AWS 年化营收已达 1000 亿美元，Matt Garman 仍看到 10 倍的迁移空间

Matt Garman 于 2024 年 5 月出任 AWS CEO，他并不是外来者。2005 年，他还在商学院读书，就在 Andy Jassy 手下参与了 AWS 发布前团队的实习；之后他回到公司，成为第一位产品经理。如今他已在这项业务上待了 18 年。在这段时间里，AWS 从零成长为年化营收 1000 亿美元的公司。Guo 和 Gil 还提到了更近一段时间的数字：2010 年营收约为 5 亿美元，去年约为 900 亿美元，十四年间增加了近 895 亿美元营收。

Garman 希望人们细细琢磨的，并不是那 1000 亿美元。据大多数行业估计，他说，约 85% 的工作负载仍然在本地数据中心运行，视统计者不同，这个比例大致在 80% 到 90% 之间。在计入每天都在产生的生成式 AI 新需求之前，这部分存量本身就是一门 10 倍规模的生意。在他看来，云计算仍是少数几个足以改变每个行业的大机会之一，而 AWS 仍处于自身潜力尚未展开的早期阶段。

Garman 在商学院之前就在创业公司工作过，他想看看大公司如何做内部创业。Jassy 直到他正式入职才肯描述这项新技术业务的细节。他还是加入了，帮忙起草了最初的计划，判断哪些公司可能会用到首批服务，之后全职回来，成为 AWS 的第一位产品经理。此后多年，他都得解释，为什么一家卖书的公司要提供算力和存储。在市场眼中，亚马逊还没被看作深度技术公司，其实它早已是；在市场看来，这类平台最理所当然的开创者，应当是谷歌这样的名字。

他认为，最终胜出的产品思路是构建基础模块，并非一种新的宗教。照他的说法，谷歌以及后来的微软，在切入这个品类时，仿佛开发者应该改变自己构建应用的方式。AWS 的起点，大约是 2003 年亚马逊内部的一项要求：Jeff Bezos 要求公司把一个受扩展性限制的单体系统拆分成服务。这套做法跑通之后，团队推测其他公司也会撞上同样的墙。他们从第一性原理出发，问创业公司起步需要什么：计算、存储、数据库。然后，他们在不强迫用户采用新架构的前提下，把这些能力发布了出来。

早期的 EC2 实例就是一台 Linux 服务器，它可以自动扩缩，30 秒就能启动。那时候，创业公司通常要去托管机房、买机柜，然后等上多达半年才能拿到一台机器。S3 的 put、get 和 delete 有点不同寻常，但存储这个概念本身并不陌生。正是这种熟悉感，让人们可以立刻动手构建。直到后来，AWS 才加入了 Lambda 和 Bedrock 这类更奇特的原语。Elad Gil 在 2007 年或 2008 年，就用这个年轻的平台做过他的第一家公司；在他的公司被 Twitter 收购之后，数据中心的容量规划成了真正令人头疼的事，需要一个专门的团队来扛。云计算抹掉了这一类岗位。

大型企业并不是早期的信徒。Guo 记得，直到 2010 年，大型金融机构还告诉她，它们出于安全考虑绝不会使用公有云，AWS 在成本上不可能胜过它们，它们自己的平台更好，而这个新来者并不可靠。Garman 把一次转折性的交谈，追溯到 2008 年或 2009 年的一次纽约之行。高盛、摩根大通等同行当时正在做调研，想看看怎样才能让内部 IT 更高效。他们说得很客气，也很明确：它们的工作负载永远不会跑在 AWS 上；网站也许有一天可以，但那是以后的事。

AWS 的回应是：问为什么，把合规、审计和监管要求一一写下来，然后用接下来十年的时间逐一满足。策略是先解决最难的工作。如果摩根大通能在 AWS 上运行，如果美国某个情报机构能在 AWS 上运行，其他人的异议就会变得很小。创业公司从未被放弃，公司只是两手一起抓。他入职一年后，对一位商学院同学说，AWS 可以成为一门 10 亿美元的生意。那位同学问他，知不知道 10 亿美元有多大。如今，它的年化营收已达 1000 亿美元。

