--- title: "AI 算力：从盛宴到 “剩宴”？" type: "Topics" locale: "zh-CN" url: "https://longbridge.com/zh-CN/dolphin/post/42624002.md" description: "在海豚君此前《“AI 拉胯” 亚马逊：会上演逆袭大戏吗？》的分析中，我们从几个角度探讨了 AWS 在 AI 上的布局，从其自研芯片、和 Anthropic 的合作、其模型能力多角度看到亚马逊在 AI 上的综合能力有不小的提升，距离优等生 Google 的差距已明显缩窄。从中海豚君对两个点比较好奇，一是云厂商们的 AI 业务利润率似乎比预期中要好，二是云厂商们目前对其模型合作方的依赖非常大..." datetime: "2026-07-13T14:09:24.000Z" locales: - [en](https://longbridge.com/en/dolphin/post/42624002.md) - [zh-CN](https://longbridge.com/zh-CN/dolphin/post/42624002.md) - [zh-HK](https://longbridge.com/zh-HK/dolphin/post/42624002.md) author: "[Dolphin Research](https://longbridge.com/zh-CN/dolphin.md)" generator: "portal-rs" --- # AI 算力：从盛宴到 “剩宴”？ 在海豚君此前《[**“AI 拉胯” 亚马逊：会上演逆袭大戏吗？**](https://longbridge.com/zh-CN/topics/42140303)》的分析中，我们从几个角度探讨了 AWS 在 AI 上的布局，从其自研芯片、和 Anthropic 的合作、其模型能力多角度看到亚马逊在 AI 上的综合能力有不小的提升，距离优等生 Google 的差距已明显缩窄。 从中海豚君对两个点比较好奇，一是云厂商们的 AI 业务利润率似乎比预期中要好，二是云厂商们目前对其模型合作方的依赖非常大，云厂商的收入增长相当依赖于 AI 模型用量的增长。 因此本篇中，海豚君进一步从更细致的定量视角，深入探讨了， 1、云厂商们利润率提升背后的逻辑是什么？潜在的提升幅度有多大？ 2、模型商们的算力需求，到底对云厂商的收入有多大的带动作用？过度依赖模型商对云厂会有什么潜在？ 3、从上述视角，对 AI 产业链中的行业投资偏好选择有什么指导意义？ 以下为具体分析： **一、一探 AI 云的毛利率的变化和背后原因** 根据我们上篇的梳理，目前一个让 AI 云业务的利润率并没那么差的原因，是营收结构上，更高毛利率的 MaaS/TaaS 型业务部分取代了低毛利率的 “裸金属” IaaS 型业务。 从第一性原理来看，影响云厂商利润率的决定性的因素，显然是云厂商在整个 AI 产业链中的议价能力。 或者说以下几个可量化的定价因素 -- **终端用户使用 AI 大模型的价格，AI Lab 使用算力的价格，云厂商提供算力的成本**（能进一步分为相对固定的电力等运营成本和弹性较大的硬件价格）**。**后文就从单位 Token 经济性的角度，观察下以上三个定价的变化趋势，以及对云厂商和整个产业链利润率的影响。 **1.1、模型，云，芯片，三者的价格分别如何变化？** **a. 大模型定价既不通胀、也没通缩：**首先在大模型的使用价格上，仅考虑按量计费模式（剔除订阅模式），那么无论是 Anthropic 官方的定价，还是三方机构统计的真实 Token 价格指数（由多种不同等级模型的 Input/Output/Cache-hit 使用价格混合得出），都能看到**AI 模型的价格，并没有并没有跟随着模型的迭代和能力提升，呈现去趋势性的走高，**而是呈区间震荡或者干脆是一条直线。 b. **算力的单位成本的明显通缩**：不同于模型的单位 Token 定价在迭代中大体保持不变，**单位 Token 的生成成本随着时间迭代呈现明显的通缩趋势**。（注：这里采用的指标是 Semi analysis 提出的 TCO，指算力的总成本，包括建设的 Capex 部分和维持运营的 Opex 两部分） 根据以 Qwen 3.5 模型为例的测试，可以看到单位 Token 生成成本明显随着芯片代际提升而下降。例如最新的**GB200 NVL72 的每百万 Token 生成成本大约只有 H100/200 的 1/3~1/4。