Anthropic 向 Meta 提出的算力请求遭拒，暴露 AI 产能紧缺

据报道，Anthropic CEO Dario Amodei 曾在今年早些时候向 Meta 寻求计算能力，但这家竞争对手科技公司拒绝了他的请求。

据报道，这一 Anthropic 向 Meta 寻求算力的请求，标志着 AI 竞赛出现了耐人寻味的转变。前沿实验室过去主要围绕研究人员、模型和客户展开竞争。如今，它们需要 CEO 亲自协商芯片、电力、网络以及数据中心容量。

《华尔街日报》将这次互动作为一场正在重塑硅谷的更广泛算力争夺战的一部分进行了报道。该报消息人士称，Amodei 曾联系 Meta 首席 AI 官 Alexandr Wang，希望获得更多算力。Meta 曾考虑共享容量，但至少目前决定不这么做。

Anthropic 和 Meta 均未公开证实这次对话。请求规模、硬件类型、拟议商业模式以及 Meta 作出该决定的原因仍未披露。目前也不清楚，此次互动是否促成了此前报道称双方就可能的多年期算力租赁进行的谈判。

这些信息缺口固然重要，但并不影响更广泛的信号。Anthropic 已与 Amazon、Google、Microsoft、Nvidia 和 SpaceX 达成大型基础设施合作安排。如果其 CEO 仍需接触 Meta，说明可实际使用的容量依然比公开承诺所暗示的更为紧张。

Meta 的拒绝同样意义重大。该公司正在为自己的模型、推荐系统、广告产品以及个人超级智能项目建设庞大基础设施。出租部分容量或许能开辟新业务，但向 Anthropic 提供资源也可能壮大一个直接竞争对手。

因此，这不只是一次失败的采购沟通。它揭示了一个市场现实：企业可以在同一年与一个竞争对手合作、依赖另一个竞争对手，并拒绝第三个竞争对手。算力已同时成为可交易的资源和战略武器。

据报道的 Anthropic Meta 算力请求揭示了什么

最重要的事实不是 Meta 说了“不”，而是 Anthropic 据称竟将 Meta 视为一个可信的基础设施供应商。

算力是训练和运行 AI 模型所需处理能力、网络、存储、冷却和电力的总和。模型开发者需要让所有这些组成部分协同运作。仅拥有芯片，并不能构成可用的训练集群。

《华尔街日报》的报道将 Amodei 和 Wang 置于此次互动的核心。Amodei 领导开发 Claude 系列模型的 Anthropic。Wang 在创办以提供训练数据及相关服务闻名的 Scale AI 后，成为 Meta 的首席 AI 官。

报道称，这次对话发生在 2026 年早些时候。现有报道未指出具体日期，也未能确定 Anthropic 是希望租用已建成的容量、购买设备、共享设施，还是安排其他形式的资源使用权。

这一差别会影响读者如何解读 Meta 的答复。若拒绝的是正在运行的训练容量请求，可能意味着 Meta 优先考虑内部 AI 项目。若拒绝的是一项拟议的长期租赁，则可能更多反映定价、时机、技术兼容性或战略考量。

报道也未揭示 Meta 的具体理由。尽管 Meta 大举建设基础设施，但其可能并没有真正闲置的容量。它也可能已将可用系统预留给内部模型、广告、推荐系统或新的企业产品。

Meta 还可能认为，支持 Anthropic 带来的竞争风险过高。Claude 正在争夺开发者、企业支出、消费者注意力以及先进模型能力的领先地位。为这些竞争优势提供底层基础设施，需要获得异常丰厚的回报。

早先报道显示，其潜在经济规模远高于一份常规云服务合同。据称，Anthropic 和 Meta 正在讨论一项两年期、价值可能约为 100 亿美元的安排。公开报道尚未证实，该谈判与 Amodei-Wang 的对话是否属于同一进程。

因此，读者应区分三项说法。这次对话是通过匿名消息人士披露的。Meta 的拒绝也由同一批消息人士披露。其背后的商业细节和动机仍未得到验证。

这种谨慎反而强化了文章的核心观点。即使不知道具体请求量，Anthropic CEO 亲自出面也表明，常规采购渠道已不足以满足需求。高级管理人员如今必须介入，因为集群部署延迟会影响模型训练、客户使用额度和竞争时机。

