开场：AI基础设施的需求
即使我们今年会投入2200亿美元，仍有相当一部分需求无法满足。我们总会留出一部分按需容量，但2026年的产能显然已经售罄，2027年大部分也已售罄，2028年也有相当一部分卖完了。金融市场在说：“世界上没有足够的钱来为这些东西融资。”但今天我们做的每件事——股票交易、银行、医疗保健——都在使用数据中心。我们的工作是尽可能多地提供算力。我们有机会帮助客户改善更多体验，让他们每天的生活变得更好、更轻松。大型实验室几乎愿意为电力、冷却和芯片付出任何代价。那我们或许该把老一代设备买下来，再卖给新一代公司，因为他们什么价都愿意出。
担任CEO五年：从疫情期间扩张过度到AI热潮
Andy，欢迎来到节目，很高兴请到你。
谢谢邀请。
你执掌亚马逊已经五年，做了很多事，也取得了不少成果。如今资本支出达到2200亿美元，AWS增长28%。你怎么看亚马逊在2026年的雄心，与2021年你正式接任CEO时相比有什么变化？
2021年感觉已经过去很久了，像是十年前。不过世界变化很快。和2021年相比，我们的整体营收规模大约高了80%，AWS业务接近原来的三倍，广告收入大约是原来的2.5倍。公司确实成长了很多。我觉得有几件大事发生了。
我上任后不久，正值疫情末期，零售业务遇到了很大的服务成本挑战。我们把花了25年建起来的履约网络，差不多在18个月内扩张了一倍；又在大约20个月里建起了一个规模相当于UPS的末端运输网络。扩张得这么快，很多环节自然来不及优化。履约网络的服务成本没有达到我们的预期，这造成了很多挑战和焦虑。当时我上任还不到一年，大家对我说：“真不是个好时候，运气太差了。”
但回头看，那其实是个很好的起点，甚至是种幸运，因为它让我们重新审视一些原本可能多年都不会触碰的做法，而这些调整对客户和业务都很有帮助。履约网络里最大的一项改变，是把美国原本平铺全国的网络改成区域化网络。我们把商品放得离客户更近，缩短运输距离，既降低了服务成本，也更快把商品送到客户手中。在服务成本吃紧时重新审视那些根深蒂固的信念，释放了零售业务的配送速度，也带来了大量客户需求，是业务快速增长的重要原因。
之后不久，AI又进一步爆发。当然，AI并不新鲜，我们长期都在做机器学习，也经历过很多被认为会成为真正拐点的AI浪潮。但到了2023年，生成式AI确实带来了巨大变化。当时AWS已经增长很快：我们的功能覆盖面明显最广，运营表现和安全性也更强，合作伙伴生态也很独特。我们是明确的领先者，当时觉得AWS长期来看有机会成为年收入几千亿美元的业务，可能需要十年左右。
现在看到AI的发展，以及我们所知的每一种客户体验都将借助推理和AI重新塑造，我们认为AWS不仅增长迅速——上个季度，在年化营收1690亿美元的基础上同比增长了36.7%——今天的机会也极其惊人。如果再加上我们已经播下的新业务种子，无论是……
担任CEO五年：从疫情期间扩张过度到AI热潮（续）
……以及团队如何发展。Prime Video如今已经成为规模可观、能够盈利的业务；我们正在用Amazon Leo建设近地轨道卫星，也有Zoox自动驾驶网约车服务、医疗保健业务和机器人业务。我认为我们有机会帮助更多客户、改善更多体验，让他们每天的生活更好、更轻松。努力让客户生活更好、更轻松的使命，确实把公司正在做的所有事情串联了起来。
顺着这个话题追问一下。你刚才说，履约网络扩张得那么快，难免会有些低效，速度快也难免有些粗糙。你提到内部因此有过焦虑。从CEO的角度，你怎样说明当时的做法，同时又不降低亚马逊一向强调的运营卓越、效率和节俭标准？毕竟你们一边讲究卓越运营，一边又说要在那种速度下建起一个相当于UPS规模的网络。你怎么协调这两者？
有意思的是，我们有一套大家都熟悉的领导力准则，一共16条。这些准则确实规范着我们的团队运作和文化，但有几条之间会互相拉扯，有时大家会因此困惑。其实这反映了现实世界的运作方式：事情并不总是非黑即白，我们一直都在做取舍。
