微軟不需要贏，只需要確保贏家在自己的平台上

> Meta Shift

Azure 上季成長 43%，全年首次突破 $100b 營收，聽起來很強 — 但同一個季度 Google Cloud 成長 82%，幾乎是 Azure 兩倍。

十八個月前這三家雲端巨頭的成長率還在同一個區間內彼此競爭，現在差距已經大到很難用「各有擅場」來帶過了。這個分歧背後有一個很清楚的邏輯，Tom Tunguz 在他的分析裡把它說得很直接：Google 在 own the frontier，微軟在 resell the frontier。

這不是在罵微軟。這是兩種不同的商業策略，只是現在的市場條件讓其中一種看起來更有攻擊性。

---

商業模式拆解：分銷商的算法

微軟的 AI 策略本質很簡單 — 我不需要訓練最強的模型，我只要確保最強的模型都在我的平台上賣。

OpenAI、Anthropic，甚至 Meta 的 Llama，通通可以透過 Azure 存取。Satya Nadella 自己說過：「every model is substitutable」。這句話乍聽像是在強調靈活性，但換個角度解讀，其實是在承認 — 他們沒有獨家的模型優勢，所以只能強調 平台的可替換性 本身就是優勢。

這個邏輯有點像是電信商：我不需要自己拍節目，我只要確保 Netflix、Disney+、HBO 都在我的頻道上賣。分發優勢在短期內確實有效，問題是利潤結構。

微軟的晶片策略也反映這個取向。他們有自己的 Maia 200 和 Cobalt，但這兩個還在發展階段，實際部署的基礎設施仍以 Nvidia 的 GPU 為主。這意味著每一張 GPU 的 margin，微軟都要分一塊給 Nvidia — 你在幫別人的 roadmap 付費（來源：Tomasz Tunguz 分析）。

相比之下，Google 自己設計 TPU，自己訓練 Gemini，然後把這整個 stack 打包成 Google Cloud 的服務。整條供應鏈的 margin 都在自己口袋裡。Alphabet 上季 capex 是 $44.9b，幾乎是 Google Cloud 當季營收 $24.8b 的兩倍，但 cloud operating margin 同時從 20.7% 擴張到 35.6%，operating income 三倍成長。這就是擁有 stack 的好處 — 你花得多，但回收得也多（來源：Alphabet 財報）。

微軟的 capex 下一季預計超過 $50b，其中約三分之二花在 CPU 和 GPU，而非土地和基礎建設。CFO Amy Hood 把這描述為「彈性」：如果需求改變，可以隨時放慢採購。這個說法不完全是鬼話，但更可能的解讀是：他們沒有 Google 那樣的 ROI 確信度，所以不敢像 Google 一樣把賭注押得那麼重。

---

競爭格局：三家的打法完全不同

	AWS	Azure	Google Cloud
成長率（上季）	約 19%	43%	82%
模型策略	多方押注（Bedrock 代理多家）	主押 OpenAI，其他做補充	自研 Gemini 為核心
晶片策略	自研 Trainium / Inferentia	Maia 200（仍以 Nvidia 為主）	自研 TPU，已商用
Capex 彈性	高（AWS 彈性架構）	中（大量 GPU 採購，可減速）	低（大量長期基礎建設投入）

AWS 的策略是 Bedrock — 同樣是 resell 邏輯，把各家模型包進平台讓客戶選，但它的基礎設施成本結構因為 Trainium 和 Inferentia 比微軟更好，自己的晶片分擔了一部分 Nvidia 的 margin 壓力。

Google 的策略最激進，也最難複製。它在下一個大 bet — 認為自己擁有從晶片到模型到應用的整個 stack 是最終護城河。這個邏輯如果正確，Google Cloud 的成長還沒到頂；如果 AI 熱潮降溫，Google 的固定成本也是最沉重的。