** 这种成本通缩背后的原因是，**芯片随着代价提升，其价格的提升幅度远远小于其产出 Token 效率的提升幅度。**且这种产出效率的巨大提升是由软硬件的共同提效贡献的。 硬件层面**，**以 DeepSeek R1 为例，相同工程编排方式下，**GB300 每秒输出 Token 的效率大致能达到 H200 的 4~10 倍。**软件/工程层面，以 DeepSeek V4 为例，在**都基于 GB300 同一硬件，但工程编排不同下，输出效率也能差到 2~4 倍。** 在最高达 10x 的巨大效率差异下，虽然单颗 GB300 明显贵于 H200，但价差也不超过 2 倍。芯片性能暴涨而价格温和上涨，两者影响对冲下，通缩效应还是占据主导。 c.根据以上信息做一个简单测算，按 Qwen 3.5 模型的综合价格是$1 每百万 Tokens，**仅考虑芯片单位 Token 生成成本的下降这单一因素** -- 从$0.2（H200）下降到约$0.05（GB300），单位 Token**产生的毛利率就能有月 15 个百分点的提升。** 这一现象背后的核心逻辑小结来说，就是 AI 时代芯片行业依然基本维持着 “科技的通缩效应”，即每一代的芯片价格变化不太大的情况下，性能在不断显著提升。换种方式，也**可以说每一代芯片性能提升的相当一大部分是被让渡给了下游**。而**AI（头部）模型的定价却并没有把性能提升的利益继续让渡给终端用户，而是留存为了自身的利润。** **1.2、云厂商涨价了？** 但如前文提到的，在 “终端用户定价” 和 “硬件运行成本” 之间的利润，是由云厂商和 AI 模型公司所共享的。而这些利润如何在云厂商和 AI 模型公司之间分配，则就主要由云厂商门店的算力租赁价格来决定的 -- 若云算力的定价大体持平，则 “额外的毛利率” 近乎全部由 AI Lab 拿走；**若云算力定价呈走高趋势，则云厂商也同样能分到一部分 “额外的毛利率”。** 那么现实情况如何？从多个渠道整理的云租赁实时标准价格（on-demand price），都能看到同一个的趋势--**云算力的定价从 25 年底开始确实进入了明显的上行周期，**由此可以推断在算力显著供不应求的情况下，云厂商的议价能力确实有所提升，因此在收入结构变化的利好之外，**即便是 “裸金属” 出租的 IaaS 业务的毛利率应当也有提升。**具体来看： **a. 近芯片价格上涨幅度最大**：分代际视角，最新几代的 GPU（如 B200 或更新）云租赁价格上涨最为明显，根据不同数据源，其定价自 25 年底到目前上涨了约 1/4~1/2。 **b. 老旧的主流芯片也在涨价：**而目前**市场内实际的主流 GPU 芯片**（H200 或更早的产品）的租赁价格自 25 年底以来也有一定幅度、**约 15%~20% 左右的上涨**。 逻辑上，这些前几代芯片的租赁价格，应当是随着技术和时间的迭代，逐步降价。而近期包括**已上市 3~5 年的老芯片在内，云租赁价格近期的逆势上涨**，一方面**验证了目前算力的严重供不应求**（愿意加价租已相对落后的老旧芯片）**，另一方面实际已体现出云厂商们的议价权和利润率在提升。** **只有比 A100 更老旧、更低性能的芯片**（2000 年之前的）**才呈现出被 “逐步替代” 的情况，**平均租赁价格从 24 年底至今下降了约 1/3，但也并非完全报销，仍能以较低的价格继续贡献收入。 另一个**比较关键的信号是，老旧芯片并不会随着新芯片能力大幅加强，而失去使用场景变成 “闲置资产”，**能继续贡献现金流。 **二、云厂商 AI 收入的毛利率改善了多少？** **2.1、软硬件技术提升的共同利好** 以上我们得出模型商和云厂商 AI 算力业务的毛利率都正在提升的结论（注意这不等同于 AI 算力业务的毛利率追上或超过了传统算力租赁的利润率），但主要是从定性和趋势判断的视角。接下我们**从定量视角，测算下模型商和云厂商的毛利率可能具体变化了多少**。 为了简化问题，我们以下**测算的是 “推理毛利率”，**只考虑推理产生收入和其直接算力成本这两个因素，其他如训练/研发成本等都不考虑在内。另外，因后续**测算是只基于 Qwen3.5 模型**进行的，因而测算出的利润/利润率的绝对值未必反映真实情况。但由于模型保持不变，**利润率的变化趋势和相对高低仍是有意义的**。 以下我们通过控制变量的方法，进行了两种比较，一种是从纵向角度，控制底层硬件一致，从时间角度，看**软件/工程能力进步带来 Token 产出效率提升和云租赁价格涨价，这两个因素影响下毛利率的变化情况**。 