回到当时决定迅速扩建履约网络和末端运输网络的情形，团队面对的问题是：我们知道这么快地建设会很难，成本可能比慢慢建更高，很多环节也可能无法像慢速建设那样优化。但客户和卖家确实需要这些服务。我们究竟要不要倾向于尽快支持他们？要记得，疫情初期实体店都不开门了。亚马逊在每个人疫情期间的生活中都扮演了非常关键的角色。我们必须问自己：要不要快速建设，即使不够优化，也要服务客户和卖家，帮助他们维持生意？这是第一个决定。我们几乎总是选择站在客户这一边。
建设过程中，我们很快就看出计划并非事事顺利。履约团队比公司大多数人更常到办公室，但设计、规划和评估仍需要很多其他同事参与；当时不少人分散各地、远程工作。于是我们要在行动速度和极高标准之间权衡：高标准意味着交付的成本结构、配送表现和设计质量都要达到原本设想的水平。因此我们再次作出取舍，选择站在客户这边、加快推进，好让我们服务卖家和消费者。我们也预料到之后需要做一些收尾整理。
我们是否准确预见了最终会形成什么样的网络布局？没有。有些地方没有优化好，我不确定我们是否预见到它们会没达到理想状态。不过，只要有好的指标，而且文化鼓励讲真话，……
担任CEO五年：从疫情期间扩张过度到AI热潮（续）
……而这也是我们文化中非常重要的一部分：把数据和问题摆到桌面上，彼此坦诚，不让人把问题掩盖过去。有这样的文化，指标和讨论都会清楚地反映问题。接下来就要判断怎么改进，哪些只是小的效率问题，哪些涉及架构。等相关产能建好后，我们重新设计了网络中的关键部分。当时这件事在团队的优先事项里可能只排第八或第九，但后来优先级大幅提升，因为我们要兼顾速度和成本。
好，真有意思。你刚才还提到……
AI资本开支投多少才算过头？
你刚开始做AWS时，思路有点像“先建起来，客户自然会来”：先把基础设施建好，再出租；如果客户不来，就会很麻烦。如今规模大得多了，你和其他公司正在非常快速地建设数据中心和芯片产能。金融市场会说“世界上没有足够的钱来给这些项目融资”，我们也看到企业债券和股票市场变得谨慎。面对如此陡峭的需求和快速增长，以及电力、冷却和芯片供应链的争夺，你怎么判断基础设施到底建多少才算过头？
这是个很好的问题。我真希望有个公式能把事情说简单，那样能为团队省下很多时间。
云计算第一波浪潮时，也就是我们创办AWS的时候，我们确实不确定人们会不会用它，所以有点像“先建起来，客户自然会来”。不过公司内部有很好的信号。那是在2000年代初，有些团队的进展没有我们期望的那么快。相对而言我们自认速度不慢，但还是不明白为什么要花那么久。后来发现，产品团队70%到80%的时间都花在基础设施上，而这些并不能让产品形成差异化；只有大约20%的时间用在真正有特色的产品部分。每个团队都在重复造轮子。
我们最初构想AWS，是为了让自己在内部行动更快。我们想建立一组规模大、可用性高、成本低、灵活性强的基础服务模块，比如计算、存储、数据库、内容分发和消息服务。这样，消费业务团队就能更快地开发产品。我们觉得自己的技术能力还不错，其他公司可能也有同样的问题。AWS对外发布前，内部就有很多团队表示兴趣，让我们知道方向对了。但没人预料到它在外部会增长得那么快。
AI方面，过去也有过几轮浪潮，人们一再说“AI的时代终于来了”。生成式AI浪潮之前六七年左右，很多人也觉得AI时代已经到来。我们在AWS上推出了不少AI服务，确实形成了不错的业务，但和现在相比完全不是一个量级。AWS早期我们觉得增长很快，三年后年化营收约6000万美元。而生成式AI浪潮的头三年里，AWS的AI业务年化营收已经超过250亿美元，增长速度快了几百倍。我们从未见过这样的事情。
接下来就变成一个问题：为了抓住这个机会，资本开支该投多少？我们已经说过，2026年预计会投入约2200亿美元。顺便说一下，我记得当时在领导团队早餐会上……
AI资本开支投多少才算过头？（续）
……十五年前，我们听说电信公司要花500亿美元资本开支时，简直不敢相信：“他们怎么会花这么多？”所以现在这些数字确实令人瞠目。即便今年投入2200亿美元，我们仍有相当一部分需求没有满足。
