亞馬遜AWS如何透過自研晶片打造雲端最強盈利機器？

• 隨着AI工作負載由預訓練延伸至強化學習及AI代理，市場不再只比較晶片算力，而是更重視每單位總持有成本所能提供的記憶體頻寬與CPU算力。
• AWS透過Trainium、Graviton、Nitro及網絡的協同設計，降低晶片、供電、散熱及數據傳輸成本；再藉Bedrock分銷Claude等模型，提升盈利能力。
• AWS收入增長於2026年第二季加速至37%，經營利潤率接近40%，純雲業務盈利能力可能已是三大雲之中最強；Trainium亦把投資機會延伸至HBM、台積電先進製程及CoWoS供應鏈。

AI雲是否只會燒錢建造數據中心、盈利卻遙遙無期？

然而，事實恰恰相反：亞馬遜AWS收入已連續5個季度加速，2026年第二季按年增長37%，是18個季度以來最快增速。更重要的是，亞馬遜AWS在收入加速之餘，利潤率亦持續改善。雖然亞馬遜在生成式AI競賽中起步較遲的雲端巨頭，為什麼能有如此強的盈利能力？本文將詳細拆解亞馬遜AWS如何透過自研晶片打造雲端最強盈利機器。

表一：亞馬遜自研晶片家族一覽

晶片	用途	最新世代	製程	最新狀態
Trainium	AI 訓練＋推理加速器	Trainium3	台積電 3nm	2025 年底發布，2026 年量產主力；Trainium4 已預告
Graviton	通用伺服器 CPU	Graviton5	台積電 3nm	2026 年 6 月正式商用；98% 頭部 1,000 家 EC2 客戶使用（公司披露）
Nitro	網卡／虛擬化卸載晶片	Nitro v6	—	全線 EC2 伺服器標配
資料來源：亞馬遜及奕豐金融編纂

AWS Trainium3：規格雖不及英偉達，為何仍有競爭力？

Trainium3是亞馬遜AWS於2025年底發布的第3代自研AI加速器，採用台積電3nm製程，配備144GB HBM3E高頻寬記憶體。值得留意的是，下一代Trainium4將支援英偉達NVLink Fusion，意味AWS雖希望透過自研晶片降低成本，仍會保留與英偉達硬件互連的能力，維持數據中心的部署彈性。

相關文章：〈英偉達｜從賣晶片到完整生態：英偉達下一輪增長引擎曝光〉

單看絕對性能，Trainium3明顯落後於英偉達GB300：算力及HBM容量只有約一半，記憶體頻寬亦只有約六成，部分規格甚至不及谷歌TPU。不過，隨着AI工作負載由預訓練延伸至強化學習及AI代理，峰值算力雖然仍然重要，卻已不再是衡量晶片價值的唯一標準。

表二：Trainium3、谷歌TPUv7與英偉達GB300規格比較

項目	Trainium3	英偉達GB300	谷歌TPUv7
製程	台積電3nm（N3P）	台積電4nm級（4NP）	台積電3nm（N3E）
FP8算力（dense）	2.52 PFLOPS	約5 PFLOPS	4.6 PFLOPS
HBM容量	144GB HBM3E	288GB HBM3E	192GB HBM3E
記憶體頻寬	4.9 TB/s	8 TB/s	7.37 TB/s
功耗	約1,000W	最高約1,400W	未披露
冷卻及機房成本	可風冷（NL32x2）／液冷（NL72x2），改造彈性較高	須液冷，機房改造較高	以液冷為主（自TPUv3起）
採購成本結構	自研自用，接近晶片成本	需要付英偉達約75%毛利率	自研自用；Broadcom參與設計
FP8每單位標稱性能TCO	$0.31–0.38 /hr per PFLOPS（風冷機種$0.31–0.34；液冷NL72x2 $0.38）	~$0.55 /hr per PFLOPS	$0.35
TCO／記憶體頻寬	$0.22 /hr per TB/s	$0.28–0.30 /hr per TB/s	約$0.22 /hr per TB/s
資料來源：亞馬遜、英偉達、SemiAnalysis及奕豐金融編纂

