AI 云业务普涨的时代，利润率成了真正的分水岭。AWS 凭借一套将 Claude token 需求转化为经营杠杆的独特结构，正在与 Azure、Google Cloud 拉开差距。
最新数据显示，AWS 在 2026 年一季度 EBIT 利润率环比提升 213 个基点，而同期 Azure 利润率走弱，Google Cloud 利润率改善有限且存在会计口径差异。亚马逊是唯一一家将代币即服务 ( TokenaaS ) 作为其人工智能业务主要组成部分的云服务提供商 ( CSP ) 。
关键信号在于：Bedrock 目前约为 55 亿美元 run-rate 规模，仅占 AWS 总收入约 4%，却贡献了 AWS 同比新增毛利额的 30%。只要 Anthropic 需求持续爆发，这一杠杆效应将继续放大。
结构差异：AI 占比低，利润率反而更高
云厂商都在吃 AI 需求，但分化发生在利润率，而非收入增速。
从 AI 收入占总收入比例来看，AWS 并不领先。测算显示，AWS 的 AI 收入占比从 2024 年一季度的 2% 升至 2026 年一季度的 10%，而同期 GCP 和 Azure 分别达到 36% 和 27%。
这解释了一个表面矛盾—— AWS 的 AI 收入占比远低于竞争对手，利润率却跑出来了。问题不在 "AI 多不多 "，而在 "AI 收入是哪一种 "。
Bedrock 模式：从卖算力到拿分销权益
Bedrock 是 AWS 的模型调用平台，客户可通过统一账单、安全合规框架接入 Claude 等前沿大模型。它的竞争对手包括 Microsoft Foundry、Google Gemini Enterprise Agent Platform，以及 TogetherAI、Fireworks 等偏开源模型的平台。
这类平台的核心差异不在模型数量或延迟指标，而在能否接入前沿模型。前沿大模型贡献了 AI API 行业的大部分收入，AWS、微软、谷歌相较其他 endpoint 平台的优势，正在于此。
但接入模型只是第一步。Bedrock 对 AWS 利润率的真正意义，在于其交易结构。在 AWS 通过 Bedrock 分销 Claude token 的安排下，Anthropic 作为 seller of record 确认完整的 token 销售收入；客户由 AWS 开票，模型部署在 AWS 基础设施上；AWS 则获得两部分收益：类似 EC2/IaaS 的基础设施费用，以及分销或收入分成。
相比五年期 take-or-pay 式的 IaaS 合同，这类 Token-as-a-Service（TaaS）业务收入锁定性更低，但利润率更厚。对 Anthropic/Bedrock 安排的测算显示，固定 IaaS 费用、收入分成与超量绩效门槛叠加，使 Bedrock 在 2026 年一季度实现了约 55% 的 EBIT 利润率。代价也很明确：若 Claude token 消费下滑，AWS 承担的需求风险高于传统 IaaS。
Anthropic 爆发：AWS 利润杠杆的核心燃料
Bedrock 高度绑定 Anthropic 需求。测算显示，Bedrock 80% 至 90% 以上的客户使用 Anthropic 模型，Bedrock 实质上是一个由 Claude 需求驱动的业务。
Anthropic 自身的增长数据极为突出。其 2026 年一季度净新增 ARR 为 210 亿美元，总 ARR 达到 300 亿美元；API 收入同比约增长 13 倍，年底 ARR 有可能远超 1000 亿美元。Claude Code 在企业客户中的快速铺开是重要驱动，消费者侧流量也开始向 Claude 迁移。
利润率同样大幅改善。Anthropic 推理毛利率已升至 60% 中段，相比 2025 年的 38% 和 2024 年的 -94% 实现大幅修复。Anthropic 越快增长，Bedrock 上 Claude token 消费越大，AWS 拿到的基础设施费和分销分成也越多。
这种借力关系在财务数据上已有体现。2026 年二季度的路径假设更为激进：Bedrock 占 AWS AI 收入比例有望升至 53%，并为 AWS 总收入增长额外贡献 9 个百分点。
容量布局：提前锁电，才接得住 TaaS 需求
TaaS 要做大，前提是有足够的推理算力按时交付。AWS 在这一点上比多数同行更为激进。
数据中心模型显示，AWS 在 2025 年至 2027 年的新增容量上持续领先；微软在 2024 年至 2026 年节奏接近，但到 2027 年被明显拉开。更重要的是，微软内部 AI 项目消耗的算力高于亚马逊，且大量 AI 算力通过长期合同锁定给了 OpenAI ——仅 OpenAI 相关积压订单规模，就是 Azure 全年收入的 2.5 倍。
AWS 则更早将电力和容量当作市场份额问题处理，与 Talen、Vistra、NiSource 等独立电力生产商签下数十亿美元级 PPA，并在印第安纳和密西西比推进接近 2GW 规模的建设。微软此前曾经历约一年的数据中心建设暂停，拉低了 2027 年容量预测；威斯康星大型 AI 集群进展也慢于 AWS 同类项目。若要追赶，微软只能从 neocloud 购买更多容量，成本更高，利润率也将承压。
AWS 还在推进更高模块化和预制化比例的新数据中心设计。对 AI 推理业务而言，这直接关系到收入的交付能力。
自研芯片：在分销费之外压低底层成本
Bedrock 模式对自研芯片天然友好——客户购买的是 token，不关心底层跑的是英伟达 GPU 还是 Trainium。这给了 AWS 一个额外的成本杠杆。
Trainium 在高 batch 推理、强化学习等对内存带宽敏感的工作负载中具备较好的性能 / 总拥有成本表现。AWS CEO Matt Garman 在 2025 年 11 月披露，Trainium 已支撑超过 50% 的 Amazon Bedrock token 使用量。
CPU 侧同样值得关注。前沿大模型训练和推理对 CPU 需求上升，尤其在强化学习和 agentic 工作负载中。AWS 的 Graviton4、Graviton5 在性能 / 总拥有成本上具备优势，并将作为 Trn3 的 head node 集成，也可单独用于强化学习和 agentic 任务。AWS 已与 Anthropic、OpenAI、Meta 签下大型 CPU 及 Graviton 相关合作，Bedrock 客户基础越大，向其追加销售 Graviton 能力的摩擦越小。
同行落后：不是 AI 收入不够，而是结构没变
Azure 的核心问题是 AI 收入仍高度 IaaS 化，Microsoft 365 Copilot 和 GitHub 相关业务尚未形成同等规模的利润率拉动。
Google Cloud 的 Gemini API 表现尚可，但没有复制 Anthropic 在编码市场的强势。更重要的是，Google Cloud 存在会计口径差异—— DeepMind 的训练成本未计入 GCP 分部，导致其利润率与 AWS 不完全可比。
Oracle 和 neocloud 的处境更为直接：主要在 AI IaaS 和算力租赁层竞争，TaaS 几乎没有规模。一旦云业务利润低于预期，批发算力模式的脆弱性即刻暴露。
AWS 这轮跑赢，依赖几条线同时成立：Anthropic 需求爆发提供收入基础，Bedrock 交易结构提供利润率，电力与数据中心容量提供交付能力，Trainium 和 Graviton 压低底层成本。只要这几条线保持连接，AWS 的 AI 业务逻辑就不只是 " 资本开支换增长 "，而是 " 模型需求换经营杠杆 "。
