AI大厂，正在互相设防

来源：微信公众号：字母AI
作者：袁心玥
编辑：王靖
题图：AI生成

曾几何时，AI大厂AI工具如同科技巨头内部的正互“免费自助餐”——模型哪家强，就先端哪家；代码工具哪顺手，相设就先拿哪用；若不知如何下手，AI大厂便先尝几口“龙虾”开胃。正互Token像餐盘里的相设薯条，被毫无节制地大把分发。AI大厂

然而，正互到了2026年上半年，相设这场自助盛宴戛然而止，AI大厂餐厅开始查验“入场券”。正互

今年3月，相设谷歌因算力容量不足，AI大厂限制Meta对Gemini模型的正互使用。尽管Meta试图购买更多Gemini相关计算资源，相设但谷歌无法完全满足其需求。

4月22日，《洛杉矶时报》披露，出于安全考量，谷歌禁止大多数员工使用Claude Code、Codex等竞争对手工具，仅允许申请例外；与此同时，部分DeepMind团队（涵盖Gemini、内部应用及开源模型项目）仍在使用Claude Code。

5月14日，The Verge报道，微软开始取消大部分Claude Code的内部许可证，强制引导开发者转向自家产品GitHub Copilot CLI。

6月10日，因Anthropic的数据留存政策要求，微软进一步限制员工使用Claude Fable 5。

6月28日，《金融时报》曝光谷歌限制Meta使用Gemini的细节，原本幕后的算力短缺，以“巨头间限量供应模型容量”的形式公之于众。

紧随其后，6月29日，The Information披露Meta内部文件：公司正限制员工在AI模型构建中使用Claude和Codex。

随着模型能力的指数级跃升，AI已演变为大厂的核心生产资料，巨头间的关系因此变得微妙而复杂。

AI大厂既是彼此的客户，也是激烈的竞争对手。他们既渴望调用对方最强的模型能力，又恐惧自身的数据、代码、工作流及模型路线被对手渗透或窃取。

AI的“自由试用期”宣告终结。AI大厂，正在互相设防。

一、AI大厂开启“双向设闸”模式

纵观今年被曝光的事件，Google是最早显现“内外双重设限”特征的大厂之一。

据《金融时报》报道，早在3月前后，谷歌便开始限制Meta对Gemini的使用。报道指出，这并非谷歌不愿出售，而是Meta所需的Gemini计算容量远超谷歌当时的供给能力。

换言之，Meta想多拿Gemini，但谷歌的“后厨”产能告急，只能实行限量供应。

大模型调用不同于传统软件授权。即便客户愿意付费，也不一定能获得足够的算力容量。每一次API调用背后，都是真实的算力消耗。

谷歌在外部对Meta设限的同时，也在内部对自家员工设限，禁止使用竞争对手的AI编程工具。

4月22日，《洛杉矶时报》报道称，谷歌多数员工因“安全担忧”被禁用于Claude Code、Codex等竞品工具，除非能证明存在业务必要性方可申请例外。

然而，部分DeepMind团队（包括Gemini、内部应用和开源模型团队）仍在使用Claude Code。

这一举措导致谷歌内部出现所谓的“Claude拥有者与匮乏者”分化。用还是不用，成了影响效率的关键变量。

谷歌在此情境下显得颇为矛盾：一方面，公司大力推动员工积极使用AI，甚至将AI使用率纳入绩效评估；另一方面，不同团队获取AI工具的权限存在巨大差异。

据报道，部分员工认为谷歌内部模型在编码能力上不及Claude，因此“能否使用Claude”不再仅是工具偏好，而是直接转化为效率差距。

从谷歌的立场看，它并非不知Claude Code和Codex的强大——关键AI团队仍在继续使用这些外部工具，这至少证明外部AI编程工具在一线研发中仍具不可替代的价值（谷歌自身也承认在Coding领域落后）。

尽管未披露具体细节，但从企业使用AI编程工具的场景推断，此类“安全担忧”通常涉及代码、内部文档、产品信息及工作流数据泄露至外部模型的风险。

微软同样面临类似的顾虑。

The Verge 5月14日报道，微软开始取消大部分Claude Code内部许可证，将开发者导向自家的GitHub Copilot CLI。

尽管Claude Code在微软内部广受欢迎，但作为Anthropic的工具，将其导向GitHub Copilot CLI，一方面旨在控制成本，另一方面则是将内部AI编程工作流重新收归微软和GitHub体系内。

不久后，微软进一步限制Claude Fable 5的使用。

6月10日，The Verge报道，微软因Anthropic的数据留存要求，限制员工使用Claude Fable 5。

微软法律团队正在评估内部使用该模型的可行性，主要担忧集中在客户数据、内部代码及机密信息的泄露风险。

至6月底，Meta也开始跟进，对外部模型设闸。

The Information 6月29日披露，Meta内部文件显示，公司正限制员工在AI模型构建中使用Claude和Codex。

报道直指核心原因：Meta担心竞争对手模型的输出可能混入自家训练数据，从而引发蒸馏风险、法律纠纷及竞争劣势。

Anthropic的条款明确禁止用户使用Claude输出训练与Anthropic竞争的模型，也禁止支持第三方这样做；OpenAI的条款同样规定，用户不得使用OpenAI服务的输出开发与OpenAI竞争的模型。