AI訓練重心轉移：從預訓練走向後訓練，強化學習如何重塑HBM與CPU算力需求？

過去，模型公司主要依靠擴大預訓練規模、堆疊算力提升模型能力。不過，不少實驗室發現，後訓練仍有大量高性價比的優化空間，新增算力需求因而由預訓練延伸至後訓練，尤其是強化學習。

• 智譜GLM-5.3：GLM-5.3保持沿用GLM-5.2相同的基座模型，卻透過優化後訓練，尤其是強化學習RL機制，大幅提升模型邏輯推理能力。
• 算力分配趨勢：AI模型企業已從擴大預訓練規模，開始轉移把更多算力投向後訓練。

強化學習的運算機制及硬體需求拆解

強化學習需要模型大量生成推理軌跡，再由系統評分、驗證並更新模型。生成過程需要持續讀取模型權重及鍵值快取（KV Cache），因此對HBM容量與記憶體頻寬的要求更高；評分及驗證則大量依賴CPU。

圖一：GLM5.2 和GLM5.3 擁有同樣的基座模型，但通過更好的後訓練（尤其是強化學習）大幅提高模型能力

資料來源：智譜AI

圖二：強化學習（RL）訓練循環—AI 加速器與 CPU各司其職

資料來源：奕豐金融

AWS Trainium 3：性價比之選

除了後訓練，實驗室也越來越關注推理成本。隨著AI代理的興起，模型需要維持長上下文，並反覆調用工具及查詢資料庫。兩者都會令HBM容量與頻寬變得非常重要。

相關文章：〈記憶體超級週期｜技術變革，正在重寫供需邏輯〉

當雲端企業衡量AI晶片時，也不會比較單顆晶片的性能，反而更關心整套系統的總持有成本（TCO）：包括晶片、電力、散熱、CPU、網絡及機房改造成本。

隨著模型後訓練與AI代理興起，衡量標準亦逐漸轉向：每單位TCO能提供多少實際可用的記憶體頻寬，對雲端企業來說非常重要。

AWS Trainium3 降低 TCO 的三大核心機制

• 降低晶片成本：Trainium由AWS自研，也直接向記憶體廠商採購HBM3E，毋須承擔英偉達的毛利溢價。
• 降低供電及散熱壓力：Trainium3功耗約1,000W，低於GB300最高約1,400W，並支援風冷部署，有助減少液冷設備及機房改造成本。
• 提高系統效率：AWS可以協同設計Trainium加速器、Graviton CPU、Nitro、網絡及機房，減少CPU及數據傳輸等環節形成瓶頸，提高整個集群的利用率，從而攤薄整體系統成本。

Trainium的潛在優勢來自整體成本結構：只要晶片、供電、散熱及系統成本的降幅大於有效頻寬的差距，每單位TCO便能換取更多有效頻寬。

AWS Trainium3 vs. 谷歌 TPU v7：部署速度與生態彈性比較

在每TB/s記憶體頻寬成本上，谷歌TPU v7與Trainium3相當，但兩者在機房部署速度與商業策略上存在顯著差異。不過，Trainium的優勢在於部署速度與生態綁定。風冷機種可直接部署於現有機房，加快算力上線；相比之下，TPU自第三代起即以液冷為主力，高密度部署往往要改造機房，而機房與電力供應正是谷歌擴張算力的瓶頸之一。

客戶基礎擴大及年化收入已突破250億美元

客戶方面，Anthropic早已大規模採用Trainium訓練及推理模型；OpenAI亦作出多年期、多吉瓦的算力承諾，Uber、Pinterest及多家AI初創亦陸續採用。管理層更透露，正研究向外部客戶直接出售晶片。

相關文章：〈CPU強勢回歸｜從GPU到CPU，誰是下一個贏家？〉

Graviton的技術優勢：採用台積電3nm製程及整套AI系統進行協同設計

亞馬遜早在AI熱潮之前已經開始為自家的數據中心自研CPU。2015年，亞馬遜收購以色列晶片設計公司Annapurna Labs，並於2018年推出第一代Graviton。長期的技術累積，讓AWS能因應AI工作負載轉變持續優化CPU。