另一种是横向角度，都基于当前最新的定价和技术，**比较采取不同芯片情况下，毛利率的变化情况。**（注意，以下所有数据都是基于单 GPU 的角度测算的） **直接上结论：** a. 在硬件都选择 H200 不变，只考虑随着时间演变，软件技术进步带来约 20%+Token 产出效率提升，同时 H200 租赁价格在 25 年 9 月后上涨约 20%，这两个变化下 AI Lab 的推理毛利润从$1.2 提升到$1.4 了，由于单位营收同样走高，毛利率变化不大。**云厂商的毛利润从$0.8 提升到了$1.7**（单 GPU 每小时产生的毛利，这一部分的是基于该口径）**，毛利率从 31% 提升到了 38%。** 这里**需要注意，由于 AI Lab 和云厂商间一般签有长协，其之间的实际租赁价格未必会虽实时价格一同走高**。 b. 在都基于最新的软件技术和云租赁价格，但**硬件上以 B300 对比 H200**，由于 B300 产出效率的爆发式提升（约为 H200 的 8 倍），但 B300 单位租赁价格仅为 H200 不到 2x 的情况下，**AI Lab 的单位毛利润**（每 GPU 时贡献的）**从$1.4 大幅提升到了约$11.6，对应毛利率从 35% 提升到了 69%**。而**云厂商的单位毛利率则从$1.7 提升到$3.6，毛利率从 38% 提升到 42%。** c. 结合以上比较，以 GB300 对比旧技术下的 H200，**软硬件技术的共同进步带来的综合单位毛利润提升相当夸张，从不到$2 提升到超$14**。即便其中**绝大部分增量利润都被模型商拿走，云厂商虽只是 “喝汤” 但同样能享受超 10pct 的毛利率提升。** 但需要注意，以上测算并未考虑到近期存储等芯片之外硬件的价格提升，由于这些硬件属于性能没太多提升下的纯涨价，对云厂商的毛利率会有侵蚀。 **2.2、Trainium 芯片能带来更高的利润率吗？** 然而可以注意到，以上对利润率改善的测算都是基于英伟达的芯片，但云厂商们的一大核心优势就在于自营芯片的能力。凭借软硬件都由内部一体化研发、能定向优化，因而自营芯片普遍能给云厂商带来更好的利润率。 那么定量来看，**基于目前最新的 Trainium 3 芯片，能帮助 AWS AI 算力租赁业务的毛利率再提升多少？**要回答问题，需要先测算出两个关键指标，即**Trainium3 芯片生成 Token 的效率（每秒多少 Token），以及 Trn3 的 TCO 是多少。** a. **生成 Token 效率：**虽缺乏实测数据，但按此前整理的纸面参数，FP8 精度下 Trn3 的算力是 2.5 PFLOPs，比 H200 高出约 25%，是 B300 的约 50%。因此**Trn3 的每秒 Token 产出量大约是在 2600~4300 之间**，我们认为应更接近下边界，就**假设为 3000 Tokens/s**（使用于 Qwen3.5 模型的情况下）。 **b. TCO 成本：**芯片运行的总成本可以大体拆分成两个部分，一是芯片和其所有配套硬件设备所需总投入对应的折旧费用，这部分根据芯片的不同有比较大的变化；另一部分则是像数据中心库房、供电/散热等通用设施的折旧，和日常运行的电力和人员等成本，这部分成本应当是相对固定的，即便芯片不同也不会有很大变化。 那么根据 Semi analysis 的统计，**Trn3 芯片的 All-in-capex 是$17~$19 每 w**，**大约只有 GB300 每 w 所需 Capex 的一半。**（注，海豚君认为此处的 Capex 是只包括设备 Capex 的，例如厂房等固定资产 Capex 应当不包含在内）。按 5 年折旧期，可测算**Trn3 的折旧成本大约是$0.41 每 GPU 时**。 至于库房折旧和电力等变化不大的**类固定成本部分**，根据我们对近 10 款芯片的测算，每千瓦时的成本区间集中在$0.44~$0.51 左右。由于自营芯片可以专门优化，我们就假设 Trn3 的成本贴近区间下限，**换算后为$0.45 每 GPU 时。** 加总以上两部分，我们测算出的**Trn3 芯片的 TCO 成本为$0.86 每 GPU 时，比 H200 的$1.41 还要低近 40%。