文 | 云石乱笔
2026 年 3 月 20 日，NVIDIA 确认将在 2027 年底前向 AWS 交付一百万颗 GPU，同时搭售 Spectrum 网络芯片和 Groq 推理芯片。三个月前，AWS 和 NVIDIA 在 re:Invent 2025 上宣布，AWS 的下一代自研芯片 Trainium4 将接入 NVIDIA 的 NVLink Fusion 平台。
还是在这个月，TechCrunch 的一次独家实验室探访揭开了另一面：Trainium 已经部署了 140 万颗芯片，Anthropic 的 Claude 正跑在超过 100 万颗 Trainium2 上，Andy Jassy 称其为 " 数十亿美元级业务 "。
一边是百万 GPU 的巨额采购和 NVIDIA 平台的深度融合，另一边是自研芯片已经拿下最重要的客户。AWS 的自研故事既不是走向独立，也不是走向投降，而是走向一种新型的 " 竞合共生 "。这究竟是务实的智慧，还是危险的依赖？
不只是 GPU：七颗芯片的全栈渗透
表面上看，这是一笔 GPU 大单。一百万颗 GPU，2026 年开始交付，2027 年底完成。按 NVIDIA 当前 Blackwell 架构的定价估算，这笔交易的金额可能在 300 至 500 亿美元量级。
但交易的完整清单更值得细看。NVIDIA 副总裁 Ian Buck 在接受采访时透露，这笔交易涉及七种不同的 NVIDIA 芯片。他的原话是："To be the best at inference, it is not a one chip pony. We actually use all seven chips."（要在推理领域做到最好，不是靠一颗芯片就能搞定的。我们实际上用了全部七颗芯片。）
这七种芯片至少包括：GPU（用于训练和推理）、Groq 推理专用芯片、Spectrum 网络交换芯片、ConnectX 网络接口卡，以及其他专用处理器。
这不是一次简单的硬件采购。NVIDIA 正在将自己的整个 AI 基础设施栈，计算、网络、推理优化，一整套植入到 AWS 的数据中心。
Trainium：一个已经被证明的数十亿美元赌注
2025 年 12 月的 re:Invent 大会上，AWS CEO Matt Garman 站在台上，用了大量篇幅介绍 Trainium3。三个月后，AWS 转身签下了一百万颗 NVIDIA GPU 的订单。
大多数观察者的第一反应是：AWS 对自研芯片失去了信心。
但如果他们走进位于奥斯汀 The Domain 区那栋闪着铬色玻璃幕墙的大楼，看看 Annapurna Labs（AWS 于 2015 年以约 3.5 亿美元收购的以色列芯片设计公司）的实验室里正在发生什么，结论或许会截然不同。
截至 2026 年 3 月，AWS 已经在三代产品上累计部署了 140 万颗 Trainium 芯片。其中 Anthropic 的 Claude 模型正运行在超过 100 万颗 Trainium2 上。仅 Project Rainier 一个集群——全球最大的 AI 计算集群之一 — 就集成了 50 万颗 Trainium2 芯片，于 2025 年底投入运营。
Trainium2 还承担了 Amazon Bedrock 服务上大部分的推理流量。AWS CEO Andy Jassy 在 2025 年 12 月公开表示，Trainium 已经是 AWS 的 " 数十亿美元级业务 "。
而绑定还在加深：据 Business Insider 报道，Anthropic 已正式承诺采购 100 万颗 Trainium 芯片，这一承诺涵盖已部署的芯片和未来的增量订单，进一步将自己的未来押注在 AWS 的自研芯片生态上。
这些数字彻底改写了 " 自研芯片还在蹒跚学步 " 的叙事。Trainium 不是一个有待证明的实验，它是一个已经大规模部署、拿下最重要的 AI 客户、正在创造数十亿美元收入的生产级产品。
Trainium3：在成功基础上的激进跃升
在 Trainium2 已经站稳脚跟的基础上，Trainium3 的野心更大。如果你仔细研读 SemiAnalysis 发布的技术深度分析，会发现 Trainium3 是 AWS 有史以来设计最激进的 AI 芯片。
