Meta 对 Microsoft AI 支出的披露揭示了对 Azure 的意外依赖

尽管构建了科技行业规模最大的人工智能基础设施之一，Meta 据报道每年仍在 Microsoft Azure 上花费数亿美元。据一位知情人士称，Meta 与 Microsoft 的合作如今每周涉及数万亿个 AI token。

Token 是 AI 模型处理的一小段文本单位。Token 数量反映工作负载强度，但并不能揭示涉及的用户或任务数量。Bloomberg 报道的 Azure 支出显示，据这名未具名消息人士称，Meta 已成为 Microsoft 最大的 AI 客户之一。

这笔支出并非只是又一份云服务合同。Meta 开发 Llama、运营自己的数据中心、采购海量计算硬件，并与 Microsoft 和 OpenAI 争夺同一批 AI 用户。然而，据报道，它通过 Microsoft 的云使用 OpenAI 模型，协助评估自家系统的输出。

这带来了核心反转。全球最积极建设独立 AI 基础设施的公司之一，正向竞争对手的平台付费，以获取模型访问权限和计算能力。与此同时，Microsoft 从一家与其自身 AI 产品竞争的公司获得按量消费收入。

两家公司均未证实报道中的支出或 token 数量。Microsoft 和 Meta 均拒绝向 Bloomberg 置评，因此工作负载、合同期限和模型选择等重要问题仍未得到解答。

不过，这一披露仍让外界得以罕见窥见大型 AI 系统背后的经济逻辑。云服务需求正日益集中于那些已拥有雄厚基础设施的科技公司。它们一边内部建设，一边在速度、可用性或模型质量足以证明其合理性时采购外部算力。

据报道，Meta 从 Microsoft 购买了什么

Meta 对 Azure 的使用似乎结合了外部计算能力、第三方模型访问权限，以及更快速测试自身 AI 系统的方式。

据 Bloomberg 报道，Meta 每周通过 Microsoft 云服务消耗数万亿个 token。据称，其开发人员通过 Microsoft Foundry 访问 OpenAI 及其他供应商的模型；Microsoft Foundry 是该公司用于部署和评估 AI 模型的平台。

报道称，Meta 根据成本和可用性在多个平台间选择模型访问服务。这一描述指向多云采购策略，而非排他性合作关系。Meta 可以将单个任务路由至当时能够提供所需算力或模型的任何供应商。

其中一项据报道的工作负载尤其耐人寻味。Meta 的开发人员曾使用通过 Foundry 提供的 OpenAI 技术，来评估 Meta 自身 AI 模型生成的输出。

模型评估衡量准确性、相关性、安全性和遵循指令等特质。开发人员可以将答案与参考材料进行比较，或让另一个模型为其评分。Microsoft 的评估文档介绍了使用已部署模型评估现有输出并完成对话的工作流程。

将竞争对手的模型用作评估器，并不意味着 Meta 在每一项判断上都依赖 OpenAI。评估系统通常结合自动评分、人工审查、测试以及多项基于模型的检查。Bloomberg 的报道并未披露这些方法之间的占比。

但这种安排仍可加快开发进程。测试多个模型版本的团队必须生成输出、评分、调查失败原因，并重复这一过程。外部模型访问让该团队无需等待更多内部基础设施，即可增加一位评判者。

Azure 还围绕这些工作负载提供了成熟的控制层。工程师可以通过一个平台管理部署、权限、监控、数据集和区域算力。这些运营能力的重要性可能不亚于访问某个特定模型。

Meta 据报道的使用量表明，这些工作负载并不止于偶尔的实验。尽管报道未提供精确总量，但每周数万亿个 token 将代表持续的工业级使用。

Token 数量也需要谨慎解读。更长的提示词会消耗更多输入 token，而推理系统则可能生成大量内部文本和输出文本。重复评估会成倍增加使用量，因为多个模型可能处理同一个样本。

据报道的年度支出同样涵盖成分未知的组合。其中可能包括模型推理、评估、存储、网络、预留容量或相关 Azure 服务。两家公司均未公布明细。

这种不确定性使得无法将其与 Meta 的内部计算成本直接比较。云服务账单包含基础设施和托管服务，而内部成本核算则会随时间分摊硬件、能源、设施、网络和工程成本。

明确的变化在于战略层面，而非会计层面。Meta 在资助自身大规模 AI 建设的同时，也愿意采购大量外部工作负载。这使 Azure 成为 Meta 基础设施的实用补充，而不只是 Llama 的分发渠道。