虽然各厂限制手段各异，但共同指向一个事实：AI工具已不再是可随意试用的效率插件。

它消耗算力，流经代码，接触客户数据，影响产品入口，甚至可能成为训练下一代模型的原料。

大厂并非不用彼此的模型，而是不敢再随意使用。

二、大厂为AI构建的三道防线

一名员工多装一个软件、多开一个网页、多试一个工具，通常不会显著影响公司的底层资源分配。

但AI截然不同。每一次模型调用背后，都牵涉算力、Token、代码、数据、权限及输出资产。

当AI成为公司的核心生产资料，其管理态度自然发生根本性转变。

梳理近期信息，大厂开始为AI工具设立三道防线。

第一道防线：资源管控

算力和Token不再无限可用。

大模型并非传统软件。传统软件售出后边际成本极低，但大模型每一次调用都对应着真实的算力账单。尤其是长上下文处理、代码任务及Agent工作流，其资源消耗远超普通问答。

问题在于，AI竞争已进入算力紧缺阶段。

路透社今年多次报道，微软、亚马逊、Alphabet和Meta等巨头2026年AI相关资本开支已达数千亿美元量级。2月报道提及约6000亿美元，3月转述S&P Global Visible Alpha的数据约为6350亿美元。这是一场历史级别的资本投入，但市场仍在讨论这些资金何时能转化为足够的可用算力。

近期存储和内存价格的上涨，是这一趋势的直观信号。

路透社6月援引摩根士丹利（Morgan Stanley）报告称，受大型科技公司AI基础设施投资推动，内存芯片价格在过去一年上涨约6倍。摩根士丹利将此现象称为“芯片通胀（chipflation）”：最初仅为AI基础设施瓶颈，现已外溢至硬件利润率、设备价格、云成本、资本开支及供应链延迟。

谷歌限制Meta使用Gemini，即是资源侧限制的最直接体现。路透社转述称，这一短缺已影响并推迟了Meta的部分内部AI项目，其他谷歌客户亦受影响，程度较轻。与此同时，Meta已要求员工更高效地使用AI Token。

这意味着，即便如Meta这般的大客户愿意付费，也不一定能买到足够的模型容量；即便如谷歌这般云与AI基础设施巨头，也不得不在客户间分配算力。

第二道防线：数据隔离

代码、客户信息及内部机密，严禁随意流入外部模型。

这并非大厂过度敏感，而是基于前车之鉴。

早在2023年，三星半导体部门员工被曝多次将敏感信息输入ChatGPT，包括用于排查问题的源代码和内部会议内容。随后，三星临时禁止员工在公司设备上使用ChatGPT等生成式AI工具。

一旦员工将代码、会议记录和内部资料输入外部模型，数据便已脱离公司可控边界。

此类行为并非孤例。Cyberhaven早期监测显示，ChatGPT上线后，4.7%的员工至少一次将敏感公司数据粘贴进ChatGPT；其中约11%属于敏感数据。

在AI研发场景中，数据风险更为严峻。开发者深知，发布代码前检查API Key是否误提交是基本操作。而在AI数据集、模型训练及开源样本共享场景下，这一问题被无限放大。

2023年，微软AI研究团队在分享开源训练数据时，因错误配置Azure存储访问Token，导致38TB私有数据暴露，其中包括私钥、密码、内部Teams消息及员工工作站备份。

在AI Coding已成趋势的当下，大厂员工使用AI时，更需严守数据边界。

本地部署可将数据保留在公司自有环境中，减少代码、日志、客户信息进入外部模型的风险。对于安全要求极高的场景（如内部代码审查、日志分析、客服数据处理、合规文档整理），本地模型或私有云部署的重要性日益凸显。

然而，当模型能力与工作效率深度绑定，员工追求的往往不仅是“一个能用的模型”，而是当下最强、最顺手、最擅长写代码的工具。本地部署开源模型虽能解决部分数据边界问题，却难以复刻外部工具的完整体验与能力。

这也解释了为何谷歌因安全担忧限制多数员工使用Claude Code和Codex，以及微软因Anthropic的数据留存要求限制Claude Fable 5。

本质上，这种限制是对公司数据的保护。

第三道防线：资产保护

模型输出，严禁随意进入竞争对手的研发流水线。

资产防线设有两个开关，分别位于模型提供商和模型使用商两端。

对模型提供商而言，核心目标是防止“蒸馏”：

Anthropic条款禁止用户使用Claude输出训练与Anthropic竞争的模型；OpenAI也禁止用户使用OpenAI服务输出开发与OpenAI竞争的模型。

