Qualcomm 与 Amazon 的 AI 合作让这家移动芯片厂商成为 Nvidia 挑战者

Qualcomm 已与 Amazon 达成定制芯片合作，为其数据中心战略赢得了一项跨越多代产品的客户承诺。Qualcomm 与 Amazon 的 AI 合作涵盖推理芯片和光网络，这两部分 AI 基础设施决定了计算能力与运营成本。

这不只是云服务提供商与半导体公司之间的又一项协议。随着商业里程碑、采购订单和已完成采购不断累积，Amazon 最多可获得 2,500 万股 Qualcomm 股票的认股权证。这一结构让双方关系成为一项具有可衡量结果的考验。

该交易也给 Nvidia 带来压力，尽管不会立即威胁其地位。Amazon 已自行开发 Trainium 和 Inferentia 芯片，而 Qualcomm 在现代机架级 AI 基础设施领域仍是新进入者。关键问题在于，Qualcomm 能否将其移动端能效经验转化为 AWS 会大规模部署的系统。

Qualcomm 与 Amazon 的 AI 合作究竟改变了什么

Amazon 为 Qualcomm 提供的价值，远超一则常规产品公告：它打开了通往全球最大 AI 基础设施买家之一的路径。

Qualcomm 于 2026 年 9 月 8 日宣布了这项跨代合作。两家公司将共同开发用于 Amazon Web Services 数据中心大规模 AI 推理的定制芯片。

推理是指利用已训练模型生成答案、分类、推荐、图像或其他输出的过程。它不同于训练；训练会利用大规模数据集创建和调整模型。

合作还涵盖速率可达每秒 1.6 太比特的光互连，后续产品预计将突破这一水平。这些连接在不断扩展的 AI 集群内部，于加速器、处理器、内存和网络组件之间传输数据。

官方合作公告称，Qualcomm 将贡献高能效处理能力、芯片设计和系统集成能力。Amazon 则带来其云基础设施、部署规模，以及对客户工作负载的直接理解。

这种组合之所以重要，是因为 AI 系统不能仅靠加速器性能提升。大型集群还依赖于内存访问、网络带宽、供电、散热、软件和可靠的系统管理。

Qualcomm 和 Amazon 瞄准了两个相互关联的瓶颈。定制推理芯片负责执行模型，光学组件则让不断增长的数据量在周边基础设施中流动。

该安排不止涉及 AWS 最终可能向客户提供的产品。Qualcomm 还计划将 Amazon Bedrock 用于电子设计自动化，即 EDA，工作负载。

EDA 软件帮助工程师设计并验证复杂芯片。Qualcomm 表示，利用 AWS AI 基础设施处理这些工作负载，旨在缩短芯片开发周期。

这一商业结构让公告更具分量。根据 Qualcomm 的监管文件，Amazon 获得了一份最多涵盖 2,500 万股 Qualcomm 股票的认股权证。

认股权证赋予持有人在既定条款下取得股票的权利，但不会自动使持有人成为拥有投票权的股东。

Amazon 的认股权证将于 2036 年 9 月到期。相关股票将分阶段归属，并与商业协议、具有约束力的采购订单，以及对 Qualcomm 产品、技术、系统和制造服务的采购挂钩。

Qualcomm 表示，认股权证发行时，基于初始采购承诺，已有 375 万股认股权证股票归属。其余部分取决于未来活动。

这一区别至关重要。该协议创造了巨大机会，但并不保证 Amazon 会采购其中设想的每一款产品。

因此，这项合作改变了 Qualcomm 的位置，却尚未决定其结果。Qualcomm 现在拥有一家超大规模设计合作伙伴、一套明确的商业框架，以及与实际订单挂钩的激励结构。

