ChatGPT：
亞馬遜真的在降低 AI 晶片/雲端 AI 成本
Amazon 公開說，他們自研的 AI 晶片/伺服器方案，比起傳統使用 Nvidia GPU 的方案，「價格／效能比（price-performance）」優勢是 40%～50%，換句話說，有可能讓「成本降低到約一半」。
最新推出的 Trainium 3，據說效能是前代的約 4 倍，同時能耗效率也更高。
AWS 表示，使用 Trainium 3 的客戶——不論是訓練模型（training）還是推論／運行模型（inference），都能看到「運算成本最多可降低 50%」的效果。
綜合來說，這些說法支持你提到的「砍半成本」的主張 — 至少在理論與官方說法中，是成立的。
為什麼亞馬遜敢這樣定價／推銷自製晶片：AWS 不再完全依賴 Nvidia 等第三方廠商的 GPU，而是透過自家的 ASIC（專用晶片）設計，省去「GPU 稅」（所謂的 “Nvidia-tax”），降低硬體採購與維運成本。
效能／能效提升：新一代晶片在性能和能源效率上大幅提升，使得每瓦／每 FLOP（浮點運算）所需成本降低。
規模經濟與生態系整合：對於雲端供應商來說，一次投入大量自研晶片和伺服器並長期運作，比採購昂貴 GPU＋租賃的方式在經濟上更有優勢。
這些條件使得「成本砍半」在大規模雲端運算和 AI 訓練／推論上有可能真正達到。
但「砍半」不等於「全面取代」／並非對所有人都適用
效能 vs 生態系：雖然 Trainium 在某些訓練／推論任務上表現不錯，但與 Nvidia GPU 所能支援的模型、生態系整合度、開發者習慣／工具鏈成熟度仍有差距。對某些高端或複雜模型來說，GPU 可能仍不可或缺。
不同工作負載差異大：若你訓練／運行的是極大模型、需要極複雜運算／高頻推論，實際成本／效能優勢可能不如 AWS 主張的「降低 50%」。
客戶／地區限制：自研晶片效益對於使用 AWS 雲端服務、且願意採用 AWS 提供的工具／架構的客戶最明顯。對於自建硬體、或依賴其它雲端／GPU 生態系的公司，此好處就有限。
因此，「砍半成本」更像是針對 AWS 雲端用戶、AI 訓練／推論這類大規模 workloads 的一種理想化／理論上的優勢 — 並不代表所有 AI 使用情境都會享受到同樣折扣。
對整個 AI／晶片市場的意涵
競爭加劇：AWS 自研晶片若廣泛被採用，會對 Nvidia 等 GPU 廠商形成壓力，甚至促使 GPU 廠商降價或加速技術創新。
客製化／ASIC 的興起：大廠（不只 Amazon，還有 Google、Microsoft 等）更傾向自研 ASIC／專用加速器，可能改變 AI 基礎架構供應格局。
雲端服務成本下降：AI 服務若能以更低成本運行，有望讓 AI 應用／部署更普及，促進 AI 商業化／民主化。