AWS利润率跳升10%，Azure和GCP停滞不前

摘要

• AWS相较Azure和GCP改善的利润率，来自通过Bedrock销售Claude这一高毛利Token业务，而不只是出租加速器。 AWS每季度新增超过1 GW算力，利润率却在上升；Azure和GCP的业务结构仍更多暴露于低毛利的基础设施即服务。Joey的框架是：Token销售比5年期take-or-pay合约保留更多上行空间。

• 在集群达到“稳定”利用率之前，算力扩张通常会先压低云业务短期利润率。 CoreWeave这类供应商要先承担折旧、租赁和人工成本，GB200等复杂系统在等待数月启用期间不产生收入。因此，AWS能在扩张利润率的同时吸收同样成本，对其最终资本回报率而言是“一个相当不错的信号”。

• Claude以API为主的增长，正在为Anthropic和AWS带来异常强的经营杠杆。 Joey称Anthropic ARR已达470亿美元，3月、4月和5月每月净新增ARR可能约100亿美元，其中约80%来自API。Amazon当时“在正确的时间处于正确的位置”：Claude约占Bedrock使用量的80%-93%。

• Anthropic以650亿美元完成的H轮融资，对应9650亿美元投后估值，放在其增长和盈利能力背景下看并没有那么极端。 Joey将约20倍ARR估值倍数与2021年软件公司达到的80倍水平相比，并称Anthropic在不计股权激励费用的情况下已经盈利。需要警惕的是，如果企业削减编码Token消费，经营杠杆可能显著反转；但“眼下列车还没有减速”。

• SpaceX/xAI算力交易，引发了本期节目围绕AI需求最尖锐的分歧。 Jeremie认为，一个原本购买算力的前买家如今成了供应商，可能是在“放弃前沿竞赛”；Jordan则认为，Anthropic需求强得惊人，收回GPU的选择权很有价值，在xAI自己的研究和分发渠道能够消化这批算力前，用它创收是理性的。

• AI是否会变成赢家通吃，取决于支出是否集中到那些不存在“够好就够了”的开放式任务上。 Crystal认为，排名第三或第五的模型仍可能替代大量劳动力；Jeremie反驳说，法律、科学、医疗和分析工作会奖励持续采购更强的智能。Jordan的表述更宽泛：“编程不是编程，而是使用计算机。”

• 能够把前沿模型访问、企业分发和定制芯片结合起来的超大规模云厂商，可能才是长期赢家。 Joey预计到年底，Bedrock可能成为AWS AI业务的主体，而Azure和GCP在小组模型中仍有80%-90%属于基础设施即服务。Trainium和TPU在Token买家永远无需知道具体由哪种加速器提供服务时又多了一重优势：“赢家赢，输家输”。

精读

1. Bedrock将云算力转化为高毛利产品

• Joey将超大规模云厂商的AI业务分成三类：GitHub Copilot等软件；出租加速器的基础设施即服务；以及“Token即服务”，即客户通过现有云协议购买模型访问权。最后一种模式保留企业级安全性、可用区和统一计费，同时比单纯出租芯片让云厂商捕获更多经济价值。

• Crystal认为，GPU即服务削弱了过去的云护城河：大型用户越来越想要“只要硬件”，并按自己的方式配置，而不是使用曾经让AWS、Azure和GCP极具防御性的托管平台。Jordan称，如今已有超过200家新型云厂商，说明行业进入门槛已经降低。

• Bedrock重新建立了差异化的经济模型：Claude使用量主要经由AWS流转，而Token销售的利润率高于固定合约下的基础设施出租。这一业务结构解释了为什么AWS营业利润率在改善，Microsoft则在下滑，Google相对持平。

2. AWS跑赢算力爬坡的利润率陷阱

• Crystal以CoreWeave为例，将稳态经济性与爬坡阶段区分开来：在5年期take-or-pay合约下，一座完全运转、达到稳定状态的集群可能带来约25%的营业利润率和30%-40%的毛利率。关键在于“稳定”——合约收入和稳定成本结构，只有集群真正运转后才会出现。

• 在启用前，供应商已经建好数据中心，并开始承担折旧、租赁、人工及其他费用。设备安装需要数月，GB200等复杂系统又进一步拉长了这一周期，导致资产持续产生成本却没有收入。

• AWS面临同样的物理约束，每季度新增超过1 GW算力，但利润率仍在上升。Crystal的推论明确带有条件：如果在前所未有的交付规模下利润率仍能扩张，那么Token即服务最终达到稳定状态后的利润率和资本回报率可能会“极其丰厚”。

3. Claude的API结构让Anthropic更容易量化

• Joey估计，Claude占Bedrock使用量的80%-93%；Microsoft的业务更偏向OpenAI，Google则更偏向Gemini。他称Anthropic ARR已达470亿美元，3月、4月和5月每月可能新增约100亿美元，其中约80%的增量ARR来自API。

• Crystal认为，Anthropic比OpenAI更容易预测，因为API工作流会暴露Token消耗量，且定价一直相对稳定。OpenAI第一季度业务约60%来自消费者订阅，用户可以取消或切换；Anthropic的API消费则更容易观察。