让公司获得可信度的，是一份机密的美国情报界云计算合同，AWS 在与惠普、IBM、甲骨文及其他老牌供应商的竞争中胜出。因为保密，这件事无法对外说。IBM 起诉，认为招标过程不公平。这场诉讼让授标变得公开，各机构随后当众表示，AWS 是技术上最先进、能力最强、运营上也最强的选择。Garman 承认，这场诉讼里有运气的成分；没有它，这项认可或许仍然是机密。对企业来说，政府说你是最好的运营商，其分量超过任何营销活动。

剩下的 85% 之所以停滞，原因有几个。没有一个简单的按钮，能把大型机变成微服务和容器，而这恰恰是客户真正想要的；大型 SAP 系统又和周边系统纠缠在一起。在核心 IT 之外，电信 5G 负载和工厂车间的控制系统几乎还没有现代化。AI 可以重写这些工作流程，但市场几乎没有动静。本地数据中心的折旧仍在摊销，还有一些人的工作就是运维那些机房。Garman 后来说，AWS 最初的理念是：“我们替你处理脏活，你就不用操心。”他认为，生成式 AI 终于有可能加快清理这些脏活。

AWS 在 AI 上投入已有十年，五六年前开始自研处理器，因为芯片是一场周期很长的押注，而团队看到了需求正在到来。Garman 说，OpenAI 的突破在某种意义上是对可能性的一次发现。之后，公司退后了半步，问了一个平台层面的问题：如果这项技术持续变好，每家公司要怎样基于它来构建？他们关心的是创业公司和企业需要什么样的构建基础模块；AWS 自己要不要推消费级应用，并不在这个问题之内。

随之形成了三条假设。客户不会突然不再关心基础设施的安全。模型也不会只有一种：会有大模型、小模型，以及把它们组合起来的新方式。这一判断在 ChatGPT 刚发布时没那么显而易见，但两年后看来是对的。而企业带来的、真正有价值的知识产权，主要是数据，数据既不能泄漏回模型里，也不能逃出其所在的环境。基于这些原则，诞生了 Bedrock、Trainium 和 Inferentia 芯片，以及一排自有模型和开放权重（open-weight）模型。在 Bedrock 上，用户送进 Token，拿回 Token，从不需要接触 GPU。

问到自有模型有多重要，Garman 说它们重要，但并非关键。谷歌是拥有真正自有旗舰模型 Gemini 的超大规模云厂商；微软则与 OpenAI 深度绑定，最近又把它列为主要竞争对手。AWS 的 Titan 嵌入模型，已经是 Bedrock 中用于搜索索引的最常用嵌入模型。公司也在训练更大的自有模型。他称 Anthropic 的 Claude 是当下世界上表现最好的模型，而 AWS 在 Meta 发布 Llama 3.1 的当天，就把 Llama 3.1 上线了。企业喜欢开放权重，因为可以进行微调（fine-tuning）和蒸馏（distillation），并加入自己的数据。他举的专用模型例子，是基于 AWS 构建的 Adobe Firefly。

开源立场是 AWS 的老原则。“我希望客户愿意在我们这里运行，”Garman 说，而不是被困在微软的许可证或老派的甲骨文数据库里。Aurora 与 PostgreSQL 100% 兼容：代码搬到别处同样能运行，只是没那么好用。Gil 引用了 AWS 前高管 Alyssa Henry 的话：AWS 热爱开源，而且从开源中赚到的钱，比任何一家开源公司都多。围绕模型，Garman 正在把这些能力做成平台：面向依据（grounding）和实时事实的知识库（knowledge bases）；护栏（guardrails），比如一个开始给出投资建议的银行聊天机器人，可能招来真实的罚款；真正会执行动作、而不只是做摘要的智能体式工作流（agentic workflows）；一直延伸到工业边缘设备的微调与蒸馏；以及评测（eval）。Scale AI 负责标注数据，LangChain 帮助开发智能体。他后来还认为，推理将成为一种默认的应用构建模块，它也会有不同的版本，就像算力有英特尔或 Graviton 之分，存储有块存储或对象存储之分一样。

