ต้องมีบัญชี

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

เจาะลึกต่อ

วิเคราะห์หุ้นใดก็ได้แบบนี้ใน 2 นาที

Deep Value Intelligence นักวิเคราะห์ AI แบบหลายเอเจนต์ที่จัดทำรายงานนี้ สามารถสร้างรายงานแบบเดียวกันสำหรับบริษัทจดทะเบียนใดก็ได้ตามคำขอ

เปิด Deep Value Intelligence

ติดตามหุ้น 300+ ตัวในแอป DeepValues

มุมมอง มูลค่าที่แท้จริง และรายงานล่าสุดบนมือถือของคุณ

สำหรับนักพัฒนา: มุมมองและรายงานผ่าน API

ข้อมูลพื้นฐาน มูลค่าที่แท้จริง มุมมอง และลิงก์รายงานที่ใช้ในหน้าเหล่านี้ ในรูปแบบ JSON

เอกสาร API

พูดคุย