当全球最大的科技公司都开始排队买算力，AI的瓶颈已经不在模型本身。
6月28日，《金融时报》披露：Google从今年3月起开始限制Meta使用Gemini的规模，因为Meta申请的计算容量超过了Google能够提供的上限。短缺已经影响并推迟了Meta部分内部AI项目，Meta也开始要求员工更节约地使用Token。
Meta买的是Gemini模型的调用能力，以及支撑这些调用的推理资源。
于是，AI行业出现了极具讽刺意味的一幕：拥有Llama、Muse Spark和超级智能实验室的Meta，需要向Google买AI；而拥有Gemini、自研TPU和全球数据中心的Google，也拿不出足够的算力。
这件事暴露的，不只是Meta一家公司的尴尬，而是整个AI行业最真实的瓶颈：
模型越来越多，真正稀缺的，是把模型稳定跑起来的基础设施。
Meta为什么需要Gemini？
Meta并不是偶尔调用Gemini做几次测试。Gemini已经被用于诈骗识别、有害内容处理、客户服务、广告助手和部分代码任务。其中最关键的，是内容审核。
Facebook、Instagram和WhatsApp每天产生海量内容与用户投诉。过去，这些工作主要依靠传统算法与人工审核完成，现在Meta正在加速把大模型接进核心系统。
一旦大模型进入内容安全、广告审核和客户服务，它消耗的就不再是普通用户每天几十次对话的Token，而是数十亿用户、数百万广告主和海量内容共同形成的调用洪流。
Meta需要的不是一个Gemini账号，而是一座持续运转的Gemini发电站。
自己有模型，为什么还要买Google的？
Meta当然有自己的模型。从Llama到今年推出的Muse Spark，它一直试图建立完整的AI体系。但 "拥有模型"和"模型适合所有任务"是两回事。
Llama帮助Meta建立了开源AI影响力，却没有让它在所有企业级任务中获得领先。Muse Spark具备原生多模态、工具调用和多智能体协作能力，但Meta也承认，它在代码和部分抽象推理任务上仍有不足。
对于企业来说，等待自研模型解决所有问题，并不一定最经济。如果Gemini在内容审核、客服或代码任务中更加稳定，直接采购就是更现实的方案。
今天的大厂也越来越少坚持"所有任务必须使用自家模型"，而是把Gemini、Claude、自研模型和开源模型组合起来，根据效果、价格和供应情况分配任务。
问题在于，Meta采购的不是普通软件许可证，而是大规模、低延迟、持续稳定的推理容量。 即使Google愿意卖，这种容量也无法无限供应。
Google不是不想卖，而是真的不够
目前没有证据表明Google是在故意卡住竞争对手。受到容量限制的也不只有Meta，只是Meta的需求特别大，所以影响更加明显。
Google自己的财务数据能解释这种短缺。
2026年第一季度，Google Cloud收入首次突破200亿美元，同比增长63%；已经签约但尚未完全交付的订单积压超过4600亿美元，较上一季度接近翻倍。
Google管理层也承认，如果不是计算资源不足，云业务收入原本可以更高。
换句话说：Google不是没有客户，而是有太多客户在排队等算力。
即便它拥有TPU、数据中心、光纤网络和庞大的资本开支，基础设施扩建速度仍然追不上需求增长。今天最强的AI公司，也很难独立完成全部基础设施建设。
Meta一年砸1450亿美元，为什么还是不够？
Meta预计今年资本开支达到1250亿至1450亿美元，主要用于服务器、芯片、数据中心和其他AI基础设施。它还与CoreWeave签署了新的长期算力协议，在此前合作基础上继续购买更多搭载英伟达新一代芯片的计算资源。
与此同时，Meta也在研发自有芯片、建设超大规模数据中心，并与能源企业合作增加电力供应。
但即使如此，算力仍然不够。
原因并不复杂：Meta建设基础设施的速度很快，AI需求增长得更快。
它需要同时支撑：
* Meta AI
* 广告推荐与生成
* 内容审核
* 诈骗识别
* 内部开发
* 智能眼镜
* 下一代模型训练
* 面向数十亿用户的实时推理
训练模型是阶段性的巨额消耗，推理则是一种持续发生的成本。AI功能一旦进入WhatsApp、Instagram或智能眼镜，每一次提问、识别、生成和安全检查都需要重新计算。
用户越多，产品越成功，算力压力反而越大。
传统软件复制给第100万名用户的边际成本很低；大模型不同，每一次回答都要重新消耗算力。Meta一年投入1450亿美元仍然不够，并不矛盾——它只说明AI需求正在以基础设施无法同步追赶的速度膨胀。
从鼓励用AI，到要求省Token
Meta内部的变化更能说明问题。
过去一年，公司一直鼓励员工使用AI。但随着调用量上升，Meta又开始追踪不同团队的模型成本，并要求提高Token使用效率。
企业AI通常都会经历类似过程：
* 先鼓励所有人使用
* 随后调用量快速增长
* 接着财务部门发现账单失控
* 最后开始设置额度、计算投资回报率，并要求每一次调用证明价值
"多用AI"正在逐渐变成"高效地使用AI"。
未来衡量一个团队AI能力的标准，不是谁消耗的Token最多，而是谁能用更少的Token，完成更稳定、更有价值的任务。
这也解释了Meta为什么开始推动部分场景迁回Muse Spark。
依赖Google会带来三重风险：
* 供应风险：Google可能限制容量或调整价格
* 成本风险：调用规模越大，外部支出越高
* 战略风险：Meta和Google本身在广告市场直接竞争
但自研替代不是按下开关就能完成。已经接入生产系统的模型，需要重新验证性能、稳定性、安全规则和延迟。
Meta更可能采取混合路线：把适合的任务逐步迁回自研模型，同时保留Gemini处理部分复杂或高价值场景。
AI战争，最终是一场资源调度战争
过去两年，AI行业最关注的是谁能训练出最强模型。现在，竞争的重心开始变化。
模型可以在几个月内完成升级，一座数据中心从选址、接电、采购芯片到正式运行，却可能需要数年。
AI能力更新以月为单位，基础设施扩张以年为单位——两者之间的时间差，正在制造今天的算力短缺。
未来判断一家AI公司的竞争力，不能只看模型排行榜，还要看：
* 它拥有多少计算资源
* 能获得多少电力
* 是否能够保证芯片供应
* 能不能用更低成本完成同一项任务
Meta向Google购买Gemini，本身不代表Meta的AI战略失败。真正值得注意的是，Meta愿意付钱，Google却没有足够的产能可以卖。
这意味着，大模型行业正在从"谁的模型更聪明"，进入"谁能稳定供应更多智能"的阶段。
企业会同时使用多个模型和云平台，并根据性能、价格和配额不断调度任务；AI公司也会像能源企业一样，对算力进行分配、限额和定价。
到那时，Token不再只是账单上的数字，而会像流量、电力和云服务器一样，成为需要精打细算的生产资源。
End
这件事最值得警惕的，不是Meta暂时依赖竞争对手，而是即便全球最大的科技公司已经投入数千亿美元，整个行业依然无法生产足够的智能。
AI时代最先耗尽的，可能不是创意，也不是模型——而是把智能真正运行起来的那座工厂。
