AI 应用的最后一公里是云：企业要用 AI，算力、模型、数据都在云上交汇。而云计算市场是三巨头的地盘（AWS、微软 Azure、谷歌云的全球份额长期领先，第四名与其断档）——AI 浪潮对这个格局的影响是结构性的：谁赢得 AI 工作负载，谁就赢得下一代的云份额。三巨头对此的应对是三套截然不同的战略，各自的逻辑都值得拆开看。
微软：押注合作，把 OpenAI 变成 Azure 的引擎
微软的 AI 战略是三家中最「激进」的：通过与 OpenAI 的深度合作（数十亿美元的投资承诺 + 独家云合作），把全球最强的闭源模型家族绑定在 Azure 上。打法的三层逻辑：模型层，OpenAI 的模型（GPT 系列）以 Azure OpenAI Service 的形态独供——企业要用 GPT，唯一的正规渠道是 Azure；产品层，OpenAI 的能力深度集成进微软的全线产品（Copilot 品牌——本库《办公 AI 的深水区》讲过它的席位打法：从 Office 到 Windows 到企业服务全线铺开）；基础设施层，AI 的算力需求反过来拉动 Azure 的基础设施订单（OpenAI 的训练与推理运行在 Azure 上）。优势：借来了最强的消费级认知（ChatGPT 的品牌为 Azure AI 引流）、企业客户的转换成本低（本来就都是微软的企业客户）、产品化能力最强（Copilot 是把 AI 卖给企业的最成熟形态）。软肋：与 OpenAI 的关系是战略合作而非全资——合作条款的再谈判、OpenAI 自身战略的独立性（包括它与其他云的算力合作扩展）都给「独家」的成色增加了变数；以及「自己不训最前沿模型」的路线在长期竞争中的议价能力问题。
谷歌：全栈自研，从芯片到模型到自己
谷歌的打法是全栈自研的一体化：芯片自研（TPU——最早的自研 AI 芯片，本库《算力芯片格局》的 ASIC 路线代表）、模型自研（Gemini 系列及开源的 Gemma 家族）、框架自研（TensorFlow/JAX）、云服务自建（Google Cloud）。打法的逻辑：全栈意味着每一层都可以为相邻层优化（TPU 与模型的联合设计、模型与云服务的深度集成），且不受任何外部合作方的牵制；Gemini 与 Google 全家桶（搜索、办公、Android）的整合是把 AI 直接装进它数十亿用户的产品里。优势：技术栈的完整度与垂直优化空间全行业最强（TPU 的推理成本优势在自有负载上被反复验证）、数据与分发场景的独占（搜索、YouTube、Android 的用户触面）、以及开源策略（Gemma 等开放权重）在开发者生态上的加分。软肋：企业云市场的历史份额劣势（GCP 的企业渗透落后于 AWS 与 Azure——AI 是它翻盘的机会但企业迁移有惯性）；以及「全栈」的负担——每层都要自己打赢，任何一层的失速都拖累整体。
AWS：多模型超市，不做模型做平台
AWS 的战略最「平台化」：不自研旗舰大模型（自研的 Nova 家族为辅），主打「多模型超市」——Bedrock 平台聚合各家模型（Anthropic 的 Claude 是重点合作方，另有 Meta、Mistral 等多家可选），企业按需选用。打法的逻辑：AWS 的核心资产是企业客户的信任与云基础设施的规模（市场份额第一），它的 AI 策略是把这个优势直接延伸——企业不想绑定任何模型厂商，AWS 就做「不站队」的中立平台；配合自研芯片（Trainium/Inferentia）的性价比路线（用自有芯片跑第三方模型，压低推理成本）。优势：客户的中立性（不会被「绑进别人的模型生态」劝退）、基础设施的规模与成本控制、企业服务的深耕（存量客户的关系与合规能力）。软肋：缺乏旗舰模型的品牌拉力（消费者与开发者认知层面的 AI 存在感弱于微软与谷歌）、以及「超市」模式的差异化不足（Bedrock 的各家模型在别处也能买到——平台的粘性靠深度集成与迁移成本维系）。
谁会赢：AI 会不会重排云格局
三家的竞争结局取决于几个变量的演化。变量一：企业 AI 负载的最终形态——如果企业 AI 的主流是「用最好的闭源模型」，微软的路线得利；如果是「多模型混合 + 自有微调」，AWS 的超市得利；如果「全栈优化与数据整合」成为关键，谷歌的机会窗口打开。变量二：自研与合作的边界——微软路线的风险（合作方关系的变化）、AWS 路线的风险（自研模型的追赶压力）都在动态演化。变量三：AI 需求的规模效应——AI 工作负载如果持续高速增长，云市场的总盘子在扩大，三家的份额之争可以暂时让位于分蛋糕的速度；历史上云计算的三强格局对挑战者的壁垒极深，AI 更可能是「重新分配增量」而不是「颠覆存量」。当前的读数：AI 带来的云收入增长三家都显著，格局未重排，但 AI 是多年来第一次让「份额变化」重新变得可能的变量——这也是三巨头在 AI 上都不惜重注的原因。
