Amazon 与 Google 的 AI 竞赛：AWS 想要的是平台，而不只是最佳模型

尽管 AWS 报告了 18 个季度以来最快的增长，Amazon 仍在调整其 AI 模型战略。Amazon 与 Google 竞争中的矛盾正变得愈发清晰。

Google 希望 Gemini 成为领先模型、面向消费者的助手，以及其产品内部的智能核心。Amazon 则希望客户通过 AWS 运行几乎所有重要模型。

这一差异比又一次基准测试胜利更重要。Amazon 不需要 Nova 击败每一个 Google、OpenAI 或 Anthropic 模型。它需要 Bedrock、Trainium 和 AWS 基础设施无论哪个模型胜出，都能承接需求。

这一战略并非没有风险。据报道，Amazon 在 7 月开始逐步缩减多个 Nova 项目，同时将研究人员整合到一项新的前沿模型工作中。这项重组表明，其原有的模型组合并未形成足够的势头。

不过，Amazon 最新业绩也说明了为何公司能够承受不同定义的胜利。根据季度业绩，AWS 销售额在第二季度增长了 37%。Amazon 还表示，其 AI 和芯片业务的年化营收运行率均已达到可观规模。

Google 提出了最有力的反驳。它拥有备受认可的模型家族、定制芯片、不断增长的云业务、Search 分发渠道，以及覆盖范围极广的消费级 AI 产品。

因此，Amazon 与 Google 的竞争远不止 Nova 对 Gemini。这是一场围绕掌控智能本身，以及掌控其周边基础设施、分发渠道和企业客户关系的较量。

Amazon 正在收窄模型押注，而 AWS 正在加速

Amazon 据报对 Nova 的收缩，最好被理解为资源集中，而非退出人工智能领域。

Reuters 于 7 月 28 日报道称，Amazon 正在逐步缩减多款自研模型，并将资源集中于一项新的前沿模型计划。该报道援引了熟悉内部重组情况的人士。

Amazon 推出 Nova 时，将其定位为一个广泛的模型家族，而非单一聊天机器人。其产品组合覆盖文本、图像、视频、语音、推理和模型定制。

这种广度让 AWS 能够为多种工作负载提供模型。但与此同时，Amazon 也必须支持多条成本高昂的研究路线，而竞争对手则将注意力集中在更少的旗舰品牌上。

据报的重组正是为了应对这一问题。Amazon 正将工程师和算力集中到一项规模更小的前沿模型工作上，据称由机器人学研究员 Pieter Abbeel 领导。

Amazon 尚未公开详述受影响的每一个模型或团队，也没有公布 Nova 产品组合的完整退役时间表。

这一区别很重要。据报的内部缩减并不意味着所有现有 Nova 端点都会立即从 Bedrock 中消失。

AWS 会发布模型生命周期信息，帮助客户规划迁移。企业用户应关注这些通知，而不应假设研究重组就等同于服务即时关闭。

这一时机看似存在矛盾。Amazon 一边缩减部分模型业务，一边加大 AI 基础设施投入，并报告更强劲的云业务增长。

当把 Amazon 的激励因素拆开来看，这一矛盾便不复存在。

专有模型必须凭自身实力吸引开发者。它需要强劲的评估表现、可靠的行为、具竞争力的运营成本、快速更新，以及足够的知名度来影响采购决策。

云平台则有更广泛的营收路径。它可以销售算力、存储、数据库、安全、网络、模型访问、智能体基础设施和部署工具。

当客户选择 Amazon 模型时，AWS 可以获得使用收入。当该客户选择 Claude、OpenAI 模型或其他受支持系统时，它同样可以参与其中。

这似乎正是 Amazon 所追求的更有价值的位置。目标并非放弃模型研究，而是即便外部实验室推出了首选模型，也要让 AWS 保持价值。

Bedrock 目前支持超过 100 个基础模型，即在广泛数据集合上训练、具备适应能力的系统。AWS 表示，该服务已有超过 10 万家组织使用。

这些数字是公司声明，但它们表明了 Amazon 如何界定自身优势：目录及其运营层的重要性高于单一排行榜位置。

重新设计的 Bedrock 体验使这一意图更加明确。开发者可以使用与流行的 OpenAI 和 Anthropic 软件库兼容的接口。

兼容性降低了切换工作量。团队无需重建每一个周边应用组件，就能评估另一种模型。

Amazon 在 2026 年将 OpenAI 模型加入 Bedrock，与 Anthropic、Meta、Mistral、Cohere 和 Amazon 的产品并列。该 Bedrock 集成提供统一的安全、治理和成本控制。

