亚马逊CEO安迪·贾西（Andy Jassy）作客知名风投a16z的播客节目，与a16z联合创始人Ben Horowitz进行了一场深度对谈。在这场访谈中，贾西全面揭示了亚马逊在生成式AI浪潮下的战略全景。贾西把这一轮 AI 竞赛定义为——以客户长期信任为约束，用“超前基建 + 自研芯片 + 生态绑定 + AI 原生组织”抢占推理时代，而不是做短期算力套利。
核心要点：
一、总判断：AI是结构性机会，不是短期泡沫
AWS 上季度在 1690 亿美元年化营收基础上同比增长 36.7%；生成式 AI 头三年，AWS 内 AI 业务年化营收突破 250 亿美元，而 AWS 早期前三年仅 6000 万美元，斜率快了几百倍。
2026 年资本开支约 2200 亿美元（日均约 6 亿美元），但 2026 年算力容量售罄、2027 年基本售罄、2028 年相当部分已锁定。贾西的判断是：不是投太多，而是需求仍未被满足。
二、需求结构：真正的大头在“哑铃中段”
一端：顶级 AI 实验室和少数超级应用，对算力、电力吞噬前所未有。
另一端：企业用 AI 做客服自动化、反欺诈、流程自动化等单点降本。
中段：企业跑在云端的海量生产系统，绝大多数尚未实质性接入推理，这将是未来 5–7 年 AI 使用量绝对值最大的一块。
激活中段的关键不是“有没有模型”，而是推理成本还必须再降一个数量级。
三、资本开支逻辑：不是盲目赌，而是分层资产+需求可见度
机房：提前约两年建，使用寿命约 30 年，只需做一次。
服务器与网络设备：提前几个月采购，约 3 年回本、寿命 5–6 年，客户合同普遍 5 年。
因此短期自由现金流会有几年逆风，但需求可见度高：如果不需要那么多产能，就不买服务器和设备。资本开支的风险控制在于“机房先行、设备后置、可调减”。
四、竞争策略：不把老客户“卖给”AI新贵
面对 HBM、芯片、电力紧缺和 AI 实验室的高价诱惑，AWS 不会买断老客户资源转手高价卖出。
逻辑是：核心客户的企业命脉在 AWS 上跑了十几二十年，短期套利会动摇长期信任。正确做法是扩大供给——保障老客户扩容，同时为 AI 开辟增量。
这延续了疫情期间“帮客户降本、牺牲短期收入换长期信任”的客户至上原则。
五、自研芯片：从Nitro、Graviton到Trainium，核心是降推理成本
收购 Annapurna 最初不是为了 AI，而是把虚拟化、网络、安全、存储开销从主 CPU 剥离，演进为 Nitro。
因英特尔主导 CPU 缺乏性价比动力，做出 Graviton：AWS 前 1000 大 EC2 客户中 99% 使用，性价比比同代 x86 高约 40%。
AI 领域复制同一逻辑做 Trainium，性价比高约 30%–40%。目的不是“有芯片”，而是把推理成本打下来，让企业有经济动力重写 CPU 应用。
六、投资Anthropic与OpenAI：信念+赢家判断+技术协同
三点逻辑：相信 AI 变革性；相信两家是长跑赢家；投资必须绑定深度技术协同。
Anthropic：通过 Bedrock 服务大量客户，同时是 Trainium 核心研发伙伴。
OpenAI：客户强烈想在 AWS 内用 OpenAI 模型；合作引入 Bedrock，共造 有状态运行时环境，OpenAI 对 Trainium 做出多年、数吉瓦承诺。
本质是：用渠道、算力和芯片绑定模型供给侧，同时满足企业客户需求。
七、组织重构：过度专业化失效，小团队+AI原生
Bedrock 团队 6 名工程师、76 天重写推理引擎，过去需 40 人一年；四五人周末做出 80% 可运行原型。
判断：做今天这些工作的人会更少，团队会小得多，复合型人才价值放大；每个团队起点被 AI 抬到 80%，能更快、更大规模地发明。
企业软件必须为智能体重写，让系统可被 Agent 快速介入、修改、部署。
八、安全：现实威胁不是科幻，而是分钟级网络安全
