Amazon、Microsoft 和 Alphabet 正将 AI 推向超大规模云服务商之争

尽管需求、利润率、能源供应和长期回报仍存在悬而未决的问题，Amazon、Microsoft 和 Alphabet 正以前所未有的力度投入 AI 基础设施。Google News 最近的一则标题将这三家公司描述为有望支撑 AI 下一个十年的三家超大规模云服务商。

这一表述捕捉到了竞争的规模，却低估了其中的核心矛盾。超大规模云服务商不再只是出租传统算力，而是将芯片、数据中心、电力合同、网络系统、模型和软件作为一个一体化平台进行投资。

Amazon Web Services、Microsoft Azure 和 Google Cloud 如今位于 AI 开发者与训练或运行大模型所需稀缺资源之间。它们的优势建立在资本、分发能力和基础设施控制力之上；其风险则在于，技术和客户偏好仍在变化之际，投入可能先于需求到来。

因此，这并非简单比较哪家云服务商增长最快，而是检验这三家巨头能否在成本、电力限制或替代性架构削弱其优势之前，将创纪录的基础设施投入转化为可持续的客户收入。

Google News 对三家超大规模云服务商判断正确的部分

“超大规模云服务商”这一称谓之所以重要，是因为 Amazon、Microsoft 和 Alphabet 能够以大多数公司既无力融资、也难以运营的规模扩展计算能力。

超大规模云服务商运营着庞大、分布式的计算基础设施，旨在跨多个地区增加服务器、存储和网络容量。其决定性特征并非单个特别庞大的数据中心，而是一套可随着需求增长不断建设、连接和运营众多设施的可复制体系。

这三家公司分别通过 AWS、Azure 和 Google Cloud 符合这一定义。每家公司都能将全球基础设施与托管数据库、网络安全、开发者工具、AI 模型和企业销售关系结合起来。这种广度减少了客户将 AI 应用从实验阶段迁移至生产环境所需的工作量。

随着 AI 工作负载改变云服务需求，这一区别变得愈发重要。训练前沿模型需要由高速网络连接的大规模加速器集群；为该模型提供服务，即通常所说的推理，则要求在用户提交请求时始终具备可靠容量。

这两类工作负载所需的不只是芯片访问权限。客户还需要数据管道、存储、身份控制、可观测性，以及协调数千个计算组件的软件。能够控制全栈的供应商，可以优化这些部分之间的协作方式。

Amazon、Microsoft 和 Alphabet 还拥有能够承受长期投资周期的业务。Amazon 可凭借电商、广告、物流和订阅收入为 AWS 提供资金；Microsoft 将 Azure 与企业软件结合；Alphabet 则将 Google Cloud 与搜索、广告、YouTube 和消费者服务配对。

这种财务能力使它们相较较小型基础设施供应商更具优势。一座新数据中心可能需要多年才能完成规划、供电、建设和设备配置。运营商会在设施产生实质性收入之前很久就开始投入资金。

近期的支出数字显示，行业准入门槛已经高到何种程度。Microsoft 表示，预计 2026 日历年的资本支出约为 1,900 亿美元。Amazon 将其 2026 年支出预期提高至约 2,200 亿美元，不过这一总额还涵盖物流、芯片和卫星。

Alphabet 在 2026 年前六个月的资本支出为 806 亿美元。其文件称，公司预计技术基础设施投资将显著同比增加，包括服务器、网络设备和数据中心。

由于每家公司对支出的分类方式不同，这些总额并不完全可比。尽管如此，它们仍说明，在这个市场中，为基础设施融资的能力已成为产品的一部分。

Google News 可以在一则标题中并列这三个名字。更深层的故事是，它们的资产负债表如今决定了 AI 行业很大一部分获取算力的速度。

AI 需求正迫使云巨头先行建设

超大规模云服务商在全部需求尚未显现前便开始扩张，因为客户无法购买尚未建成、供电并接入网络的容量。

云基础设施曾让企业无需拥有可能闲置的服务器。AI 并未消除这一价值主张，而是将大量容量风险从客户转移给云服务商。

供应商必须预测客户将需要哪些加速器、工作负载将在何处运行，以及各地区能够支持多少电力容量。在做出这些决策时，它们尚不知道几年后哪些模型、应用和芯片设计会占据主导地位。