这构成了 Amazon 叙事中的第一个重大反转。支持与 Nova 竞争的模型，仍然可以增强 AWS。

随着其内部竞争加剧，该平台会变得更有用。Amazon 可以在单个模型评估中失利，却赢得由此带来的云工作负载。

这并不能证明其战略必然成功。它只能说明，Amazon 设计了一项业务：模型领导力只是创造价值的路径之一。

为什么 Amazon 与 Google 的比较如今至关重要

Google 给 Amazon 带来压力，是因为它在同一家公司内结合了模型质量、云基础设施、定制芯片、消费者分发和专有数据。

许多 AI 比较将 Amazon 与 OpenAI 或 Anthropic 并列。这些比较对于模型性能很有帮助，但它们忽略了更深层的商业冲突。

Google 才是更完整的战略对手。Google Cloud 与 AWS 直接竞争，而 Gemini 则与 Amazon 的模型，以及通过 Bedrock 提供的第三方系统竞争。

Google 可以通过 Search、Workspace、Android、Cloud 和其消费者应用分发 Gemini。每一个入口都提供了吸引用户或销售算力的额外机会。

Alphabet 表示，Google Cloud 在 2026 年第二季度的营收同比增长 82%。该公司还报告称，第一方模型 API 每分钟处理约 220 亿个 token。

Token 是文本或其他模型输入的小单位。Token 数量可粗略反映开发者和产品对 AI 系统的使用强度。

根据 Google 的财报摘要，Gemini 应用的月活跃用户达到 9.5 亿。这种分发能力赋予 Google 一项 Amazon 所缺乏的优势：一个广为人知的消费者 AI 目的地。

Google 可以改进 Gemini，将其展示给现有用户，并通过 Google Cloud 销售底层能力。它还可以在广告、搜索、生产力和开发者产品中使用该模型。

Amazon 也拥有强大的消费者入口，包括 Alexa 和其购物平台。然而，Nova 尚未成为可与 Gemini 或 ChatGPT 相提并论的消费者品牌。

Amazon 的优势在别处。AWS 已经为庞大的企业客户群管理数据库、应用、身份、安全策略和计算环境。

这种既有关系非常重要，因为生产级 AI 系统需要的不只是模型访问。它们还需要权限、监控、数据检索、审计记录、网络控制和可预测的运营。

模型可以在演示中生成有用答案。生产服务则必须在遵守组织规则的同时，持续生成可接受的答案。

Amazon 希望在演示与运营之间的这道鸿沟中获取价值。

Bedrock 允许客户比较模型，而无需将整个应用迁移到另一家云服务商。AgentCore 及相关 AWS 服务则面向 AI 智能体的执行层。

AI 智能体是利用模型规划并跨工具执行操作的软件。模型提供推理能力，但周边系统控制身份、记忆、权限和执行。

这些周边系统可能比模型更难替换。模型变化很快，而企业数据架构和安全控制的迁移速度较慢。

这正是 Amazon 的模型中立主张具有吸引力的原因。企业买家并不知道明年哪个模型家族会在每种工作负载中领先。

一个团队可能更倾向于将 Claude 用于编码工作流。另一个团队则可能选择 OpenAI 系统进行工具调用、使用 Nova 做媒体分析，或使用更小的模型进行常规分类。