几个关键数字足以说明它的分量：台积电 3 纳米制程（N3P），144GB 高带宽内存（Trainium2 只有 72GB），内存带宽提升 70%，AI 计算性能翻倍。Amazon 宣称，搭载 Trainium3 的 Trn3 UltraServer 在同等性能下的运行成本比传统云服务器低 50%。当每天处理数万亿 tokens 时，这个差距会积累成巨大的竞争优势。
但比芯片本身更有野心的是它的系统设计。AWS 为 Trainium3 打造了名为 NeuronLink 的自研互联架构，每颗芯片的通信带宽达到 1.2 TB/s，并设计了两种机架形态：风冷版（64 颗芯片组成计算集群）和液冷版（144 颗芯片，设计思路直接对标 NVIDIA 的 GB200 NVL72）。更巧妙的是，机架内的交换模块设计了三代演进路线，每一代都可以在现场升级，无需替换计算硬件。
实验室主任 Kristopher King 在接受 TechCrunch 采访时说，Trainium3 配合团队自研的 Neuron 交换机，让 " 每颗芯片都能与其他所有芯片在 mesh 配置中直接通信，大幅降低延迟 "。工程总监 Mark Carroll 则称，这套组合 " 正在刷新各种记录 "，尤其是 " 每瓦性能 " 指标。
这种 " 先上车后换票 " 的工程哲学，是 AWS 作为云运营商与 NVIDIA 作为芯片厂商在设计理念上的根本分歧。NVIDIA 追求的是峰值性能，AWS 追求的是运营灵活性。
供应链层面同样下了重注。AWS 通过股权认购权（warrant）协议与核心供应商深度绑定，拿到了远低于市场价的元器件成本。SemiAnalysis 的描述是，有的供应商 " 实质上是倒贴钱让 Amazon 拿走零部件 "。
所以问题不是 Trainium 能不能行——它已经证明了自己。问题是：既然 Trainium 已经如此成功，AWS 为什么还要买一百万颗 NVIDIA GPU？
时间窗口的残酷算术
答案不在芯片本身，而在时间和规模。
Trainium3 的液冷版本 2025 年 12 月发布，正在爬坡量产。而 NVIDIA 的 GB200 NVL72 已经在 2025 年上半年开始出货。在 AI 模型训练的军备竞赛中，6 到 12 个月的时间差足以决定一个模型世代的成败。
更关键的是客户需求的爆发速度。实验室主任 King 坦言：" 我们的客户群在以我们能交付产能的最快速度扩张。"Anthropic 和 Amazon 自己的 Bedrock 服务消耗 Trainium 芯片的速度，已经超过了 Amazon 的生产能力。在这种供不应求的局面下，百万颗 NVIDIA GPU 不是替代品，而是必需品。
百万 GPU 订单不是对 Trainium 的否定票，而是对 AI 算力需求爆炸式增长的直接回应。AWS 无法单靠自研芯片满足所有客户的胃口，它需要 NVIDIA 的产能来填补 Trainium 供应链的时间差。
再者，但软件生态仍是 Trainium 需要持续投入的领域。
AWS 的 Neuron SDK 目前已经走向开源，包括原生 PyTorch 后端、NKI（Neuron Kernel Interface）编译器、以及矩阵乘法和通信库。迁移门槛正在大幅降低：工程总监 Carroll 表示，从 NVIDIA GPU 迁移到 Trainium" 基本上只需要改一行代码，重新编译，然后就能跑 "。这种说法或许有宣传、夸大之嫌，但方向是明确的：AWS 正在系统性地瓦解 CUDA 的护城河。
不过，一个关键限制暴露了成熟度的差距：目前 Neuron SDK 仅支持 Logical NeuronCore（LNC）等于 1 或 2 的配置，LNC=8 的支持要到 2026 年中才能就绪。对于需要更灵活地映射算子到计算单元的前沿模型研究者来说，这意味着 Trainium3 在上市初期还无法完全释放其硬件潜力。
NVIDIA 花了十几年打造 CUDA 生态。从编程模型、编译器、调试工具，到数千个优化过的算子库，再到 PyTorch 和 TensorFlow 的深度集成，这个生态的厚度不是靠一两代芯片就能追平的。但 AWS 正在用一种不同的策略去啃这块硬骨头：不是正面取代 CUDA，而是通过 PyTorch 兼容层和开源生态，让开发者以最低成本尝试 Trainium。谷歌（Google）TPU 走的是另一条路，用封闭生态配合十年不动摇的投入，最终在自有模型（Gemini）上证明了价值。AWS 能否在开源路线上做到同样的坚持，是一个尚待回答的问题。回想曾经的 Apache MxNet, 很难让人建立完全的信任。