为什么 Meta 与 Microsoft 的关系此刻值得关注

据报道，Meta 对 Microsoft 的支出为 Azure 提供了投资者一直要求看到的证据：独立科技公司愿意为大规模 AI 消费付费。

Microsoft 表示，在其第三财季，AI 业务的年化收入运行率已超过 370 亿美元。该公司还报告称，Azure 和其他云服务收入较上年同期增长 40%。

这些数字涵盖广泛的业务组合，并未说明 Meta 的贡献。但它们确立了这篇报道所处的环境。Microsoft 正在扩大 AI 收入，而客户需求仍持续超过可用计算能力。

该公司的季度财报电话会议称，无论工作负载、客户细分市场还是地区，Azure 需求都强于现有供应。Microsoft 预计这些产能限制将持续至 2026 年。

这使 Meta 的价值不止于其据报道的支出。其工作负载为一家拥有替代选择的成熟买家所带来的高强度消费，提供了可见案例。

科技公司比大多数客户更了解模型经济性、基础设施性能和云服务定价。它们能够迁移工作负载、谈判大额承诺，并构建内部替代方案。当这样的买家仍在采购外部算力时，这支持了 Microsoft 关于 Azure 能提供稀缺运营价值的论点。

据 Bloomberg 报道，Microsoft 还将 ByteDance、Adobe、Perplexity 和企业 AI 公司 Sierra 列为其他重要 AI 客户。这份名单表明，需求依然高度集中在科技企业之中。

这种集中既是验证，也是风险。少数几个大客户能够迅速产生巨大的 token 使用量。当模型架构、内部产能或供应商经济性发生变化时，这些客户也可能削减支出。

Microsoft 的基础设施承诺使这一区别尤为重要。该公司报告称，第三季度资本支出为 319 亿美元。其中约三分之二用于支持使用寿命较短的资产，主要是图形处理器和中央处理器。

Microsoft 还预计，2026 日历年的资本支出约为 1900 亿美元。这一总额包括由更高组件成本带来的估计 250 亿美元影响。

这些投资需要的不仅是实验性兴趣。Microsoft 需要的是在试点结束后仍保持活跃的客户工作负载。基于消费的服务会将每一次请求、评估或智能体任务转化为按量计费的云服务使用。

Meta 提供了能够持续消化容量的一类工作负载。模型开发需要反复进行训练支持、推理、评估、编程辅助和安全测试。每一次改进周期都可能产生另一批大量 token。

这正是为何该报道比又一则企业客户公告更重要。Meta 并非首次采用 AI。它已经运营着全球规模的消费产品，并聘用顶尖 AI 研究人员。

因此，其据报道的 Azure 采购代表了溢出需求、专业化需求或战略性模型访问。每一种解释都强化了 Microsoft 平台论点的不同部分。

溢出使用表明，即使是最大的内部建设者也会遇到产能限制。专业化使用表明，托管云工具可以在私有基础设施之外继续保持价值。战略性访问表明，模型多样性能够影响工作负载的运行位置。

Microsoft 在这三种解释下都能受益。它可以销售基础设施，而无需客户放弃其模型、云服务或内部系统。

这一结果也对 Amazon Web Services 和 Google Cloud 形成压力。两者都在争夺相同的灵活工作负载，尤其是那些不愿依赖单一供应商的 AI 公司。在长期平台忠诚度形成之前，可用性和模型选择就可能改变支出流向。

Azure 从竞争对手对模型选择的需求中获利

核心反转在于，即便 Meta 的产品直接与 Microsoft 和 OpenAI 竞争，Microsoft 仍可从 Meta 的 AI 雄心中获利。

Meta 和 Microsoft 过去曾有过合作。2023 年，Microsoft 成为 Meta 推出的 Llama 2 的首选合作伙伴，而 Azure 将该模型纳入其面向开发者的模型目录。

这一Llama 合作将 Microsoft 定位为 Meta 开放提供的模型家族的分发方。它还让 Azure 客户能够使用 Microsoft 的云工具进行内容过滤和部署。

最新报道则描述了反向流动的流量。据称，Meta 通过 Azure 购买模型访问服务，包括用于评估的 OpenAI 技术。

这种双向关系说明了云平台为何避免押注单一模型供应商。客户可以通过市场提供自己的模型，同时为另一项任务采购另一个模型。

Microsoft Foundry 正是围绕这种灵活性设计。它将模型、智能体、评估工具、安全控制和部署管理整合进一个共同环境。客户可以在第一方和第三方系统之间选择，而无需重建每一层运营能力。

这种与模型无关的定位，使 Microsoft 获得超越其 OpenAI 联盟的杠杆。如果某家实验室失去技术领先地位，Azure 仍可继续销售其他模型的访问服务。如果客户构建自己的系统，Microsoft 则可销售基础设施和管理层。

