简介
谷歌对 Meta 使用其 Gemini AI 模型设置了使用上限,原因是无法提供 Meta 所需的计算容量。这一事件凸显了大模型推理算力供应紧张的行业现状,即便是科技巨头也面临基础设施瓶颈。
AI 算力荒蔓延至科技巨头
根据《金融时报》报道,谷歌已对 Meta 使用其 Gemini AI 模型设置了使用上限,原因是无法提供这家社交媒体巨头所需的计算容量。这一限制措施影响了多个谷歌客户,其中 Meta 受影响尤为严重。据三位知情人士透露,Meta 已要求内部员工更高效地使用 AI token。谷歌和 Meta 均拒绝对此置评。
这一事件揭示了一个令人意外的行业现实:即便是拥有全球最大 AI 基础设施资源池之一的谷歌,在面对激增的 AI 模型推理需求时,也不得不对客户实施配额管理。更值得关注的是,谷歌自身也深陷算力短缺困境——该公司与 SpaceX 达成协议,每月支付 9.2 亿美元租用 11 万块英伟达 GPU,将其称为满足 Gemini Enterprise 激增需求的过渡算力。
Meta 的依赖与转型
Meta 最初选择依赖谷歌 Gemini 模型并非偶然。据报道,Gemini 在处理内容审核、清除有害内容和诈骗信息等安全流程的自动化任务上,表现优于 Meta 自家的开源 Llama 模型。这种外部依赖反映了即便是拥有强大 AI 研发能力的公司,在特定场景下也需要借助第三方模型能力。
然而,谷歌的算力限制迫使 Meta 加速了战略调整。该公司正在将更多工作负载迁移至其新开发的内部模型 Muse Spark,以减少对外部 AI 服务提供商的依赖。这一转变不仅是对供应链风险的应对,也体现了科技巨头在 AI 时代对基础设施自主可控的追求。
对于依赖 AI 模型进行大规模运营的企业而言,算力供应的稳定性和可预测性至关重要。Meta 的经历表明,即便与行业领先的模型提供商合作,也可能面临服务容量受限的风险,这促使企业重新评估其 AI 基础设施战略。
算力短缺重塑行业关系
这一事件清晰地展示了 AI 算力短缺如何重塑科技行业最大公司之间的关系。一方面,谷歌作为全球领先的云服务和 AI 基础设施提供商,正在对像 Meta 这样规模的客户实施配额限制;另一方面,谷歌自己也不得不向一家火箭公司租用 GPU 资源。这种看似矛盾的局面,实际上是当前 AI 基础设施建设速度远未跟上消费需求的最明确信号。
谷歌今年在资本支出上投入超过 1800 亿美元用于 AI 基础设施建设,这一数字本身就反映了行业对算力需求的爆炸式增长。然而,即便是如此大规模的投资,仍然无法满足所有客户的需求。这种供需失衡不仅影响商业客户,也可能对整个 AI 生态系统的发展产生深远影响。
从更广泛的视角看,这一事件凸显了 AI 基础设施作为战略资源的重要性。对于企业而言,无论是自建算力还是依赖第三方服务,都需要在成本、灵活性和供应保障之间寻找平衡。对于整个行业而言,如何加速算力基础设施建设、优化资源分配效率,已成为制约 AI 应用规模化落地的关键瓶颈。
行业影响与结构性挑战
影响谷歌和 Meta 的算力容量紧缩反映了 AI 行业面临的更广泛结构性挑战。大型语言模型的快速发展及其不断扩展的应用场景,创造了前所未有的推理算力需求。与定期进行的训练不同,推理需要大规模持续运行,对基础设施造成持续压力。
几个因素导致了当前的短缺局面。首先,先进 GPU 供应集中在单一制造商(英伟达)手中,形成了天然瓶颈。其次,数据中心建设和设备采购的交付周期长达数月,使供应难以快速响应需求激增。第三,AI 算力的能源需求巨大,许多地区的数据中心面临电力可用性限制,增加了另一层约束。
这种局面促使行业采取各种应对措施。一些公司正在开发定制 AI 芯片以减少对通用 GPU 的依赖。其他公司则在探索更高效的模型架构,降低推理所需的算力。还有一些公司正在研究分布式计算方法,以利用未充分使用的资源。
对于 AI 服务的客户而言,当前环境引入了新的考量因素。服务水平协议可能需要考虑容量约束。工作负载规划必须考虑潜在的访问限制。而关于哪些 AI 能力应内部开发、哪些应外部采购的战略决策,在外部供应无法保证的情况下呈现出新的维度。
对数字资产行业的启示
虽然这一事件发生在传统科技巨头之间,但对数字资产和区块链行业同样具有启示意义。随着 AI 与加密技术的融合日益深入,从链上数据分析、智能合约审计到去中心化 AI 推理网络,算力资源的可获得性和成本效益正在成为行业创新的重要约束条件。
对于机构级数字资产服务提供商而言,理解 AI 基础设施的供需动态有助于更好地规划技术路线和资源配置。当前局面也凸显了去中心化算力网络等新兴解决方案的潜在机会,这些方案可能有助于解决集中式算力供应瓶颈。
AI 与区块链技术的交叉领域持续演进,项目正在探索分布式 AI 推理、训练和模型部署的各种方法。集中式提供商面临的算力容量挑战可能会加速对能够更有效聚合分布式资源的替代架构的兴趣。
此外,对于将 AI 能力纳入风险管理、合规监控或用户体验增强的数字资产平台,当前的算力格局要求仔细考虑基础设施依赖性和应急规划。
展望未来
当前的算力短缺预计将持续一段时间,因为基础设施扩张努力需要时间来赶上需求。行业观察人士认为,有意义的容量增加将需要数个季度而非数月才能大规模实现。
在这种环境下,企业需要在多个维度采取前瞻性方法:考虑效率和资源需求的技术选型、减少集中风险的供应商多元化,以及在业务需求合理的情况下对专有能力进行战略投资。
谷歌与 Meta 的情况提醒我们,在 AI 时代,获得足够算力资源的战略重要性不亚于获得数据或算法专业知识。主动应对这一 AI 战略维度的组织,将更好地定位以实现其目标,而不受外部供应约束的影响。
对整个行业而言,当前的挑战最终可能推动算力效率、替代架构和资源分配机制方面的有益创新。然而,在短期内,容量约束可能会继续影响主要科技公司及其客户之间的竞争动态和战略关系。
Source: 链接