Amazon 希望每一种选择都能为同一基础设施层创造需求。

Google 通过 Vertex AI 也提供模型选择，因此 Amazon 并不独享这一理念。Microsoft 同样在其企业云业务中运营多模型目录。

差异在于侧重点。Google 可以让 Gemini 成为异常广泛的产品网络中的默认选择。Amazon 则将 Bedrock 呈现为由客户自主选择的受控环境。

这给两家公司都带来了压力。

Amazon 必须证明，中立性比拥有首选模型及其分发渠道更具价值。Google 则必须证明，其一体化技术栈不会限制客户选择或造成不受欢迎的依赖。

因此，Amazon 与 Google 的竞争并非简单的模型之争。它提出的问题是：企业会偏好广泛的模型公用平台，还是一体化的智能平台。

有价值的层是模型周边的一切

Amazon 的核心押注是，模型智能将变得更可互换，而对算力和业务数据的受治理访问仍将稀缺。

模型因用户能看到其输出而吸引关注。基础设施则大多不可见，直到应用变得昂贵、不可靠或难以治理。

生产工作负载会迅速暴露这些隐藏要求。

设想一家正在为客服代表构建助手的公司。该助手必须检索获批准的账户信息、遵守员工权限、引用现行政策，并避免泄露其他客户的记录。

选择一个能力强的模型只能解决其中一部分问题。公司仍然需要数据连接、身份检查、可观测性、评估和升级处理流程。

切换模型可能只需修改一次 API 调用并测试新输出。迁移每个数据库、权限、日志和工作流则可能需要更多工作。

Amazon 希望 AWS 掌控这种持久的运营环境。

其定制 Trainium 芯片服务于同一战略。训练和运行模型会消耗大量算力，因此硬件供应能力和效率在商业上十分重要。

据 Amazon 的公司业绩，Anthropic 使用的大型 AWS 集群 Project Rainier 包含超过 50 万枚 Trainium2 芯片。到 2026 年年中，几乎所有 Trainium3 供应预计都已被预订。

这些说法表明需求强劲，尽管公司披露并未完全揭示工作负载构成或客户集中度。

Anthropic 为 Amazon 模型无关战略的优势及其局限提供了一个具体例子。

Claude 不是 Amazon 模型。不过，当 Claude 在 AWS 芯片上运行、出现在 Bedrock 中并为支持服务创造需求时，Amazon 仍然可以从中受益。

Anthropic 在 4 月表示，其与 Amazon 扩展后的协议涵盖最高五吉瓦的新增计算容量。该公司还称，已有超过 10 万名客户通过 Bedrock 运行 Claude。

吉瓦衡量的是电力功率，而非模型性能。这一数字反映了训练和提供高频使用系统所需的基础设施规模。

这项计算协议也让 Claude 能够继续在 AWS、Google Cloud 和 Microsoft Azure 上提供服务。因此，Anthropic 可受益于多个云端渠道，而非完全依赖 Amazon。