• 製程與規格：最新一代Graviton5於今年中正式上線，採用台積電3nm製程，擁有192個核心，記憶體容量較上代增加5倍。其優勢不只來自CPU本身，而是Graviton5可以連同AWS的整套AI系統進行協同設計。英特爾與AMD需要兼容不同伺服器配置，必須保留較多連接通道及通用功能
• 專門化整合：Graviton只服務AWS機房，則可移除不必要的設計，並由專用硬件Nitro分擔網絡、儲存及虛擬化工作，把更多晶片面積與功耗留給運算核心及記憶體。

這種垂直整合在AI機櫃尤其重要。Trainium加速器負責模型運算，Graviton則擔任主機CPU，處理任務調度、數據傳輸及結果回收；到了強化學習與AI代理，環境模擬、評分、驗證及工具調用等工作亦大量依賴CPU。換言之，AWS不只自研AI加速器，亦掌握主機CPU及底層系統架構，毋須依賴英偉達、英特爾或AMD，令成本優勢由單顆晶片延伸至整個AI機櫃。

相比之下，微軟Cobalt及谷歌Axion現時仍主要服務網站、數據庫等通用雲端工作；微軟的AI機櫃仍大量採用英特爾或AMD CPU，谷歌TPU集群亦未全面改用Axion。換言之，三大雲端企業雖均有自研CPU，但現階段只有AWS將Graviton與自研AI加速器深度整合，令AWS的成本優勢由Trainium延伸至主機CPU及整套AI系統。

亞馬遜的策略也在客戶需求中得到驗證。AWS頭部1,000家EC2客戶中，接近98%已使用Graviton；相關客戶承諾額按季增長3倍，Graviton5的採用速度亦接近上代同期的2倍。另外，Anthropic、OpenAI及Meta亦已與AWS簽訂大額CPU算力協議。

表三：三大雲廠自研CPU比較

項目	AWS Graviton5	微軟 Cobalt 200	谷歌Axion
代數	第5代（2018年起）	第2代（2024年起）	第1代（2024年起）
核心架構	Arm Neoverse V3	Arm Neoverse V3	Arm Neoverse V2（C4A）
製程	台積電3nm	台積電3nm（N3P）	5nm級（C4A）
單晶片核心數	192	132	最多72（C4A）
商用進度	2026年6月全面商用	2026年6月預覽	C4A已商用
AI機櫃主機CPU	是（指揮Trainium3）	否，仍多用x86	否，TPU叢集仍多用x86
主要用途	通用運算＋AI系統主機	通用雲運算	通用雲運算
資料來源：亞馬遜、微軟、谷歌、SemiAnalysis及奕豐金融編纂

網絡與機房：常常被人忽視的部分

如果上文所述，AI硬件競賽早已由單顆晶片擴展至整個資料中心。前沿模型往往需要數萬顆晶片同時運作，每秒交換海量數據；一旦網絡速度跟不上，昂貴的AI加速器便只能等待數據，直接拖低整個集群的利用率。因此，工程師不能只專注研發更強的CPU或AI加速器，而要把晶片、網絡、供電與散熱視為一個整體。只有各個環節互相配合，才能發揮出晶片的算力。例如Trainium系統設有後備網絡（NeuronLink）通道，即使個別線路故障，數據仍可改道傳輸；交換器亦支援即時更換，毋須關閉整個節點。這些設計未必令單顆晶片的規格更亮眼，卻能減少停機時間，提高集群利用率。

Trainium的散熱設計亦沿用相同思路。現有資料中心大多以風冷為主，部署液冷晶片往往需要額外投入資金及時間改造機房。現時由於算力供不應求，資料中心都希望更快讓數據中心上線。因此，Trainium3同時提供風冷及液冷機種，風冷版本可直接部署於現有機房，亦毋須等待液冷設施完成改造，從而降低前期投資並縮短算力上線時間。

AWS深度自研與分工架構

網絡層同樣由AWS深度自研，並按不同傳輸距離分工。

• NeuronLink與NeuronSwitch：負責機架內Trainium晶片之間的高速互連
• 彈性網絡介面卡（EFA）：連接不同機架，將多個機架組成大型計算集群
• Nitro晶片：負責卸載網絡、儲存及虛擬化工作，避免主機CPU被基礎設施任務佔用。