Amazon 为 Qualcomm 的 AI 芯片战略带来可信度考验

Qualcomm 已不再需要证明大型云公司愿意讨论其数据中心路线图。它必须证明，对方愿意部署最终形成的系统。

数十年来，Qualcomm 一直围绕移动处理器、无线调制解调器和知识产权建立自身定位。其 AI 数据中心战略要求客户以更广泛的角色看待这家公司。

2026 年 6 月，Qualcomm 设定目标：到 2029 财年，数据中心年收入超过 150 亿美元。公司还将该年度非手机业务的总体营收目标提高至 400 亿美元。

这些仍是公司目标，而非已披露营收。Qualcomm 自身的数据中心战略将竞争、客户集中度、产品执行以及向手机以外业务扩张列为重大不确定因素。

Amazon 为这项战略提供了更坚实的基础。超大规模云服务商可以围绕真实的机群约束塑造芯片需求，包括性能、功耗、软件兼容性、维护和总运营成本。

这种反馈对新进入者尤其有用。实验室基准测试无法涵盖数千个加速器在分布式服务中协同运行时出现的所有问题。

与采购挂钩的认股权证，也比谅解备忘录提供了更明确的信号。随着既定商业和采购里程碑的达成，Amazon 将获得更多潜在股权。

不过，认股权证不能替代部署证据。它能协调激励，但 Qualcomm 仍必须在预期时间和规模下交付符合 AWS 要求的产品。

Qualcomm 先前的数据中心公告已明确其技术方向。其 AI200 和 AI250 平台面向机架级推理设计，并计划在初始发布后每年更新产品。

AI200 强调大容量内存和高能效推理。AI250 引入近存计算设计，将更多计算置于存储数据附近，以减少不必要的数据移动。

数据移动通常消耗 AI 系统中的大量电力。让计算更接近内存，能够提升有效带宽，并减少在组件间传输模型参数所耗费的能源。

Qualcomm 表示，AI250 的有效内存带宽可达到上一代设计的十倍以上。在独立客户对量产硬件和软件进行测试前，这仍属于供应商的说法。

Amazon 的参与可使这类说法更容易得到检验。AWS 具备工作负载多样性、工程资源和运营规模，足以对新架构进行压力测试。

这项合作也正值 Qualcomm 试图降低对智能手机业务依赖之际。手机需求仍然重要，但客户集中度以及设备厂商的内部芯片开发，构成了持续风险。

Apple 一直在开发更多自主连接芯片。这一努力凸显了 Qualcomm 在高端移动设备之外建立新收入来源的重要性。

数据中心提供了更大的扩张路径，但也要求不同能力。Qualcomm 必须支持完整机架系统、云软件、高速网络、企业级可靠性和漫长的产品生命周期。

Amazon 并未消除这些要求。它让考验成为现实。

该交易通过定制芯片挑战 Nvidia，而非直接复制 GPU

Qualcomm 进入 AI 基础设施的最强路径，不是替代每一块 Nvidia GPU，而是帮助 AWS 以专用系统优化重复性推理工作负载。

Nvidia 仍是 AI 计算的核心参照。其加速器、网络产品和 CUDA 软件平台已为训练和推理构建起广泛生态。

CUDA 为开发者提供成熟的库、工具和针对 Nvidia 硬件优化的软件。因此，仅比较硬件并不完整。

Qualcomm 则从不同方向切入。其经验集中于高能效处理器、神经处理单元、低功耗系统设计，以及无线或有线连接。

这一背景适合对成本和能耗有严格约束的推理工作负载。一旦 AI 模型进入常规使用，每一次生成结果都会消耗计算能力。

每天处理数百万次请求的服务，必须考虑延迟、内存、利用率、功耗和单次输出成本。微小的效率提升，放在庞大机群中便可能产生显著意义。

Amazon 已采取这种专用化路径。AWS 除提供 Nvidia 及其他处理器选项外，还为模型训练提供自研 Trainium 芯片，并为推理提供 Inferentia 芯片。

