2026 年 6 月 18 日，据 Bloomberg 与 TechCrunch 报道，AWS 正在与第三方数据中心运营商谈判，计划将自研的 Trainium AI 芯片直接出售给外部客户。若谈判落地，客户将能在 AWS 云服务之外部署这类芯片，亚马逊与 Nvidia 的竞争也将延伸到硬件供应。
亚马逊 CEO Andy Jassy 此前已在致股东信中提出外销的可能性。他估算，如果把 Graviton、Trainium 和 Nitro 芯片业务独立出来，按向 AWS 及第三方出售当年产出的方式计价，年化收入规模可达约 500 亿美元。这是对整项芯片业务的假设估算；正在洽谈的 Trainium 外销，才是把部分设想转为订单的下一步。
Graviton 的云端应用，为 Trainium 外销积累经验
亚马逊的自研芯片之路并非始于 AI。2015 年，亚马逊以据报道约 3.5 亿美元的价格收购以色列芯片设计公司 Annapurna Labs，建立了重要的芯片研发能力。2018 年，AWS 推出首款自研 ARM 架构服务器 CPU——Graviton，主打高性价比通用计算。AWS 在 2024 年披露，过去两年新增 CPU 算力中，超过 50% 来自 Graviton。Snowflake 则在 2026 年 5 月承诺，未来五年在 AWS 的 Graviton 计算与 AI 服务上支出 60 亿美元。
Graviton 证明了 AWS 能让客户在云服务中采用自研芯片，也为 Trainium 积累了运营和软件适配经验。不过，直接出售硬件还需要承担交付、外部部署和持续支持等工作。
Trainium 是 AWS 为 AI 训练开发、也用于推理的芯片。第一代在 2020 年公布，Trainium2 于 2023 年底亮相，Trainium3 则继续改进性能与成本。Jassy 在致股东信中称，Trainium3 比 Trainium2 的性价比提高了 30%–40%。这组代际比较说明了 AWS 的进展，与 Nvidia Blackwell NVL72 的差距仍需放到具体模型和系统配置中衡量。
AWS 此时推进外销，可以从需求、供给和客户成本三个方面理解：
- 客户已有采用意愿：Pinterest 在 2026 年 6 月宣布，计划到 2031 年在 AWS 云服务上投入 40 亿美元，其中包括扩大使用 Trainium 和 Graviton，支持视觉搜索与发现业务。这是云服务采购承诺，为自研芯片提供了应用需求。
- 外销仍需安排供给：经过三代迭代，Trainium 已积累部署经验，但 Jassy 同时称 Trainium3 几乎已被预订完。对外供货还需要兼顾 AWS 云客户的需求。
- 客户在比较总体成本：对算力价格和供货时间敏感的客户，有动力评估 Nvidia 之外的选择；AWS 能否争取到订单，取决于实际报价、交付与迁移成本。
Neuron 能否降低客户离开 CUDA 的迁移成本
对客户而言，芯片的理论性能只是选择的一部分。训练和推理任务能否稳定运行、已有代码需要改多少，同样影响采购决定。
Nvidia 的优势还包括 CUDA。经过近二十年的积累，CUDA 已从 GPU 编程接口发展出加速库、调试工具和性能优化工具。开发者围绕这些工具积累的代码与经验，以及 PyTorch、TensorFlow、JAX 等框架对 Nvidia GPU 的支持，都会影响迁移成本。
AWS 的应对工具是 Neuron SDK——一套为 Trainium 和 Inferentia 芯片定制的软件开发工具包，支持 PyTorch 和 JAX 等主流框架。AWS 希望通过编译器优化和框架集成，减少开发者迁移模型所需的改动。对于使用标准模型架构的客户，现有框架支持能省去部分适配工作。
对于定制算子，Neuron 已提供 NKI 接口，让开发者编写和优化底层计算内核。但依赖 CUDA 特定功能或高度定制代码的团队，仍需评估重写、调试和性能调优的投入。Nvidia 在 2025 财年的数据中心收入约为 1150 亿美元，其软硬件产品已经服务于庞大的客户群。
AWS 与 Google 尝试扩大自研芯片的供应范围
亚马逊并非唯一一个试图扩大自研 AI 芯片应用范围的云厂商。
Google 的 TPU（Tensor Processing Unit，张量处理器）比 Trainium 更早起步，第一代早在 2015 年就已内部部署。2026 年 5 月，Google 与 Blackstone 宣布成立合资公司，由 Google 提供 TPU 等硬件、软件和服务，面向客户提供按需使用的算力。客户由此可在 Google Cloud 之外获得 TPU 云算力，具体供应方式仍是算力服务。
这几家公司的业务模式有所不同：
- Nvidia：作为芯片与系统供应商，依靠 GPU、CUDA 软件及配套系统服务云厂商和其他数据中心客户。
- AWS：从 Graviton 到 Trainium，先通过云服务推广自研芯片，再探索直接对外出售硬件。
- Google Cloud：通过合资公司增加 TPU 算力的供应渠道，让客户在自身云平台之外也能使用其芯片。
Microsoft 也已进入自研 AI 芯片领域。其在 2023 年公布的 Maia 100 就面向云端训练与推理；这类自研芯片与采购 Nvidia 等公司的产品，可以同时服务于不同工作负载。
外销订单取决于迁移成本、报价和后续支持
Trainium 外销能否成功，需要回答三个问题：
第一，迁移成本。 如果 Neuron SDK 能减少模型迁移所需的代码修改量，AWS 就更有机会争取客户。标准 Transformer 模型可以利用已有框架支持；非标准架构或需要精细性能优化的场景，则要逐项检验算子支持、编译效果和运行效率。
第二，定价策略。 AWS 不必在每项性能指标上超过 Nvidia，性价比也可能推动客户换用芯片。例如，假设 Trainium 能以 Nvidia GPU 60%–70% 的价格提供 90% 的性能，成本敏感的客户就可能愿意尝试。但这只是说明采购逻辑的假设，外销报价与实际性能仍待披露，迁移和运维费用也需一并计算。
第三，后续支持。 客户采用 Trainium 后，会持续依赖 Neuron 的编译器、运行环境和更新支持。对 AWS 而言，芯片外销可能带来新的收入与客户关系；对客户而言，在第三方数据中心部署硬件，能否减少对单一云平台的依赖，也取决于最终的授权、服务与运维安排。
Trainium 外销若能落地，将使 AWS 的自研芯片业务多一种销售方式。Nvidia 已有庞大的硬件与软件用户群，竞争是否因此改变，要看 AWS 能交付多少系统，以及客户迁移后能否获得持续的成本收益。