Microsoft 最新业绩说明了管理层为何接受这一风险。2026 财年第四季度，Azure 及其他云服务营收增长 43%。根据公司的云业务指标，Microsoft Cloud 全年营收达到 2,144 亿美元。

该公司还报告称，商业剩余履约义务达到 6,780 亿美元。这一指标涵盖 Microsoft 尚未确认的已签约收入，不过确认时间和合同条款决定了它不能等同于即时销售额。

Microsoft 表示，该季度资本支出达到 410 亿美元。其中约三分之二用于使用寿命较短的资产，主要是 CPU 和 GPU；其余则用于寿命较长的基础设施。

这一拆分很重要。土地、建筑和电力系统可以支持多代硬件。由于芯片性能、模型设计和客户需求变化迅速，加速器和服务器面临更短的更换周期。

Amazon 的情况类似。2026 年第二季度，AWS 销售额增长 37%，为 18 个季度以来最快的增速。与此同时，Amazon 上调了年度资本支出预期，以满足云和 AI 需求。

这一组合表明，基础设施投资正在支撑真实收入。但它尚不足以证明 Amazon 将在这些资产的完整生命周期内获得何种回报。

Alphabet 的数据又提供了一个信号。根据 Alphabet 的季度业绩，2026 年第二季度 Google Cloud 营收同比增长 82%。该公司将加速增长归因于 AI 基础设施和 AI 解决方案需求。

Alphabet 还披露，上半年资本支出为 806 亿美元，是 2025 年同期 396 亿美元的两倍以上。

这些数字形成了清晰的反馈循环。云需求推动更多建设，新增容量支撑更多 AI 服务，而这些服务又能吸引更多承诺。每家供应商都希望将这一循环留在自己的平台内。

容量短缺改变了犹豫不决的竞争成本。如果供应商在客户需要时缺少合适的芯片或电力，客户就可能将下一项工作负载部署到别处。一旦数据、应用和员工技能在另一朵云中积累起来，逆转这一转移就会更加困难。

因此，被迫作出的回应就是持续投资。Amazon、Microsoft 和 Alphabet 无法等到每一种 AI 用例都得到验证后才开始建设。它们必须在商业图景仍不完整之际预留场地、锁定设备并安排电力供应。

Amazon、Microsoft 和 Alphabet 正通过完整 AI 技术栈展开竞争

首要竞争并非仅仅围绕 AWS、Azure 与 Google Cloud 的原始算力，而是争夺从芯片和模型到企业应用的完整路径控制权。

Amazon 长期将基础设施的广度视为 AWS 的优势。它出租基于 Nvidia 的算力，开发用于模型训练的 Trainium 加速器，并提供用于推理的 Inferentia 芯片。这一做法为客户提供了替代选择，同时降低了 Amazon 对单一供应商的依赖。

AWS 还提供 Bedrock，这是一项可提供多个开发商模型访问权限的托管服务。其战略强调模型选择和基础设施灵活性，而非要求每位客户都采用同一个模型家族。

Microsoft 将 Azure 基础设施与其企业软件分发能力相结合。已经使用 Microsoft 365、GitHub、安全产品和身份服务的公司，可以在无需建立全新供应商关系的情况下增加 AI 能力。

Microsoft 与 OpenAI 的合作使 Azure 在生成式 AI 采用的第一波浪潮中占据了突出位置。不过，Microsoft 也在扩展其模型目录，并投资内部模型开发。这种多元化降低了将 Azure 的未来绑定于单一外部实验室的风险。

Alphabet 则采取了更垂直整合的路径。Google 设计张量处理单元，运营 Google Cloud，开发 Gemini 模型，并通过 Search、Workspace、Android 和其他服务分发 AI。

其定制加速器提供了另一种管理成本和供应的方式，也使 Google 能够协调硬件与软件设计。对于围绕 Google 架构开发的工作负载，这种协同可提高效率，不过客户仍需评估可移植性。