这种安排体现了平台层面的取舍。

Amazon 获得了工作负载，却不控制模型。Anthropic 获得了分发渠道，同时没有给予 Amazon 独家权利。

客户获得了更多选择，但仍可能依赖 Bedrock 特有的编排、安全和数据服务。选择模型并不会自动消除平台锁定。

Amazon 与 OpenAI 的关系延续了同样的逻辑。AWS 可以托管两个重要的外部模型系列，它们彼此竞争，也与 Nova 竞争。

零售商会称之为货架空间。云服务商则称之为托管式模型访问。

其战略价值来自汇聚需求。如果客户在 Bedrock 内测试这些模型，Amazon 就不必预测每一个胜出的模型。

模型路由让这一逻辑更加强大。路由软件会根据质量、延迟、可用性或成本等因素，为每项请求选择模型。

复杂的编程请求可能会交给前沿模型。基础分类任务则可以交给资源消耗更少的小型系统。

随着路由能力改进，模型品牌对终端用户而言可能变得不那么显眼。云平台因控制选择、监控和计费而获得更大影响力。

Amazon 尚未证明这一结果不可避免。一些开发者偏好直接使用供应商 API，因为他们能更早获得新功能。

供应商也可能将重要能力保留在自己的平台上。云端目录中的模型可能较晚上线，或提供的控制选项更少。

尽管如此，Amazon 已为企业同时使用多种模型的世界做好布局。模型市场越分散，聚合的价值就越高。

Google 也通过 Vertex AI 受益于市场分散化。不过，Google 也更有动力让 Gemini 成为其产品体系中的默认智能能力。

这种差异塑造了两家公司的投资逻辑。

Google 通过垂直整合寻求价值，这意味着它控制了从芯片到消费者产品的多个相互连接层级。Amazon 则通过协调更为多样化的供应商基础来寻求价值。

Amazon 仍在开发模型，因为平台中立不能意味着技术依赖。Nova 为 AWS 提供了谈判筹码、内部专业能力、差异化产品，以及外部条款变化时的备用方案。

因此，据报道的 Nova 重组并未抹去自有模型战略。它只是将产品组合收缩至那些自主拥有可能带来实质优势的领域。

一款成功的 Amazon 新前沿模型将强化 Bedrock。若模型表现令人失望，只要第三方需求持续增长，其负面影响也会较小。

这种不对称结果正是 Amazon 方法的核心。

Amazon 的平台优势也存在真实弱点

广泛的目录只有在客户获得最新模型、一致的功能、可靠的迁移方案以及可信的退出自由时，才会产生价值。

对 Amazon 战略最有力的批评始于时效性。模型开发商往往会先通过直接服务发布最新功能。

因此，Bedrock 客户可能面临艰难选择：团队可以保留 AWS 治理能力并等待，或转向直接供应商以立即获得访问权限。

这种延迟在竞争激烈的产品开发中至关重要。新的推理能力或更低延迟的模型可能影响应用质量和运营成本结构。

模型种类丰富也可能流于表面。包含许多旧系统的目录，并不等同于包含最相关最新选择的目录。

AWS 文档提供了生命周期日期，但模型弃用时，客户仍需承担迁移工作。提示词行为、输出格式、安全规则和工具调用方式都可能因替代模型而异。

一致的 API 能减少集成摩擦，但不能让不同模型表现得完全相同。

据报道的 Nova 收缩进一步凸显了这一担忧。使用受影响 Amazon 模型的组织需要清晰的时间表和受支持的迁移路径。

Amazon 尚未公开足够细节，以判断对每种 Nova 工作负载的影响。因此，报道应区分已确认的生命周期通知与内部战略相关报道。

另一项风险来自集中度。

Amazon 将 Bedrock 称为多模型平台，但其最深入的合作关系正日益围绕几家大型美国供应商展开。商业协议可能影响哪些系统最先上线，以及哪些系统获得最佳集成。

这并不意味着 Bedrock 是封闭的，但确实意味着中立性应通过产品可用性来判断，而非营销措辞。

客户应比较发布时间、区域可用性、定制支持、安全控制以及对供应商特定功能的访问。

Google 可以利用这里的任何弱点。如果 Gemini 保持竞争力，且 Google Cloud 提供紧密集成，买家可能更偏好一个连贯的技术栈，而不是一个支持程度不均衡的目录。