真正致命但讨论不足的是网络安全：模型能找出远超人类审计员的漏洞。
未来应对必须以分钟计，而非几天几周；系统要能由智能体自动打补丁并热部署。AWS 已推出 Continuum 自动化安全服务。
如果应用不能被智能体更新，未来攻击面前几乎没有还手之力。
九、产品重构：成熟产品不能只做渐进式修补
只把 AI 当修补工具，三到五年后大概率落败。
Alexa 必须“换脑”、重写底层架构；更难的是零售、Prime Video、Fire TV、Prime Music 等当下利润丰厚的核心业务，也要用独立团队从零孵化 AI 原生版本。
最大阻力来自组织情感和旧经验：“过去证明有效、你们踩过坑”。但不自我颠覆，就会被外部新兴团队颠覆。
十、业务组合：三大转型交汇，用“单线程”避免摊薄
三大转型：AI、机器人与自动化、低轨太空基建。亚马逊的核心业务本就扎根其中：零售机器人、AI 应用与消费体验重塑、Amazon Leo 为全球 5 亿家庭提供宽带。
避免战线过长靠两点：组织设计原则 + 长期战略定力。坚持“单线程领导责任制”，不让同一批人管理跨度极大的业务；只要市场足够大、痛点未满足、技术能显著改善体验、长期现金流健康，就坚决投入。
十一、给年轻人的建议：拥抱AI，但批判性思维更值钱
不能回避 AI，必须大量使用、尝试超出舒适区。
但 AI 把信息起点拉平后，串联洞察、研判非共识机会、设计产品、做决策仍依赖人的判断力、创造力、同理心和试错勇气。工具门槛越低，独立思考越值钱。
最终结论： 贾西的整套逻辑是一条闭环——AI 需求呈杠铃结构，中段最大但被推理成本卡住；自研芯片降成本，超前基建承接需求，投资模型公司绑定生态，小团队 AI 原生重构组织和产品，安全必须分钟级响应；而所有短期诱惑都让位于客户长期信任。 这不是“基建过剩”，而是以长期客户关系为锚的 AI 基建提速。
Amazon CEO Andy Jassy 深度对谈 a16z 全文
一、接任五年：从履约困局到 AI 大爆发
Ben： Andy，欢迎来到节目。你执掌亚马逊已经五年，做了很多事。目前是 2200 亿美元资本开支，AWS 重新进入高增长轨道。相比 2021 年你正式接棒的时刻，你怎么看 2026 年亚马逊的雄心？
Andy Jassy： 2021 年感觉已经非常遥远，像十年前一样。世界变化很快。如果和 2021 年相比，我们的整体营收大约高出 80%，AWS 业务规模接近当年的三倍，广告收入大约是当年的 2.5 倍。 所以业务确实增长得相当多。
我上任时正值疫情尾声，零售业务迎面撞上了履约成本急剧上升的难题：我们用 25 年建成的履约网络，在约 18 个月里把规模整整翻了一倍；紧接着又在约 20 个月内，建成了一支规模相当于 UPS 的最后一公里配送网络。 建得这么快，必然会有大量没有优化到位的环节，履约成本远不是我们想要的状态，造成了很大的挑战和焦虑。当时很多人——我上任还不到一年——都说"这个时候接手真是最糟糕的时机、运气太差"。
但回头看，那其实是一次难得的契机。它倒逼我们去考虑一堆本来可能多年都不会去考虑的事情。其中最大的一项，就是把我们原本扁平的全国履约网络在美国做了区域化改造——把库存放得离客户近得多，运输距离大幅缩短，既压低了履约成本，又让配送速度大幅提升。在履约成本承压的时期重新审视我们最根深蒂固的信条，真正释放了配送速度和零售业务的大量需求。
紧接着，生成式 AI 爆发。AI 不是新事物，我们做机器学习已经很久了，此前也有过好几波被认为会是"真正转折点"的 AI 浪潮。但到了 2023 年，生成式 AI 展现出了完全不同的差异。我们原本判断 AWS 在十年以上能做到数千亿美元收入；而现在看到每一种客户体验都将被推理和 AI 重塑，我们实际上认为 AWS 不仅在高速增长——上一季度我们在 1690 亿美元年化营收的基础上同比增长了 36.7%——今天摆在我们面前的机会真的非常惊人。再往上叠一层，是那些新业务的种子：Prime Video 已经成为规模很大且盈利的业务；Amazon Leo 在建低轨卫星；Zoox 在做自动驾驶网约车；还有医疗业务和机器人。
