Why Amazon Says "2028 Demand Is Striking": From Labs AI to Enterprise AI Driving a Steeper and Longer Demand Curve

關於市場對算力的需求強度到底如何，相信很多人都會對亞馬遜（Amazon）CEO Andy Jassy 這次最新財報後電話會議（Q2 2026 Earnings Call）裏講的這句話留下極其深刻的印象：

In fact, the demand we already have for 2028 is striking。事實上，我們目前已經看到的 2028 年需求是驚人的。

striking 這個單詞，在中文裏字面的意思就是：令人震驚的、異乎尋常的。

顯然，這是真正值得重視的地方。更重要的是，Andy Jassy 在表達完 “即便達到這個規模（2200 億美元的 CapEx），我們在 2026 年仍將無法滿足全部現有需求。我相信這種情況在 2027 年也會繼續存在。事實上，我們目前已經看到的 2028 年需求是驚人的” 這段後，他沒有把這種需求只歸因於 AI Labs。

相反，他提出了一個非常精彩的 “AI 需求槓鈴”：

I think it's actually kind of useful to look at at least our view of what we see in the demand and adoption curve right now, which is we see this adoption curve in AI right now is very barbellled. 我覺得至少看看我們目前看到的需求和採用曲線，其實挺有用的，也就是説，人工智能的採用曲線現在非常有 “槓鈴” 效應。

一端是 AI Labs，正在消耗海量的算力；另一端是已經能夠從 AI 中獲得真實 ROI 的企業，例如客服自動化、業務流程自動化、欺詐檢測等。

這個 “槓鈴的” 兩頭很重，中間很輕。而中間輕的正是今天企業（Enterprises）已經存在的大量生產工作負載/流程。Jassy 認為，這一部分目前大多數還沒有廣泛使用 Inference，但未來會發生非常顯著的改變，而且他直接在電話會議中給出判斷：

最終規模最大的，恰恰是 “槓鈴” 中間這一部分。

這其實是整個 AI 基礎設施投資邏輯正在發生變化的一個非常重要的關鍵信號，所以在解釋算力需求為什麼如此緊張，Jassy 用了下面這句話：

Remember, enterprises are still very early in using inference at scale in their current production applications. 請記住，企業在現有生產應用中大規模使用推理（inference）仍處於非常早期的階段。

因為市場過去討論 AI CapEx 的支付方，看到的主要是 OpenAI、Anthropic、Google、Meta、xAI 等 Frontier Lab 在瘋狂買算力。

但 Jassy 這次告訴市場的是：

這只是第一層。真正巨大的需求，還沒有全面出現。

為什麼？因為它的分母太大。

AI Labs 只有幾十家，而全球 Enterprises 有數百萬、數千萬。每個 Enterprises 又有數百、數千、甚至數萬個生產工作流。

這也是 Jassy 為什麼這次敢説：

AWS 長期可能成為一個 1 萬億美元收入的業務。

（一）

Google、Microsoft 也都在證明 Enterprise AI

同時，剛發佈的最新一季 Google 的財報，實際上已經證明 Enterprise AI 正在啓動。

這個信號也非常強勁，Google 表示：

接近 90% 的 Fortune 100 企業已經在使用 Gemini Enterprise，而且企業正在進一步增加使用量，超過 2000 家企業過去一年處理超過 1000 億 tokens…

“百事可樂使用我們的人工智能和分析解決方案、英特爾使用我們的解決方案簡化核心流程、滙豐銀行使用我們的解決方案進行財富管理、貝爾加拿大使用我們的解決方案提升客户互動、梅西百貨使用我們的解決方案優化電商體驗以及 SIGNAL IDUNA 使用我們的解決方案進行知識管理。”

Google 把這些數字和案例放在一起看，特別這些活生生的 Enterprise 應用 AI 案例，它説明 Enterprise AI 已經開始從：

“企業試用 AI” 走向 “企業持續消耗 tokens”。

最新的 Microsoft 財報則進一步證明，Enterprise AI 正在從 “Seat” 走向 “Workload”。這個財季 Azure 的商業 RPO 達到 6780 億美元同比增長 84%，然而微軟特別、特別的強調指出：

All sequential commercial RPO growth was driven by commitments from customers outside of frontier model companies. 所有商業剩餘履約義務的環比增長均由前沿模式公司（即 AI Labs）以外的客户承諾推動。

換句話説，也就是 Azure 剛剛過去的這個季度的 RPO 環比增長體現了：

AI 基礎設施需求正在從 AI Labs 向 Enterprise 擴散。

這是一個非常關鍵的變化，這説明，Enterprise AI 正在經歷 Seat → Agent → Workflow → Production Workload 的演變。