透過由晶片、機架到集群的整體設計，可減少數據在不同環節傳輸時形成瓶頸，讓Trainium把更多時間用於實際運算，而非等待數據，從而提高整個集群的利用。

Bedrock × Anthropic：把低成本算力轉化為token收入

前文討論的是AWS如何透過自研晶片與協同設計降低成本；接下來將討論AWS的收入模式。

AI雲有兩種生意模型：

• IaaS（基礎設施即服務）：雲端企業向模型公司或大型企業出租晶片，按「晶片數量×使用時間」收費，本質上是出售硬件算力以賺取算力租金，但若採用英偉達晶片，部分利潤已先被晶片商拿走。
• TaaS（Token即服務）：AWS透過雲端服務平台Bedrock直接服務終端企業客戶，客戶按輸入及輸出代幣（Token）付費。AWS除了提供底層算力，亦掌握企業客戶入口、帳單、合規及模型分銷，因此可以參與Token收入，而非只收取硬件租金。

CoreWeave等GPU雲端供應商主要採用IaaS模式，向模型公司出租GPU；模型公司再利用算力運行模型，並向終端客戶出售Token。因此，CoreWeave主要賺取算力租金，難以分享Anthropic的下游收入增長。

AWS則可透過Bedrock直接分銷Claude等模型。憑藉龐大的企業客戶基礎，AWS同時處理模型接入、帳單、合規及安全，因而可在底層算力收入外，進一步參與Token收入分成。雖然谷歌和微軟亦在發展類似模式，但AWS是目前最積極和成熟的玩家。

隨着模型公司收入高速增長，AWS亦是主要受益者之一。截至2026年7月底，Anthropic年化收入已突破650億美元；SemiAnalysis估計，2026年第二季已有逾40%收入來自雲端平台。AWS亦有逾10萬名客戶透過Bedrock使用Claude。考慮到雙方的深度合作，Anthropic的增長很可能為Bedrock帶來可觀的Token分成。

• 資本層面：亞馬遜已累計投資Anthropic約130億美元，並承諾未來最多再投資200億美元
• 算力層面：Anthropic承諾未來10年向AWS採購逾1,000億美元算力，規模最高達5GW
• 晶片層面：Anthropic亦深度參與Trainium設計，為AWS提供錨定需求。

因此，Anthropic不只是AWS的客戶，更是深度合作夥伴：底層幫助優化Trainium及購買算例，上層則為Bedrock帶來高價值Token分成。

不過，投資者需要留意，雙方並非獨家合作。Anthropic亦大規模採用谷歌TPU， Claude同時經由其他雲平台分銷。

層面	內容	關鍵數據
算力	首選訓練夥伴	Project Rainier多吉瓦專屬叢集；使用逾100萬顆Trainium2；未來10年採購超過1,000億美元的算力
晶片	深度參與 Trainium 設計	Trainium3 規格和設計高度貼合Anthropic的需求
收入	Bedrock 分成夥伴	逾10萬名客戶透過Bedrock運行Claude
資本	三度注資成為重要股東	累計投資約130億美元，並承諾未來最多再投資200億美元
資料來源：亞馬遜、Anthropic、SemiAnalysis及奕豐金融編纂

財務驗證：AWS收入創近18季增速最快！為何盈利能力可能是三大雲之中最強？

AWS收入增長持續加速，2026年第二季按年增長37%，創近18季以來最快。雖然增速仍低於Azure及谷歌雲，但AWS的收入基數更大，且在生成式AI競賽中起步較遲：Azure率先受惠於OpenAI及Copilot需求，谷歌亦有自研TPU分擔GPU供應壓力；AWS在AI的布局較晚，新建AI機櫃亦要到2026年才陸續轉化為收入。如今AWS已進入追趕階段，收入增量更與增長最快的谷歌雲相若。

圖三：三大雲盈利增長

收入加速之餘，AWS的盈利能力更為突出。2026年第二季經營利潤率達39.4%，高於谷歌雲的35.6%，亦接近微軟Intelligent Cloud的40.6%。不過，微軟Intelligent Cloud除Azure外，亦包括Windows Server、SQL Server授權及Enterprise Support等高毛利業務，推高分部利潤率；隨着AI基建折舊增加及收入組合轉向Azure，其利潤率有機會回落。谷歌雲的利潤率則由1Q25的17.8%急升至35.6%，但部分共享AI研發開支仍計入集團層面，未有完整反映模型訓練成本。