• 关于Opus 4.8，Crystal保留了这一前提：常规定价没有变化，fast-mode定价不同；Anthropic的图表“据称”显示，其幻觉数量显著少于4.7。她尚未亲自测试，但希望它能终结分析中“凭空捏造数字”的问题，并称其接近Mido的预览版。

• 650亿美元H轮融资对应Anthropic 9650亿美元投后估值，接近2月讨论的3800亿-4000亿美元水平的2倍。Joey认为，约20倍ARR估值倍数并没有2021年软件公司的80倍那么极端，并称Anthropic在不计股权激励费用的情况下已经盈利，不过编码Token消费削减可能造成显著的经营去杠杆。

4. SpaceX/xAI交易让小组在算力稀缺问题上分裂

• Jordan称，SpaceX提交的文件披露了与SpaceX相关的“数十亿美元”支出，并包含允许xAI收回GPU的条款。对Anthropic而言，如果算力约束正在限制增长，这批容量可以缓解限流；对xAI而言，这能把算力转化为产生收入的资产，同时不必永久放弃这批算力。

• Jeremie认为，这笔交易对整体算力需求偏利空：“一个原本应该是需求来源的玩家，变成了供给来源”，既会加剧GPU即服务的竞争，也会减少一个承购方。更直接地说，把算力卖给Anthropic，意味着xAI可能正在放弃前沿竞赛，尽管训练回报已经显示出异常强的水平。

• Jordan反驳称，交易存在的原因恰恰是Anthropic的需求“强得令人无法应付”，以至于必须从竞争对手手中购买算力。收回条款同样重要：xAI可以先将算力变现，同时推进研究；一旦取得突破，或X、Starlink、Tesla的分发能力足以支撑更大规模的运行，就可以重新调配这批算力。

• 这场分歧最终落到了资本结构上。Meta可以依靠一个巨额现金创造业务，为长期研究提供资金；xAI则依赖有限的风险资本。Joey提出“训练、利息和税项前利润”（earnings before training interest and taxes）的框架，把推理利润视为经营现金流、把训练视为投资，由此引出一个问题：每家实验室的模型投入是否能取得足够回报。

5. 前沿经济学可能让领先者之下几乎没有价值

• Crystal提出，排名本身是否重要？排名第三、第四或第五的模型，可能仍足以替代大量工作。Jordan则重新定义了这场竞赛——“编程不是编程，而是使用计算机”——并将Anthropic排在第一、OpenAI第二、Cursor第三，因为Composer把分发能力和可用模型结合在了一起。

• Jeremie认为，在最大的支出池中，“够好”并不存在。翻译最终可能变成有限需求，但法律、科学、医疗和分析工作都是开放式的：用户可以持续为更强的智能付费，以搜集证据、探索替代方案并击败竞争对手。他的结论是绝对的：“如果你排在第三、第四或第五，就拿不到任何收入。”

• 他以Mythos为例，区分Token价格与完成任务的成本：尽管Token定价“贵了6倍，我想是5倍”，他仍称其比Opus“便宜三分之二”。如果一个模型聪明10倍、所需Token少10倍，它仍可能是更便宜的工具——从而把需求集中到前沿模型。

• 算力本身无法决定竞赛结果。Jordan认为，实验室需要算力和人才；Jeremie对此表示认同，两人都认为xAI同时失去人才和算力，说明其东山再起将很困难。Jordan仍不确定，最终胜出的会是哪种收入、分发能力与“hero runs”的组合。

6. 分发与芯片让市场继续集中

• Jordan以Cursor约20亿美元ARR、Fireworks宣称3.15亿美元ARR为例，质疑赢家通吃的判断。Jeremie承认开源模型的采用势头令人鼓舞，但相较于已经超过1000亿美元的AI市场，这些数字仍无足轻重：“在朋友之间，3亿美元算什么？”

• Joey预计到年底，Bedrock可能成为AWS AI业务的主体，尽管AI在AWS中的业务占比仍低于其在Azure或GCP中的占比。Azure和GCP目前仍被估计有80%-90%属于基础设施即服务，但Azure可以快速加入Claude，因为超大规模云厂商与客户的关系让Token分发相对容易。

• 新型云厂商面临更难打通的循环：要成功开展Token即服务，既需要与前沿实验室合作，也需要提前配置具有投机性质的算力，还需要足够资本在没有5年期承购协议的情况下部署GPU。CoreWeave、Nebius和AIREN在这些优势中各有缺失，使推理端点高度集中在排名前三的超大规模云厂商手中。

• 定制芯片进一步拉大了利润率差距。AWS的Trainium和GCP的TPU提供了垂直整合能力，而这正是高度依赖NVIDIA的Azure所欠缺的；当1 GW算力只服务少数几个模型时，加速器的易用性就没那么重要。正如Jordan所说，Claude Code用户无法分辨一个Token来自GPU、TPU还是Trainium，也不需要知道。