--- title: "AI 算力：從盛宴到 “剩宴”？" type: "Topics" locale: "zh-HK" url: "https://longbridge.com/zh-HK/dolphin/post/42624002.md" description: "在海豚君此前《“AI 拉胯” 亞馬遜：會上演逆襲大戲嗎？》的分析中，我們從幾個角度探討了 AWS 在 AI 上的佈局，從其自研芯片、和 Anthropic 的合作、其模型能力多角度看到亞馬遜在 AI 上的綜合能力有不小的提升，距離優等生 Google 的差距已明顯縮窄。從中海豚君對兩個點比較好奇，一是雲廠商們的 AI 業務利潤率似乎比預期中要好，二是雲廠商們目前對其模型合作方的依賴非常大..." 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-HK/dolphin.md)" generator: "portal-rs" --- # AI 算力：從盛宴到 “剩宴”？ 在海豚君此前《[**“AI 拉胯” 亞馬遜：會上演逆襲大戲嗎？**](https://longbridge.com/zh-CN/topics/42140303)》的分析中，我們從幾個角度探討了 AWS 在 AI 上的佈局，從其自研芯片、和 Anthropic 的合作、其模型能力多角度看到亞馬遜在 AI 上的綜合能力有不小的提升，距離優等生 Google 的差距已明顯縮窄。 從中海豚君對兩個點比較好奇，一是雲廠商們的 AI 業務利潤率似乎比預期中要好，二是雲廠商們目前對其模型合作方的依賴非常大，雲廠商的收入增長相當依賴於 AI 模型用量的增長。 因此本篇中，海豚君進一步從更細緻的定量視角，深入探討了， 1、雲廠商們利潤率提升背後的邏輯是什麼？潛在的提升幅度有多大？ 2、模型商們的算力需求，到底對雲廠商的收入有多大的帶動作用？過度依賴模型商對雲廠會有什麼潛在？ 3、從上述視角，對 AI 產業鏈中的行業投資偏好選擇有什麼指導意義？ 以下為具體分析： **一、一探 AI 雲的毛利率的變化和背後原因** 根據我們上篇的梳理，目前一個讓 AI 雲業務的利潤率並沒那麼差的原因，是營收結構上，更高毛利率的 MaaS/TaaS 型業務部分取代了低毛利率的 “裸金屬” IaaS 型業務。 從第一性原理來看，影響雲廠商利潤率的決定性的因素，顯然是雲廠商在整個 AI 產業鏈中的議價能力。 或者説以下幾個可量化的定價因素 -- **終端用户使用 AI 大模型的價格，AI Lab 使用算力的價格，雲廠商提供算力的成本**（能進一步分為相對固定的電力等運營成本和彈性較大的硬件價格）**。**後文就從單位 Token 經濟性的角度，觀察下以上三個定價的變化趨勢，以及對雲廠商和整個產業鏈利潤率的影響。 **1.1、模型，雲，芯片，三者的價格分別如何變化？** **a. 大模型定價既不通脹、也沒通縮：**首先在大模型的使用價格上，僅考慮按量計費模式（剔除訂閲模式），那麼無論是 Anthropic 官方的定價，還是三方機構統計的真實 Token 價格指數（由多種不同等級模型的 Input/Output/Cache-hit 使用價格混合得出），都能看到**AI 模型的價格，並沒有並沒有跟隨着模型的迭代和能力提升，呈現去趨勢性的走高，**而是呈區間震盪或者乾脆是一條直線。 b. **算力的單位成本的明顯通縮**：不同於模型的單位 Token 定價在迭代中大體保持不變，**單位 Token 的生成成本隨着時間迭代呈現明顯的通縮趨勢**。（注：這裏採用的指標是 Semi analysis 提出的 TCO，指算力的總成本，包括建設的 Capex 部分和維持運營的 Opex 兩部分） 根據以 Qwen 3.5 模型為例的測試，可以看到單位 Token 生成成本明顯隨着芯片代際提升而下降。