产能在一段时间内仍会受限。半导体芯片工厂要好几年才能建成。台积电在加速，但内存厂商、数据中心和电力都在追赶一条需求曲线，而“指数级”这个说法，可能还低估了它。Garman 说，需求看起来几乎是无限的。AWS 的应对是多元化，以及它早已熟练的准备工作：18 年的资本配置经验、自己购买电力，并坚持让电力来自绿色能源。过去四五年里，公司每年都是新增可再生能源合同的最大买家。定制芯片与英伟达并存，并不打算取代英伟达。他指出，英伟达自己的 AI 训练集群也运行在 AWS 上，因为这里的基础设施最稳定，性能也最好。

Trainium 和 Inferentia 就是这种多元化的体现，随着时间推移，预计部分工作负载在它们上运行会更好、更便宜。如今训练和推理的比例大致是五五开，但“要让这笔账算得过来，推理负载必须占主导”，否则对大模型的投资就回不了本。一些基础模型客户谈到，需要吉瓦（GW）级的电力。资本支出动辄数百亿乃至数千亿美元。AWS 的应对，是购买土地、电力这类通用性强的资产：如果曲线的斜率变了，这些资产仍可再利用。同时，它对那些做出超大规模长期承诺的客户，给出更优惠的价格。年增长率达数百个百分点的业务无法被干净地预测，所以计划是为上行空间保留缓冲。

被问到，如果 AI 创业者现在必须像 2005 年的创业公司那样考虑机柜，那么他会对他们说什么，Garman 的回答很直接。要有变现计划。不要以为风险投资总会替你把油箱重新加满。“任何创业公司倒闭的唯一原因，都是钱花光了。”他的第一家公司先融了 2700 万美元，后来又融了一大笔，大约 18 个月就烧光了，并在 2000 年代初的融资窗口关上时倒闭。他说，炒作周期并不能保证半年后再冒出一个 10 亿美元的机会。

Guo 注意到，在她的 AI 投资组合里，花钱多和进展快并不总是同步。Gil 问价值最终会流向哪里：是算力供应商、模型供应商，还是应用。这是过去几波软件浪潮里的经典提问，常见于路演 PPT。Garman 说，目前大部分利润流向英伟达，因为周期还很早，考虑到这项技术的特点，这也可以理解。长期来看，价值属于那些解决了真实企业问题的人：销售更快、制造更好，或者做到公司以前做不到的事。大多数公司不会自己训练模型，就像不会从零写一套 CRM；它们会在可能略作调整的模型之上，使用类似 Salesforce 的应用。他看到的瓶颈，是概念验证的墓场。谁能把跑通的试点变成生产，谁就能抓住需求。

Guo 有一种似曾相识的感觉：大型组织坚持说没有任何供应商能满足它们的需求，于是它们要自己去做数据管理、GPU 调度、评测和合规。Garman 已经听过很多遍这出戏的后续。客户事后常说，如果平台早就有这个功能，他们就不会自己去做了。管理 GPU，并不是股东心目中企业擅长的事。这一层应该属于 SageMaker、AWS，或者合作伙伴，并与数据湖集成。对他来说，未来三到五年的重点，是把这些脏活抽象掉，让 Bedrock 保持“Token 进、Token 出”，也让推理像算力、存储和数据库一样，成为寻常的构建模块。

Guo 的最后一个问题是：一个年化 1000 亿美元的业务，为什么还要在创业公司上花这么多时间，而按常规建议，应该先选定一类受众，再向高端市场进军。Garman 毫不犹豫。创业公司是 AWS 增长的命脉。公司从它们身上学到了大量东西，它们将一直非常重要；如果说有什么变化，那就是 AWS 会在支持它们上投入得更多。