该公司的推理指南建议客户根据工作负载需求选择硬件。它涵盖 GPU、CPU 和 AWS 定制加速器，而非将单一架构描述为普适方案。

Qualcomm 可以在不迫使 Amazon 放弃自研芯片的情况下强化这一产品组合。定制的 Qualcomm 技术可服务于特定工作负载、系统设计或连接需求。

这为 Nvidia 带来了一种更微妙的竞争威胁。超大规模云服务商不需要一款替代芯片在每项任务上都胜过 Nvidia。

它们需要的是适用于明确工作负载部分的可行替代方案。每一项迁移至内部或定制芯片的工作负载，都可能降低对通用加速器的依赖。

Qualcomm 还在分别与 Meta 和 Microsoft 开展数据中心项目。这些关系表明，其机会并不局限于 Amazon 的单一设计。

Meta 选择 Qualcomm 开展数据中心 CPU 工作，而 Microsoft 则与 Qualcomm 的高带宽计算架构有关联。每个项目都在测试 Qualcomm 更广泛平台战略中的不同部分。

Amazon 尤为重要，因为该合作将计算与连接结合起来。随着模型和请求量增长，现代 AI 集群越来越容易遭遇网络和内存瓶颈。

Qualcomm 的光学技术依赖串行器-解串行器技术，通常称为 SerDes，以及光数字信号处理器。SerDes 可在并行和串行形式之间转换数据，以实现高速传输。