Amazon CEO Andy Jassy：「让客户的生活每天变得更好、更轻松」这一使命，把公司上下在做的一切统一起来。
二、快速扩张与亚马逊文化如何调和
Ben： 你提到快速扩建履约网络必然会有低效和粗糙之处，内部也有焦虑。作为 CEO，你怎么在不降低文化标准的前提下推进这件事？亚马逊以卓越运营、节俭著称。
Andy Jassy： 有意思的是，我们有 16 条领导力准则，外界常以为它们完全统一，但现实中很多准则之间存在天然张力——这恰恰反映了真实世界的运作方式，没有什么事是真正干净利落的，你永远在做取舍。
回到那个决定以如此激进、如此快的节奏扩建履约网络和末端配送网络的时刻，团队面对的问题是：我们知道这么快会很难，成本可能比慢一点做更高，方案可能不会像慢一点做那么优化。但疫情早期所有实体店都关了，客户和第三方卖家极度依赖亚马逊。我们必须在"精细规划"与"满足客户紧急需求"之间做取舍。我们最终选择——就像我们几乎一贯所做的那样——偏向客户这一边。
推进过程中当然不完美。亚马逊文化中另一个非常重要的部分是"讲真话"：我们把数据摆上桌、把问题摆上桌，彼此直接，不允许任何人把问题粉饰过去。 在这样的文化里，问题在指标上会很清楚，在讨论中也会很清楚。然后你只需分辨哪些是小幅效率问题，哪些是架构性问题。我们后来真的重新架构了网络的关键部分——那件事当时在团队优先级清单上大概排第八、第九，后来变成了高得多的优先级，以真正拿到速度和成本的最优组合。
三、数据中心的政治争议与被误读的能耗账本
Ben： 回到你创办 AWS 时，数据中心大概是世界上最不可能变成政治议题的东西。但现在尤其在美国，对数据中心的反对声音非常强。这些论点有道理吗？它如何影响你的建设策略？
Andy Jassy： 我想先给出一个基本共识：今天世界上做的每一件事——股市、银行、医疗、娱乐、购物、教育、商业、网约车——全部都是数字驱动的，它们都在使用数据中心。 你不能一边离不开智能手机，一边说"反对数据中心"。这还只是在 AI 之前。
AI 是我们这一代人经历的最大技术变革——考虑到我们经历过互联网、云和移动，这话分量很重。支撑这种增长所需的基础设施建设规模，这个世界、这个国家自 1950 年代修建高速公路和桥梁以来就没有出现过。美国承受不起不建数据中心的代价，否则我们会发现另一个国家（比如中国）会把所有的领导地位和规则都确立在那里。
当然，作为行业我们确实有可以做得更好的地方。但目前流传着不少介于迷思与不实之词之间的说法，因为这是一个"很容易找到反派"的议题：
关于用水：高尔夫球场或加州杏仁种植业消耗的水远多于数据中心。仅高尔夫球场的总耗水量就是我们所有数据中心的 200 倍——它们两天的耗水量比我们数据中心一整年还多。
关于污染：备用发电机的排污数据是按"满负荷全天候运行"申报的，但实际运营中它们全年只运行约 0.1% 的时间，比如每年 10 小时用于维护，根本不是常态化污染源。
关于电价：在有大型数据中心布局的不同地区，有些电价涨了，有些降了。真正的问题是国家长期对电网基础设施投资不足，AI 只是把结构性矛盾提前引爆。在印第安纳、佐治亚、密西西比等地，随着产能落地，综合电价反而趋于走平甚至下降。
关于社区回馈：仅在印第安纳州圣约瑟夫县，我们就缴纳了约 30 亿美元的税款。 我们还通过 Built Together 等项目承诺，未来五年向有数据中心布局的社区再投入 10 亿美元。
发展必须与社区持续合作，必须是公私合作，但这轮建设对国家的未来太重要了——想象一下，如果我们当初没把高速公路和桥梁建起来会怎样。
四、2200 亿美元资本开支与"哑铃型"AI 需求
Ben： 2200 亿美元资本开支，换算下来每天 6 亿美元。我想知道你怎么看当前的 AI 需求——你私下提到"哑铃型"（barbell）。