** c. **Trainium3 芯片的综合毛利率接近 B300：**根据以上测算，因此 Trn3 芯片的综合能力高出 H200 越 30%~40%，同时综合成本确要低 40%，使用**Trn3 芯片产生的综合毛利率也高达 85%**（由云厂商和模型商共享），**和目前性能最强芯片之一的 B300 能贡献的毛利率接近一致。**这代表着，在用于中小模型的推理时，Trn3 近乎可以等效替代 B300，**如此能效比下，只要 AWS 愿意在 Trn3 的云租赁定价上做出一定让步，完全有能力吸引客户把推理负载从其他硬件上切换到 Trn3 芯片上。** 至于云厂商和模型商之间的利润分配，**如果 AWS 愿意把 Trn3 的云租赁价格定为 H200 的 70%**（注意 Trn3 的性能是明显强于 H200 的），**云厂商和模型商的毛利率和 B300 情景下完全一致。若 Trn3 的租赁价格定为 H200 的 80%，那么云厂商自身的毛利率就能提高到约 46% vs. B300 情景下的 42%。** 小结以上分析，可以看到**在软硬件技术进步带来 Token 产出效率大幅提升，但单位 Token 定价并未明显下降，同时云租赁价格也小幅走高**，这**三个因素的共同作用下，云厂商的 AI 业务毛利率能有明显的提升。** 且我们此处测算的本就是低毛利的 “裸金属” 出租业务，再叠加上更高毛利的 MaaS/PaaS 业务，云厂商的 AI 业务整体利润率会更高。 **三、算力的供给和需求分别有多少** 以上我们从定性和定量的角度，详细论证了云厂商们 AI 业务利润率提升的核心逻辑 -- 云和模型公司对上游芯片公司议价权的走高。 接下来我们就讨论另一个对云计算行业和其中公司至关重要的因素 -- **AI 带来的云需求增量规模到底有多大，且和目前计划中的算力供应增长速度是否匹配。**这里有两个角度，**一是行业层面上的供需比较，这决定了之后行业竞争格局、以及产业链内的议价权会如何变化。**另一个视角是**个体云厂商公司层面，目前的云收入预期是否充分反应了对该云厂的 AI 算力需求，而公司的算力供应有是否足够支撑收入的释放。** 为了解答以上两个问题，海豚君**这里要解决的痛点是** -- 算力需求端的主要驱动力是 AI 模型公司的 ARR，而供给端则是是云厂商们的 Capex，而**ARR 和 Capex 之间不能直接比较高低**，**无法从中直观看出之后的算力供需情况会是持续供不应求，还是会有供过于求的迹象。** 因此，我们将把需求和供给都统一到统一指标—即算力规模上（多少 GW），进而一探上述问题的答案。注意，虽然**之后的预测会做到 30 年，但重点只关注到 28 年**，再往后的可见性太低，已基本没有意义了。 **3.1、需求端的测算** 根据我们上篇的分析，目前 AI 云的增量需求绝大部分都是源自两家头部 AI Lab 的训练和推理需求，少部分来自云厂商们自用需求或其他大型科技公司。因此 AI 云计算的需求大体等效于 AI Lab 的需求。 但因为 AI 技术升级和相关需求的增长非线性，很难判断之后技术发展是会陷入瓶颈，还是突然涌现一次巨大的升级。因次接来下**更多是一种情境假设，即假如模型商的收入达到一定规模时，等效对云算力的需求有多少，**以下是具体测算逻辑： **a. 两大模型独角兽收入预测--30 年收入都达$2500 亿量级。**虽然 AI 技术发展的速度相当难以预测，但假设参考 OpenAI 自身曾给出的到 30 年实现约 2800 亿营收的愿景，我们出于保守将预期略微下降到 2500 亿左右。这里的**一个关键假设是从 28 年开始，两家模型巨头的营收增速会从此前 3 位数的暴力增长，快速回归增速在 50% 以下的 “平稳增长期”。这对后续的结论很重要。** 另一个关键假设是，考虑到近期无论是 GPT 基模能力、还是 Codex 这一入口和 Claude Code 的差距已基本抹平，我们认为 OAI 的收入在 26 年往后应当会快速向 Anthropic 看齐。 **b. 云算力支出：**这里分为两个部分 -- 训练支出和推理支出。 对推理支出的关键假设是，我们认为一方面随着芯片单位能效的进一步提升，推理毛利率仍有上升空间。但一个对冲因素是，目前模型商保持单位 Token 定价不降价很难长期持续（总归要进入量增价减的阶段），因此**预期推理毛利率只会从当前的约 65% 小幅提升到 70% 上下。** 训练支出则未必随收入增长等比例提升，更取决于后续模型的进化速度。也出于保守，我们假设**训练支出在 27 年仍将高增（近 100% 的同比增速），但自 28 年开始将快速滑落到 30% 以下。