光 DSP 用于处理在光链路上传输的信号。这些组件有助于数据在日益复杂的网络中以极高速度准确流动。

Nvidia 也已从加速器扩展至网络、CPU、机架系统和软件。因此，Qualcomm 不能将光连接视为附属产品。

竞争关乎谁能掌控更多系统环节。Nvidia 销售集成式基础设施，而 Amazon 正越来越多地围绕自身工作负载和经济优先级设计基础设施。

高通与 Amazon 的 AI 合作支持 Amazon 的模型战略。它为 AWS 提供了另一种知识产权和工程能力来源，用于定制化硬件。

这并不意味着高通能直接等同于 Nvidia。高通缺乏 Nvidia 的装机基础、软件覆盖范围、开发者熟悉度，以及其在加速数据中心领域已确立的地位。

相反，高通押注于超大规模云服务商希望获得更多架构控制权。Amazon 则押注于新增一家有能力的芯片合作伙伴能够拓宽其选择空间。

计算与光连接必须作为一个系统协同工作

这项合作的技术逻辑基于一个简单约束：当数据无法高效传输至芯片时，更快的推理芯片价值有限。

AI 基础设施会在多个层面消耗数据。模型参数从存储设备转移至内存，激活值在处理器之间传递，结果则跨服务和区域传输。

随着模型规模扩大，这些传输可能限制有效计算性能。加速器可能将时间耗费在等待数据上，而非执行计算。

这一问题在机架级系统中更为明显。一个机架将众多处理器、内存设备、网络接口、冷却组件和供电系统整合为一个统一管理的单元。

高通希望解决的是这一系统层面的问题，而非仅销售一颗孤立芯片。其路线图涵盖推理加速器、CPU、连接能力、安全功能和机架级设计。

AI200 的设计是每张卡配备 768GB 低功耗内存，并在机架层面采用直连液冷。高通将这一容量定位于大型模型和高吞吐量推理场景。

低功耗双倍数据速率内存，即 LPDDR，通常与移动设备相关。高通采用它，反映出该公司试图将节能设计选择引入数据中心。

这种方法涉及取舍。运营商必须考虑带宽、容量、延迟、组件可用性、系统复杂性和软件优化。

AI250 旨在进一步改变内存关系。其近内存架构在靠近存储模型数据的位置完成更多工作，从而减少通过传统计算路径的数据传输。

该公司表示，这一设计能够提升有效内存带宽，并支持解耦式推理。解耦允许计算和内存资源更灵活地共享，而不是固定在单张卡内。

这些能力适合云基础设施，因为工作负载规模和利用率可能快速变化。AWS 可以根据需求分配资源，而非为每一次请求预留完整系统。

但架构幻灯片并不能证明量产经济性。AWS 必须确定，该系统是否能在不同模型、批处理大小、上下文长度和客户使用模式下提供稳定性能。

软件将与芯片同样重要。开发者需要模型支持、可靠的编译器、可观测性、调度工具、安全控制，以及故障期间可预测的行为。

Nvidia 的优势部分来自多年的软件投入。高通必须让其硬件易于使用，不能要求客户围绕不熟悉的工具重建每一个应用程序。

Amazon 可以通过 AWS 服务降低这一障碍。托管云层能够隐藏部分硬件差异，并将工作负载路由至合适的加速器。

Amazon Bedrock 已通过托管接口让客户能够使用多种模型。如果 AWS 在此类服务底层集成高通支持的基础设施，许多用户可能永远不会直接接触该芯片。

这一路径有利于定制化芯片。云客户通常更关注延迟、可靠性、可用性和运营成本，而非加速器上的品牌标识。

光网络带来了另一项机会。高带宽连接可以将更大的计算资源池连接起来，同时缓解部分电传输限制。

高通称，两家公司正在开发 1.6T 光连接及后续世代。该标签描述的是聚合链路容量，而不是每个工作负载实际获得的有效应用吞吐量。

实际性能将取决于网络拓扑、错误处理、交换、软件和拥塞情况。它还取决于高通能否以足够的规模制造组件。

因此，这项合作的机制不止于高效推理。高通和 Amazon 希望围绕 AWS 的需求，协调计算、内存数据移动和光传输。

如果这种整合奏效，高通可以通过完整系统的经济性展开竞争。如果其中任何一层表现不佳，其他层的收益也将更难实现。

采购里程碑揭示了仍存的不确定性

该协议验证了高通的机会，但其结构也揭示了战略合作与已确认收入之间的距离。

与这笔交易相关的最大数字是上限，而非保证订单。高通的文件称，认股权证归属可与 Amazon 的付款挂钩，最高金额为 600 亿美元。

这一表述描述的是用于认股权证里程碑的上限。它并不意味着 Amazon 已为全部金额下达采购订单。

从公告发布到全面商业化采用之间仍有若干步骤。双方必须敲定产品安排、完成芯片设计、验证系统、下达订单并部署设备。

产品时机仍是一项风险。云运营商会提前多年规划基础设施，但半导体延迟可能扰乱数据中心建设、软件工作和客户可用性。

性能是另一项风险。高通必须与 Nvidia、AMD、Amazon 的内部芯片，以及其他定制芯片项目竞争。