Andy Jassy： 先给一个背景：我简直不敢相信 AI 长得这么大、这么快。AWS 早期前三年年化营收约 6000 万美元，当时我们觉得已经很快了；而这波生成式 AI 浪潮的头三年，仅 AWS 内部的 AI 业务年化营收就突破了 250 亿美元——快了几百倍。 我们从未见过这样的事。
AI 需求结构呈现典型的"哑铃型"：
哑铃一端：顶级 AI 实验室，对算力和电力的吞噬是我从未见过的；再加上少数爆发式应用，比如 ChatGPT、Claude Code。
哑铃另一端：广大企业主要用 AI 做降本和提效——客服自动化、反欺诈、业务流程自动化。
哑铃中段：企业当前的生产型工作负载，其中很多跑在 AWS 上、今天已经在用推理，但绝大多数还没有以任何渗透性的方式真正用起来。而中段这部分，将会是 AI 使用量绝对值最大的一块。
五年到七年后——我不认为它会等到那时才发生，它从来不会一蹴而就——今天企业应用中相当多、甚至大多数都会以渗透性的方式用上推理。前方增长空间非常大。
Ben： 怎么判断这样的资本开支是否过度？
Andy Jassy： 事实是最有力的证明：即便今年花掉 2200 亿美元，我们依然把相当可观的一部分需求留在桌上。2026 年算力容量显然已经售罄，2027 年基本售罄，2028 年已有相当大一部分被锁定。 我们总会留一部分给按需业务（Bedrock、EC2 等），但大块基本都已被预订。
资本开支结构上我们区分两类资产：
数据中心物理机房：需提前约两年投入，才能放服务器开始变现；但这是使用寿命约 30 年的资产，只需做一次。
服务器与网络设备：根据组件类型只需提前几个月采购，通常 3 年左右回本，使用寿命约 5–6 年，而我们签的客户合同普遍是 5 年长约。
这种现金周期意味着：同时建这么多数据中心时，自由现金流会有几年逆风，直到几年后所有数据中心上线、变现、收回服务器与网络投资。但好处是我们对客户需求有非常好的可见度——如果发现不需要那么多产能填数据中心，就不会去买服务器和网络设备。
五、为什么不会把老客户"卖"给 AI 实验室
Ben： 现在 HBM、芯片、电力极度紧缺，顶尖 AI 实验室愿意为算力付出几乎任何代价。面对这种溢价诱惑，AWS 会不会有商业冲动——把长期租给老客户的资源买断，转手高价卖给这些不计成本的新贵？
Andy Jassy： 从纯财务套利角度这种逻辑看似合理，但我们在经营上绝不会这么做。 我认为供应紧张不会在 2027 年结束，在不同组件上我们会连续几年看到瓶颈。
内存这一块就是真实的取舍：你得决定把多少内存分配给 HBM（给 AI 加速器），多少分配给 DRAM（给核心业务）。AI 业务和我们所谓的核心业务（非 AI）现在都在快速增长。
但我们的出发点是客户至上。疫情期间，很多同行想的是怎么在每个季度内优化收入；而我们采取相反的做法——主动派团队走出去帮客户做成本优化，即便知道这会削弱我们短期和中期收入。 我们坚信：长期帮客户成功，我们的业务最终也会随之而来。
核心业务同样的道理。这些客户的企业命脉在 AWS 上运行了十几年甚至二十年。我们不会因为眼前的算力溢价就去挤压他们。 我们的工作是尽可能扩大供给——一边保障老客户平稳扩容，一边为新增的 AI 算力开辟增量空间，且对我们而言经济上可持续。即便把资本开支再翻上去很多，也不会是糟糕的资本使用。现在需求实在惊人。
六、自研芯片的底层逻辑：从 Annapurna 到 Trainium
Ben： 2015 年你们收购了 Annapurna Labs。当时行业对大模型几乎没有认知，是什么驱动了那笔收购？它在新世界里如何回报？
Andy Jassy：Annapurna 团队是我有幸合作过的最有才华的团队之一，是亚马逊历史上最好的收购之一，甚至可能就是最好的。