帮助我们判断的是，我们对客户需求有很好的可见度。AWS资本开支和现金周期大致分成两大类：数据中心投资，以及服务器和网络设备投资。数据中心部分需要提前大约两年投入，之后才能把服务器放进去并开始变现。好的一面是，这项投资只需做一次，而且数据中心是使用寿命约30年的资产。不过确实要提前几年建设。
服务器和网络设备则只需提前几个月投入，具体取决于部件。因此，在决定采购前，我们已经能很好地了解客户需求。如果发现没有足够需求来填满数据中心，我们就不会购买相应的服务器和网络设备。这些设备平均大约三年回本，目前的使用寿命约五到六年，而我们做的大多数合同期限约五年。
当你像我们这样同时快速建设很多数据中心时，资本开支会很高，早些年的自由现金流也会承压。要等几年后进入后期阶段，数据中心全部上线并开始变现，服务器和网络设备投资开始回收，现金流才会逐渐改善。这种现金周期意味着，在高速扩张的早期年份会有压力。
反数据中心的声音有道理吗？
你刚开始做AWS时，数据中心大概是你最不会想到会成为政治议题的东西。可现在尤其在美国，反对数据中心的政治声音似乎比世界上任何地方都强。这种反对会怎样影响你们？反数据中心的论点有没有道理？它会如何影响你们在美国或其他地区建设的策略？
我先说说我掌握的背景。如今我们做的所有事情——股票交易、银行、医疗、娱乐、购物、教育、商业、网约车——都由数字技术驱动，也都以类似方式使用数据中心。
是啊，大家都在反对我——“我再也不想用手机了。”（笑）
而且所有这些行业都在使用数据中心，这还没算上AI。AI是我们这个时代最大的一场技术变革。我们经历过互联网、云计算和移动技术，这么说是有分量的。要支撑刚才说的AI快速增长，所需的基础设施建设规模前所未有。对美国来说，也许得追溯到20世纪50年代修建高速公路和桥梁，才有类似规模的建设。国家，或者说整个世界，尤其是美国，不能承受不建数据中心的后果；否则中国这样的国家就会确立领导地位、制定规则，我想无论在国内还是全球层面，大家都不会乐见这种局面。因此数据中心必须建设。
当然，我们整个行业完全可以做得更好。这个行业发展很快，大家都在共同学习。但现在有些说法介于迷思和不实之言之间，因为数据中心很容易被塑造成一个显眼的反派，政治人物和投机者有时也喜欢找个目标来指责。举例来说，高尔夫球场和杏仁种植业消耗的水都比数据中心多。仅作比较，我们的数据中心用水量相当于高尔夫球场的两百分之一；高尔夫球场两天的用水量，就超过我们所有数据中心一年的用水量。
还有人谈污染。新建场址登记备用发电机时，必须申报假设所有发电机全年满负荷运行的排放量，但实际上根本不会这样。备用发电机一年只运行不到1%的时间，大约每年10小时用于维护。至于电价，在我们数据中心集中的不同地区，有些地方电价上涨，有些地方下降。真正的问题在于，国家没有按需求投入电网基础设施，而未来的增长是实实在在的。总会有某种因素推动这类投资，结果是AI增长又快又大，成了推动电网投资的力量。不过，建设……
反数据中心的声音有道理吗？（续）
……建设完成、产能落地后，在多数地区你会发现电价会趋于平稳，甚至下降；印第安纳、佐治亚和密西西比已经出现这种情况。还有一点常被忽略：在这些地区，大型数据中心运营商会缴纳很多税。比如印第安纳州圣约瑟夫县，我们已经缴纳了约30亿美元税款。社区拿到这笔钱，可以用于真正重要的公共事务，社区也从中受益。
我们还设立了“Built Together”等项目，并承诺在未来五年里，再向我们设有数据中心的社区投入10亿美元。我认为我们必须继续和社区合作，这需要公私双方携手。但这种基础设施建设对国家未来非常重要。想想看，如果当年没有修建高速公路和桥梁，美国的经济繁荣和国家能力会是什么样子。我们需要把问题放在适当的尺度上，并成为我们建设所在社区的合作伙伴。
AI需求呈哑铃形，产能持续吃紧
回到资本开支。2200亿美元相当于每天6亿美元。你怎么看当下的AI需求？刚才我们私下聊到，你觉得需求像哑铃形，能不能解释一下当前的需求格局？