Google 第二季度的增长势头为这一观点增添了分量。其云业务增长达到 82%，Gemini 的使用也在消费者和开发者渠道中扩展。

Amazon 的 AWS 增长 37% 同样相当可观。这些数据表明，两种基础设施战略都在吸引需求，而非已经产生明确胜者。

资本密集度带来了另一项不确定性。

AI 数据中心、芯片和电力容量需要在未来全部需求显现前作出承诺。Amazon 在最新业绩公布后提高了计划中的技术支出。

这些支出还涵盖生成式 AI 之外的项目，包括机器人和卫星。因此，不应将其视为模型投资的纯粹衡量指标。

关键问题在于，利用率能否足够快地增长以支撑这些资产。闲置容量会压缩回报，而容量受限则可能将客户推向其他地方。

Amazon 表示需求依然强劲。其 AI 和芯片业务已达到显著的年化运行规模，AWS 增长也已连续多个季度加速。

这些公司数据支持基础设施逻辑，但无法证明在扣除折旧和能源成本后，每个新增 AI 工作负载能带来多少增量利润。

同样的担忧也适用于 Google。快速的云业务增长并不能消除扩建数据中心和部署自研芯片的成本。

企业采用则呈现不同挑战。

企业往往会测试多个模型，却未必将成功实验转入大规模生产。安全审查、输出不可靠、数据质量和不清晰的业务回报，都可能阻碍部署。

当客户超越实验阶段时，Bedrock 才能获得更多战略价值。仅凭 token 使用量无法说明应用是否创造了持久的客户价值。

买家应考察工作负载层面的证据。有用指标包括使用应用的员工人数、完成的任务、错误率、审查时间以及持续保留的生产工作负载。

当模型变化时，知识工作者也需要连续性。笔记、源材料和决策应能在任何单一助手之外继续访问。

个人AI 知识库可以保存这些上下文，尽管企业系统需要更广泛的治理。原则相同：将持久知识与不断变化的模型层分开保留。

监管增加了另一项约束。在不同司法辖区运营的企业，需要对数据位置、保留、访问和模型评估进行控制。

云平台可通过集中化政策简化这些任务，但也可能让企业更依赖平台的合规工具和合同条款。

只有当聚合减少的复杂性多于其创造的复杂性时，Amazon 的方法才能获胜。

这一结果不能从可用模型的数量中直接推断。它必须体现在更快的部署、更容易的迁移、更稳定的应用以及可衡量的客户留存上。

Amazon 与 Google AI 竞争中值得关注的事项

下一阶段将由生产环境采用、模型发布纪律和基础设施经济性决定，而非单一基准测试图表。

第一个信号是 Amazon 的下一次前沿模型发布。

报道称，集中后的研究团队正在开发一款新的旗舰系统。其发布将显示，Amazon 只是缩减覆盖范围，还是正围绕更强的技术核心重建。

性能很重要，但采用情况更重要。Amazon 需要开发者为真实工作负载选择该模型，而不只是发布后进行测试。

最具揭示性的细节将包括支持的模态、工具使用、延迟、定制能力、区域可用性，以及现有 Nova 用户的迁移选项。

清晰的路线图将强化 Amazon 的论点。围绕 Nova 生命周期日期的持续不确定性则会削弱它。

第二个信号是相对云业务增长与 AI 利用率。

AWS 在最新季度增长 37%，而 Google Cloud 增长 82%。这些百分比基于不同的收入规模，因此不应被视为直接的市场份额比分。

未来披露应显示，AWS 在增加更多外部模型后能否维持加速增长，也应显示 Google 能否将 Gemini 的分发转化为持久的云需求。

最有用的衡量指标将包括生产客户、已承诺容量、模型 API 使用量、基础设施利用率，以及 AI 相关服务的增长。

如果客户使用多家模型供应商，同时将数据和智能体运营保留在 AWS 内，Amazon 的论点将得到强化。若重要工作负载直接转向模型公司或竞争性云平台，这一论点则会减弱。

如果 Gemini 同时推动消费者参与度和企业云采用，Google 的论点将得到强化。若客户将 Gemini 视为另一家公司平台内可互换的模型之一，这一论点则会减弱。

第三个信号是云市场之间的发布一致性。

Amazon 可以宣称提供广泛选择，但开发者将根据主要模型和功能上线的速度来判断，也会评估 Bedrock 是否提供了直接 API 可用的控制能力。

OpenAI 进入 Bedrock 改善了 Amazon 的地位。Anthropic、Google 和其他供应商持续发布新内容，将使该平台更具可信度。

更新延迟则会产生相反结果。开发者不会仅为了统一控制平面而接受永久性的功能差距。

Google 面临相关考验。Vertex AI 必须提供真正的模型选择，同时 Google 继续在其各类产品中推广 Gemini。

这些信号将揭示，哪一种平台开放性的定义能在商业压力下延续。

对企业买家而言，眼下的应对措施应当务实。在可行的情况下，将应用逻辑、公司数据、评估和权限与任何单一模型分离。

针对相同的代表性任务，至少测试两种合适模型。衡量准确率、延迟、失败模式、审查工作量和运营复杂性。

不要只根据平台的模型数量作出选择。应检查发布时间、可移植性、区域支持、治理控制以及迁移文档的质量。

开发者也应比较直接 API 与托管云访问。最佳选择可能因工作负载、合规需求和预期的模型变化速度而异。

知识工作者不需要追随每一项基准测试。他们应当关注的是：当底层模型发生变化时，工具能否保留来源、上下文和输出。

Amazon 与 Google 的竞争正转向这一更持久的层面。Google 希望 Gemini 成为人们在各处都会接触到的智能。Amazon 则希望 AWS 继续成为企业运行其所选择的任何智能的场所。

两条路线都不能保证取得领先。Google 的整合式分发能够将模型改进迅速转化为实际使用。Amazon 的中立基础设施则能在无需准确预测每一个模型赢家的情况下，将需求变现。

决定性问题如今已可衡量：当企业大规模部署 AI 时，哪一层会变得最难被替代？

关注它们的数据留存在哪里、智能体运行在哪里，以及新模型最先在哪里可用。这些选择将决定，Amazon 的平台是否会被证明比单独拥有最佳模型更具价值。