AWS 與 NVIDIA 擴大戰略合作，計劃於 2027 至 2028 年在 AWS 全球基礎設施新增部署 200 萬粒 NVIDIA GPU，並把合作延伸至 CPU、網絡、AI 模型、數據處理及機械人技術。雙方亦正合作把 NVIDIA Vera CPU 基礎設施引入 AWS，為 Agentic AI 提供更多運算選擇。
對企業決策者而言，今次合作的重要性不只在 GPU 數量。真正值得留意的是 AI 算力供應能否跟上需求、AWS 自研 Trainium 與 NVIDIA 平台如何共存，以及企業未來部署 Agentic AI 時，是否需要重新評估雲端成本與供應商依賴。
200萬粒GPU反映AI工作負載正由試驗走向大規模部署
AWS 在 NVIDIA GTC 2026 已宣布由 2026 年起增加超過 100 萬粒 NVIDIA GPU。最新合作是把數字進一步提升：於 2027 至 2028 年在 AWS 全球基礎設施新增部署 200 萬粒 GPU。NVIDIA 官方說明，這批新增容量將包括 Blackwell Ultra、Rubin 及 Rubin Ultra GPU，服務 Agentic AI、科學研究、企業自動化及 Physical AI 等工作負載。
需求增長亦得到 NVIDIA 最新業績支持。截至 2026 年 7 月 26 日的 2027 財政年度第二季，NVIDIA 整體收入為 962.2 億美元（約港幣 7,505 億元），按年上升 106%；其中數據中心收入達 890 億美元（約港幣 6,942 億元），按年增加 117%。公司預計下一季收入約為 1,080 億美元（約港幣 8,424 億元），上下浮動 2%。Reuters 報道亦指出，NVIDIA 預計截至 2028 年 1 月的下一財政年度收入增長約 70%。
Futurum Equities 首席市場策略師 Shay Boloor 向 Reuters 表示，市場需求正由最初的大型雲端服務商，擴展至 AI 雲端企業、一般企業、主權 AI 及工業客戶。換言之，企業 AI 已逐步由模型測試進入需要長期算力供應的生產階段。
Vera CPU加入AWS Agentic AI競爭不再只比較GPU
為什麼 NVIDIA Vera CPU 值得企業留意？因為 Agentic AI 並非單純進行模型推理。AI Agent 還需要執行程式碼、調用工具、使用沙盒環境、處理數據管線及協調不同任務，這些工作同樣依賴 CPU。
AWS 與 NVIDIA 目前的官方說法是「正合作把 Vera CPU 基礎設施引入 AWS」，尚未公布正式推出日期，因此不宜寫成已經可以使用。Vera 可作為加速系統的主控 CPU，亦可獨立處理 AI 工廠工作負載，目標是減少 GPU 等待其他運算工作的時間。
同時 AWS 並沒有因擴大 NVIDIA 合作而放棄自研晶片。AWS 在 re:Invent 2025 已宣布下一代 Trainium 支援 NVIDIA NVLink Fusion；今次雙方再把合作延伸至 NVIDIA 客製化高頻寬記憶體 NVHBM。Amazon 旗下 Annapurna Labs 將利用相關技術，把 Trainium 與 GPU 整合到共同的機架級架構。這反映 AWS 的策略是讓企業在 NVIDIA GPU、Trainium，以及混合配置之間選擇，而非只押注單一晶片。
雲端競爭加劇 企業更需要計算供應商鎖定成本
AWS 擴大 NVIDIA 部署之際，Google Cloud、Microsoft Azure 等競爭對手亦在加快 AI 基礎設施投資。Reuters 數據顯示，2026 年首季對應的 3 月季度，Google Cloud 收入按年增長 63%，Microsoft 雲端相關收入增長 40%，Amazon 雲端業務則增長 28%。Google Cloud 基數較小，因此不能只憑增長率判斷市場規模，但數字反映新增 AI 工作負載的競爭正在升溫。
Forrester 首席分析師 Lee Sustar 指出，Google 正取得部分新工作負載，其中包括希望減少依賴單一雲端供應商的客戶。Valoir 行業分析機構 CEO Rebecca Wettemann 則認為，Google 同時覆蓋晶片、數據中心、模型及開發工具的全端策略，有助形成規模效益。兩個觀點都提醒企業，選擇 AI 基礎設施時不能只比較 GPU 售價，更要計算資料搬遷、模型可攜性、網絡、軟件及供應商鎖定的總成本。
算力增加不代表成本問題消失 記憶體與供應鏈仍是風險
AWS 與 NVIDIA 約 16 年的合作已由早期 GPU 雲端實例，發展至今日的 GPU、CPU、網絡、Trainium、Nemotron 模型及 Physical AI 全技術棧整合。AWS 官方亦公布現有整合成效：採用 NVIDIA cuDF 的 Amazon EMR，Apache Spark 工作負載處理速度最高可提升 3.7 倍，性價比最高改善 30%；Amazon OpenSearch Service 的 GPU 加速向量索引則最高快 9 倍，成本可降至約四分之一。這些屬 AWS 公布的測試結果，並非獨立第三方基準，因此企業實際成效仍會因工作負載而異。
另一個不能忽略的訊號是供應限制。NVIDIA 財務總監 Colette Kress 表示，公司即使面對需求加速，仍處於供應受限狀態；Reuters 指出，記憶體短缺、記憶體價格及其他零件成本上升，將繼續影響供應速度及毛利率。
此外 Reuters 根據 Amazon、Alphabet、Microsoft 及 Meta 的公司指引整理，四家公司 2026 年相關資本開支合計預計超過 7,000 億美元（約港幣 5.46 兆元），而 AI 基礎設施是推動支出急升的重要因素。這意味著 AI 算力競賽已不只是晶片問題，而逐步變成資本效率、能源、記憶體、網絡及供應鏈競賽。
對準備部署 Agentic AI 的企業而言，AWS 與 NVIDIA 擴大合作有望增加高階算力選擇，但「更多 GPU」並不等於「更低 AI 成本」。未來兩年，真正決定企業 AI 投資回報的因素，將包括 GPU 使用率、推理成本、數據治理、架構可攜性以及能否避免過度依賴單一供應商。當雲端供應商投入數千億美元建立 AI 基礎設施後，下一個董事會需要回答的問題可能不是「公司有沒有 AI」，而是「哪些 AI 工作負載真正值得長期消耗這些昂貴算力」。
資料來源：
AWS 官方合作公告、
NVIDIA 官方合作公告、
NVIDIA 2027 財政年度第二季業績、
Reuters：NVIDIA 業績、供應與 AI 算力需求、
Reuters：大型雲端企業 AI 投資與競爭