一款新加速器可能在特定基准测试中取得有吸引力的结果，却难以应对更广泛的工作负载。模型架构、数值格式、批处理规模和内存行为都可能改变结果。

软件采用构成另一项挑战。高通需要工具链和库，使模型能够高效运行，而无需投入过多工程工作。

Amazon 可以提供集成支持，但 AWS 也拥有相互竞争的硬件优先事项。Trainium 和 Inferentia 已在其定制芯片产品组合中占据战略位置。

公开公告并未准确说明源自高通的芯片将如何与这些产品系列关联。它也未说明发布日期、实例类型、制造合作伙伴或客户可用性。

两家公司尚未公布定制芯片的详细性能目标。它们也未披露设计、知识产权、制造和支持责任的预期分工。

对于一项早期、多代际协议而言，这些遗漏很常见。不过，它们使外部观察者无法有把握地估计收入确认时间或竞争性能。

认股权证也带来了另一种取舍。与采购挂钩的归属机制让 Amazon 有动力帮助高通取得成功，但扩大股份发行可能稀释现有股东权益。

潜在稀释取决于归属和行权。未行使的认股权证不附带投票权，股份数量仍须遵循惯常调整。

首批已归属的份额表明初步承诺，但后续批次提供了更有意义的检验。具有约束力的订单和已完成采购，将推动该协议从战略意图走向可衡量的执行。

高通 2029 年目标带来了压力。要实现年度数据中心收入超过 150 亿美元，需要多个项目在相对较短的时间内推进。

Amazon 无需承担这一完整目标。除标准 AI 加速器产品外，高通还与 Meta、Microsoft 和其他客户开展项目。

不过，Amazon 现在成为该战略的一个可见基准。延迟或采购减少将引发对高通路线图、以及这一单一关系之外前景的疑问。

成功不会由一次芯片流片定义。高通必须持续交付多代产品，同时保持有竞争力的性能和供应能力。

Amazon 也面临自身的不确定性。定制芯片可以改善控制力和经济性，但支持更多架构会增加工程、软件和机群管理的复杂度。

AWS 必须判断高通技术在哪些领域能够创造足以证明这种复杂性合理的价值。不同推理工作负载的答案可能不同。

这正是认股权证里程碑的重要性所在。它们提供了一条宣传语言无法提供的、未来可供验证的证据轨迹。

三个信号将显示高通能否将这笔交易转化为成果

下一阶段应依次通过产品披露、具有约束力的商业活动和可见的 AWS 部署来评判。

第一个信号是与 Amazon 相关联的详细产品路线图。高通和 AWS 需要说明哪些芯片或系统将源自此次合作。

有价值的披露将包括制造时间、内存配置、功耗要求、软件支持，以及与 Trainium 或 Inferentia 的关系。客户可用日期将进一步增强证据力度。

高通的 AI200 和 AI250 计划提供了一个参考点，但面向 Amazon 的定制产品可能采用不同设计。两家公司尚未确认 AWS 会原样部署任一标准平台。

如果高通披露具体产品里程碑并按时实现，合作将更具可信度。反复延迟或模糊更新将削弱当前的判断。

第二个信号是与具有约束力的订单和采购相关的进一步认股权证归属。认股权证条款使商业活动比合作表述更具参考价值。

投资者应区分协议与采购订单，也应区分采购订单与已完成采购。每个阶段代表不同程度的客户承诺。

与已执行订单挂钩的额外归属将强化高通的收入论点。若初始批次之后进展有限，则表明技术或商业评估仍未完成。

第三个信号是客户能够观察到的 AWS 服务或基础设施部署。这可能包括新的实例系列、托管推理选项，或 Amazon 机群内部有文档记录的部署。

可见部署将表明高通技术已通过性能、软件、可靠性和供应要求。它也将让客户和独立研究人员能够比较结果。

AWS 并不总会公开每一个内部组件。即便如此，文档、客户案例研究或高管披露都可能揭示该技术是否已达到有意义的规模。

竞争对手的反应将提供辅助背景。Nvidia 和 AMD 将继续提升推理性能、内存系统、网络和软件。

Amazon 也将继续开发内部芯片。高通必须在每一种主要替代方案都沿着自身路线图推进的同时持续进步。

高通与 Amazon 的 AI 合作已经改变了故事的一部分。高通不再是在缺乏主要超大规模商业框架的情况下展示其数据中心战略。

更重要的是，仍有许多问题尚未解决。高通必须证明其效率主张能够经受量产工作负载考验，其软件能够降低采用阻力，以及 Amazon 会持续下达订单。

开发者和企业买家应关注由此产生的 AWS 服务，而不是认股权证的理论最高金额。可用实例、支持的模型、测得的延迟和部署区域将揭示实际影响。

当客户能够为真实工作负载选择采用 Qualcomm 技术的基础设施时，这项合作才会具备战略意义。在此之前，它仍是一项可信、结构不同寻常的承诺，且仍有大量执行工作有待完成。

密切关注下一次产品披露。随后，将其与具有约束力的采购以及 AWS 的实际可用性进行比较。这三个信号将表明，Qualcomm 是建立起了可持续的数据中心业务，还是仅仅赢得了一次雄心勃勃的开局机会。