这一事件也挑战了人们对 AI 基础设施的一个常见假设：已宣布的容量并不等于可用容量。一项多年期承诺可能包含仍在建设中的设施、等待交付的芯片，或尚未投入使用的电力接入。

Anthropic 可以拥有多份规模巨大的合同，同时仍面临短期供给不足。Meta 可以在数据中心上投入巨资，同时仍认定没有真正多余的容量。关键问题不在于纸面上存在多少基础设施，而在于实验室需要时，有多少资源真正能够运转。

这种差异让 Anthropic 向 Meta 提出的算力请求成为有价值的市场信号。它显示，决定当前议价环境的是运营可用性，而非宣布的总投资规模。

Anthropic 的多项算力合作仍留下时机难题

Anthropic 已在多家基础设施供应商之间进行布局，但其持续寻找资源表明，未来的容量无法自动解决当前需求。

Anthropic 的策略覆盖前沿市场所使用的三大主流加速器系列。它采用 Amazon Trainium 芯片、Google 张量处理单元以及 Nvidia 图形处理器。这降低了对单一硬件供应商的依赖，但也增加了工程和排期复杂度。

2025 年 10 月，Anthropic 宣布大幅扩展 Google TPU 的使用。该公司表示，这项协议涵盖最多 100 万枚 TPU，预计将在 2026 年期间带来超过 1 吉瓦的上线容量。

Anthropic 表示，这次扩展价值数百亿美元。当时，该公司还称其服务的企业客户已超过 30 万家。年化收入超过 10 万美元的账户数量，在此前一年中增长近七倍。

这些数据来自 Anthropic，而非独立审计。尽管如此，它们仍解释了为何即使在积极扩张期间，容量压力也可能持续存在。训练更大的系统会消耗海量资源，但随着采用率迅速上升，服务现有用户也可能同样吃力。

推理是指运行已训练模型来回答提示词或执行任务的过程。与单次训练不同，只要客户持续使用 Claude，推理需求就会每小时不断产生。编程代理的资源密集度尤其高，因为它们需要读取文件、生成代码、调用工具，并在长时间会话中反复迭代。

Anthropic 在 2026 年 4 月再次扩大与 Amazon 的合作。其宣布的Amazon 扩展计划涵盖最多 5 吉瓦的新增容量，以及十年内超过 1000 亿美元的承诺。

该公司称，其各类工作负载已使用超过 100 万枚 Trainium2 芯片，并预计到 2026 年末，近 1 吉瓦的 Trainium2 和 Trainium3 综合容量将投入运营。

Anthropic 还披露了其业务增长速度。该公司表示，其年化收入已超过 300 亿美元，而 2025 年末约为 90 亿美元。公司将这一增长与服务可靠性问题和使用额度压力联系起来。

这些公告描述的是规模庞大的承诺，但交付时间表仍是关键。预计在 2026 年末上线的容量，无法应对数月前就已到来的工作负载。计划中的数据中心，只有在电力、冷却、网络、芯片和软件协同运行后，才能服务客户。

Anthropic 与 Microsoft 和 Nvidia 的协议提供了另一条路径。该公司承诺购买 300 亿美元的 Azure 容量，并计划签约使用 Nvidia 系统获得最多 1 吉瓦容量。不过，Amazon 仍是其主要训练和云服务合作伙伴。

最鲜明的非常规资源采购案例来自 Anthropic 与 SpaceX 的协议。Anthropic 表示，将使用 Colossus 1 数据中心所有可用算力，这项安排使其与与 Elon Musk 的 AI 雄心相关的基础设施建立了联系。

Musk 和 Amodei 在若干 AI 问题上持有截然不同的公开立场。他们的公司也在争夺人才、技术领导地位和客户。然而，基础设施稀缺促成了双方的商业关系。

这一先例有助于解释 Anthropic 为何会联系 Meta。一旦算力成为关键约束，意识形态一致性的重要性就会让位于容量、启用日期和技术适配性。拥有可运行集群的竞争对手，也能成为供应商。

不过，硬件多样化也会带来成本。模型软件必须能在不同芯片架构上高效运行。团队需要适配编译器、数值格式、网络系统和监控工具。工作负载也需要谨慎部署，因为训练和推理的需求不同。