Meta 据报道的行为支持了这一机制。该公司无需宣布某一模型在所有场景中都更优秀。它可以选择一个模型用于编程，另一个用于评估，并将自身模型用于消费产品。

这种方法反映了先进 AI 团队的实际工作方式。模型质量会因任务、语言、延迟目标、安全要求和上下文长度而异。最适合生成代码的选择，未必是评估该代码的最佳评判者。

同样的逻辑也适用于算力。一家公司可能拥有足以应对可预测生产需求的基础设施，但在测试高峰期仍需要云资源。若为峰值需求建设全部服务器，昂贵硬件之后往往会处于闲置状态。

外部算力可缩短这种等待时间。开发团队无需等待新数据中心或加速器集群上线，便可完成大规模评估运行。更快的测试能够缩短模型变更到产品发布之间的周期。

Meta 有充分理由重视这种速度。其 AI 助手正与 ChatGPT、Microsoft Copilot、Google Gemini 及其他消费级产品竞争。如果竞争对手率先推出模型改进，其价值便会大幅降低。

Microsoft 面临相反的激励。它希望尽可能将 AI 活动变现，包括那些能够增强竞争对手实力的活动。Azure 的收入并不要求 Microsoft 自己的助手赢得每一次用户交互。

这种安排与早期云服务竞争颇为相似。Netflix 曾是 AWS 的重要客户，同时又与 Amazon 的视频业务竞争。云服务商逐渐认识到，基础设施收入可以与产品层面的竞争并存。

AI 提高了赌注，因为基础设施层与应用层的联系更加紧密。模型提供商会影响性能、安全性和经济效益。云市场也决定了客户能够多快获取哪些模型。

因此，Microsoft 必须让客户相信，它会支持模型选择，而不会不公平地偏袒自家应用。大型科技买家将关注算力分配、合同条款、数据控制以及对竞争模型的访问能力。

Meta 的参与为 Azure 增添了可信度，但并不保证忠诚度。报道称，Meta 会根据成本和可用性在多个平台采购。这使 Microsoft 只是活跃采购市场中的一家供应商。

这种反转对 Microsoft 而言依然具有商业吸引力。每一项通过 Azure 运行的 Meta 工作负载，都会将 Meta 自身基础设施无法承载、或承载效率不足的需求变现。

报道中的 Token 规模无法证明什么

每周数万亿 Token 证明了活动规模，但并不能证明 Azure 已成为 Meta 不可或缺的基础设施，也不能证明每项工作负载都能带来持久利润。

第一项限制在于消息来源。Bloomberg 将核心说法归因于一位知情人士。Meta 和 Microsoft 均拒绝置评，且双方都未在监管文件中披露这一安排。

因此，读者应将支出、规模和客户排名视为报道信息。整体方向与两家公司公开表态相符，但具体数字仍未得到确认。

第二项限制涉及 Token。Token 规模并不是衡量不同模型经济价值的标准化指标。不同系统采用不同的分词方法、提示长度、推理过程、缓存方式和输出模式。

一万亿低成本输入 Token 所产生的收入，并不等同于大型模型输出的一万亿 Token。缓存输入与未缓存处理的经济效益也可能不同。

评估工作负载尤其可能消耗大量 Token。一个样本可能由一个模型生成、由另一个模型评分，并依据多项标准进行审查。在许多模型版本中重复这一过程，会增加规模，但不会增加终端用户。

这并不意味着这些活动不重要。评估是模型开发的必要环节。但也意味着，若缺少额外背景，Token 总量无法揭示采用率、收入或商业价值。

第三项限制是客户集中度。据报道，Microsoft 最大的 AI 客户还包括其他拥有较强议价能力的科技公司。它们的需求可以迅速增长，也可以迅速转移。

随着自身基础设施扩张，Meta 可以减少 Azure 的使用。它可以将工作负载迁移至 AWS、Google Cloud、Oracle 或其他提供商，也可以用规模更小的内部系统替代昂贵的外部评估模型。

云算力短缺目前增强了 Microsoft 的地位。更充足的供应日后可能通过加剧价格竞争而削弱这一优势。新型加速器和更高效的模型还可能进一步降低每项任务所需的计算量。

关于 AI 支出上升的近期报道清楚展现了这种张力。Microsoft 和 Meta 都在投入巨额资源，而行业尚未为每一类工作负载建立稳定的长期回报。

Microsoft 表示，按用量计费的模式使收入与客户价值保持一致。这一论点依赖于客户持续从 Agent、编程工具、评估及其他 AI 服务中看到可量化的收益。

Meta 面临类似问题。外部模型访问可加速开发，但也会使公司面临不断变化的供应商成本和算力分配。关键工作流若没有可行替代方案，依赖关系便会变得危险。

现有证据尚不足以证明存在这种程度的依赖。Meta 据报采取多云采购策略，显示出有意进行多元化布局。其庞大的内部投资也提供了另一项议价筹码。

同样没有证据表明，除合同服务所需的处理范围外，Microsoft 能够访问 Meta 的专有模型输出。企业云协议通常包含具体的数据和安全条款，但两家公司均未披露这里的细节。