这三种战略反映了不同的起点。

基础设施模式

• Amazon：广泛的云服务选择、定制 AI 芯片，以及对多个模型供应商的访问。

• Microsoft：与企业软件、开发者工具和重要模型合作伙伴相连的 Azure 容量。

• Alphabet：在同一企业架构下整合定制芯片、Gemini 模型、云服务和消费者分发能力。

客户优势

• Amazon：现有 AWS 用户可以在既有数据和应用旁部署 AI。

• Microsoft：企业可将 AI 与身份、生产力和软件开发系统集成。

• Alphabet：客户可以在协同的技术栈中使用 Google 的模型、数据工具和基础设施。

战略风险敞口

• Amazon：它必须证明，定制芯片能够在 Nvidia 硬件之外赢得持续采用。

• Microsoft：它必须在保护云业务利润率的同时管理合作伙伴依赖。

• Alphabet：它必须将技术整合转化为企业市场收益，同时不削弱既有业务。

这些差异之所以重要，是因为 AI 基础设施并非完全可互换。开发者可以编写可移植的应用代码，但数据服务、安全政策、模型接口和专用硬件都会造成依赖。

这些依赖可能带来转换成本，也可能让客户有理由使用多家供应商。一家企业可能在一朵云上训练模型，通过另一朵云访问第三方模型，并将敏感数据保留在独立环境中。

多云采用使这不会成为一场赢家通吃的竞争。即便如此，当客户将更多技术栈部署在其平台上时，每家供应商都会受益。更多服务意味着更多收入，也意味着更多留下来的理由。

Nvidia 仍是这场竞争中的核心供应商，但并非本文故事中的主要对手。云巨头一边采购 Nvidia 硬件，一边开发自己的替代方案。它们眼下的竞争在于，谁能将算力获取优势转化为价值最高的客户平台。

Meta 同样运营超大规模基础设施，并在 AI 上投入巨资。不过，它并未提供可与 AWS、Azure 或 Google Cloud 相比的通用公共云服务。其基础设施主要服务于自身的消费级产品和模型战略。

Oracle 和专业服务商也在争夺 AI 工作负载。它们的存在为客户带来了额外容量和谈判筹码。然而，三大公共云平台仍具备一种罕见的组合优势：资本实力、地域覆盖、软件广度以及既有的企业客户关系。

支出狂潮面临回报难题

云业务的快速增长支撑了超大规模云服务商的投资逻辑，但仅凭营收增长，并不能证明当前的基础设施支出将带来可接受的回报。

资本支出会随着时间推移影响财务结果。企业通常通过折旧确认许多基础设施资产，而不是立即将全部成本计入运营费用。现金更早流出，而会计成本和收入可能在之后多个期间体现。

这种时间差会让一轮投资浪潮在初期看上去仍可控。更艰难的考验会在折旧增加、硬件老化，以及客户要求更低价格时到来。

Microsoft 报告称，其第四财季 Microsoft Cloud 毛利率为 65%。该公司表示，毛利率同比下降是由于 Azure 的销售结构、AI 基础设施投资以及产品使用量增加。

这并不意味着 Microsoft 的投入已经失败。它表明，需求和盈利能力可能朝不同方向发展。更高的使用量会带来收入，但也会消耗昂贵的计算容量。

Microsoft 季度经营现金流为 554 亿美元，自由现金流为 196 亿美元。其财报电话会议称，两者之间的差额部分源于较高的资本支出。

Amazon 面临的现金流反差更为明显。该公司报告了强劲的销售和加速增长的 AWS 业务，但过去 12 个月的自由现金流已转为负值。这一变化反映了 Amazon 多项业务的支出，因此不应全部归因于 AI。

不过，投资者必须对三家公司评估同一个问题：它们是在为持久且已签约的需求建设容量，还是在应对一轮可能在资产获得预期回报前就会放缓的支出周期？

长期客户承诺能降低这种风险，但无法消除它。合同在期限、取消权、定价和最低使用量方面各不相同。积压订单可以提供可见性，却不能保证特定的利润率。

硬件过时带来了另一层不确定性。数据中心建筑可以使用数十年，而服务器和加速器的经济寿命要短得多。芯片效率的重大提升，可能在旧设备尚未物理报废前，就使其竞争力下降。

模型效率也可能带来类似的逆转。如果更好的软件让客户能以更少的计算资源完成同一任务，单位需求可能下降。更低的成本或许会鼓励更多使用，但这种反弹并不会自动发生在每一种应用中。