坦率地说，我们并不是为了今天的 AI 芯片才收购 Annapurna。当时的核心痛点是：随着云计算规模扩大，服务器上相当一部分 CPU 算力被用于虚拟化、网络、安全和存储管理。我们希望把几乎 100% 的服务器算力释放给客户的业务负载。收购前我们就和 Annapurna 一起做一种专用网卡（NIC），把这些底层开销从主 CPU 剥离。这就是后来部署在每一台 EC2 服务器上的 Nitro 系统。
在合作中我们验证了这支团队的造芯能力。当时英特尔几乎握有全部 CPU 份额——当合作伙伴握有几乎全部份额时，他们通常不会去想如何极限推高性价比，而是思考用其他功能获取更多收入。这是市场运作的常态，也是"创新者的窘境"的一部分。我们试图推性价比却很难获得关注，但客户想把越来越多本地负载迁到云上、想要更好性价比。于是我们让 Annapurna 团队去造 CPU 芯片——他们做出了 Graviton，今天 AWS 排名前 1000 的 EC2 客户中 99% 都在重度使用它，性价比比同代 x86 处理器高出约 40%。
几年前，我们在 AI 领域看到了同一部电影重演：一家非常优秀的主导供应商——我们与它有深厚合作，现在有，可预见的未来也会有——但市场巨大、产品线众多，我们知道客户需要更好性价比。所以我们让 Annapurna 另组团队做 AI 加速器，就是 Trainium，性价比同样比同类可比处理器高约 30%–40%。
为什么推理成本是关键？ 除了人才（擅长后训练和微调的团队、知道怎么排优先级的组织肌肉）之外，很大一块阻碍是经济账算不过来。过去几年推理成本已经降了不少，但在我看来，它仍然贵了一个数量级，还不足以支撑最广泛的普及。 如果企业要把今天跑在 CPU 上的应用改写成用 AI 加速器，成本差异显著的话，他们重写应用的门槛就非常高。只有把推理成本打下来，AI 应用才能从实验室玩具变成无处不在的生产工具——这就是我们的芯片业务如此重要的原因。
七、同时押注 Anthropic 与 OpenAI 的战略逻辑
Ben： 你们对 Anthropic 和 OpenAI 都做了非常大的投资（Anthropic 约 180 亿美元，OpenAI 约 500 亿美元）。这种"既当投资人又当算力供应商"的模式让华尔街想起互联网泡沫年代的糟糕旧时光，你怎么看？
Andy Jassy： 这两家都是非常出色的团队和公司。它们业务营收的增长速度——我不确定我们是否曾见过类似的情况，真的难以置信。
我们的投资和合作基于三个清晰的维度：
对 AI 变革性的信念；
对这两家公司长期竞争力的判断——这个领域不会人人都是赢家，但会涌现出很多非常成功的公司，我们相信它们会是其中两家；
实打实的深度技术协同。
Anthropic 这边，合作历时更久。海量客户通过我们的托管平台 Bedrock 调用 Claude 系列模型，我认为客户在 Bedrock 上跑 Anthropic 是最成功的。更重要的是，Anthropic 也是我们自研芯片 Trainium 的核心研发合作伙伴，他们的前沿训练任务长期运行在 Trainium 集群上——这种软硬件协同让双方都受益匪浅。
OpenAI 这边，合作的触发点完全来自客户的强烈诉求。过去有大量客户想在 AWS 环境里使用 OpenAI 的模型，但受限于双方此前的商业安排无法做到。经过一系列、历时数月的对话，我们不仅成功把 OpenAI 模型引入 Bedrock，还共同打造了一个独特产品——有状态运行时环境。未来的 AI 智能体必须具备长期记忆和状态留存能力，我认为所有 Agent 都会以这种方式构建。与此同时，OpenAI 也向 Trainium 做出了多年、数吉瓦级别的算力承诺。这种既满足了核心客户需求、又为自研硬件找到落地场景的合作，战略上是非常明确的。
八、6 名工程师 76 天重写推理引擎：组织形态被重塑
Ben： Bedrock 团队用 6 名工程师、76 天重建了核心推理引擎，过去这需要 40 个人干一年。亚马逊以"两个披萨团队"著称，考虑到 AI 正在改变一切，你现在的组织设计思路是什么？