首先，正如我刚才说的，AI增长的规模和速度都让我难以置信。生成式AI浪潮前三年，AWS的AI业务年化营收就超过250亿美元，比AWS早期前三年的增速快了几百倍。这规模非常大，但从需求结构看确实像哑铃。
哑铃的一端是AI实验室，它们消耗的算力多得前所未见；还有ChatGPT、编程工具等少数爆发式增长的应用。另一端是企业，它们主要用AI来避免成本、提高效率，比如自动化客服、欺诈识别和业务流程。哑铃中间则是企业现有的生产工作负载。许多企业已经在用AWS进行推理，但绝大多数还没有大规模普及。我认为这会成为AI使用量中绝对最大的部分。很难预测普及速度，但每年都在扩大。把视野放到五到七年后——我不认为要等那么久才会发生，而且变化从来不会一夜之间完成——我认为现在相当多、甚至大多数企业应用都会广泛使用推理。前方仍有大量增长空间。
面对即将到来的数据中心、芯片、内存等各方面短缺，你怎么看？短缺会在2027年真正显现，因为现在建的设施不一定年底前就绪，而需求完全没有放缓。大型实验室几乎愿意为电力、冷却和芯片付出任何价格；与此同时，长期客户仍按常规价格运营业务。你们会不会有商业压力，想“把老客户挤出去，把产能卖给肯付任何价格的新客户”？但也不能把老客户价格翻倍，那不公平。你怎么权衡这件事？老客户可能用了二十年，而新客户的需求却像无底洞，什么都愿意买。
这是个好问题。我们想事情的方式和你描述的不完全一样，但我完全理解这个问题。你看，现在数据中心和电力的供应就有限，内存也有限。我认为这种短缺到2027年不会结束。我相信……
AI需求呈哑铃形，产能持续吃紧（续）
我认为资本开支可以继续增加，而且不会是糟糕的资本用途，原因之一是：2026年的产能显然已经售罄，2027年大部分也已售罄。我们总会留出一部分按需容量，供客户使用Bedrock推理服务或EC2，但大块产能基本都卖完了；2028年也有相当一部分售罄，需求实在太旺盛。
如果把AWS业务分成AI和核心业务（也就是非AI），两边目前都在快速增长。内存供应有限时，就得决定多少分配给AI加速器使用的HBM，多少留给核心业务使用的DRAM。这是真实的取舍，但我们的出发点是以客户为中心。我们和AWS客户建立了深厚的合作关系。
疫情期间也是如此。和我认为那些试图在一个季度内尽可能优化收入的竞争者不同，我们主动让团队帮助客户降低成本。我们知道这样会在短期和中期压低收入，但我们要帮助客户取得成功。我们坚信，长期帮助客户成功，业务也会随之成长。核心业务的客户正在AWS上运行自己的企业和核心应用，我们不会因为AI需求稀缺、客户愿意出更高价，就挤走这些客户。我们会确保他们能够扩展业务。
我们的工作是尽可能增加产能，让核心业务客户，以及所有想使用我们AI服务的客户，都能得到服务，同时也要保证长期经济上可持续。我希望能告诉你供应限制只会是2027年的问题，但我认为不同部件的短缺还会持续好几年。我想我们增加的产能可能比任何其他公司都多，因为我们非常希望继续成为基础设施和AI领域的重要领导者。正如我说的，今年我们会投入2200亿美元，而且还可以投更多，这从中长期来看不会是糟糕的资本用途；即使如此，我们可能仍满足不了所有需求。眼下的需求确实惊人。
我想想。既然说到这个……
Annapurna Labs与亚马逊自研芯片
说到这个，2015年你们收购了Annapurna Labs。当时你们大概还没预料到会有今天这么巨大的AI需求，毕竟2015年AI需求还不大。是什么促成了这项决定？在今天的新环境里，它又如何带来了回报？
Annapurna团队是我有机会共事过的最有才华的团队之一。这是亚马逊历史上最好的收购之一，甚至可能是最好的一次。我们当时预见到了一些机会，但收购Annapurna并不是专门为了AI芯片。
当业务规模达到一定程度，你会看到海量客户行为模式。如果能垂直整合、自己建设某些能力，就可能为客户创造更多价值，也能改善业务本身的经济效益。Annapurna最初帮我们做的是EC2核心服务器。我们觉得服务器里太多资源被虚拟化、网络、安全和存储占用，希望尽可能让接近100%的服务器资源用于客户计算。