例如最新的**GB200 NVL72 的每百萬 Token 生成成本大約只有 H100/200 的 1/3~1/4。** 這種成本通縮背後的原因是，**芯片隨着代價提升，其價格的提升幅度遠遠小於其產出 Token 效率的提升幅度。**且這種產出效率的巨大提升是由軟硬件的共同提效貢獻的。 硬件層面**，**以 DeepSeek R1 為例，相同工程編排方式下，**GB300 每秒輸出 Token 的效率大致能達到 H200 的 4~10 倍。**軟件/工程層面，以 DeepSeek V4 為例，在**都基於 GB300 同一硬件，但工程編排不同下，輸出效率也能差到 2~4 倍。** 在最高達 10x 的巨大效率差異下，雖然單顆 GB300 明顯貴於 H200，但價差也不超過 2 倍。芯片性能暴漲而價格温和上漲，兩者影響對沖下，通縮效應還是佔據主導。 c.根據以上信息做一個簡單測算，按 Qwen 3.5 模型的綜合價格是$1 每百萬 Tokens，**僅考慮芯片單位 Token 生成成本的下降這單一因素** -- 從$0.2（H200）下降到約$0.05（GB300），單位 Token**產生的毛利率就能有月 15 個百分點的提升。** 這一現象背後的核心邏輯小結來説，就是 AI 時代芯片行業依然基本維持着 “科技的通縮效應”，即每一代的芯片價格變化不太大的情況下，性能在不斷顯著提升。換種方式，也**可以説每一代芯片性能提升的相當一大部分是被讓渡給了下游**。而**AI（頭部）模型的定價卻並沒有把性能提升的利益繼續讓渡給終端用户，而是留存為了自身的利潤。** **1.2、雲廠商漲價了？** 但如前文提到的，在 “終端用户定價” 和 “硬件運行成本” 之間的利潤，是由雲廠商和 AI 模型公司所共享的。而這些利潤如何在雲廠商和 AI 模型公司之間分配，則就主要由雲廠商門店的算力租賃價格來決定的 -- 若雲算力的定價大體持平，則 “額外的毛利率” 近乎全部由 AI Lab 拿走；**若雲算力定價呈走高趨勢，則雲廠商也同樣能分到一部分 “額外的毛利率”。** 那麼現實情況如何？從多個渠道整理的雲租賃實時標準價格（on-demand price），都能看到同一個的趨勢--**雲算力的定價從 25 年底開始確實進入了明顯的上行週期，**由此可以推斷在算力顯著供不應求的情況下，雲廠商的議價能力確實有所提升，因此在收入結構變化的利好之外，**即便是 “裸金屬” 出租的 IaaS 業務的毛利率應當也有提升。**具體來看： **a. 近芯片價格上漲幅度最大**：分代際視角，最新幾代的 GPU（如 B200 或更新）雲租賃價格上漲最為明顯，根據不同數據源，其定價自 25 年底到目前上漲了約 1/4~1/2。 **b. 老舊的主流芯片也在漲價：**而目前**市場內實際的主流 GPU 芯片**（H200 或更早的產品）的租賃價格自 25 年底以來也有一定幅度、**約 15%~20% 左右的上漲**。 邏輯上，這些前幾代芯片的租賃價格，應當是隨着技術和時間的迭代，逐步降價。而近期包括**已上市 3~5 年的老芯片在內，雲租賃價格近期的逆勢上漲**，一方面**驗證了目前算力的嚴重供不應求**（願意加價租已相對落後的老舊芯片）**，另一方面實際已體現出雲廠商們的議價權和利潤率在提升。** **只有比 A100 更老舊、更低性能的芯片**（2000 年之前的）**才呈現出被 “逐步替代” 的情況，**平均租賃價格從 24 年底至今下降了約 1/3，但也並非完全報銷，仍能以較低的價格繼續貢獻收入。 另一個**比較關鍵的信號是，老舊芯片並不會隨着新芯片能力大幅加強，而失去使用場景變成 “閒置資產”，**能繼續貢獻現金流。 **二、雲廠商 AI 收入的毛利率改善了多少？** **2.1、軟硬件技術提升的共同利好** 以上我們得出模型商和雲廠商 AI 算力業務的毛利率都正在提升的結論（注意這不等同於 AI 算力業務的毛利率追上或超過了傳統算力租賃的利潤率），但主要是從定性和趨勢判斷的視角。接下我們**從定量視角，測算下模型商和雲廠商的毛利率可能具體變化了多少**。 為了簡化問題，我們以下**測算的是 “推理毛利率”，**只考慮推理產生收入和其直接算力成本這兩個因素，其他如訓練/研發成本等都不考慮在內。另外，因後續**測算是隻基於 Qwen3.5 模型**進行的，因而測算出的利潤/利潤率的絕對值未必反映真實情況。但由於模型保持不變，**利潤率的變化趨勢和相對高低仍是有意義的**。 以下我們通過控制變量的方法，進行了兩種比較，一種是從縱向角度，控制底層硬件一致，從時間角度，看**軟件/工程能力進步帶來 Token 產出效率提升和雲租賃價格漲價，這兩個因素影響下毛利率的變化情況**。 另一種是橫向角度，都基於當前最新的定價和技術，**比較採取不同芯片情況下，毛利率的變化情況。**（注意，以下所有數據都是基於單 GPU 的角度測算的） **直接上結論：** a. 在硬件都選擇 H200 不變，只考慮隨着時間演變，軟件技術進步帶來約 20%+Token 產出效率提升，同時 H200 租賃價格在 25 年 9 月後上漲約 20%，這兩個變化下 AI Lab 的推理毛利潤從$1.2 提升到$1.4 了，由於單位營收同樣走高，毛利率變化不大。**雲廠商的毛利潤從$0.8 提升到了$1.7**（單 GPU 每小時產生的毛利，這一部分的是基於該口徑）**，毛利率從 31% 提升到了 38%。** 這裏**需要注意，由於 AI Lab 和雲廠商間一般簽有長協，其之間的實際租賃價格未必會雖實時價格一同走高**。 b. 在都基於最新的軟件技術和雲租賃價格，但**硬件上以 B300 對比 H200**，由於 B300 產出效率的爆發式提升（約為 H200 的 8 倍），但 B300 單位租賃價格僅為 H200 不到 2x 的情況下，**AI Lab 的單位毛利潤**（每 GPU 時貢獻的）**從$1.4 大幅提升到了約$11.6，對應毛利率從 35% 提升到了 69%**。而**雲廠商的單位毛利率則從$1.7 提升到$3.6，毛利率從 38% 提升到 42%。** c. 結合以上比較，以 GB300 對比舊技術下的 H200，**軟硬件技術的共同進步帶來的綜合單位毛利潤提升相當誇張，從不到$2 提升到超$14**。即便其中**絕大部分增量利潤都被模型商拿走，雲廠商雖只是 “喝湯” 但同樣能享受超 10pct 的毛利率提升。** 但需要注意，以上測算並未考慮到近期存儲等芯片之外硬件的價格提升，由於這些硬件屬於性能沒太多提升下的純漲價，對雲廠商的毛利率會有侵蝕。 **2.2、Trainium 芯片能帶來更高的利潤率嗎？** 然而可以注意到，以上對利潤率改善的測算都是基於英偉達的芯片，但云廠商們的一大核心優勢就在於自營芯片的能力。憑藉軟硬件都由內部一體化研發、能定向優化，因而自營芯片普遍能給雲廠商帶來更好的利潤率。 那麼定量來看，**基於目前最新的 Trainium 3 芯片，能幫助 AWS AI 算力租賃業務的毛利率再提升多少？**要回答問題，需要先測算出兩個關鍵指標，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：**雖缺乏實測數據，但按此前整理的紙面參數，FP8 精度下 Trn3 的算力是 2.5 PFLOPs，比 H200 高出約 25%，是 B300 的約 50%。