试用期结束，AI大厂正在互相设防

以往，AI 工具如同科技公司的免费自助餐：哪家模型好用便端上桌，哪家代码工具顺手便拿来用，Token 消耗亦如薯条般随意取用。然而进入 2026 年上半年，这座“自助餐厅”开始严查券码。

今年 3 月，谷歌因容量不足限制 Meta 对 Gemini 的使用；4 月，谷歌以安全为由禁止大多数员工使用 Claude Code 等竞对工具；5 月至 6 月，微软相继取消内部 Claude 许可证并限制员工使用 Claude Fable 5；6 月底，Meta 亦发文限制员工在模型构建中使用 Claude 和 Codex。

随着模型演进为核心生产资料，AI 大厂间既是客户又是对手的微妙关系浮出水面：既要调用对方最强能力，又严防自身数据、代码及模型路线外泄。AI 的自由试用期已终结，大厂之间正在互相设防。

图片由 AI 生成

01 AI 大厂开始互相限制

谷歌是今年最早被观察到“内外设闸”的大厂之一。据《金融时报》报道，早在 3 月，谷歌便因算力规模无法满足 Meta 的巨大需求，被迫对其实施 Gemini 限量供应。这表明大模型调用不同于传统软件授权，即便客户愿意付费，受限于真实算力瓶颈，也未必能买到足够容量。

对外设限的同时，谷歌对内也筑起高墙。4 月 22 日，《洛杉矶时报》披露，出于安全担忧，谷歌禁止大多数员工使用 Claude Code、Codex 等竞对工具，仅允许申请例外。尽管部分 DeepMind 团队仍在使用外部工具，但内部已出现"Claude 拥有者与无拥有者”的分化。这种矛盾局面凸显了谷歌的困境：一方面推动员工提升 AI 使用率并纳入绩效考核，另一方面却因担心代码、文档及工作流数据外泄，限制了更高效的第三方工具使用。

微软亦采取类似策略。The Verge 报道称，微软于 5 月取消大部分 Claude Code 内部许可证，引导开发者转向自家的 GitHub Copilot CLI，旨在控制成本并将工作流收回自有体系。随后在 6 月，因不满 Anthropic 的数据留存要求，微软进一步限制员工使用 Claude Fable 5，法律团队重点评估了客户数据与机密信息泄露风险。

至 6 月底，Meta 跟进设限。The Information 披露的内部文件显示，Meta 禁止员工在模型构建中使用 Claude 和 Codex，核心原因在于防范竞对模型的输出进入自家训练数据，从而引发蒸馏、法律及竞争风险。Anthropic 与 OpenAI 的服务条款均明确禁止用户利用其输出开发竞争模型。

这些举措共同指向一个事实：AI 工具不再是随意的效率插件。它消耗算力、流经代码、接触核心数据，甚至可能成为训练下一代模型的原料。大厂并非不用彼此模型，而是不敢再随意使用。

02 大厂给 AI 的三道防线

当 AI 升级为公司核心生产资料，每一次模型调用背后都关联着算力、Token、代码、数据权限及输出资产。大厂为此设立了资源、数据、资产三道防线。

第一道闸：资源管控

算力与 Token 无法无限供给。大模型每次调用均产生真实算力账单，尤其在长上下文、代码任务及 Agent 工作流场景下，资源消耗巨大。当前 AI 竞争已进入算力紧缺阶段，巨头们 2026 年的相关资本开支高达数千亿美元，但市场仍担忧资金转化为可用算力的速度。

存储与内存价格上涨更是直观信号。摩根士丹利报告指出，受 AI 基础设施投资推动，内存芯片价格过去一年上涨约 6 倍，这种现象被称为“芯片通胀（chipflation）”，已外溢至硬件利润、云成本及供应链延迟。

谷歌限制 Meta 使用 Gemini 即是资源侧限制的典型案例。这一短缺不仅推迟了 Meta 的部分内部项目，也波及其他客户。连 Meta 这样的头部客户也无法确保买到足够容量，迫使谷歌必须在客户间分配有限算力，同时要求员工更高效地使用 Token。

第二道闸：数据隔离

代码、客户信息及内部机密严禁流入外部模型。历史教训表明，员工将敏感信息输入外部模型会导致数据脱离可控边界。2023 年三星曾因员工向 ChatGPT 泄露源代码和会议内容而临时禁用该类工具；监测数据显示，约 4.7% 的员工曾将敏感数据粘贴至 ChatGPT。

在 AI 研发场景中，数据风险被进一步放大。微软 AI 团队曾因子配置错误导致 38TB 私有数据暴露。因此，在 AI Coding 成为趋势的当下，数据边界管理至关重要。虽然本地部署或私有云可解决部分数据留存问题，但在模型能力与工作效率直接挂钩的背景下，员工往往倾向于使用最强的外部工具，这使得谷歌、微软等大厂不得不通过行政手段限制外部模型使用，以从根本上保护公司数据资产。

第三道闸：资产确权

模型输出不得随意进入竞争对手的研发流水线。这道防线包含两个维度：模型提供商防蒸馏，模型使用商自证清白。

对于模型提供商，核心资产不仅在于权重，更在于输出中体现的代码能力、推理逻辑及标准解法。为防止竞争对手利用其输出进行“蒸馏”训练，Anthropic 和 OpenAI 均在条款中明确禁止此类行为。

对于模型使用商，需防范外部模型输出污染自身研发流程。Meta 限制 Claude 和 Codex 用于模型构建，正是为了避免其输出被认定为训练数据或合成数据，从而面临法律纠纷或被视作“蒸馏攻击”。路透社报道显示，Anthropic 已指控关联方利用大量虚假账号交互以提取模型能力，此类事件已进入监管视野。

此外，Meta 曾被曝聘请承包商伪装成未成年人测试竞对聊天机器人，虽声称是安全基准测试，但难逃触碰竞争边界之嫌。设立资产闸，实则是大厂为未来可能出现的模型能力争议、合同纠纷或监管审查预留的合规余地，以证明自身模型未借用竞对输出。

03 AI 行业进入新的竞合阶段

资源不可无限用、数据不能随便流、输出不可随意训练，这三道防线标志着 AI 行业进入了全新的竞合阶段。

在此阶段，每家大厂兼具双重身份：既是模型提供方，渴望模型被广泛接入以扩大生态；又是模型使用方，需要借助外部最强工具提升效率。这种双重性导致了复杂的博弈心态：既希望别人用自己的模型，又防备别人拿自己的输出训练竞品；既想用别人的模型提效，又要确保自身数据与研发流程可控。

未来的合作将不再是云计算时代那种清晰的“基础设施租赁”关系。在云时代，数据与产品逻辑保留在租户系统中，边界相对清晰。而在大模型时代，模型本身就是能力，调用模型意味着付费使用能力，将其输出接入流程则可能沉淀对方能力。这条连接在带来效率的同时，也引入了深层风险。

大厂间的连接因此变得高度敏感。谁能用、用多少、数据如何进出、输出能否复用，已成为合作的前置条件。当 AI 从效率插件转变为核心生产资料，其使用必须经过权限化、配额化、审计化与边界化处理。AI 工具的自由试用期，已然结束。

———— / E N D / ————