谷歌為何對 Meta 限制 Gemini 算力？AI 推理算力荒解讀

重點摘要

• 谷歌約於 2026 年 3 月對 Meta 實施 Gemini 使用上限，至今未解除，已導致 Meta 多個內部 AI 項目延誤（英國《金融時報》引述知情人士，谷歌與 Meta 均拒評）。
• 谷歌今年第一季已簽未交付的雲端合約積壓超 4,600 億美元，較上季幾乎翻倍；CEO Sundar Pichai 坦承算力限制近期仍將持續壓低雲端收入。
• 谷歌本月與 SpaceX 簽訂每月 9.2 億美元算力租賃協議；Meta 同步主推自研 Muse Spark 模型，以降低對外部供應商的依賴。

谷歌約於 2026 年 3 月告知 Meta，Gemini 的算力供給無法全額滿足其需求，並對 Meta 實施使用上限。英國《金融時報》引述知情人士的說法，這項限制至 6 月底仍未解除，已直接導致 Meta 多個內部 AI 項目被拖慢或中斷，Meta 也因此要求員工在消耗 AI token 時精打細算。谷歌與 Meta 雙方均拒絕就此置評。

谷歌為什麼連 Meta 的量都給不夠？

問題不是 Meta 規模太小，而是需求量超過谷歌當前能分配的上限。谷歌 CEO Sundar Pichai 在今年第一季財報電話會議上直說：算力確實受到限制，如果能夠滿足需求，雲端業務收入將會更高。谷歌第一季雲端收入首次突破 200 億美元，但已簽署尚未交付的合約積壓量超過 4,600 億美元，較上季幾乎翻倍。合約訂單在手，交付能力跟不上，這個缺口就是 Meta 被卡住的直接原因。

Meta 在谷歌企業客戶中受衝擊最深，因為使用場景格外密集：平台安全審核（識別詐騙與有害內容）、客服及廣告聊天機器人、內部工作流和程式開發，同時搭配 Anthropic 的 Claude 處理部分任務。知情人士指出，正是 Meta 這類大型客戶的高強度需求，推動谷歌加速向外部尋找算力，本月與 SpaceX 簽下每月 9.2 億美元的租賃協議，Anthropic 上個月也與 SpaceX 達成了類似安排。

瓶頸為什麼從訓練端蔓延到推理端？

訓練一個大型語言模型只需跑有限次數，但之後每一個使用者請求、每一行程式建議、每一則廣告或內容審核，都是持續的推理算力消耗。過去幾年 AI 算力的討論集中在訓練側，GPU 集群和能源合約都以訓練需求為基準規劃，但企業把 AI agent 和聊天機器人部署到真實使用者面前之後，推理（inference）端的負載才以更快速度積累起來。

谷歌對 Meta 限流這件事，看起來正是推理側供需缺口已超過現有容量的具體徵兆。這意味著只要使用者規模持續成長、AI 功能繼續嵌入產品各層，瓶頸不會自動消失，而是需要一輪又一輪的資本投入才能追上。谷歌借道 SpaceX 租算力，是暫時應急，不是長期解法。

Meta 如何借 Muse Spark 換掉 Gemini 的位置？

Meta 當初選擇 Gemini，是因為性能優於自研的 Llama 開源模型，這個選擇把算力控制權部分交了出去：外部供應商如何分配資源，Meta 沒有辦法干預。被限流之後，Meta 加速了換檔動作。知情人士透露，Meta 近期已開始主推自研的 Muse Spark 模型，被認為在性能上已能與 Gemini 相抗衡（知情人士口徑，谷歌與 Meta 均拒評）。

這個轉向並非純粹被動應變。Mark Zuckerberg 長期押注自建路線：Meta 沒有雲端業務，正在加速建設自有資料中心，並承諾到 2028 年在美國累計投入 6,000 億美元。算力被限流，給這套戰略補了一個現實佐證，也讓外部算力依賴的代價變得更難被忽視：當供應商分配優先序改變，再大的客戶也沒有豁免權。

這對 AI 開發者和新創的具體意涵是什麼？

谷歌限流 Meta 這個案例打開了一個難得的視窗：頂級 AI 服務商的推理側算力不是無限的，而在供不應求時，即使是最大規模的企業客戶也無法豁免配額限制。對規模更小的開發者和新創而言，排隊的位置更靠後，受限的可能性只會更高。

在架構選擇上，多模型路由（同時接入多家供應商）的意義，現在更接近供應鏈風險管理，而不只是成本最佳化。把所有推理工作負載壓在單一外部 API，當對方產能受限時，就把自己的產品天花板交給別人決定。同時，自研模型路線的機會成本也在縮小：如果 Muse Spark 真能追平 Gemini、Llama 系列持續進步，對有足夠工程能力的團隊而言，「微調專屬模型」和「完全依賴外部 API」之間的選擇，比一年前要更接近一道值得認真計算的工程題。

谷歌的 4,600 億美元積壓合約說明需求端仍在高速擴張，新一輪供給側投入正在陸續到位，但追趕需要時間。這個短暫窗口暴露的，不只是谷歌的容量問題，而是整個 AI 產業推理側的真實供需地板：當連頂級大客戶都被卡住，「不依賴單一外部供應商」究竟值多少，才開始變成一道值得認真對待的架構決策。