** 基于以上假设，我们**测算到 28 年两家模型巨头的云算力总支出会达到约$2500 亿，占当年收入的约 71%。** **c. AI 算力总需求到 28 年可达 26GW：**根据比较复杂的转换逻辑（训练和推理需要不同的 GPU\\ASIC\\CPU 用量，不同芯片类型对应的单 GW 收入也各不相同，文中就不具体展开了），再假设**其他 AI Lab 算力需求**（不包括云厂商们自身的需求）**的是两大巨头的约 15%**，**测算出到 28 年 AI 算力需求对应的规模在 25.6 GW，相比 25 年增加了近 23 GW。** **d. 传统云需求** 另外，传统云计算需求虽然已然是 “昨日黄花” 增长不高，但其绝对体量仍占多数，我们**也需要考虑传统需求对应的增量算力规模。** 对此的测算逻辑相对简单，考虑到 24 年云厂商的近乎 100% 的云收入和算力都仍用于传统需求，可以用**24 年已上线的算力和收入规模为基础，按后续传统云收入的增长，等比例的计算所需的算力规模即可。** 考虑到近期各云厂商都表示，AI 尤其是 AI Agent 同时也会带动对传统算力的需要，因此我们预期 26~27 年间传统云收入能保持 20% 上下的相对高增速。但也考虑到企业整体的 IT 支出预算并没有多少增增长，AI 投入和传统 IT 投入之间有此消彼长的关系，就保守预期 28 年之后传统云需求增速会明显放缓。 基于以上假设，我们测算**到 28 年传统云计算需要的算力规模将达到约 31GW，相比 25 年增长约 10 GW。** **3.2、供需比较，28 年开始将供过于求？** **a. 云厂商整体算力供给会增加多少？**算完需求，下一步就是看目前几大头部云厂商（不包括 Meta）未来计划上线的算力供给。这里需要注意，除了 Oracle 给了到 30 年的长期目标外，其他云厂商对算力规模的指引普遍只到 27 年（大多是较 25 年规模翻倍），因此我们**对 27 年之后的算力供应上线节奏的测算，是基于多家投行的预测优化得出的。** 那么结论是，**到 28 年几大头部云厂商的总算力规模将达到约 100 GW**，踢除需保留给内部业务使用的部分，**可对外部出租的算力规模约为 73 GW，相比 25 年增长约 47 GW。** **b. 算力将供过于求？**而根据我们前文的测算，到**28 年 AI+ 传统需求对应的算力规模大约是 53 GW，已然明显低于总算力供给。** 按我们的测算，**供需缺口上 24~26 年之间，供需呈现趋紧的态势**（需求占供给比重从 87% 上升到 93%），**到 27 年供需关系就将恢复到 24 年水平**，**从 28 年开始就将明显呈现供过于求的态势，且缺口会越发巨大。** **c. “可能发生的” 算力供过于求影响是什么？** **但是，如海豚君此前反复强调的，以上测算只是一种情境假设，**毕竟实际上对 26 年之后的 AI 需求和 27 年之后的算力供给到底有多少，无人知晓。**真正有价值信息是，目前假设的 AI 收入增长预期**（到 30 年两大头部 AI Lab 能产生约 5000 亿年收入），**不足以支持目前市场对新增算力供给和 Capex 在 28 年及之后仍维持高位、不会下降的线性外推预期。** 准确的说，我们并不是认为未来算力一会供过于求，毕竟 AI 应用场景和需求再度大幅提升是绝对有可能的。可以是 OAI 和 Anthropic 的模型能力再度有跨越式的提升，也可以是之后 AI 应用的方向在 Coding 之外有了其他同样巨大的应用和变现场景等。 **真正的问题是，市场目前的预期中已提前计入了 “我不知道是什么，但我相信一定存在的巨大增量空间或 AI 的新应用场景”，并反映到了算力建设和 Capex 的预期中**。 这意味着，**一旦之后 1~2 年内 AI 的发展没有那么迅速，算力的建设和云厂商们的 Capex 投入，可能在 27 年就会见顶。**即便之后发现了新的场景会再重新提高。 **小结：**总结前文，海豚君的两条核心推论是：a. 在硬件（芯片为主）、云厂商和模型商这三个 AI 产业链中的角色中，硬件方的议价权在向下游的云厂商和模型商专业，其中模型上拿到了大头，云厂商拿到小头； b. 目前来，市场线性外推了算力的建设和云厂商的 Capex 会一直维持高位，在 27~28 左右达峰后，也不会明显下降，提前计价了 “未必不存在，但目前尚不可见的 AI 增量需求”。 