在收购前，我们已和Annapurna合作开发一款网卡（NIC），把这些功能卸载到网卡上，从而尽可能释放服务器算力。我们很喜欢这个团队，也很喜欢合作开发的产品。我们意识到这款产品最终会出现在几乎每台EC2服务器里；事实证明，它如今装在我们所有服务器中。最初收购，是因为这会成为计算能力的核心组成部分。团队做芯片很有本事，我们觉得他们也能开发其他芯片。
当时我们和英特尔保持着非常深入的合作关系，现在仍然如此。但英特尔几乎占据全部CPU市场份额。占据几乎全部市场的合作伙伴，往往不会把重点放在提升性价比上，而会考虑其他能扩大份额、增加营收的功能。这完全可以理解，也是市场运作的方式之一，某种程度上就是“创新者的窘境”。我们曾努力推动更好的性价比，但很难得到关注。客户希望把更多本地工作负载迁到云上，也希望有更好的性价比。
于是我们让Annapurna团队继续开发CPU芯片，做出了Graviton。如今，EC2排名前1000的客户中有99%都广泛使用它；与其他x86处理器相比，它的性价比大约高40%。这对客户和我们的业务都产生了巨大影响。
几年前，我们在AI领域也看到了类似的局面：有一家实力很强的主导供应商，我们和它保持着深入合作，而且只要我能预见，我们都会继续合作。但那家公司有庞大的市场、很多不同产品和优先事项。我们知道客户需要更好的性价比，所以在Annapurna另设团队开发AI加速器Trainium。它的性价比也比其他产品高约30%到40%……
Annapurna Labs与亚马逊自研芯片（续）
……与可比处理器相比，性价比高约30%到40%。回到刚才说的哑铃中间，如果要让更多企业现有生产应用使用推理，有几件事很重要：一是有熟悉后训练和微调的人才，二是组织要有能力判断优先做什么、如何推进。但其中很大一部分取决于推理成本。
过去几年推理成本已经下降不少，但在我看来，要想让AI尽可能广泛地使用，它现在仍然贵了一个数量级。如果企业要把目前跑在CPU上的应用改写成使用AI加速器的应用，而两者的成本差距很大，那么企业就必须看到大得多的增量收益，才会愿意重写。但如果推理成本降下来，这道门槛就会低得多。AI加速器和推理能让所有应用变得更好、更聪明、能力更强。因此，要让客户广泛使用AI，降低推理成本非常关键，而我们的芯片业务是其中重要的一环。
亚马逊为何投资Anthropic与OpenAI
是啊，推理成本可能很高。我可以从我们公司说起：有位员工最近一年花了200万美元，（工作做得不错），但我当时想，推理成本可不便宜。
你们还对Anthropic和OpenAI做了很大规模的投资。有人提到对Anthropic投了大约180亿美元、对OpenAI投了大约500亿美元之类的数字。这类投资，以及英伟达等公司的类似投资，让华尔街很紧张，因为它们让人想起互联网泡沫时期。考虑到这些公司同时也是AWS客户，你们当时是怎么权衡的？为什么这样的投资合理？
这两家公司都有非常出色的团队，是非常优秀的公司。至少从营收规模看，它们业务增长的速度前所未见，真的令人难以置信。我们的判断综合了几方面：这些团队本身、它们开发的技术和模型以及一些应用；我们相信AI会带来变革；我们认为它们会成为这个领域长期最成功的公司中的两家。当然，不会所有人都成功，但这个领域会出现很多成功的公司，我们认为它们会是其中两家。
我们和它们的合作也很紧密。先说合作时间更长的Anthropic：很多客户通过Bedrock使用Anthropic模型和我们的推理服务。我认为客户在Bedrock上运行Anthropic模型会取得很好的效果。我们在芯片方面也和他们深入合作，他们一直在Trainium上构建。这个合作对Anthropic和我们的Trainium团队都有好处，双方都学到了很多。基于我们对AI未来的判断、对这些公司的信心，以及双方的合作关系，我们认为在合作中进行投资是合理的。