因此，大型合同可以扩大理论供给，却不会让每一单位资源都能相互替代。针对 Meta 推荐工作负载优化的集群，未必能立即承接 Anthropic 的训练任务。在供应商之间迁移工作负载，也会带来运营和合同层面的摩擦。

Anthropic 向 Meta 提出的算力请求凸显了这种时机错配。Anthropic 已从多家合作伙伴处锁定长期容量。其据报道接触 Meta，表明可实际使用的基础设施仍足够有价值，值得再寻找一位供应商。

这未必表明 Anthropic 的策略失败。多元化的目的在于减少瓶颈，而非消除实体建设所需时间。相反，这一请求说明，即便拥有异常广泛的供应商组合，需求仍可能迅速超越供给。

Meta 有理由将 AI 算力留给自己

Meta 的基础设施可以带来租赁收入，但同样的容量也保障了其与 Anthropic 竞争的能力。

Meta 并非中立的云服务提供商。它开发基础模型、面向消费者的助手、商业代理、广告系统、推荐引擎、智能眼镜和企业软件。每个项目都在公司内部争夺基础设施资源。

该公司的公开基础设施战略描述了一个由 AI 优化数据中心构成的全球网络。Meta 表示，它会为不同工作负载匹配不同芯片，并正在开发多代自研 Meta Training and Inference Accelerator 芯片。

MTIA 芯片是 Meta 为自身 AI 工作负载设计的处理器。定制芯片可以降低对通用加速器的依赖，但也需要多年的设计、部署和软件集成。Meta 仍从外部供应商采购芯片，包括 Nvidia 和 AMD。

Meta 的基础设施需求远不止训练单一前沿模型。其平台服务数十亿用户，推荐系统持续对帖子、视频、广告及其他内容进行排序。生成式 AI 又在这一基础上增加了一项庞大的工作负载。

因此，Alexandr Wang 必须在外部交易与 Meta 的内部机会成本之间权衡。每一组分配给 Anthropic 的集群，在此期间就无法用于 Meta 的模型、产品发布、实验或客户工作负载。

租赁可能带来可观收入，也可能让 Meta 获得作为 AI 基础设施供应商的实际运营经验。这一可能性值得关注，因为该公司已开始将其模型、智能体和基础设施定位为更广泛企业业务的基础。

不过，Anthropic 并不是普通客户。Claude 与 Meta 的模型争夺开发者和企业客户的采用。Anthropic 还通过主要云服务提供其模型，为企业提供多条分发路径，而 Meta 正试图挑战这些路径。

竞争风险不止于即时的产品重叠。额外算力可以帮助 Anthropic 训练更强的模型、放宽使用限制、降低延迟，或赢得更多企业客户。届时，Meta 将面对一个资源更充足的竞争对手，而后者部分能力正是由 Meta 自身的基础设施支撑。

Meta 也不能将每一颗暂未使用的处理器都视为多余库存。AI 项目往往需要成规模、相互连接的容量。即便硬件在短期观察中看似利用不足，预留一个集群也能为未来的训练任务保留灵活性。

电力合同构成了另一项限制。数据中心在物理上可能拥有加速器，却未必有足够电力让它们全部以最高利用率运行。冷却系统、网络设备和本地电网连接同样可能限制有效容量。

这意味着 Meta 的拒绝并不能证明其在囤积闲置芯片。这一决定可能只是反映出该公司对未来内部需求存在不确定性。当新模型或产品日后可能需要这些资源时，出售长期承诺就会变得有风险。

短期租赁与多年合作也存在战略差异。临时租赁可以将排期空档变现；更大规模的协议则可能带来技术依赖、信息共享以及对未来访问权限的预期。

美国联邦贸易委员会此前已审视过云合作关系的风险。其工作人员强调了对算力获取、转换成本以及敏感商业信息交换可能产生的影响。

该报告聚焦于 Amazon、Google、Microsoft、Anthropic 和 OpenAI 之间的关系。Meta 与 Anthropic 的安排将具有不同结构，但仍可能引发类似问题。基础设施合作关系会影响哪些开发者能获得关键投入，以及获取这些资源的条件。