至于**对投资逻辑的影响，海豚君认为这对上游硬件是双重利空，但对云厂商则是有好有坏。** a. 首先硬件商（主要指芯片，目前存储仍是主要瓶颈）的议价权降低，核心原因是云厂商们自研芯片的绝对性能已显著追赶上旗舰级别的 GPU 芯片，相对能效可能已反超。从多个信号都可见，**云厂商对外部芯片供应商的依赖已明显下降，芯片商为了留住客户，必须要让渡利润。** b. 而算**力建设和 Capex 可能在 27 年达峰掉头向下**（即便只是阶段性的），**对上游硬件商的影响更大**。毕竟上游硬件商的收入是取决算力建设的增量，Capex 达峰意味着收入的同比下滑，而对云厂商的收入是基于算力的存量，建设放缓只是意味收入增长的放缓。 并且从目前的市场情绪看，大幅降低 Capex，恢复现金流的利好，可能比云收入增速下降的利空更重要。 c. 但这并不意味着云厂商们毫无负面影响，显而易见，之后若算力供应阶段性的超过需求，云厂商们的竞争格局会有所恶化，需要去争夺有限的需求，因此表现可能会有明显的分化。不排除有云厂商因能强势绑定 AI Lab、拿到算力订单大头的，自身的云收入增速反能进一步上调。 不过，因竞争加强、且云厂商需要争夺模型商的订单合同，意味着云厂商整体的议价权也会走低（除非云厂商自身的模型能力大幅提高，减少了对外部模型的依赖），云租赁价格大概率会从现在的溢价转为折价，对云业务的利润率会有拖累（但部分可能被芯片效率提升的利好所对冲）。 <全文结束> **海豚研究过往【亚马逊】研究：** **深度研究** 2024 年 12 月 18 日《[亚马逊电商终局猜想：零售的马甲，广告的魂？](https://longportapp.cn/zh-CN/topics/26148582)》 **财报点评** 2026 年 4 月 30 日电话会**《**[**亚马逊（纪要）：AI 一生一次的投资机会**](https://longbridge.com/zh-CN/topics/40319821)**》** 2026 年 4 月 30 日财报点评**《**[**零售稳盘、AI 破局，亚马逊重回第一梯队？**](https://longbridge.com/zh-CN/topics/40319128)**》** 2026 年 2 月 6 日财报点评《[**2000 亿军备赛！亚马逊为 AI 颠出新高度**](https://longbridge.com/zh-CN/topics/38541096)》 2026 年 2 月 6 日财报点评《[**亚马逊（纪要）：所有新增产能都被用户立刻消化**](https://longbridge.com/zh-CN/topics/38543381)》 2025 年 10 月 30 日电话会《[亚马逊（纪要）：到 2027 年算力供给再翻倍](https://longbridge.com/zh-CN/topics/35834740)》 2025 年 10 月 30 日财报点评《[AWS 大反转，亚马逊终于 “苦尽甘来” 了？](https://longportapp.cn/zh-CN/topics/35831427)》 **本文的风险披露与声明：**[**海豚研究免责声明及一般披露**](https://support.longbridge.global/topics/misc/dolphin-disclaimer) $亚马逊(AMZN.US) $微软(MSFT.US) $英伟达(NVDA.US) ### 相关股票 - [GOOG.US](https://longbridge.com/zh-CN/quote/GOOG.US.md) - [GOOGL.US](https://longbridge.com/zh-CN/quote/GOOGL.US.md) - [ANTH.NA](https://longbridge.com/zh-CN/quote/ANTH.NA.md) - [AMZN.US](https://longbridge.com/zh-CN/quote/AMZN.US.md) - [MSFT.US](https://longbridge.com/zh-CN/quote/MSFT.US.md) - [NVDA.US](https://longbridge.com/zh-CN/quote/NVDA.US.md) - [GOOGN.US](https://longbridge.com/zh-CN/quote/GOOGN.US.md) --- > **免责声明: 本文仅供参考，不构成任何投资建议。**