企业客户的选型框架：多云时代的 AI 采购
三巨头的竞争对企业客户的实操含义，是一套多云时代的 AI 采购框架。框架的第一问：工作负载的类型——训练自有大模型（算力需求大、对基础设施深度要求高）、微调与部署开源模型（灵活性优先）、调用闭源模型 API（体验与能力优先）——三类负载的最佳归属不同（训练看算力价格与稳定性、部署看生态与工具、API 调用看模型能力与合同）。第二问：数据的归属与合规——数据主权的约束（数据不出境、行业数据的监管要求——本库《政务》的合规逻辑）决定云的选择边界；已有云资产的企业（数据与工作流在某朵云上）的迁移成本是定价的一部分。第三问：锁定风险的评估——AI 的采购有独特的锁定形态（模型的选择、数据格式、专用服务的依赖），多云策略（关键能力在两朵云上保持可迁移）是大中型企业的风险管理标配。采购的务实建议：AI 的云采购合同要加入「模型的版本与能力保障」「价格的调整机制」「数据的迁移协助」三条款——AI 时代的云合同，第一次需要为「模型的进化速度」写进保护性条款。
AI 对云资本开支的重塑：折旧与新基建
三巨头的 AI 竞争有一本共同的账要算：AI 对云资本开支的重塑。开支的结构性上升：AI 数据中心的单座投资远超传统云（GPU 的单价、密度、供电与冷却的要求全面高于传统服务器——同样面积的数据中心，AI 版本的资本开支是数倍）；折旧的难题：GPU 的技术迭代速度远快于传统服务器（芯片的世代以年计），重资产的折旧年限与技术的贬值速度之间的错配成为 CFO 的噩梦——买早了折旧拖利润，买晚了算力落后。开支的回报验证：资本开支的巨增需要收入的验证（AI 的云收入能否覆盖折旧——本库《能源账》与《估值逻辑》的账本逻辑在云巨头身上的应用），市场对「资本开支/收入增长」的比值极度敏感（开支加码而收入不达预期时，股价的惩罚立竿见影）。行业结构的含义：AI 把云计算从「轻资产的服务业」（买服务器即可）变成「重资产的基建业」（自建电厂、自研芯片、十年期的电力合约）——云的护城河因此更宽（重资产的门槛把小玩家挡在门外），但云的商业模式也更重（折旧与周期的风险更高）。云三强的 AI 竞赛，本质是一场「用重资产赌未来份额」的胆量游戏——胆量的背后是对 AI 需求持续性的判断，而这个判断，没有人能百分之百确定。
AI 云的「新工作负载」：推理的规模经济学
AI 对云格局的影响，最终取决于一个经济学问题：AI 推理负载的规模经济学。推理负载的属性：与训练不同（训练是少数巨头的一次性巨量消耗），推理是成千上万企业的持续性负载——每一个 AI 应用（客服、搜索、代码、内容生成）的每一次调用都是云的推理收入；推理负载的收入质量高于训练负载（持续性、可预测、随应用增长——训练是一次性的爆发，推理是订阅式的细水长流）。规模经济学的三个推论：推论一：推理是云厂商的「AI 收入基本盘」——训练的资本开支决定竞赛的入场券，推理的规模决定 AI 收入的天花板；推论二：推理成本曲线决定应用的普及速度（本库《价格战》的机制——推理成本每降一个量级，就解锁一批原本不经济的应用场景，应用场景的解锁 = 云的推理收入的新来源）；推论三：推理负载对「差异化」的敏感度低——企业选推理服务的核心是价格与稳定（模型可以换），推理的竞争偏向成本战——推理层可能是三巨头 AI 收入里「毛利率最低但规模最大」的一层。三巨头的应对由此可读：微软靠 Copilot 的订阅把推理变成高毛利产品、谷歌靠 TPU 压推理成本、AWS 靠自研芯片与规模压价——推理的规模经济学，是三巨头 AI 战略的经济约束条件。
小结
云三强收成四条：微软「押注合作」——绑定最强模型 + 全线产品集成，强在品牌与企业渗透，软肋在合作关系的独立性；谷歌「全栈自研」——芯片到模型到云的垂直优化，强在技术完整度，软肋在企业云的历史份额；AWS「多模型超市」——中立平台加自研芯片压成本，强在客户信任与规模，软肋在旗舰缺位；AI 是多年来第一次让云份额重新分配成为可能的变量——增量扩张期三家都能赢，增量放缓时才是格局重排的决战。企业客户的选型建议朴素而有效：按自己的工作负载形态选路线，而不是按谁的发布会更响。
参考资料
- 微软、谷歌、AWS 的年度财报与云业务 AI 收入的公开披露
- 各家 AI 平台（Azure OpenAI、Vertex AI、Bedrock）的官方文档
- 本库前篇：《办公 AI 的深水区》《算力芯片格局速览》《模型即服务选型》
读者留言
COMMENTS 暂无还没有留言，来说第一句？