网络之战：三条路线的角力
如果说芯片竞争还有迹可循，网络层面的博弈则更加复杂。AWS 现在同时运行着三种不同的高性能互联方案，它们分别服务于不同的场景，但彼此之间存在微妙的竞争关系。
第一条路线：EFA（Elastic Fabric Adapter）。AWS 自研的 scale-out 网络方案，基于 SRD（Scalable Reliable Datagram）协议，最新版本提供每实例 400 Gbps 带宽，深度整合 Nitro 虚拟化层。EFA 的优势在于多租户隔离和 VPC 集成，是 AWS 通用 GPU 实例（如 P5、P6）和 HPC 场景的标准互联。
第二条路线：NeuronLink。Trainium3 的自研 scale-up 互联，基于 PCIe Gen 6 交换架构。每芯片 1.2 TB/s 单向带宽，64 至 144 颗芯片可以组成一个紧耦合的计算域。NeuronLink 的定位类似于 NVIDIA 的 NVLink，但实现路径完全不同。它使用标准 PCIe 协议而非专有协议，牺牲了一定的峰值带宽，换来了供应链的多元化和硬件的现场可升级性。
第三条路线：NVIDIA Spectrum-X。这次交易中最出人意料的元素。Spectrum-X 是 NVIDIA 在 2024 年 3 月 GTC 大会上发布的 AI 专用以太网平台，集交换芯片、智能网卡和数据处理单元于一体，专门为 GPU 集群间的通信模式做了深度优化。官方数据显示其 AI 工作负载性能比传统以太网提升 1.7 倍，支持最多 32,000 颗 GPU 组成的单一集群。
AWS 采购 Spectrum-X，最直接的解读是：对于百万颗 NVIDIA GPU 组成的超大规模集群，EFA 的 scale-out 性能天花板不够高，而 NeuronLink 只服务于 Trainium 芯片。AWS 需要一个能与 NVIDIA GPU 深度配合的网络方案，而在这个领域，没有人比 NVIDIA 自己做得更好。
但还有一层更深的含义。2025 年底，AWS 和 NVIDIA 宣布 Trainium4 将接入 NVIDIA 的 NVLink Fusion 平台，这意味着 AWS 下一代自研芯片的 scale-up 互联将直接使用 NVIDIA 的 NVLink 技术。Spectrum-X 的采购，从这个角度看，是 AWS 开始拥抱 NVIDIA 网络生态的第一步，而不是最后一步。
AWS 正在形成一个分层的网络架构：EFA 负责多租户环境下的通用 scale-out 通信，NeuronLink 服务于 Trainium3 的 scale-up 互联，而 NVIDIA 的网络技术（当前的 Spectrum-X、未来的 NVLink Fusion）则分别为 NVIDIA GPU 集群和 Trainium4 提供高性能互联。这不是三选一，而是各司其职，但是复杂性则不言而喻。不可回避的事实是，NVIDIA 的网络技术在这个架构中扮演的角色越来越重。
Groq 芯片：推理战争的新变量
这笔交易中另一个引人注目的元素是 NVIDIA 的 Groq 芯片。
Groq 原本是一家独立 AI 芯片公司，由前谷歌 TPU 架构师 Jonathan Ross 创立，以超快推理速度闻名。2025 年底，NVIDIA 以 200 亿美元签下非独占技术授权协议，并招揽了 Groq 大部分硬件和软件团队。2026 年 3 月，NVIDIA 正式发布了 Groq 3 LPX 推理加速器。
这款芯片的出现意味着 NVIDIA 正在构建一个 " 训练用 GPU + 推理用 Groq LPU" 的双芯片战略。Ian Buck 的那句 " 七颗芯片 " 论述暗示，NVIDIA 认为未来的 AI 基础设施不再是 GPU 包打天下，而是一个异构的计算矩阵，不同类型的芯片各司其职。
一个有趣的战略对比是，NVIDIA 的方向是 " 异构化 "，用七种不同芯片各司其职，训练归 GPU，推理归 Groq，网络归 Spectrum。而 AWS 恰好走了相反的路：放弃了曾经独立的 Inferentia 推理芯片产品线，把训练和推理统一收归 Trainium 一颗芯片。一个做加法，一个做减法。
