Insights AI
กลยุทธ์โครงสร้างพื้นฐาน AI มูลค่า $220 พันล้านของ Amazon: ชิปที่ออกแบบเฉพาะ เศรษฐศาสตร์ของศูนย์ข้อมูล และการขยาย AI ในระดับองค์กร
พอดแคสต์ · ฟัง (20 นาที)
สารบัญ
- 1. ภาวะกลืนไม่เข้าคายไม่ออกของรายจ่ายฝ่ายทุน: การขยายโครงสร้างพื้นฐานภายใต้อุปสงค์ที่ไม่รู้จักอิ่มตัว
- 2. กลไกเศรษฐศาสตร์ศูนย์ข้อมูลและแรงต้านเกี่ยวกับโครงข่ายไฟฟ้าสาธารณะ
- 3. อุปสงค์ปัญญาประดิษฐ์แบบบาร์เบลและบทบาทของชิปที่ออกแบบเฉพาะ
- 4. การออกแบบองค์กรในยุคเอเจนต์และความเป็นจริงด้านความมั่นคงปลอดภัยไซเบอร์
- 5. การจัดสรรเงินทุน พันธมิตรเชิงกลยุทธ์ และการสร้างผลิตภัณฑ์หลักขึ้นใหม่
- ตัวเลขสำคัญ
- สิ่งที่จะเปลี่ยนภาพนี้
- 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
- ต้นทุนการอนุมานที่ลดลงอย่างมาก: ต้นทุนการอนุมานที่ลดลงมหาศาลจากชิปที่ออกแบบเฉพาะ (เช่น Trainium) ซึ่งกระตุ้นให้ส่วนกลางของโครงสร้างแบบ "บาร์เบล" (แอปพลิเคชันองค์กรที่ใช้งานทั่วไป) เปลี่ยนออกจากสถาปัตยกรรมที่ใช้หน่วยประมวลผลกลางเพียงอย่างเดียว
- การคลี่คลายข้อจำกัดด้านอุปทานชิ้นส่วนและพลังงาน: การขยายตัวอย่างมีนัยสำคัญของห่วงโซ่อุปทานหน่วยความจำ (HBM/DRAM) พลังงาน และระบบระบายความร้อน ซึ่งช่วยปลดล็อกกำลังรองรับให้เกินข้อจำกัดในปัจจุบันที่ถูกจองเต็มแล้ว (2026–2028)
- การเขียนระบบใหม่ด้วยเอเจนต์อัตโนมัติอย่างแพร่หลาย: องค์กรปรับปรุงสถาปัตยกรรมฐานรหัสเดิมให้รองรับเอเจนต์โดยกำเนิดได้สำเร็จ ทำให้สามารถนำแพตช์ความปลอดภัยขึ้นใช้งานได้ทุกนาที
- 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
- $220B AI Bet: How AWS Custom Chips Cut Costs 40% YouTube · EN
- 亞馬遜砸2200億美元搶AI:自研晶片如何把成本砍掉四成 YouTube · 中文
- $220B AI Bet: How AWS Custom Chips Cut Costs 40% พอดแคสต์ · EN
- 亞馬遜砸2200億美元搶AI:自研晶片如何把成本砍掉四成 พอดแคสต์ · 中文