Meta 最终可能认定，选择性承接外部工作负载有助于其业务。但据报道的拒绝表明，基础设施所有者并不必须像公共事业机构那样行事。它可以根据竞争优先级分配容量。

这在 AI 市场中形成了清晰分野。Anthropic 主要将算力转化为模型服务。Meta 则可将同一套基础设施用于 AI 研究、消费产品、广告和企业软件。

更广泛的内部需求让 Meta 有更多理由将容量留在公司内部。当外部实验室急需资源时，这也赋予 Meta 谈判筹码。

真正的逆转在于，竞争对手如今控制着彼此的增长

前沿 AI 公司仍在争夺模型领先地位，但其基础设施依赖迫使它们与同一批竞争对手建立不断变化的联盟。

传统云服务关系相对容易描述：供应商建设基础设施，客户租用它。前沿 AI 打破了这条界限，因为许多基础设施所有者如今也在开发相互竞争的模型。

Google 向 Anthropic 提供 TPU，同时运营 Google DeepMind 和 Gemini。Microsoft 向 Anthropic 出售 Azure 容量，同时支持 OpenAI，并将多个模型系列整合到其产品中。Amazon 为 Anthropic 提供资金、供应 Trainium 芯片，并通过 Bedrock 分发 Claude。

SpaceX 向 Anthropic 提供与 Colossus 相连的容量，同时推进自身的 AI 利益。Meta 曾考虑达成相关安排，同时也在打造可与 Claude 直接竞争的模型和企业产品。

这些并非简单的供应商关系。每一笔交易都结合了合作、依赖与竞争。只要需求上升、模型发布临近，或供应商需要为自身产品腾出容量，平衡就可能改变。

Anthropic 向 Meta 提出算力请求，使这种结构变得格外清晰。据报道，Anthropic 向竞争对手寻求一项对自身增长至关重要的资源。Meta 随后可以同时根据商业价值和竞争后果来评估这一请求。

这种依赖赋予基础设施所有者影响市场节奏的能力。延迟交付一块容量可能推迟训练、限制客户使用，或提高成本。供应商无需永久阻断竞争对手，也能影响其竞争地位。

与此同时，拒绝所有竞争对手也可能浪费宝贵的基础设施。数据中心的经济性奖励高利用率，尤其是在企业需要于需求明确前就投入资本时。在排期空档出售临时容量，可以帮助所有者回收成本。

这种张力解释了为何联盟关系看似矛盾。企业可能在预计存在闲置库存时向竞争对手出租容量，随后又在内部工作负载上升时拒绝另一项请求。即便双方均未采取新的长期战略，决定也可能发生变化。

客户应当关注，因为基础设施选择会影响产品行为。容量压力可能表现为更严格的使用限制、更慢的响应、更少可用模型、区域限制或更高的实际成本。新增供应可以逆转这些状况，但前提是其已真正投入运营。

开发者同样面临集中度风险。一个模型可能通过多个平台提供，却依然依赖少数基础设施所有者。分发渠道多样化并不保证服务底层拥有完全独立性。

企业买家通常会评估模型质量、安全性、延迟和合同保障。他们也应询问供应商如何管理容量。预留吞吐量、区域可用性、故障切换方案和硬件多样性，都可能在需求激增期间发挥作用。

这一事件同样挑战了“资金本身决定哪家 AI 实验室胜出”的看法。资本仍然不可或缺，但有些基础设施无法立即购得。电网互连、变压器、施工劳动力、先进封装和加速器交付，都有实际的交付周期。

资金充裕的公司可以签署未来供应承诺，却无法立即将合同转化为正在运行的集群。这让拥有现有设施、能源协议和硬件库存的企业，获得了单靠财力难以复制的优势。

不过，也不应对这一报道作过度解读。它并不能证明 Anthropic 面临生存层面的短缺。该公司已宣布数项大规模扩容计划，而其接触其他供应方或许反映的是审慎采购，而非困境。