但 AWS 也并非只有一张牌。2026 年 3 月，AWS 宣布与 Cerebras Systems 达成合作，将 Cerebras 的推理芯片集成到运行 Trainium 的服务器上，承诺 " 超强低延迟 AI 性能 "。这意味着 AWS 在保持 Trainium 统一性的同时，也在推理层面引入了外部盟友。
NVIDIA 的逻辑是通过专用化榨取每个环节的极致性能。AWS 的逻辑是通过统一化降低软件栈的复杂度和客户的认知负担，同时在推理层面保持灵活的合作策略。
谁对谁错？现在下结论为时过早。但有一点可以确定：推理市场的体量远大于训练（业内估算推理占 AI 计算总量的 70% 以上），这意味着 Trainium 能否在推理侧证明自己，和它在训练侧的表现同样重要。而 TechCrunch 的报道已经给出了部分答案：Trainium2 目前承担着 Amazon Bedrock 服务的大部分推理流量。这不是期许，而是正在发生的事实。只是 Trainium 似乎不是每个人都能接受的选择。
这笔交易的真正买家是谁？
要理解百万 GPU 订单，有一个关键问题必须回答：这一百万颗 GPU 到底是谁在用？
答案可能出乎很多人的意料：大概率不都是给 Anthropic 的。
Amazon 自 2023 年底以来累计向 Anthropic 投资 80 亿美元。到 2026 年 2 月，这笔投资的账面价值已飙升至 606 亿美元，增长了七倍，成为 Amazon 有史以来最赚钱的战略投资之一。2025 年的可转换票据转换为 Amazon 贡献了约 56 亿美元的确认收益，第三季度又录入 72 亿美元的估值上调。
Anthropic 正在以 610 亿（2025 年 3 月）→ 1830 亿（2025 年 9 月）→据报道冲击 3500 亿美元的速度攀升估值，并可能在 2026 年 IPO。
但比财务回报更重要的是产业绑定。Anthropic 已经承诺采购 100 万颗 Trainium 芯片，将这家最具影响力的 AI 实验室之一牢牢绑定在 AWS 的自研芯片生态上。Anthropic 的 Claude 已经运行在超过 100 万颗 Trainium2 芯片上，AWS 自己的 Bedrock 服务也是 Trainium 的重度用户。这些工作负载不需要 NVIDIA GPU，它们已经在 Trainium 上跑得很好了。
百万 GPU 订单的真正驱动力，或许是 2026 年 2 月 AWS 与 OpenAI 签下的 500 亿美元投资协议。作为这笔交易的一部分，AWS 承诺向 OpenAI 提供 2 吉瓦的 Trainium 算力。但 OpenAI 的模型和工作流程高度依赖 NVIDIA CUDA 生态，短期内不可能全部迁移到 Trainium。百万颗 NVIDIA GPU，正是为 OpenAI 的过渡期准备的。
这构成了一个精妙的双层客户策略：Anthropic 已经是 Trainium 的 " 铁杆用户 "，承诺了 100 万颗芯片的采购，证明了自研芯片在前沿模型上的可行性；OpenAI 则是需要用 NVIDIA GPU 先接住、然后逐步引导向 Trainium 迁移的新客户。两条路线服务于不同的客户成熟度。
Amazon 在这两个 AI 巨头身上的投资策略截然不同。对 Anthropic 是 80 亿美元的股权投资（现在账面回报七倍），靠可转换票据在 Anthropic 每一轮融资时自动获得新股，是一笔越滚越大的金融赌注。对 OpenAI 则是 500 亿美元的基础设施投资，用算力换取独家合作关系。一个赚资本增值，一个赚平台锁定，两手都在下注，筹码不可谓不大。
此外，AWS 作为 OpenAI 新 AI 智能体产品 Frontier 的独家提供商，GPU 的供给能力直接关系到这一战略合作的成败。如果 AWS 无法提供充足的 NVIDIA GPU 资源，OpenAI 完全可以把更多工作负载分配到 Azure（微软云）或 Google Cloud。实际上，微软已经就 OpenAI 与 Amazon 的协议是否违反其自身与 OpenAI 的合作条款提出质疑。
真正的棋局：Trainium4 与 NVLink Fusion