Andy Jassy：Bedrock 团队的这次重构在亚马逊内部带来了很大震动。 我们把这个案例在全公司反复宣讲，目的就是打破大企业在规模扩张中养成的组织惰性。
我 29 年前加入亚马逊，从助理产品经理做起，当时一个人负责大概 5 款产品。而今天当公司做大、产品做大之后，一个产品经理往往只负责某个大系统下极窄的一个切片——比如专职负责定价。每个人都接受了"过度专业化是大公司做大的必要方式"，但这其实并不成立，在 AI 时代更是绝对不成立。
就说刚刚过去的一周：我们围绕消费者业务做智能体，有个我们很喜欢的主意，周四达成一致要做出真正可用的原型，四五个人周末加班，到周日就做出了完成度约 80%、真正能跑起来的版本。 这完全是两个不同的世界。
我认为这种演进会给组织带来几个确定性变化：
做今天这些工作的人会比现在少。 无论是智能体完成的编码量、客服、商业智能、研究，再想想电子表格会怎么被构建、律师数量会怎样——不是没有人，但不会像过去企业规模扩大时那样往里堆人。会涌现出新的工作和新岗位，但传统岗位缩减不可逆。
团队会比现在小得多，复合型人才价值被放大。 AI 能在许多职能上把人带到 80% 的程度，成员不再被死板的职能分工限制，能更独立地推进端到端落地。
每个团队的起点都比过去高得多，能更大规模、更快地发明创造。
九、Agent 时代的现实威胁：网络安全而非科幻场景
Ben： 最近业界热衷于探讨模型的"毁灭性风险"，你怎么看？
Andy Jassy： 最近舆论频繁出现一些偏科幻色彩的极端担忧——恶意僵尸网络接管一切、给机器人注入恶意意图。这些理论风险确实可能发生，但我认为行业、加上公共与私营部门会一起解决。真正致命、但讨论度严重不足的现实隐患，其实是网络安全。
这些模型能找出的系统漏洞和代码缺陷比人类审计员过去发现的多得多。在传统模式下，从发现漏洞、分类、开发补丁到联调部署要拖很长时间；而在 AI 赋能的网络攻防中，应对紧迫威胁必须以分钟为单位——不是今天这样的"几天甚至几周"。
这意味着企业必须重写软件，让系统具备"被智能体快速介入、修改并部署"的能力，同时建立严格约束。如果应用没有被重写为可由智能体更新的形态，在未来的攻击面前几乎没有还手之力。
安全工作虽然繁琐乏味，但它是生死攸关的防线。在多数公司，专业化在安全领域可能是最糟糕的情形：非常深奥的安全工程师不愿和其他工程师合作，又是稀缺资源，结果软件公司的安全实践普遍不好。模型加上自动化能让你对整个攻击面做渗透测试，发现过去只有靠运气才能发现的问题。我们有专业服务团队帮客户做这件事，还构建了叫 Continuum 的服务，专门负责识别漏洞并生成补丁。
十、重写 Alexa：成熟产品不能只做渐进式修补
Ben： 业界用 AI 大致有几条路：一是削减成本、裁掉会计或律师；二是做世界从未见过的东西；三是你们在 Alexa 上做的——把一个成功产品推倒重来。怎么走到这一步的？内部阻力有多大？
Andy Jassy： 这个三分法很有意思。组织变得更精简之后，会让优秀的构建者和小团队去做出第二类——那些人们从未见过的东西。当你经历过四天把一个新想法做到 80% 的体验，对人是非常大的激励，他们会把更多空闲思考周期用来想新点子。
但对成熟公司而言，如果只把 AI 当作对现有产品的渐进式改善，三到五年后很可能不会有胜出的体验。 我们所知道的每一种体验——哪怕看起来最难被改变的——几年后都会因 AI 而显著不同。
Alexa 就是最明显的例子。Alexa 的"大脑"在它被造出来的那个时点很有创意，但生成式 AI 让这个"大脑"能做的事完全不同了。要长期提供出色客户体验并保持相关性，就必须给 Alexa 的大脑重新布线。 尽管很明显，实际做起来其实很难——原有团队对旧架构倾注了多年心血、克服过无数技术难关，对既有方案有极深的感情认同。让他们完全从头开始、重新想象需要时间，最常见的阻力是：“过去这套方案证明过是有效的，你们提的新构想我们几年前踩过坑。”