竞争也可能通过降价，将效率提升带来的收益转移给客户。如果每家服务商都通过折扣容量来捍卫市场份额，超大规模云服务商即使处理了更多 AI 工作，也未必能扩大利润率。

需求质量仍是最大悬而未决的问题。一些 AI 应用已经支持编程、客户服务、搜索、广告、文档分析和科学研究。另一些部署仍处于试点阶段，预算或生产率提升尚不明确。

企业买家在扩大这些试点之前，越来越希望看到可衡量的回报。他们必须计入模型费用、云资源使用、集成工作、安全审查和人工监督。一场出色的演示，并不一定会变成盈利的生产系统。

这正是 Google News 的叙事需要经受检验的地方。三家公司都已准备好服务 AI 的下一个十年，但占据有利位置并不等于能捕获其中的全部价值。

客户、芯片制造商、模型开发者、能源供应商和应用公司都会分走一部分经济收益。云服务商承担了大量资本风险，而其他参与者仍保有谈判空间。

电力和建设正成为产品约束

下一项云计算瓶颈不只是获得更好的处理器，而是能否将这些处理器部署在具备供电、连接和许可条件的设施中。

AI 数据中心会在特定地点集中形成巨大的用电负荷。电网规划者必须可靠地供应这些负荷，同时服务住宅、工厂、医院和其他企业。

国际能源署预计，到 2030 年，针对 AI 优化的数据中心用电需求将增长至四倍以上。其更广泛的分析预计，同期全球数据中心用电量将增加一倍以上。

这些数字反映的是全球需求，但基础设施压力往往会先在当地显现。即使全国电力供应仍然充足，一个地区也可能面临输电容量受限或并网排队时间过长的问题。

国际能源署预计，到 2030 年，可再生能源将满足数据中心电力需求增量中近一半的需求。天然气、核能、储能和电网升级，也将影响运营商能够在哪里增加可靠容量。

超大规模云服务商正通过长期购电协议、新发电合作伙伴关系，以及越来越直接地参与能源规划来应对这一挑战。它们还在设计芯片、冷却系统和软件，以便每单位电力完成更多工作。

效率如今已成为竞争特性。能够用更少芯片提供相同模型输出的云服务商，可以降低成本、释放受限容量，或为客户提供更低价格。

定制芯片直接服务于这一目标。Amazon 的 Trainium、Google 的张量处理单元，以及 Microsoft 的内部芯片项目，都为各家公司提供了另一种控制性能和能源使用的工具。

不过，定制硬件也带来了软件挑战。开发者需要编译器、框架、文档和迁移工具，才能让专用芯片真正具备实用性。如果客户无法在不投入大量工程工作的情况下迁移工作负载，硬件效率就意义有限。

建设进度增加了更多不确定性。一家公司可以购买土地和设备，却仍要等待输电线路、变压器、许可或冷却基础设施。延误会使已披露的资本承诺与可用计算容量之间产生差距。

供应链仍是另一个压力点。先进加速器依赖领先的半导体制造、高带宽内存、封装产能和网络设备。任何一个组件短缺，都可能阻碍原本完整的集群投入使用。

用水和社区担忧也会影响审批。数据中心提案越来越常面临有关公用事业费率、噪音、土地使用、排放以及本地资源竞争的问题。

这些问题并不会消除超大规模云服务商的优势。它们反而强化了这一投资逻辑的一部分，因为大型企业能够谈判合同、为电网工程提供资金，并在不同地区之间分配工作负载。

但它们也削弱了这样一种假设：仅靠资金就能保证获得容量。最终胜出的服务商必须按时将资本转化为可运营的基础设施，然后以具有吸引力的利用率出售这些容量。

对开发者和企业客户而言，区域选择将变得更加重要。即使由同一家服务商运营，不同设施之间的可用性、延迟、数据驻留、模型选择和能源约束也可能不同。

团队还需要准确记录架构决策、供应商承诺和实验。可搜索的工程知识库有助于在服务和硬件选项变化时保留这些背景信息。

三项信号将决定超大规模云服务商的押注能否奏效

这场竞争的下一阶段，将由云容量利用率、经济回报，以及实体容量抵达客户的速度决定。

第一个信号是，随着新增容量上线，云业务增长是否仍能保持强劲。Azure、AWS 和 Google Cloud 在最新披露季度中分别增长了 43%、37% 和 82%。这些增速为未来业绩设定了很高的比较基准。