微軟目前是三家裡面 backlog 最大的，商業合約存量達到 $678b。但這個數字藏著一個很大的問題。

---

問題的核心：OpenAI 這個變數

微軟的 $678b contracted backlog 是三家最大的，看起來像是護城河。但 Hood 在財報電話中透露，如果排除 OpenAI，backlog 的成長只有 25%（來源：微軟 FY26 Q4 財報）。

今年新增的約 $310b backlog 裡，估計有 $220b 來自 OpenAI — 這家公司承諾購買 $250b 的 Azure capacity。也就是說，微軟近一半的未來訂單高度集中在一個客戶，而這個客戶目前是靠資本市場融資，不是靠獲利來支付帳單。

這個結構就很有意思了。Nvidia 正在替 OpenAI 的資料中心租約做擔保，並為其晶片採購提供融資。所以同一筆「借來的錢」，在多張資產負債表上都被計入了 contracted backlog。S&P 因為類似邏輯把 Oracle 降評到垃圾級上方一格，點名 OpenAI 是其 $638b backlog 裡的核心信用風險（來源：S&P 降評報告）。

Nvidia 的五年期 credit default swap 在相關報導出來後跳到 82 個基本點，從月初的 40 翻倍，市場顯然已經在定價這個循環風險（來源：市場數據）。

這不是說微軟會出事，而是這個 backlog 數字沒有它表面上看起來那麼穩固。

---

Meta 判讀：這是哪個歷史劇本？

這個情況讓我想到兩個歷史案例，但它們的啟示方向不太一樣。

第一個：AWS 2008 - 2015

AWS 當年賣計算資源，本質上也是「resell infrastructure」— 把硬體和機房包裝成服務賣給開發者。它靠的是分發優勢和先發者的飛輪效應，而不是自己發明更快的 CPU。這個策略成功了，而且成功得很徹底。

微軟的 AI 策略在精神上類似，但有一個關鍵差異：AWS resell 的是通用計算資源，微軟 resell 的是有明確主人的模型。通用計算資源沒有人覺得自己「擁有」它，但 GPT 系列是 OpenAI 的，Gemini 是 Google 的。當模型提供者有能力自建分發渠道（OpenAI 現在也在談直接賣 API），reseller 的位置就沒那麼穩了。

第二個：電信商賣 Netflix 的故事

電信商一度也以為「我是通路，所有內容都要透過我」是護城河，結果 Netflix 直接跳過電信商的 bundle 自己賣訂閱。微軟如果有一天跟 OpenAI 的關係發生變化，這個類比就會變得很貼切。

判定：Meta Shift

這不是小幅調整。這是雲端競爭的格局正在從「算力競爭」轉向「stack 深度競爭」，Google 在這個 shift 裡佔到了先機，微軟的策略是在賭 reseller 的利潤空間在 AI 時代還夠吃。這個賭注現在還沒有定論，但方向的分歧已經很清楚了。

---

工程師該怎麼看

如果你在選 AI infra 的 tech stack，這個競爭格局有幾個直接影響。

Azure 的 model choice 多元性是真的，Nadella 說的 substitutable 不是廢話，如果你的產品需要跨模型切換或對不同任務用不同模型，Azure 的多模型支持確實方便。但這個彈性的代價是，你沒有辦法壓到最低的 inference cost — 因為中間有 reseller 的 margin。

Google Cloud 的 cost structure 在 inference 密集型 workload 裡可能更有優勢，因為 TPU 的效率和 Gemini 的原生整合不需要過一層 API 商。如果你的 use case 是大量 inference 而不是偶爾呼叫，這個差異會在帳單上體現出來。

職涯角度，現在深入 Google Cloud 的 AI infra 工具鏈（Vertex AI、TPU optimization）的人，在接下來兩三年會是比較稀缺的技能組合，因為 Azure 的工程師已經滿街都是了。

至於 side project — 說實話這個量級的競爭對你的 side project 選型影響不大，OpenAI API 還是最好用的起點。但如果你在認真考慮把某個東西做成產品，想一下你的 AI cost structure，這個問題的重要性會比你預期的更早出現。