如果说百万 GPU 订单是当前的战术动作，那么 Trainium4 的路线图才揭示了 AWS 与 NVIDIA 关系的真实走向。而这个走向，比大多数人预想的更加出人意料。
2025 年 12 月的 re:Invent 大会上，AWS 和 NVIDIA 联合宣布了一项跨代合作：Trainium4 将全面接入 NVIDIA 的 NVLink Fusion 平台。
NVLink Fusion 不是一个简单的互联协议授权。它是 NVIDIA 推出的一套完整的机架级 AI 基础设施方案，专门为超大规模云厂商的自研芯片设计。它允许第三方 ASIC 通过第六代 NVLink 交换机实现 72 颗芯片的全互联，每颗芯片 3.6 TB/s 带宽，整个域的总带宽达到 260 TB/s。
更关键的是，NVLink Fusion 不只是互联，它还包括 NVIDIA 的 OCP MGX 机架架构、Vera CPU、共封装光学交换机、ConnectX SuperNIC 智能网卡、BlueField DPU，以及 Mission Control 管理软件。
这意味着，Trainium4 的 " 自研 " 部分仅仅是计算芯片本身，而它运行的整个基础设施平台，从机架到互联到网络到管理软件，都是 NVIDIA 的产品组合。
这与 SemiAnalysis 早前披露的路线图形成了有趣的对照。SemiAnalysis 提到 Trainium4 同时有 UALink 和 NVLink 两条设计路径。NVLink Fusion 的官方发布证实了 NVLink 路径不仅是真实的，而且走得比任何人预想的都更深。AWS 不是简单地在芯片里集成一个 NVLink 接口，而是把整颗芯片嵌入了 NVIDIA 的系统平台。
这也意味着一个微妙但重要的转折：Trainium3 上耗费大量心血打造的 NeuronLink 自研互联，在 Trainium4 上被 NVLink Fusion 取代了。那套精心设计的三代交换机升级路线、那些通过供应链 warrant 绑定的 PCIe 交换芯片供应商，在 Trainium4 的架构中将不再是核心角色。
NeuronLink 不是失败了，它完成了自己的历史使命：为 Trainium3 提供一个可以快速上市的互联方案，同时为 AWS 争取到与 NVIDIA 谈判 NVLink Fusion 合作条件的筹码和时间。但从工程投入的角度看，NeuronLink 更像是一座临时的便桥，而不是一条大路。
规模变化同样值得关注。Trainium3 液冷版可以组成 144 芯片的全互联域，而 NVLink Fusion 支持的是 72 芯片全互联。数字上看似减半，但每颗芯片的互联带宽从 1.2 TB/s 跃升至 3.6 TB/s，总域带宽达到 260 TB/s。对于大多数前沿模型训练而言，更高的单芯片带宽意味着更少的通信瓶颈，72 颗高带宽芯片的实际性能可能优于 144 颗低带宽芯片。不过，对于那些极度依赖 all-to-all 通信的超大规模 MoE 模型，芯片数量的减少是否会成为瓶颈，仍有待实际部署后验证。
但这也引出了一个尖锐的问题：如果 Trainium4 运行在 NVIDIA 的平台上，那它到底算 " 自研 " 还是 " 半自研 "？
AWS 从中获得的好处很直接：大幅缩短开发周期、降低系统设计风险、获得经过验证的互联性能。NVIDIA 的官方博客直言不讳地写道，NVLink Fusion 能帮助云厂商 " 消除独立开发 scale-up 网络方案的需要 "，" 最大限度降低供应商生态的复杂性 "。
NVIDIA 从中获得的好处同样巨大：即使 AWS 用自研芯片替代了 NVIDIA GPU，NVIDIA 依然通过 NVLink 交换机、网卡、DPU 和机架平台获取丰厚的收入。芯片可以换，但基础设施平台的粘性远高于单颗芯片。这是 NVIDIA 的终极商业模式升级：从卖芯片到卖平台。即便客户不用我的 GPU，也要用我的一切其它的东西。
百万 GPU 订单和 NVLink Fusion 合作放在一起看，画面就完整了：短期内，AWS 买 NVIDIA 的 GPU 和网络；长期内，AWS 的自研芯片仍然运行在 NVIDIA 的平台上。无论哪条路线胜出，NVIDIA 都能从中获利。