比重构 Alexa 更难的，是重构那些当下运转良好且利润丰厚的核心业务——比如零售、Prime Video、Fire TV、Prime Music。这些系统表面上看没有任何危机，但我们已经在内部抽调独立团队，尝试完全基于 AI 原生架构从零孵化这些业务的全新版本。 我们不可能第一天就把所有方案做对，但如果不主动用新范式颠覆自己，就会被外部的新兴团队颠覆。
每一次大转型都需要巨大的变革管理——就像从本地 IDC 迁到云：很多基础设施负责人对自己造的东西非常骄傲、身处行动中心，不想学新东西。重塑所有客户体验也是同一回事，在理智和情感上都很难。
十一、给 18 岁年轻人的建议：工具门槛越低，独立思考越值钱
Ben： 如果你在 2026 年是 18 岁，会给自己什么建议？
Andy Jassy： 我有 25 岁和 22 岁的孩子，22 岁那个在 AI 真正起飞时大概 19 岁。我很快就明白：你不能告诉年轻人在教育里不要用 AI，那艘船已经离港了。 大学明智的做法是不去对抗它。
亚马逊一直保持严格的"书面备忘录"文化，不用幻灯片，全靠详尽的六页纸文档。近一年不少员工开始用 AI 辅助写作。坦白说，文档是否完全由 AI 代笔，读两段就能分辨——用词虽然规范，但观点之间缺乏逻辑咬合。
我的建议有两点：
第一，不要回避，全面拥抱它。 把 AI 工具当成日常工作和学习的常规手段，去尝试超出舒适区的事。我的两个孩子都不是开发者，但他们现在都能借助 AI 独立开发完整的应用程序。
第二，绝不能放弃批判性思维与深度判断力。 就像商学院案例分析：过去教授布置三个案例，你每天要做大量阅读、做笔记、识别关键问题、整合成战略方案，总有一些学生根本不做功课。今天 AI 可以在几秒钟内为所有人整理出无可挑剔的总结——它把所有人的信息获取基准拉到了同一高度。但在这之后，如何把分散的商业信息串联成有效洞察？如何研判非共识的商业机会？如何设计打动人心的产品？如何做出决策？这些依然依赖人的直觉、同理心、试错勇气和深度批判性思考。
工具的门槛越低，独立思考的价值反而越高。
十二、从卫星到零售：亚马逊如何避免战线过长
Ben： 亚马逊的业务从最早的网络书店走到今天——电商、超大规模云、底层芯片、仓储机器人、数字医疗，还有部署数千颗低轨卫星的 Amazon Leo。战线如此漫长，你怎么避免摊得太薄？
Andy Jassy： 首先，我认为我们正处在一生中、也许是有史以来最大的三场转型的交汇期：AI、机器人与自动化，以及低轨太空基建。 它们都非常巨大，都会彻底重塑众多行业。亚马逊在这三个领域并非跟风布局——我们原本的核心业务就扎根在这些赛道的中心：
零售广泛使用机器人；
AI 既让内外部开发者更容易做出成功的 AI 应用和智能体，也在重塑所有消费体验；
Amazon Leo 的低轨卫星项目旨在为全球 5 亿没有稳定网络覆盖的家庭提供宽带连接。
要避免战线拉得太长而失控，核心取决于两点：组织设计原则，以及长期的战略定力。
亚马逊从来不让同一批人管理跨度极大的多项业务。我们长期坚持"单线程领导责任制"——为每一个重大的新战略业务挑选具备开拓能力的骨干，建立独立闭环团队。团队负责人每天醒来，唯一的使命就是在这一个垂直领域深扎下去，不被其他日常业务的杂音干扰。再加上差异化想法、足够大的体验空间、未被服务好的领域——你就有机会同时推进很多事。我们在很长一段时间里就是这么做的。
有些公司完全可以理解地说"我们要守住本行"，把单一业务的利润做到极致——那是非常成功的战略路径。但亚马逊的基因不同：只要一个市场空间足够大、存在未被满足的痛点、我们有能力通过技术显著改善体验，并最终能跑通健康的长期现金流，我们就会坚决进行战略投入。 专注做好现有核心业务，同时保持对未知领域的开拓野心，二者并不矛盾。
Ben： 这是很鼓舞人心的收尾——无尽的雄心。Andy，非常感谢你来节目。
Andy Jassy： 谢谢你们的邀请，非常感谢大家。