因此**Trn3 的每秒 Token 產出量大約是在 2600~4300 之間**，我們認為應更接近下邊界，就**假設為 3000 Tokens/s**（使用於 Qwen3.5 模型的情況下）。 **b. TCO 成本：**芯片運行的總成本可以大體拆分成兩個部分，一是芯片和其所有配套硬件設備所需總投入對應的折舊費用，這部分根據芯片的不同有比較大的變化；另一部分則是像數據中心庫房、供電/散熱等通用設施的折舊，和日常運行的電力和人員等成本，這部分成本應當是相對固定的，即便芯片不同也不會有很大變化。 那麼根據 Semi analysis 的統計，**Trn3 芯片的 All-in-capex 是$17~$19 每 w**，**大約只有 GB300 每 w 所需 Capex 的一半。**（注，海豚君認為此處的 Capex 是隻包括設備 Capex 的，例如廠房等固定資產 Capex 應當不包含在內）。按 5 年折舊期，可測算**Trn3 的折舊成本大約是$0.41 每 GPU 時**。 至於庫房折舊和電力等變化不大的**類固定成本部分**，根據我們對近 10 款芯片的測算，每千瓦時的成本區間集中在$0.44~$0.51 左右。由於自營芯片可以專門優化，我們就假設 Trn3 的成本貼近區間下限，**換算後為$0.45 每 GPU 時。** 加總以上兩部分，我們測算出的**Trn3 芯片的 TCO 成本為$0.86 每 GPU 時，比 H200 的$1.41 還要低近 40%。** c. **Trainium3 芯片的綜合毛利率接近 B300：**根據以上測算，因此 Trn3 芯片的綜合能力高出 H200 越 30%~40%，同時綜合成本確要低 40%，使用**Trn3 芯片產生的綜合毛利率也高達 85%**（由雲廠商和模型商共享），**和目前性能最強芯片之一的 B300 能貢獻的毛利率接近一致。**這代表着，在用於中小模型的推理時，Trn3 近乎可以等效替代 B300，**如此能效比下，只要 AWS 願意在 Trn3 的雲租賃定價上做出一定讓步，完全有能力吸引客户把推理負載從其他硬件上切換到 Trn3 芯片上。** 至於雲廠商和模型商之間的利潤分配，**如果 AWS 願意把 Trn3 的雲租賃價格定為 H200 的 70%**（注意 Trn3 的性能是明顯強於 H200 的），**雲廠商和模型商的毛利率和 B300 情景下完全一致。若 Trn3 的租賃價格定為 H200 的 80%，那麼雲廠商自身的毛利率就能提高到約 46% vs. B300 情景下的 42%。** 小結以上分析，可以看到**在軟硬件技術進步帶來 Token 產出效率大幅提升，但單位 Token 定價並未明顯下降，同時雲租賃價格也小幅走高**，這**三個因素的共同作用下，雲廠商的 AI 業務毛利率能有明顯的提升。** 且我們此處測算的本就是低毛利的 “裸金屬” 出租業務，再疊加上更高毛利的 MaaS/PaaS 業務，雲廠商的 AI 業務整體利潤率會更高。 **三、算力的供給和需求分別有多少** 以上我們從定性和定量的角度，詳細論證了雲廠商們 AI 業務利潤率提升的核心邏輯 -- 雲和模型公司對上游芯片公司議價權的走高。 接下來我們就討論另一個對雲計算行業和其中公司至關重要的因素 -- **AI 帶來的雲需求增量規模到底有多大，且和目前計劃中的算力供應增長速度是否匹配。**這裏有兩個角度，**一是行業層面上的供需比較，這決定了之後行業競爭格局、以及產業鏈內的議價權會如何變化。**另一個視角是**個體雲廠商公司層面，目前的雲收入預期是否充分反應了對該雲廠的 AI 算力需求，而公司的算力供應有是否足夠支撐收入的釋放。** 為了解答以上兩個問題，海豚君**這裏要解決的痛點是** -- 算力需求端的主要驅動力是 AI 模型公司的 ARR，而供給端則是是雲廠商們的 Capex，而**ARR 和 Capex 之間不能直接比較高低**，**無法從中直觀看出之後的算力供需情況會是持續供不應求，還是會有供過於求的跡象。