因此，單看披露數字，AWS的經營利潤率仍略低於微軟Intelligent Cloud；但考慮到微軟受高毛利軟件授權支撐，而谷歌雲未完全承擔共享AI研發成本，AWS在收入高速增長下仍維持接近40%的利潤率，其純雲業務盈利能力很可能已是三大雲之中最強。

圖四：三大雲經營利潤率對比

投資啟示：核心、供應鏈延伸

AI競賽已進入另一階段。除了比較誰擁有最快的加速器，市場亦要關注誰能以更低成本提供記憶體頻寬、CPU算力及資料中心容量，並以更有效的收入模式變現。

AWS在成本與收入同樣擁有優勢：成本端透過Trainium、Graviton、Nitro、網絡及機房的協同設計，降低每單位有效算力的總持有成本；收入端因Bedrock掌握企業客戶入口，並與Anthropic深度綁定，參與Token收入分成。

表五：亞馬遜盈利預測與潛在升幅

項目	2025Y	2026E	2027E	2028E
每股盈利（美元）	6.99	10.29	11.65	12
盈利按年增長	24.29%	47%	13%	3%
目標價				312
潛在升幅（基於26倍合理市盈率）				17%
資料來源：彭博及奕豐金融編纂 數據截至 2026 年 8 月19日

自研不代表所有環節均由AWS獨力完成。AWS主要負責晶片架構及前端設計，後端實體設計、晶圓製造、先進封裝、HBM及系統互連則由專業夥伴分工。

表六：Trainium的主要供應鏈夥伴

環節／相關企業	角色
亞馬遜	架構與前端設計；全棧整合，並以Bedrock做TaaS變現
Alchip世芯 (3661 TT)	Trainium3後端實體及封裝主力；Trainium4兩條軌道亦由其領銜
台積電 (TSM)	3nm晶圓製造及CoWoS先進封裝
SK Hynix／Micron	Trainium3 HBM3E主力供應商（接替三星；Trn2原由三星供貨）
Astera Labs (ALAB)	Trainium3晶片互連（scale-up）：PCIe Gen6 switch及retimer，用於UltraServer內
Credo (CRDO)	機櫃級高速銅纜（scale-out）：AEC主動銅纜，連伺服器／機櫃之間
英偉達 (NVDA)	Trainium4擬支援其NVLink Fusion，以便支援英偉達硬件
資料來源：亞馬遜及奕豐金融編纂

亞馬遜2026年資本支出指引約2,200億美元，大部分投向雲端及AI；管理層亦指出，記憶體價格上升是資本支出增加的原因之一。DRAM與HBM漲價直接推高雲端企業的基建成本；3nm製程及CoWoS產能亦是擴張瓶頸。AWS與台積電的長期合作有助協調產能，但仍無法完全擺脫整體供需限制。

從另一角度看，Trainium供應鏈亦帶來多項投資機會。隨着AI模型對記憶體容量及頻寬的要求持續提升，HBM已不只是傳統週期性產品，更是重要的戰略資產，其中SK海力士及三星電子在HBM市場擔當重要角色。先進製程方面，台積電的地位同樣無可取代：無論客戶選擇英偉達GPU、谷歌TPU還是AWS Trainium，領先製程及CoWoS封裝需求最終大多流向台積電。

相關文章：〈SK海力士｜AI時代不可忽略的「記憶之王」〉

相關文章：〈三星電子第二季度業績2026｜記憶體正為三星鋪出新的成長之路〉

投資者可考慮透過Global X亞洲半導體ETF（HKEX：3119）以一籃子方式部署並把握投資機會。

表六：FactSet 亞洲半導體盈利預測與潛在升幅

FactSet 亞洲半導體指數	2025A	2026E	2027E	2028E
每股盈利 （港元）	19.3	51.7	70.6	79.7
盈利按年增長 (%)		168.5%	36.4%	12.9%
目標價（基於20倍合理市盈率）				1,594
2028年底潛在升幅（%）				90%
資料來源: 彭博及奕豐金融編纂 數據截至2026年8月20日