AI大厂，正在互相设防

发布时间：2026-07-17 09:45:03 来源：安智兰德资讯网 作者：休闲

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”——谁家模型强悍，便率先端上餐桌；谁家代码助手顺手，相设便直接拿来使用；若不知如何下手，AI大厂便先尝几口“龙虾”开胃。正互Token（令牌）如同餐盘里的相设薯条，被随意抓取、AI大厂大量消耗。正互

然而，相设到了2026年上半年，AI大厂这场自助餐会突然开始“查验门票”。正互

今年3月前后，相设谷歌因算力容量告急，AI大厂开始限制Meta对Gemini模型的正互使用。尽管Meta试图购买更多Gemini相关的相设计算资源，但谷歌已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，谷歌多数员工被禁止使用Claude Code、Codex等竞争对手工具，仅可申请例外；与此同时，部分DeepMind团队（涵盖Gemini、内部应用及开源模型团队）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，微软因Anthropic的数据留存政策限制，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大厂彼此既是客户又是竞争对手。他们既渴望调用对方最强的模型能力，又极度担忧自身的数据、代码、工作流及模型路线被对方“吸走”。

AI的“自由试用期”正式终结。AI大厂，正在互相设防。

图片由AI生成

01 AI大厂开始互相设限

纵观今年被曝光的事件，Google是最早显现“内外双重设闸”特征的巨头之一。

据《金融时报》报道，早在3月前后，谷歌已开始限制Meta对Gemini的使用。

从报道逻辑来看，这并非谷歌“不愿卖”，而是Meta所需的Gemini计算容量过大，超出了谷歌当时的供给极限。

换言之，Meta想多拿Gemini，但谷歌的“后厨”产能不足，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，也不一定能买到足够的容量。每一次调用背后，都是真实的算力消耗。

谷歌一边在外部对Meta设限，一边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”，被禁止使用Claude Code、Codex等竞品工具，若能证明业务必要性，可申请例外。

与此同时，部分DeepMind团队（包括Gemini、内部应用和开源模型相关团队）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”（Claude haves and have-nots）分化。用还是不用，成了员工面临的难题。

在此背景下，谷歌显得颇为矛盾：一方面，公司正推动员工积极使用AI，部分工程师甚至被设定了具体的AI使用目标，并可能与绩效评估挂钩；另一方面，不同团队能获取的AI工具存在差异。

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”不再仅仅是工具偏好问题，而是直接转化为效率差异。

从谷歌立场看，它并非不知道Claude Code、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编程工具在谷歌一线研发中仍具有不可忽视的价值（连谷歌自身也承认在Coding领域落后）。

尽管公开报道未披露谷歌“安全担忧”的具体细节，但从企业内部使用AI编程工具的场景分析，这类担忧通常涉及代码、内部文档、产品信息和工作流数据泄露至外部模型。

说完谷歌，微软也面临类似的顾虑。

The Verge 5月14日报道称，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。

据报道，Claude Code在微软内部颇受欢迎，但毕竟它是Anthropic的工具。将员工导向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，微软开始限制Claude Fable 5的使用。

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

报道称，微软法律团队正在评估员工内部是否可以使用该模型，担忧点主要集中在客户数据、内部代码和机密信息的安全上。

到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。

报道标题直指原因：Meta担心竞争对手模型的输出可能混入自家训练数据，从而触发蒸馏风险、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。

这些大厂的限制方式虽不尽相同，但共同揭示了一个事实：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了。

02 大厂给AI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，通常不会影响公司的底层资源分配。

但AI不同。每一次模型调用背后，都牵涉到算力、Token、代码、数据、权限和输出资产。

当AI成为公司的核心生产资料，企业对待它的态度自然发生了根本性转变。

梳理近期信息，大厂开始给AI工具设立三道防线。

第一道闸：资源

算力和Token均不可无限使用。

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背后都是真实的算力账单。尤其是长上下文、代码任务、Agent工作流，其资源消耗远超普通问答。

问题是，AI竞争已进入算力紧缺阶段。

路透社今年多次指出，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；其中2月报道提及约6000亿美元，3月转述S&P Global Visible Alpha的数据则约为6350亿美元。这是一场历史级别的资本开支，但即便如此，市场仍在讨论这些资金何时能转化为足够的可用算力。

最近的存储和内存价格上涨，是一个直观的信号。

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已上涨约6倍。摩根士丹利将此现象称为“芯片通胀（chipflation）”：最初仅是AI基础设施瓶颈，现已外溢至硬件利润率、设备价格、云成本、资本开支和供应链延迟。

谷歌限制Meta使用Gemini，便是最直接的资源侧限制。路透社转述称，这一短缺影响并推迟了Meta的部分内部AI项目，其他谷歌客户也受到影响，只是程度较轻。与此同时，Meta已要求员工更高效地使用AI Token。

这意味着，连Meta这种愿意付费的大客户，也不一定能买到足够的模型容量；连谷歌这样的云和AI基础设施巨头，也不得不在客户间分配算力。

第二道闸：数据

代码、客户信息和内部机密，不能随意进入外部模型。

这并非大厂过度敏感，他们已有前车之鉴。

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。

员工一旦将代码、会议记录和内部资料输入外部模型，数据便已离开公司的可控边界。

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；员工粘贴到ChatGPT的内容中，约11%属于敏感数据。