至于OpenAI，有很多客户想在AWS上使用OpenAI，却因为OpenAI此前的商业安排而无法做到。两家公司长期以来都相互尊重，也都希望合作。经过数月的一系列沟通，终于可以在Bedrock上运行OpenAI了。我们还一起打造了一个独特的有状态运行时环境。我认为未来的智能体都会基于这种环境构建，因为它们需要状态。和Anthropic一样，OpenAI也对Trainium作出了多年、数吉瓦的承诺。我们相信它会成为这个领域长期最成功的公司之一。这些因素让我们认为，加深合作并进行投资是合理的。
更小团队、更快安全：为AI重建组织
换个方向，聊聊你们如何用AI来建设公司。你提过，Bedrock团队用6名工程师、76天重建了推理引擎；过去这要40个人做一年。这很不一样。亚马逊一向以“两张披萨就够吃”的小团队闻名。技术改变了组织设计：过去公司分工越来越细，有设计师、产品经理、前端工程师、后端工程师等等；现在仿佛人人都能成为通才。你们目前怎么看组织设计？
我同意你的观察。你提到的Bedrock案例让公司里很多人都大开眼界。我们花了很多时间在内部分享这个故事，鼓舞大家，也提醒大家现在可能做到什么。公司成立和发展过程中，人们很容易逐渐接受一种看法：公司越成功、规模越大、产品越复杂，分工就必须越细。我29年前创办公司时，最初是助理产品经理，后来我也当过产品经理，一度负责大概五种产品。现在公司成功做大后，一个产品经理可能只负责一个产品的某一部分，比如定价。大家越来越专业化，并认为要做大规模业务就必须如此。但事实并非如此，AI让这一点尤其明显。
就拿过去一周来说，我们正在为消费业务中的智能体做一些事情。团队有很多相关投资，也有一个大家都认同的好点子。我们周四决定，试着做出真正能运行的原型。结果四五个人利用周末，到周日就做出了一个大约80%达到可发布水平的版本。这是完全不同的工作方式。
我认为未来组织会有几项变化。第一，未来做今天这些工作的员工会比现在少。看看智能体已经承担的编码工作，再看客户服务、商业智能、研究；再往前想想，电子表格会怎样制作、律师人数会怎样变化。企业不会完全没有人，但随着规模增长，不会再像过去那样不断增加人手。AI、机器人和太空产业发展会带来新岗位，有些我们已经知道，有些还不知道；与此同时，做现有工作的人员会减少。
我认为团队会比现在小得多，会由能跨职能协作的人组成，不再每个人只负责一小块，因为模型能把许多不同职能的工作推进到80%左右。每个团队的起点都会比过去先进得多，这样大家就能更广泛地进行创新……
更小团队、更快安全：为AI重建组织（续）
……以更广阔的范围、更快的速度进行创新。我确实认为很多事情都必须改变。今天创办的许多初创公司从一开始就是智能体原生、AI原生的。经营多年的大公司则必须想办法达到同样的速度。我认为有些公司能做到；但有些拥有很多能力和忠诚客户的大企业会行动很慢，在我看来就更容易受到初创公司的冲击。
我预测，公司几乎所有代码都得重写，让它能够由智能体操作，也要允许智能体更新不同部分，同时建立相应的约束。如果看安全问题，最近一两个月大家对模型的担忧集中在更夸张的情景上。那些情况确实有可能发生，比如恶意僵尸网络接管一切，或者给机器人注入恶意意图。我个人认为，整个行业以及公私部门会一起找到应对办法。
我觉得可以先从关注一些具体问题开始。
是的。不过我认为，大家对更紧迫的短期风险——尤其是网络安全——讨论得还不够。
对。
这些模型能发现比过去多得多的漏洞，这些漏洞过去连人都找不到——或者说，人们没有找到。往前看，应用程序必须能在几分钟内应对迫在眉睫的安全威胁。今天的流程是发现漏洞、给漏洞分类、开发补丁；即使这些步骤做得快，很多公司仍因各种依赖关系而需要很久才能部署。未来必须在几分钟内完成部署。如果应用没有重写到能让智能体更新的程度，在那个新世界里就没有竞争机会。我认为所有组织都会被重新塑造，优先处理这些问题的公司会比没有这样做的公司处境好得多。
是啊。整个行业从大型系统到嵌入式设备，在安全架构上做得都不够好。清算时刻已经到了。好消息是，这给新公司、新项目和新尝试带来了巨大机会。但比起那些也许会、也许不会发生的理论威胁，这个威胁已经迫在眉睫。