** 因此，我們將把需求和供給都統一到統一指標—即算力規模上（多少 GW），進而一探上述問題的答案。注意，雖然**之後的預測會做到 30 年，但重點只關注到 28 年**，再往後的可見性太低，已基本沒有意義了。 **3.1、需求端的測算** 根據我們上篇的分析，目前 AI 雲的增量需求絕大部分都是源自兩家頭部 AI Lab 的訓練和推理需求，少部分來自雲廠商們自用需求或其他大型科技公司。因此 AI 雲計算的需求大體等效於 AI Lab 的需求。 但因為 AI 技術升級和相關需求的增長非線性，很難判斷之後技術發展是會陷入瓶頸，還是突然湧現一次巨大的升級。因次接來下**更多是一種情境假設，即假如模型商的收入達到一定規模時，等效對雲算力的需求有多少，**以下是具體測算邏輯： **a. 兩大模型獨角獸收入預測--30 年收入都達$2500 億量級。**雖然 AI 技術發展的速度相當難以預測，但假設參考 OpenAI 自身曾給出的到 30 年實現約 2800 億營收的願景，我們出於保守將預期略微下降到 2500 億左右。這裏的**一個關鍵假設是從 28 年開始，兩家模型巨頭的營收增速會從此前 3 位數的暴力增長，快速回歸增速在 50% 以下的 “平穩增長期”。這對後續的結論很重要。** 另一個關鍵假設是，考慮到近期無論是 GPT 基模能力、還是 Codex 這一入口和 Claude Code 的差距已基本抹平，我們認為 OAI 的收入在 26 年往後應當會快速向 Anthropic 看齊。 **b. 雲算力支出：**這裏分為兩個部分 -- 訓練支出和推理支出。 對推理支出的關鍵假設是，我們認為一方面隨着芯片單位能效的進一步提升，推理毛利率仍有上升空間。但一個對沖因素是，目前模型商保持單位 Token 定價不降價很難長期持續（總歸要進入量增價減的階段），因此**預期推理毛利率只會從當前的約 65% 小幅提升到 70% 上下。** 訓練支出則未必隨收入增長等比例提升，更取決於後續模型的進化速度。也出於保守，我們假設**訓練支出在 27 年仍將高增（近 100% 的同比增速），但自 28 年開始將快速滑落到 30% 以下。** 基於以上假設，我們**測算到 28 年兩家模型巨頭的雲算力總支出會達到約$2500 億，佔當年收入的約 71%。** **c. AI 算力總需求到 28 年可達 26GW：**根據比較複雜的轉換邏輯（訓練和推理需要不同的 GPU\\ASIC\\CPU 用量，不同芯片類型對應的單 GW 收入也各不相同，文中就不具體展開了），再假設**其他 AI Lab 算力需求**（不包括雲廠商們自身的需求）**的是兩大巨頭的約 15%**，**測算出到 28 年 AI 算力需求對應的規模在 25.6 GW，相比 25 年增加了近 23 GW。** **d. 傳統雲需求** 另外，傳統雲計算需求雖然已然是 “昨日黃花” 增長不高，但其絕對體量仍佔多數，我們**也需要考慮傳統需求對應的增量算力規模。** 對此的測算邏輯相對簡單，考慮到 24 年雲廠商的近乎 100% 的雲收入和算力都仍用於傳統需求，可以用**24 年已上線的算力和收入規模為基礎，按後續傳統雲收入的增長，等比例的計算所需的算力規模即可。** 考慮到近期各雲廠商都表示，AI 尤其是 AI Agent 同時也會帶動對傳統算力的需要，因此我們預期 26~27 年間傳統雲收入能保持 20% 上下的相對高增速。但也考慮到企業整體的 IT 支出預算並沒有多少增增長，AI 投入和傳統 IT 投入之間有此消彼長的關係，就保守預期 28 年之後傳統雲需求增速會明顯放緩。 