（二）

Labs AI：RSI 將重新抬高需求曲線斜率

對於 Frontier Lab 而言，當下最重要的變化是自遞歸自我改進（RSI）。Anthropic 今年 6 月 4 日的博客文章《When AI builds itself》是 RSI 進程的第一槍信號，這篇文章寫到：

• 在 Anthropic 內部，越來越多的 AI 開發工作已交給 AI 系統本身完成；
• 截至 2026 年 5 月，Claude 撰寫了超過 80% 的合併進代碼庫的代碼，而 2025 年初 Claude Code 發佈前僅為個位數百分比；
• 在 “優化給定目標實驗” 這類任務中，模型表現已達超人類水平，從約 3 倍加速提升到約 52 倍加速。

Anthropic 的聯合創始人 Jack Clark 更是在公開場合給出 2028 年底實現完全自主 RSI 的概率為 60%。

OpenAI 這邊，剛剛發佈的 GPT-5.6 系列，Sol（旗艦）演示了一個案例：根據一個不完整提示，自主選擇訓練配置、GPU、運行後訓練任務，生成更小的 Luna 模型，估計節省兩名高級研究員約兩週時間。

然後上週我們看到新聞，Lilian Weng（翁荔）重返 OpenAI，負責 RSI 的研究，而她在 7 月初剛剛在自己的個人博客上發佈深入討論 RSI 的長文《Harness Engineering for Self-Improvement》。

RSI 對於算力需求的重要性在於：

當 AI 開始參與制造更好的 AI，那麼算力需求將不再只是 “為了滿足用户需求”。

這會形成一個潛在的正反饋：

更強模型→更強 Coding/Research Agent→更高 AI 研發效率→更快實驗速度→更多訓練→ 更強模型→更高算力需求。

整個過程週而復始，訓練的過程變成：一直訓練，訓練永遠不停。

那麼，再往前一步：

AI 寫訓練代碼→AI 設計實驗→AI 運行實驗→AI 分析結果→AI 生成新的訓練方案→AI 參與 Post-training→新模型誕生。

如果這個閉環越來越完整，那麼計算需求就會從：

“服務 AI 用户” 進一步擴展為 “AI 為了提升自己而消耗計算”，這是一種完全不同的需求來源，而且這種對算力的需求理論上沒有一個天然的上限。

所以，認知發生了重大變化：

原來 Coding Agent 未必只是一個終端應用，而是 AI 進入 AI 研發體系的第一扇門，那麼，Labs AI 的需求曲線大概率就會再次變陡。

所以，根本不可能簡單用今天的 OpenAI、Anthropic 用户量去外推 2028 年的算力需求。

（三）

AI 已開始進入 “自我強化 + 全面滲透”

所以，我們看到，AI 算力需求正在形成兩個方向完全不同、但彼此疊加的增長引擎。

• 一個是 Labs AI：由 Frontier Lab 推動，正在從 Scaling 轉向更強大的 Reasoning、Agent 以及 Recursive Self-Improvement（RSI），其特點是算力需求極高、增長斜率極陡。
• 另一個是 Enterprise AI：AI 開始進入企業真實生產系統，從客服、代碼、財務、風控等局部場景，逐漸向企業全部生產工作負載滲透。它的特點不是短期爆發，而是滲透率不斷提高、使用頻次不斷增加、持續時間極長。

對於 Enterprise AI 還存在一個非常重要的雙重增長：

滲透率 × 單工作負載計算量。

這才是它真正可怕的地方，你能理解上面這個乘法麼？這遠比 “AI 有沒有下一個 Coding” 更加重要！

“AI 現在最大的商業化應用是 Coding，如果 Coding 之後沒有新的萬億美元應用，那麼 2028 年 AI CapEx 可能見頂” 這個敍事在邏輯上存在一個根本的問題：

它把 AI 需求理解成 “尋找一個新的超級 App”，Enterprise AI 完全可能走另外一條路徑，不是誕生一個比 Coding 更大的應用，而是讓 AI 進入今天已經存在的所有應用、所有工作流。

所以，Jassy 所謂 “2028 年的需求令人震驚（striking）”，我想，其實應該這樣理解：

Labs AI + Enterprise AI

最終，我們會看到一個非常罕見的產業結構：

上游，RSI 不斷推動 AI 能力和計算需求向上突破；下游，Enterprise AI 不斷推動 AI 滲透率向上提升。一個負責把曲線變得更陡；一個負責把曲線拉得更長。

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。