AI研发场景中的数据风险更大。做开发的人都知道，发布代码前检查API Key是否被误提交是基本操作。而在AI数据集、模型训练和开源样本共享场景中，这一问题会被放大。

同为2023年，微软AI研究团队曾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消息和员工工作站备份。

在AI Coding已成趋势的当下，大厂员工使用AI时，反而更需注意数据边界。

本地部署可将数据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将愈发重要。

但当模型能力与工作效率挂钩，员工想用的往往不只是“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。本地部署一个开源模型或许能解决部分数据边界问题，但很难复刻外部工具的完整体验和能力。

这也是为什么谷歌因安全担忧限制大多数员工使用Claude Code、Codex，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。

第三道闸：资产

模型输出，不能随意进入竞争对手的研发流水线。

资产闸有两个开关，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，他们要防范“蒸馏”：Anthropic的条款禁止用户使用Claude输出训练与Anthropic竞争的模型；OpenAI也禁止用户使用OpenAI服务的输出开发与OpenAI竞争的模型。

也就是说，模型可以被调用，但输出不能随意拿去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，还包括模型输出中体现出的能力：代码能力、推理方式、任务拆解、合成数据、评测样本、某类问题的标准解法。如果竞争对手可以大规模调用一个强模型，再将这些输出整理成训练数据，就等于用别人的能力给自己的模型“补课”。

因此，模型提供商必须在条款中堵住这一漏洞。他们的这道闸写在条款里。

对模型使用商而言，他们则要自证清白。

这道闸与第二道闸几乎是一体两面：数据闸关心“我的数据会不会进入外部模型”，资产闸则关心“外部模型的输出会不会影响我”。前者防范自己的数据流出，后者防范别人的能力流入。

合规问题是不得不考虑的一环。

Meta限制Claude和Codex，限制的是模型构建场景。据The Information披露的Meta内部文件，公司担心Claude或Codex的输出进入自己的模型构建流程，如训练数据、合成数据生成、评测、模型优化或代码基础设施。

因为一旦这些输出进入研发流水线，就可能被对方视为：你在用我的模型能力训练或改进你的模型。

更进一步，如果这种调用变成大规模、系统性抓取，就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日之间，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。虽然此消息尚未进入公开诉讼，但已纳入政策和监管语境。

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

这些承包商被要求创建虚假的未成年人账号，向竞争对手的聊天机器人提问多种高风险内容，有时还会发送图片，再把回复复制进表格。

Meta的说法是，这是标准的安全测试和Benchmarking。但就事论事而言，很难说没有触犯到模型的竞争边界。

资产闸，可看做大厂给自己的模型研发流程留出的合规余地。

否则，未来一旦出现模型能力争议、合同纠纷或监管审查，公司很难证明自己的模型没有借用竞争对手的输出。

03 AI行业进入新的竞合阶段

“三”这个数字很有意思，容我偏题一下：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。

希腊神话里，进入冥界需通过三道关卡：先渡过冥河，由摆渡人卡戎带路；然后遇到守门犬刻耳柏洛斯；最后进入审判体系。其中刻耳柏洛斯是三头犬，十字路口坐着冥界的三位判官，就连冥界本身也分为三层。

如今，AI大厂的入口也多了三道防线：

资源不能无限用，数据不能随便流，输出不能随便拿去训练。

透过这三道防线，我们可以看到，AI行业正在进入一个新的竞争合作阶段。

在这个阶段，每家公司都同时拥有两种身份。

一方面，它们是模型提供方，当然希望自己的模型被更多人使用，被接入更多产品、放入更多企业工作流。

另一方面，它们也是模型使用方。没有哪家公司可以闭门造车，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，往往分布在不同公司手中。

这些大厂考虑的事情很多：既想让别人用自己的模型，又不能让别人拿自己的输出训练竞品；既想用别人的模型提高效率，又不能让自己的数据、代码和研发流程失去控制。

合作还会继续，但大厂之间的AI合作已不再是过去那种“应有尽有”的关系。

在云计算时代，大厂之间也会互为客户。Netflix可以跑在AWS上，苹果可以使用Google Cloud，微软的软件也可以服务竞争对手。那时，基础设施和应用之间的边界相对清晰：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的系统里。

当然，云时代也有安全、合规和供应商锁定问题，但整体来看，它更像一种基础设施租赁关系。

但这套逻辑在大模型上已难以适用，因为大模型不仅仅是基础设施，更是能力本身。

你调用我的模型，本质上是在付费使用我的模型能力；你把我的输出接入你的流程，不只是拿到一个结果，也可能把我的能力沉淀到你的体系里。

这条连接会带来效率，也会带来风险。

大厂之间的连接因此变得更加敏感。过去只是流程细节的问题，现在都变成了合作的前置条件：谁能用、用多少、数据怎么进出、输出能不能复用……

早些年，当AI只是效率插件时，谁好用就用谁；但当AI变成了核心生产资料，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。

相关文章