基於以上假設，我們測算**到 28 年傳統雲計算需要的算力規模將達到約 31GW，相比 25 年增長約 10 GW。** **3.2、供需比較，28 年開始將供過於求？** **a. 雲廠商整體算力供給會增加多少？**算完需求，下一步就是看目前幾大頭部雲廠商（不包括 Meta）未來計劃上線的算力供給。這裏需要注意，除了 Oracle 給了到 30 年的長期目標外，其他雲廠商對算力規模的指引普遍只到 27 年（大多是較 25 年規模翻倍），因此我們**對 27 年之後的算力供應上線節奏的測算，是基於多家投行的預測優化得出的。** 那麼結論是，**到 28 年幾大頭部雲廠商的總算力規模將達到約 100 GW**，踢除需保留給內部業務使用的部分，**可對外部出租的算力規模約為 73 GW，相比 25 年增長約 47 GW。** **b. 算力將供過於求？**而根據我們前文的測算，到**28 年 AI+ 傳統需求對應的算力規模大約是 53 GW，已然明顯低於總算力供給。** 按我們的測算，**供需缺口上 24~26 年之間，供需呈現趨緊的態勢**（需求佔供給比重從 87% 上升到 93%），**到 27 年供需關係就將恢復到 24 年水平**，**從 28 年開始就將明顯呈現供過於求的態勢，且缺口會越發巨大。** **c. “可能發生的” 算力供過於求影響是什麼？** **但是，如海豚君此前反覆強調的，以上測算只是一種情境假設，**畢竟實際上對 26 年之後的 AI 需求和 27 年之後的算力供給到底有多少，無人知曉。**真正有價值信息是，目前假設的 AI 收入增長預期**（到 30 年兩大頭部 AI Lab 能產生約 5000 億年收入），**不足以支持目前市場對新增算力供給和 Capex 在 28 年及之後仍維持高位、不會下降的線性外推預期。** 準確的説，我們並不是認為未來算力一會供過於求，畢竟 AI 應用場景和需求再度大幅提升是絕對有可能的。可以是 OAI 和 Anthropic 的模型能力再度有跨越式的提升，也可以是之後 AI 應用的方向在 Coding 之外有了其他同樣巨大的應用和變現場景等。 **真正的問題是，市場目前的預期中已提前計入了 “我不知道是什麼，但我相信一定存在的巨大增量空間或 AI 的新應用場景”，並反映到了算力建設和 Capex 的預期中**。 這意味着，**一旦之後 1~2 年內 AI 的發展沒有那麼迅速，算力的建設和雲廠商們的 Capex 投入，可能在 27 年就會見頂。**即便之後發現了新的場景會再重新提高。 **小結：**總結前文，海豚君的兩條核心推論是：a. 在硬件（芯片為主）、雲廠商和模型商這三個 AI 產業鏈中的角色中，硬件方的議價權在向下遊的雲廠商和模型商專業，其中模型上拿到了大頭，雲廠商拿到小頭； b. 目前來，市場線性外推了算力的建設和雲廠商的 Capex 會一直維持高位，在 27~28 左右達峯後，也不會明顯下降，提前計價了 “未必不存在，但目前尚不可見的 AI 增量需求”。 至於**對投資邏輯的影響，海豚君認為這對上游硬件是雙重利空，但對雲廠商則是有好有壞。** a. 首先硬件商（主要指芯片，目前存儲仍是主要瓶頸）的議價權降低，核心原因是雲廠商們自研芯片的絕對性能已顯著追趕上旗艦級別的 GPU 芯片，相對能效可能已反超。從多個信號都可見，**雲廠商對外部芯片供應商的依賴已明顯下降，芯片商為了留住客户，必須要讓渡利潤。** b. 而算**力建設和 Capex 可能在 27 年達峯掉頭向下**（即便只是階段性的），**對上游硬件商的影響更大**。畢竟上游硬件商的收入是取決算力建設的增量，Capex 達峯意味着收入的同比下滑，而對雲廠商的收入是基於算力的存量，建設放緩只是意味收入增長的放緩。 