这意味着，模型可被调用，但输出不得随意用于训练下一个竞争模型。

大模型公司的核心资产不仅是模型权重，更包括模型输出所体现的能力：代码能力、推理方式、任务拆解、合成数据、评测样本及特定问题的标准解法。若竞争对手可大规模调用强模型，并将输出整理为训练数据，便等于用他人的能力为自己的模型“补课”。

因此，模型提供商必须在条款中堵住这一漏洞。这道防线，写在法律条款里。

对模型使用商而言，核心目标是“自证清白”：

这道防线与第二道防线是一体两面：数据防线关注“我的数据是否会流出”，资产防线关注“外部模型的输出是否会影响我”。前者防范数据外流，后者防范能力入侵。

合规问题是不得不考虑的一环。

Meta限制Claude和Codex，主要针对模型构建场景。据The Information披露的Meta内部文件，公司担忧Claude或Codex的输出进入其模型构建流程（如训练数据、合成数据生成、评测、模型优化或代码基础设施）。

一旦这些输出进入研发流水线，便可能被对方指控：“你在利用我的模型能力训练或改进你的模型。”

更进一步，若此类调用演变为大规模、系统性的抓取，则可能被模型提供商视为“蒸馏攻击”。

路透社6月24日报道，Anthropic在给美国参议员的信中提出指控，称与阿里巴巴及Qwen AI实验室相关的操作者，在2026年4月22日至6月5日期间，使用近2.5万个虚假账号与Claude进行了2880万次交互，试图通过蒸馏提取Claude能力。虽非公开诉讼，但此事已进入政策和监管语境。

颇具讽刺意味的是，《连线》杂志6月29日报道，Meta的一个承包商项目让数百名外包人员伪装成未成年人，测试ChatGPT、Gemini、Character.AI等竞争对手的聊天机器人。该项目由Meta承包商Covalen管理，内部代号Cannes，截至2026年4月21日仍在运行。

承包商被要求创建虚假未成年人账号，向竞争对手聊天机器人提问多种高风险内容，有时发送图片，并将回复复制进表格。

Meta辩称这是标准的安全测试和基准测试（benchmarking）。但客观而言，此举难以摆脱触碰模型竞争边界的嫌疑。

资产防线，可视为大厂为自身模型研发流程预留的合规空间。

否则，未来一旦出现模型能力争议、合同纠纷或监管审查，公司将难以证明其模型未借用竞争对手的输出。

三、AI行业进入新的竞合阶段

“三”这个数字颇具深意，容我稍作引申：在希腊神话体系中，从世界秩序到命运走向，从神灵权柄到英雄宿命，“三”无处不在。

希腊神话中，进入冥界需经过三道关卡：先渡冥河，由摆渡人卡戎引路；再遇守门犬刻耳柏洛斯；最后进入审判体系。其中，刻耳柏洛斯是三头犬，十字路口坐着冥界三位判官，冥界本身亦分为三层。

如今，AI大厂的入口也多了三道防线：

资源不可无限用，数据不可随意流，输出不可随意用于训练。

透过这三道防线，我们可见AI行业正进入一个新的竞争合作阶段。

在此阶段，每家公司均身兼双重身份。

一方面，它们是模型提供方，自然希望自己的模型被广泛使用，接入更多产品，融入更多企业工作流。

另一方面，它们也是模型使用方。没有哪家公司能闭门造车，最强的模型、最好的编程工具、最成熟的云基础设施、最丰富的企业入口，往往分散在不同公司手中。

这些巨头考量诸多：既希望他人使用自己的模型，又恐惧他人利用自己的输出训练竞品；既想借助他人模型提升效率，又不愿让自身数据、代码和研发流程失控。

合作将继续，但大厂间的AI合作已不再是过去那种“应有尽有”的关系。

在云计算时代，大厂间亦互为客户。Netflix可运行于AWS，苹果可使用Google Cloud，微软软件亦服务竞争对手。那时，基础设施与应用间的边界相对清晰：你租我的服务器，我提供算力、存储和网络；你的数据、产品逻辑和业务流程仍在你自己的系统中。

当然，云时代亦存在安全、合规及供应商锁定问题，但整体而言，它仍像一种基础设施租赁关系。

这套逻辑在大模型上已难以适用，因为大模型不仅是基础设施，更是能力本身。

你调用我的模型，本质上是付费使用我的模型能力；你将我的输出接入你的流程，不仅是获取结果，也可能将我的能力沉淀到你的体系中。

这种连接带来效率，也伴随风险。

大厂间的连接因此变得更加敏感。过去仅是流程细节的问题，现在均成为合作的前置条件：谁能用、用多少、数据如何进出、输出能否复用……

早些年，当AI仅是效率插件时，谁好用就用谁；但当AI成为核心生产资料，它就必须被权限化、配额化、审计化和边界化。

AI工具的自由试用期，已经结束了。

本文来自微信公众号：字母AI，作者：袁心玥，编辑：王靖

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4872135.html?f=wyxwapp

(责任编辑：探索)