隐私、知识产权和竞争敏感性仍是核心问题。模型评估可能包含尚未发布的能力、失败案例和产品计划。成熟买家需要对日志、保留期限、训练用途和员工访问实施严格控制。

Microsoft 为 Foundry 发布了负责任 AI 与安全指南。然而，公开文档无法披露与 Meta 协商的确切保护措施。

谨慎的结论比标题更有限：Meta 似乎是 Azure AI 的大型消费者，但双方关系的持续时间和战略深度仍然未知。

将检验 Meta Microsoft 论点的三个信号

接下来的证据应显示，Meta 对 Azure 的使用究竟是临时购买算力，还是其 AI 开发体系中长期存在的一部分。

第一个信号是 Microsoft 下一次关于 Azure AI 消费和算力的披露。投资者应关注，随着新的计算资源投入使用，Azure 的增长是否仍在加速。

Microsoft 表示，在其财年第三季度，需求超过了可用算力。尽管供应限制持续存在，该公司还预计在 2026 年下半年，Azure 将出现温和加速。

若 Azure 在算力扩张的同时增长加快，Meta Microsoft 的报道将更像是耐久消费这一更广泛趋势的一部分。若供应改善后增长放缓，则会削弱这种解读。

客户集中度同样值得关注。Microsoft 可能会披露更多大型外部 AI 客户，或更详细说明 Foundry 的采用情况。更广泛的客户基础将降低对少数科技公司的依赖。

第二个信号是 Meta 的基础设施指引和模型发布时间表。Meta 目前计划在数据中心、处理器、网络和 AI 研究领域进行非同寻常的资本投资。

更高的内部算力并不自动意味着云支出减少。更快的产品开发可能显著增加总需求，使内部和外部基础设施都得以增长。

关键问题在于 Meta 将边际工作负载投向何处。在新的 Meta 算力上线后，若其仍持续进行外部模型评估，将表明 Azure 提供的不只是临时溢出容量。

若购买的模型访问量大幅下降，则可能意味着这是一项过渡策略。Meta 可能只是在租用算力，直至自有集群、模型或评估工具达到足够水平。

模型发布将提供间接证据。更快的发布周期、改进的编程系统或新的评估声明，都可能展现 Meta 如何使用外部资源。不过，公司仍需披露足够的方法论，外界才能将这些变化与 Azure 联系起来。

第三个信号是竞争性云服务商和模型提供商之间的动态。AWS 和 Google Cloud 可以通过算力承诺、模型市场、评估服务，或面向大型 AI 开发商的合同作出回应。

价格变化很重要，但原始定价不会决定每一项工作负载。可用性、延迟、安全性、模型质量和部署速度都会影响采购决策。一个拥有即时算力的平台，即使另一方案纸面上更便宜，也可能胜出。

OpenAI 与 Microsoft 的关系仍然相关。据报道，Meta 通过 Azure 使用 OpenAI 技术，但 Microsoft 正日益推广更广泛的模型选择。这一联盟的变化可能影响访问权限、经济效益或客户信心。

更强大的多供应商 Foundry 将强化 Microsoft 作为 AI 公用事业提供商的角色。若更紧密依赖单一模型实验室，Azure 将更容易受到该提供商表现和战略的影响。

对开发者和企业买家而言，实际启示并不是复制 Meta 的支出，而是将模型选择与基础设施忠诚度分开。

团队可以在维持内部系统的同时，使用外部模型进行评估。当算力或性能发生变化时，也可以将工作负载分配给多个提供商。这种灵活性需要可移植的数据集、可重复的测试以及清晰的安全控制。

买家应衡量每项工作负载产生的价值，而不只是其 Token 数量。编程辅助应改善交付时间或缺陷率；评估应捕捉影响用户的故障；Agent 应降低任务成本或提升可衡量的产出。

他们还应保留退出路径。基于模型的评估器可能嵌入发布决策，使替换变得困难。团队需要能够在供应商变更后依然有效的基准测试集和人工审查流程。

这段报道中的关系最终揭示了一个市场：竞争对手同时也是客户、分销商和基础设施供应商。Meta 可以挑战 Microsoft 的应用业务，同时支持 Azure 的收入；Microsoft 可以分发 Llama，同时向 Meta 销售访问 OpenAI 模型的能力。

这种安排只有在双方获得的价值都高于其让渡的价值时才会持续。最明确的证据将来自未来的消费情况、基础设施披露以及工作负载在不同云服务之间的流动。

关注这些信号，而不要将数万亿 Token 视为最终结论。它们将表明，这究竟是短期算力套利，还是 Meta AI 开发技术栈中持久的一层。