AWS 当然看得到这一点。它之所以接受这个格局，是因为另一个算盘：如果 Trainium4 在 NVIDIA 平台上成功了，AWS 就拥有了一颗成本由自己控制的计算芯片，即使平台费用要付给 NVIDIA，总体 TCO 仍然优于全部购买 NVIDIA GPU。计算芯片是数据中心成本中占比最大的部分，只要在这一层实现自主，AWS 就能在定价上获得结构性优势。NVIDIA 赚平台的钱，AWS 赚计算的差价，双方各取所需。这是一种理性的利益切割，而非一方对另一方的屈服。
但问题在于：这种 " 各取所需 " 的均衡能维持多久？当 NVIDIA 的平台收入逐渐成为 AWS 不可或缺的基础设施成本时，谈判桌上的力量对比会不会悄然地改变？
一个比 " 投降 " 复杂得多的故事
让我们把视角拉远来看这件事。
最偷懒的解读是：AWS 买了一百万颗 NVIDIA GPU，说明自研芯片失败了。这个叙事简单、有冲击力，但它忽略了太多的事实：140 万颗已部署的 Trainium 芯片、承载 Claude 的百万芯片集群、数十亿美元的营收、80 亿美元投资七倍增值到 606 亿的财务回报，以及 OpenAI 500 亿美元合作中对 Trainium 产能的承诺。
更接近现实的图景可能是这样的：
AWS 正在同时运行三场不同时间尺度的战争。
短期（2025-2026）：用 NVIDIA GPU 接住 OpenAI 等 CUDA 生态深度绑定的新客户，同时持续扩大 Trainium2/3 的产能来满足 Anthropic 和 Bedrock 的爆发式需求。这不是在两条路线之间犹豫，而是两条路线都在全速推进。
中期（2026-2028）：Trainium3 全面铺开后，用 50% 的成本优势和 MoE 架构优化争夺增量工作负载。144 芯片的 NeuronLink 域、开源的 Neuron SDK、比 NVIDIA 更灵活的机架设计（风冷 / 液冷双版本、可现场升级的交换架构），这些都是差异化的武器。SemiAnalysis 对 Trainium3 的评价是，它为黄仁勋 "yet another front"（又开辟了一条战线），与谷歌 TPUv7 和 AMD MI450X 一起形成多线作战的压力。
长期（2028+）：Trainium4 接入 NVLink Fusion 平台，获得 NVIDIA 级别的互联性能，同时保留自研计算芯片的成本和架构灵活性。但这也意味着 AWS 在互联和机架层面对 NVIDIA 的依赖将进一步加深，而非减弱。
这个三层战略的核心逻辑是：不在任何单一时间点与 NVIDIA 的全面对抗，而是在计算芯片层面持续积累自研能力，在互联和平台层面则选择与 NVIDIA 合作而非对抗。
百万 GPU 订单不是投降书，它是 AWS 为接住爆发式增长的 AI 算力需求而必须支付的扩容账单。但 " 自研芯片帝国 " 这个说法本身可能需要做出修正。Trainium4 与 NVLink Fusion 的合作模式表明，AWS 追求的不是全面独立于 NVIDIA，而是在最核心的计算层实现自主可控，其余部分则务实地选择最优方案。
但我们必须诚实地面对一个问题：即便 Trainium 在计算层已经成功，NVLink Fusion 的平台依赖是否会成为新的风险？
成功之后的隐忧
上面描绘的图景比一年前乐观得多。Trainium 已经不再是一个需要证明自己的实验品，它是一台正在全速运转的印钞机。但成功本身也带来了新的战略风险。
第一个隐忧：平台依赖的不可逆性。Trainium4 选择接入 NVLink Fusion，意味着其机架设计、互联协议和管理软件都将深度绑定 NVIDIA 生态。一旦走上这条路，回头的成本极高。从 Trainium3 的全自研互联到 Trainium4 的 NVLink Fusion，" 自研 " 的边界在一代产品之间就大幅收缩了。如果这种收缩在 Trainium5、Trainium6 上继续下去，AWS 最终可能只剩下计算 Die 这一个自研环节，其余全部依赖 NVIDIA。那时候，" 自研芯片 " 更像是 NVIDIA 平台上的一个可替换模块，而非真正意义上的独立竞争力。
第二个隐忧：供给瓶颈的悖论。King 坦承 " 客户群扩张速度超过了产能交付速度 "。Trainium 的成功反而暴露了产能瓶颈 — 如果 AWS 无法快速扩大自研芯片的产量，它就不得不持续购买 NVIDIA GPU 来填补缺口。这意味着每一笔 NVIDIA 订单都在强化 NVIDIA 的营收和谈判地位，而 Trainium 的成本优势要到产能完全跟上需求之后才能充分兑现。