是的。我们在AWS接触的几乎每个合作伙伴和客户，各种规模的公司，都在担心安全问题。我们的专业服务团队正在帮助许多客户；我们还开发了名为Continuum的服务，可以识别这些漏洞并生成补丁。不过，说起来容易做起来难，因为很多公司和工程师有时……
更小团队、更快安全：为AI重建组织（续）
有时专注安全并不令人兴奋，等问题出现了再处理很容易，但如果保护的是重要数据，那就是个糟糕的主意。
而且结合我们前面谈到的专业分工，很多公司可能遇到最糟糕的安全问题：安全工程师非常专门化，不愿和其他工程师合作；他们又是稀缺资源，能顾到的应用有限。结果是，很多软件公司的软件开发安全实践并不好。这显然必须改变。好在我们有工具可以帮忙。
是的。好消息是，过去公司得雇渗透测试人员，但能雇到的安全专家有限，他们能检查的应用也有限。模型和自动化结合起来，可以让你更好地对整个系统进行渗透测试，找出过去可能只有碰巧才会发现的问题。
重建Alexa，重新发明现有产品
观察市场很有意思：AI可以用来削减成本，比如减少会计师或律师人数。有些风投公司甚至想收购老公司，再砍掉成本。但如果这就是全部想法，也没什么意思。另一种做法是创造世界上从未有过的产品，那很令人兴奋。还有第三种做法，就是你们对Alexa做的：已经有一个成功产品，却决定借助新平台，从头重新思考整个产品。你们是怎么得出这个结论的？什么情况下值得这样做？
你把这三种情况区分得很有意思。正如刚才讨论的，组织会发生很大变化、变得更精简。如果做得好，就能让优秀的开发者和小团队去创造你说的第二类产品，也就是人们从未见过的东西。前面提过，四天内就能把一个新点子做到80%左右，这会让人非常受鼓舞，也会让大家在空闲时间投入更多精力思考新想法。这是我觉得AI最令人兴奋的地方之一。
但我也认为，对于已经拥有大规模成功客户体验的老牌公司来说，如果把AI仅仅当成渐进式改进体验的工具，三到五年后很可能拿不出最有竞争力的产品。我认为我们熟悉的每一种体验，哪怕看起来最难想象如何改变，几年后都会因AI而发生显著变化。因此，如果要实现跨越式而非渐进式的改进，就必须让团队从头设想：如果今天能用上AI等所有新技术，我们会怎样重新打造这些应用？
Alexa就是一个相当明显的例子。Alexa最初的“大脑”在当时非常有创意，但生成式AI带来了截然不同的能力。要让Alexa继续提供出色的客户体验、长期保持相关性，就必须重做它的大脑。这一点比较明显，但实际推动起来并不容易。团队会珍视自己打造的产品，也会基于过去的经验形成关于哪些做法有效、哪些无效的判断。让团队彻底从头开始、重新想象，需要时间；他们会说：“我们以前不是这么做的，试过了，也没成功。”
更难的是零售、Prime Video、Fire TV、Prime Music等其他消费体验。技术是否能明显改善这些产品，并不像Alexa那样一眼就能看出来。但我确实认为，这些业务都需要重新发明。现在已有团队在研究彻底重构后的新版本。至于……
重建Alexa，重新发明现有产品（续）
……我们能不能一开始就做对？可能做不到。我们会通过不断迭代找到方向，但现在已经出现了许多新想法和我们认为很有吸引力的客户体验。接下来的竞赛会很有意思：是创造一种几乎像全新应用那样完全不同的体验，还是把新能力逐渐加入现有体验，在未来几年里一步步显著改变整体客户体验？但我认为，若想成为成功的领导者，未来几年每一种体验都必须发生变化。
这是个很棘手的领导力问题。我想起自己刚当工程师时，曾和别人争论一件事。老板对我说：“Ben，你要明白，第一行代码写下之前，一切都可以讨论；写下之后，它就成了教条。”（笑）我想Alexa团队也经历了这种情况。打造最初产品所用的知识、经验和努力，如今却要放下很多，走进一个新世界。而且客户也一样，会有一大批人喜欢当前的体验。
是的。以我的经验，每一次重大转型都需要大规模的变革管理。比如从本地部署迁到云端，基础设施负责人很为自己建成的东西自豪，了如指掌，身处其中，也不想重新学习。但重新发明客户体验时也会遇到同样情况。我们都为过去十年打造的体验感到自豪，也都有一百件想改进的事情，天天投入精力去做。要我们考虑彻底从头开始，在智识上和情感上都很难。