如果在容量扩张期间增长仍保持高位，将强化市场受供给约束的观点。若增速迅速放缓，则表明支出可能已追上需求，或客户正变得更加谨慎。

增长的构成同样重要。投资者应区分长期企业工作负载、临时训练项目、内部交易，以及模型开发商异常集中的承诺。

Microsoft 表示，其全年云收入中近 90% 来自前沿模型公司以外的客户。这一披露有助于拓宽需求逻辑。若 Amazon 和 Alphabet 也提供类似证据，将使行业投资逻辑更容易评估。

第二个信号是资本支出、利润率和自由现金流之间的关系。营收可以增长，但投资也可能消耗更多现金，折旧则会压低未来利润。

利用率提升将使每家服务商能够把固定成本分摊到更多客户工作中。在持续扩张期间，云业务利润率保持稳定或上升，将支持管理层的投资主张。

利润率下降、支出反复增加和自由现金流疲弱，并不必然证明失败。但这会延长投资者观察到可接受回报之前的等待期。

第三个信号是，已宣布的基础设施能否按计划投入使用。财报电话会议应揭示容量约束是否正在缓解、客户部署是否正在加速，或者电力和设备延误是否正在拖慢项目。

Amazon 表示，其计划中的大部分 AWS 容量已经获得客户承诺。Microsoft 指向庞大的商业积压订单。Alphabet 表示，AI 基础设施和解决方案需求正在推动云业务增长。

当这些表态转化为活跃容量、已确认收入和持续的现金创造能力时，它们会更具说服力。如果签约需求反复远远领先于已交付服务，它们的说服力就会减弱。

能源数据同样值得关注。国际能源署报告称，全球数据中心电力需求在 2025 年增长了 17%。其更新后的能源展望显示，该行业仍大致沿着此前预测的增长路径发展。

更急剧的增长可能强化需求逻辑，同时加剧电网和政治压力。需求放缓则可能反映效率提升、建设延期或 AI 采用疲弱。每一种解释都意味着不同的影响。

客户应将模型可移植性与这些财务指标一同关注。如果开放标准和改进后的工具让工作负载更易迁移，超大规模云服务商将在价格和性能上展开更激烈竞争。

如果专有服务更深度地融入业务工作流，切换成本将上升。这种结果会增强平台的议价能力，但也会提高买家的依赖风险。

因此，开发者测试的不应只限于模型质量。他们还应衡量总体推理成本、延迟、区域容量、数据传输费用、安全控制措施，以及更换服务提供商所需的工作量。

企业采购方应将 AI 支出与具体的运营成果挂钩。可参考的指标包括完成的任务数量、审核时间、错误率、客户留存率或带来的收入。仅凭 Token 消耗量并不能证明商业价值。

知识工作者也面临类似的选择。云服务竞争会让更多产品内置能力强大的模型，但获得访问权限并不意味着输出值得信赖。组织仍需要来源控制、权限管理，以及能够追溯答案背后证据的方法。

个人知识库可通过将本地上下文保持为有序且可检索的状态，支持这类工作。其价值在于将 AI 输出与用户能够核查的材料关联起来。

原始 Google News 标题邀请读者将 Amazon、Microsoft 和 Alphabet 视为未来十年 AI 背后的基础设施所有者。这是一个有价值的起点，前提是这一判断仍应保持条件性。

它们的规模赋予了少数公司能够复制的优势。其云业务已经显示出显著需求，而更广泛的业务也能够为多年的建设投入资金。

同样的规模也提高了判断失误的代价。这些公司正在 AI 需求、硬件、监管和能源供应的最终格局尚未明朗之前投入现金。

请关注下一轮财报中的云业务增长、利润率、自由现金流，以及有关容量限制的评论。然后提出一个实际问题：这些超大规模云服务商报告更多 AI 需求，是因为它们投入更多，还是因为客户已经承诺会持续、盈利地使用，所以它们才增加投入？