並且從目前的市場情緒看，大幅降低 Capex，恢復現金流的利好，可能比雲收入增速下降的利空更重要。 c. 但這並不意味着雲廠商們毫無負面影響，顯而易見，之後若算力供應階段性的超過需求，雲廠商們的競爭格局會有所惡化，需要去爭奪有限的需求，因此表現可能會有明顯的分化。不排除有云廠商因能強勢綁定 AI Lab、拿到算力訂單大頭的，自身的雲收入增速反能進一步上調。 不過，因競爭加強、且雲廠商需要爭奪模型商的訂單合同，意味着雲廠商整體的議價權也會走低（除非雲廠商自身的模型能力大幅提高，減少了對外部模型的依賴），雲租賃價格大概率會從現在的溢價轉為折價，對雲業務的利潤率會有拖累（但部分可能被芯片效率提升的利好所對沖）。 <全文結束> **海豚研究過往【亞馬遜】研究：** **深度研究** 2024 年 12 月 18 日《[亞馬遜電商終局猜想：零售的馬甲，廣告的魂？](https://longportapp.cn/zh-CN/topics/26148582)》 **財報點評** 2026 年 4 月 30 日電話會**《**[**亞馬遜（紀要）：AI 一生一次的投資機會**](https://longbridge.com/zh-CN/topics/40319821)**》** 2026 年 4 月 30 日財報點評**《**[**零售穩盤、AI 破局，亞馬遜重回第一梯隊？**](https://longbridge.com/zh-CN/topics/40319128)**》** 2026 年 2 月 6 日財報點評《[**2000 億軍備賽！亞馬遜為 AI 顛出新高度**](https://longbridge.com/zh-CN/topics/38541096)》 2026 年 2 月 6 日財報點評《[**亞馬遜（紀要）：所有新增產能都被用户立刻消化**](https://longbridge.com/zh-CN/topics/38543381)》 2025 年 10 月 30 日電話會《[亞馬遜（紀要）：到 2027 年算力供給再翻倍](https://longbridge.com/zh-CN/topics/35834740)》 2025 年 10 月 30 日財報點評《[AWS 大反轉，亞馬遜終於 “苦盡甘來” 了？](https://longportapp.cn/zh-CN/topics/35831427)》 **本文的風險披露與聲明：**[**海豚研究免責聲明及一般披露**](https://support.longbridge.global/topics/misc/dolphin-disclaimer) $亞馬遜(AMZN.US) $微軟(MSFT.US) $英偉達(NVDA.US) ### 相關股票 - [GOOG.US](https://longbridge.com/zh-HK/quote/GOOG.US.md) - [GOOGL.US](https://longbridge.com/zh-HK/quote/GOOGL.US.md) - [ANTH.NA](https://longbridge.com/zh-HK/quote/ANTH.NA.md) - [AMZN.US](https://longbridge.com/zh-HK/quote/AMZN.US.md) - [MSFT.US](https://longbridge.com/zh-HK/quote/MSFT.US.md) - [NVDA.US](https://longbridge.com/zh-HK/quote/NVDA.US.md) - [GOOGN.US](https://longbridge.com/zh-HK/quote/GOOGN.US.md) --- > **免責聲明: 本文僅供參考，不構成任何投資建議。**