它同样不能证明 Meta 拥有持久的算力盈余。拒绝 Anthropic 可能恰恰说明相反情况。Meta 可能需要每一组可用集群来实现自身目标。

这场对话也无法证明模型进步将始终与原始算力成正比。算法改进、更优数据、模型压缩、推理优化和专用硬件，都能在不同比例增加耗电量的情况下提升有效产出。

最有力的结论更为有限：算力分配如今会在首席执行官层面影响竞争战略。竞争关系不再阻止公司进行谈判，但合作只会在双方都看到足够收益时持续。

这种逆转赋予基础设施所有者不同寻常的权力。实验室可以在模型质量上领先，却仍依赖于激励机制不同的组织。供应商可能在某一产品类别中落后，却掌控着领先者所需要的容量。

因此，AI 市场正越来越不像一场纯粹的软件竞赛。它日益像一个工业网络，能源、建设、硬件、融资和长期合同共同决定软件能够以多快速度改进。

三个信号将显示算力是否仍是瓶颈

下一阶段将通过运营容量、客户限制，以及 Meta 为外部 AI 工作负载提供服务的意愿来衡量。

第一个信号是 Anthropic 的交付时间表。其已宣布的 Amazon 容量包括预计在 2026 年期间投入的大量基础设施，而 Google、Microsoft、Nvidia 和 SpaceX 则提供其他路径。

读者应关注这些承诺是否转化为可见的服务改进。更高且稳定的使用限额、更少的容量警告、更好的区域可用性，以及高峰期的一致性能，都将表明供应正在追赶需求。

如果这些改进出现，据报道的 Meta 拒绝将更像是一次暂时的采购事件。即便 Anthropic 在紧张时期尝试过所有可用选择，其多元化战略也将如预期般奏效。

如果在新容量启用后限制仍然存在，需求可能正以与供应相同的速度增长。这将强化这样一种结论：相较于偶发的训练任务，推理已成为更深层的基础设施挑战。

第二个信号是 Meta 对外部客户的处理方式。正式的算力租赁产品、公开的容量市场，或大规模第三方租约，都将表明 Meta 将基础设施视为内部产品之外的一项业务。

此类举措并不与据报道的拒绝相矛盾。Meta 可能因时机、条款或竞争顾虑拒绝一项交易，同时接受战略重叠较少的客户。客户身份将揭示 Meta 如何在收入与竞争之间取得平衡。

如果 Meta 几乎完全将基础设施留作内部使用，其拒绝将显得更具结构性。这将表明 Meta 主要将容量视为保护自身模型与产品路线图的手段。

第三个信号是 Anthropic 下一项容量协议的形式。另一份云服务合同将强化其多供应商策略；与模型竞争对手、能源公司、数据中心运营商或专业 GPU 云服务商的交易，则将显示供应商边界仍在持续模糊。

启用日期将比头条中的金额更重要。一项数年后才开始的大额承诺，对即时短缺帮助不大。位于已通电站点的一小块容量，可能具有更大的短期意义。

合同灵活性同样重要。长期承诺可以确保供应，但会让买方暴露于硬件变化和需求不确定性之中。较短安排提供灵活性，尽管其成本可能更高或保障较弱。

监管机构也将关注这些合作关系如何塑造资源获取。如果大型基础设施所有者将最优质的算力优先留给关联实验室，那么即使小型开发者拥有资金，也可能难以获得资源。若所有者面向市场广泛销售，算力则可能成为一个更开放的市场。

对于开发者和企业买家而言，实际应对方式并非预测哪家实验室会胜出，而是评估跨供应商、地区和模型家族的韧性。隐藏在 API 之下的依赖关系，可能会在需求激增时暴露出来。

团队应在关注基准测试分数的同时跟踪服务限制。他们应在短缺出现前测试替代模型。关键工作流需要切实可行的后备方案，因为基础设施约束可能毫无预警地影响可用性。

据报道，Anthropic 向 Meta 提出的算力请求，折射出行业当前的矛盾：AI 公司正向基础设施投入史无前例的资金，但可投入运营的容量依然稀缺到 CEO 需要直接致电竞争对手。

据报道，Meta 的答复是否定的。更重要的问题在于，这一答复究竟反映了临时的排期冲突、真正缺乏富余容量，还是一项拒绝向竞争对手提供资源的战略决定。

关注 Anthropic 的服务可靠性、Meta 对外基础设施的计划，以及未来协议中的启用日期。这些信号结合起来，将揭示瓶颈是在缓解，还是仅仅在供应商之间转移。

对于所有基于前沿模型进行开发的人来说，启示非常直接：模型质量只是可靠性的一部分。应了解算力来自何处、何时投入运营，以及供应商改变优先级时会发生什么。AI 的下一次重大转变或许会始于一次模型发布，但也可能始于一项由高管批准或拒绝的数据中心资源分配。