Snowflake 和 AWS 签了一份五年、总额 60 亿美元的新协议。

这笔钱主要不是去买更多 Nvidia GPU，而是帮助 Snowflake 获得更多 AWS 自研 Graviton ARM CPU 资源，用来支撑增长中的 AI 工作负载。

这个点很容易被看轻。过去一年，AI 算力新闻大多围着 GPU 转。但企业真正把 AI 用起来后，账单不只来自训练模型，也来自每天的查询、摘要、代理调用、权限判断和数据处理。

Graviton 不是 Nvidia GPU 的直接替代品。更准确地说，它切进了 AI 基础设施里更日常的一段：CPU 承担的应用和编排环节。

60 亿美元不是普通续约，Snowflake 和 AWS 都在押企业 AI 用量

AWS 披露，自 2012 年以来，Snowflake 通过 AWS Marketplace 累计销售约 70 亿美元服务。

现在一份新协议就是五年 60 亿美元，接近过去十多年通过 AWS Marketplace 的累计规模。这说明 Snowflake 在 AWS 上的用量，已经不是“多买一点云资源”的级别。

Snowflake 还给了另一个数字：2025 年，客户在 AWS 上的 Snowflake 支出翻倍至 20 亿美元。

背后的驱动力是 AI。Snowflake 的 Cortex AI 面向企业数据场景，提供自然语言查询、摘要报告等能力。对企业客户来说，这类 AI 功能的吸引力不在炫技，而在省掉一部分数据搬迁、接口拼接和权限重做的麻烦。

事实锚点数字或对象读法
新协议Snowflake 与 AWS，五年 60 亿美元双方在容量和成本上做了更重承诺
历史参照Snowflake 自 2012 年以来通过 AWS Marketplace 累计销售约 70 亿美元服务新协议接近历史累计额，AI 用量正在抬高云账单
当前增长2025 年客户在 AWS 上的 Snowflake 支出翻倍至 20 亿美元企业数据平台上的 AI 使用频率在上升
产品入口Cortex AI 支持自然语言查询、摘要报告等功能AI 正贴着企业数据仓库落地
云路线限制Snowflake 仍可运行在 Azure 和 Google Cloud不能解读为 Snowflake 放弃多云

我更在意的是成本结构变化。

过去企业谈 AI，容易先问训练成本、GPU 供给、模型能力。现在数据平台团队会多问一个问题：如果 AI 功能每天都被业务部门调用，单位成本能不能压下来？

这也是采购动作会变的地方。

云计算和企业软件从业者接下来不会只比较“哪家有 GPU”。更现实的做法，是把推理、代理、数据查询、权限校验拆开算账。原本急着上 AI 功能的团队，可能会延后部分采购，等云厂商和 SaaS 平台给出更清楚的价格性能承诺。

AI 走向代理后，CPU 的存在感会变强

GPU 仍然是大模型训练和高强度推理的核心硬件。Nvidia 的软件栈、生态和开发者习惯，也不是短期能绕开的。

但企业 AI 应用不是只跑训练。

一个自动化代理要读数据库、查文档、调用接口、判断权限、触发流程、写回结果。这里面有一大段工作，不是 GPU 独自完成的。CPU 负责的通用计算、调度和应用逻辑，会随着 AI 调用频率上升一起变重。

这就是 Graviton 的位置。

AWS 推 ARM 架构 CPU 已有多年，主打价格性能比和能效。Amazon CEO Andy Jassy 上月也提到，自研 AI 芯片相对 Nvidia 产品有更好的价格性能表现；同时，AWS 仍在云上大量使用 Nvidia 芯片。

这句话要拆开看。

AWS 不是说 Nvidia 不重要。它是在说，AI 基础设施的每一段都可以重新算成本。训练和高端推理继续依赖 GPU，应用编排和大量非训练任务则可能更多落到自研 CPU 上。

对 Snowflake 这种数据平台，意义很直接：如果 Cortex AI 这类功能要进入日常工作流，成本不能只看模型调用，还要看围绕数据的整条链路。CPU 成本降下来，客户才更可能把更多 AI 任务留在同一个平台里跑。

这里也有现实约束。

目前公开信息没有给出 Snowflake 将拿到多少颗 Graviton，也没有披露具体单价和利润影响。所以这笔交易不能被写成“Snowflake 用 Graviton 替代 Nvidia”。它更像是在告诉市场：AI 工作负载的成本优化，已经从 GPU 旁边开始了。

Nvidia 没被取代，但云厂商开始分走一部分主动权

AWS 不是单点动作。

上月，Meta 也与 AWS 签下涉及数百万颗 Graviton 芯片的协议，用于增长中的 AI 计算需求。Meta 数月前还与 Google Cloud 签过 100 亿美元协议。这说明大型 AI 买家会在不同云厂商之间分散算力来源，不会把所有变量押在一条供应链上。

横向看，Google 有自研 TPU，Microsoft 在今年 1 月推出 Maia AI 芯片，AWS 有 Graviton 和自研 AI 芯片路线。它们的共同目标，不是明天就替代 Nvidia，而是在自家数据中心里掌握更多成本、供给和产品节奏。

路线代表动作对 Nvidia 的压力
AWSGraviton ARM CPU，并推进自研 AI 芯片从 CPU 和云内工作负载切入，压低部分 AI 应用成本
Google多年来自研 TPU在自家云和内部工作负载中减少对外部芯片的单一路径依赖
Microsoft今年 1 月推出 Maia AI 芯片试图把部分 AI 计算能力纳入自家云基础设施节奏
Nvidia推出 Vera AI CPU，称对应 2000 亿美元新市场说明 Nvidia 也在补 CPU 侧入口，不想只守 GPU

Nvidia 当然没有被取代。

它同期推出 Vera AI CPU，并称其对应一个 2000 亿美元的新市场。这个动作本身就很有意思：如果 CPU 不重要，Nvidia 不会亲自下场强调这个市场。

对 AI 基础设施和芯片产业观察者来说，接下来最该看三件事。

一是 Graviton 在 Cortex AI 这类企业数据工作负载中的价格性能表现。没有真实负载数据，所有“降成本”都只能停在方向判断。

二是 Snowflake 客户会不会把更多 AI 功能放在 AWS 上持续运行。一次协议说明供给承诺，持续支出才说明需求强度。

三是 Nvidia 的 Vera CPU 能不能把 GPU 时代的软件优势延伸到 CPU 环节。Nvidia 的强项从来不只是芯片，而是开发者习惯、工具链和生态黏性。

这笔 60 亿美元协议的主线，其实很清楚：AI 算力竞争不再只看谁囤到最多 GPU，也要看谁能把每天发生的企业 AI 调用成本降下来。

云厂商不会停止购买 Nvidia 芯片。但它们也不会甘心只做最大买家。账单最频繁发生的地方，正在成为新的争夺点。