是啊，确实如此。
给18岁年轻人的建议
没错。几周前我们刚刚孵化了Andreessen Horowitz Academy，帮助年轻人为我们正在讨论的转型做好准备。你说过AI让创造东西变得更容易，但年轻人仍需要学习真正的专业知识。如果你在2026年只有18岁，你会给自己什么建议，帮助自己为这场转型做准备？
我有两个孩子，一个25岁，一个22岁。所以AI刚开始真正兴起时，22岁的那个大概19岁。我很快就明白，不能告诉他们在教育中不要用AI；这艘船已经开走了。我认为大学不应该和它对抗。AI是人们会使用的工具。
但与此同时，我认为年轻人都应该意识到，我们也有很多员工在写作文化中工作，大家开始用AI写东西时，你能看出来是AI写的。它往往不太对，内容之间衔接得不够好。所以我给年轻人的建议，也是给我孩子的建议是：不要逃避，也不要希望它消失。它会深刻影响你的生活以及你尝试用在工作中的每一种体验，而且它能让你以我们过去做不到的方式进行创造。
你需要了解它、学习它、大量使用它，去尝试；试着做一些超出舒适区的事。我的两个孩子都不是开发者，但他们已经用AI构建应用。要把AI当作安排日常生活和工作中使用工具的核心方式之一。
不过，我不认为它会取代批判性推理和思考；大学也一样。比如商学院，过去你每天会拿到三个案例来分析。你得读很多材料、做笔记、找出关键问题，再研究各种附表，最后整理出对那家公司应该采取什么方案。很多人其实没有做这些功课：没读材料、没研究、也没记笔记。AI会让这部分工作变得容易，能让所有人更快到达一个更高的起点。
但把各个线索和要素真正串联起来，制定战略、方法或计划，开发新产品、打造新的客户体验，我认为大多数时候AI还不会替大多数人完成这件事。不是说永远不会发生。我仍然认为，我们需要人的判断力、创造力、发明能力、实验精神，以及思考各个部分如何组合，最终打造出出色的体验和企业。
所以，我们应该使用这些工具，它们会带来巨大的帮助；但我仍认为，批判性推理和思考在我们做的一切事情中都非常重要。
亚马逊如何避免摊子铺得过大
最后想问，你们涉足的业务非常多元，从卫星通信、机器人到医疗保健。亚马逊最初只是在互联网上卖书，如今雄心惊人。你怎么看这些不同业务之间的共同脉络？哪些业务值得长期投入？你又如何避免摊子铺得太大、理解这如此广阔的业务范围？
我想说几件事。首先，我们正处于一段时代里，AI、机器人和太空发展是我们这一生、甚至可能有史以来最大的三场变革。它们都极为重要，会彻底改变许多我们日常接触的客户体验，而我们正处在这三场变革的中心。
看看我们的零售业务如何使用机器人；在AI方面，我们既让内部和外部开发者更容易构建成功的AI应用和智能体，也在重塑所有消费体验。再比如Amazon Leo，也就是我们正在建设的低地球轨道卫星星座，目标是为全球5亿个没有宽带连接的家庭提供服务。眼下发生的一系列重大变化，给了我们机会，帮助客户利用这些变化改善生活，同时建立对我们而言长期可持续的业务。
我认为，我们有机会在更多领域帮助客户，让自己变得更有价值。我还没提到杂货、自动驾驶网约车和医疗保健等业务。多年来，我们内部经常讨论，外部人士也常问：亚马逊是不是摊子铺得太大？我认为这取决于你如何组织，以及愿意投入多少资源。
我们不会让同一群人同时管理多个业务，而是采用去中心化、单线程负责的组织方式。如果每个团队有合适的领导者和开发者，做的是足够大、能产生显著影响的客户体验，拥有差异化想法，而且所在领域服务还不够好，那么我们就有机会同时推进很多事情，而且长期以来也确实如此。
最后还是要看你愿意投入多少。有些公司很合理地选择深耕本业，专注发展现有核心业务，这完全可以是非常成功的策略。我们也非常重视继续发展现有业务，而且我认为我们一直做得不错、增长稳健。但我们知道还有很多客户体验问题，客户希望我们帮助解决。我们有能力去做，这些机会既能帮助客户，也会长期改变我们的业务，因此我们会继续追求。
这是个令人鼓舞的结尾，雄心没有止境。Andy，非常感谢你来做客。
谢谢你们邀请我，真的很感激。