第三个隐忧：NVIDIA 不会站着等。SemiAnalysis 评价 Trainium3 为黄仁勋开辟了 "yet another front"，但这个评价的另一面是：NVIDIA 从来不缺乏在多线作战中获胜的能力。Blackwell 之后是 Rubin，Rubin 之后还有更新的架构。NVIDIA 的研发投入是 AWS 芯片团队的数倍，迭代速度之快有时甚至让自己的客户措手不及。Trainium 在成本上可能有优势，但在绝对性能上能否持续跟上 NVIDIA 的节奏，是一个没有确定答案的问题。
第四个隐忧：双重生态的维护成本。AWS 现在需要同时维护两套完整的 AI 基础设施 — NVIDIA GPU 集群和 Trainium 集群。两套不同的软件栈、两套不同的网络方案、两套不同的运维流程。这种双轨并行的运营复杂度，本身就是一笔巨大的隐性成本。King 说 "Bedrock 可能有一天会像 EC2 一样大 "，但要达到那个规模，AWS 需要在两套基础设施之间做到无缝调度，这远比单一平台的运营困难得多。
而在 AI 基础设施每六个月就更新一代的节奏下，战略上的摇摆比战略上的错误更危险。谷歌走 TPU 路线十年，尽管中间经历了无数质疑，但从未在战略层面动摇，最终用 Gemini 证明了自研芯片的可行性。NVIDIA 走 CUDA 全栈路线二十年，中间 GPU 多次被唱衰，但始终坚持计算与软件一体化的方向。这两家公司的成功有一个共同点：长期战略的一致性。
公允地说，AWS 目前的方向并不是在自研和外购之间反复横跳。" 计算层自研、平台层合作 " 是一个清晰的分工逻辑，而 140 万颗已部署的芯片和数十亿美元的营收证明了执行力。但 Trainium4 拥抱 NVLink Fusion 的决定提醒我们：成功不等于独立。AWS 在计算芯片层面越成功，NVIDIA 在平台层面的不可替代性就越高。
这才是百万 GPU 订单背后最值得深思的信号：它不是自研失败的标志，而是一种新型共生关系的起点。在这种关系中，AWS 掌控计算，NVIDIA 掌控平台，双方共同分割 AI 基础设施的利润池。谁获得更大的份额，取决于接下来几年的博弈。
答案可能就在 AWS 的下一步行动中。2026 年的关键观察指标是：Trainium3 的液冷版能否按时大规模部署、OpenAI 在 Trainium 上的工作负载占比是否稳步上升、Neuron SDK 的开源社区是否出现实质性的外部贡献。如果这些指标持续向好，AWS 就有底气在 Trainium4 的 NVLink Fusion 谈判中争取更有利的条款。如果 Trainium3 产能爬坡不顺、或者 OpenAI 迟迟无法从 NVIDIA GPU 迁移，那么 NVIDIA 在平台层面的议价权只会越来越强。
真正的问题不在于 AWS 是否在买 NVIDIA 的芯片，而在于五年后，AWS 的数据中心里跑的到底是谁的芯片、用的是谁的网络、受制于谁的生态。这场博弈的结局，远未写完。但与一年前相比，AWS 手中的牌已经好了很多。140 万颗已部署的芯片、Anthropic 的百万芯片采购承诺、80 亿美元投资七倍增值到 606 亿美元的财务回报，这些数字不说谎。唯一欠缺的可能就是股价了。
2026 年 3 月 25 日
参考资料
- Yahoo Finance, 2025 年 3 月 ; NVIDIA 确认百万 GPU 交易的原始报道
- Seeking Alpha, 2025 年 3 月 ; Amazon 如何通过 NVIDIA 交易解决 AI 客户需求的分析
- Tae Kim/Substack, 2025 年 3 月 ; Ian Buck 详述七芯片战略和 AWS 合作细节
- Inspirepreneur Magazine, 2025 年 3 月 ; 交易规模和时间线报道
- Research Newspaper, 2025 年 3 月 ; 七种芯片类型和 Groq、Spectrum-X 细节
- SemiAnalysis, 2025 年 ; Trainium3 技术深度分析，包括 N3P 制程、NeuronLink 架构、机架设计、供应链策略及 Trainium4 路线图
