Meta考虑将多余AI算力对外出租的消息，让AI行情再次遭遇暴力回调。如果放在三年前，没人会觉得奇怪——云计算本就是切分服务器再卖给别人的生意。但轮到最后一家非云厂商的头部公司开始出售算力，市场开始重新审视：千亿美元级别的AI资本开支是否买多了？
Palantir CEO Alex Karp在CNBC上为此燃烧了近20分钟。他先是宣布与英伟达的新合作，随即话锋直指OpenAI和Anthropic的Token收费模式。他表示，企业CEO私下抱怨「为不创造任何价值的Token买单，还得交出数据」，甚至把越来越贵的模型账单称为压在身上的财富税。
需求没有消失，只是开始挑人
AI资本开支（Capex）是过去两年整个叙事的核心。像21年放水一样，只要Capex预期持续增长，所有分支就一起涨。Meta卖算力的消息让市场第一反应是「Capex要塌了」。但公开数据不支持如此干脆的结论：AWS一季度收入涨28%至376亿美元（这几年少见的高增长）；Google Cloud 一季度收入涨至200亿美元；微软Azure仍以40%左右速度增长。亚马逊自称今年资本开支可能达2000亿美元，Alphabet将2026年指引抬至1800-1900亿美元，Meta自己也将全年资本开支抬至1250-1450亿美元。这些数字并不像需求崩塌，更像分流。
云厂商与模型厂商处境不同。云厂商卖的是路——只要路上有人跑，无论车是谁造，都能收钱。AWS甚至在6月底将其提前锁定GPU的AI云服务价格再次上调约20%（1月已上调约15%），这不是需求疲软时会出现的行为。稀缺带来卖方涨价。
但模型公司不一定都舒服。Anthropic之所以被市场另眼看待，不是因为便宜，而是因为用户愿意把最昂贵的任务（写代码、改系统、跑长任务）交给它，消耗的Token比闲聊大得多。强模型的麻烦是机器不够；弱模型的麻烦是机器没人心疼。xAI的Grok虽未形成清晰的企业认知，但马斯克体系内一部分算力流向Anthropic，这个动作说明机器不认创始人，只认谁能把它跑满。
Google与Meta的关系也反映错配而非纯粹过剩：6月有消息称Google限制了Meta对Gemini的使用，原因是Meta想买的算力超过了Google能提供的范围，甚至影响Meta内部一些AI项目。一个公司一边考虑卖算力，一边又在某些任务上买不到足够的头部模型能力。这是结构性错配。
企业拿到算力后的核心问题是：Token账单如何通过CFO？UBS最近调研约60%的企业IT高管正在压Token开支、加使用护栏，尤其那些已过试用期、开始将AI放进日常流程的公司。AI从玩具变成工具后，花钱反而更难了——玩具阶段怕错过，工具阶段必须证明价值。
AI Agent放大了这个问题。OpenAI与几所大学的Codex研究显示：2026年上半年Codex活跃用户增长超5倍；OpenAI内部法律岗位月输出Token中位数比2025年11月高13倍，研究岗位高50多倍。另一篇研究指出，agentic coding任务消耗Token可比普通代码聊天高1000倍，同一任务不同运行间Token消耗相差30倍。这是今天算力紧缺的底层：软件变成一群持续读文件、跑命令、改代码、失败重来的小型工人，每步都在吃Token。
当Token变成电表，谁拥有发电厂谁有权力，但谁浪费电谁先被审问。CFO会问：哪些任务必须用最强模型？哪些只需够用？这时，智谱GLM-5.2、Kimi、DeepSeek、Qwen等开源模型就不再只是技术新闻，而成了企业采购桌上的砍价工具。a16z的Marc Andreessen表示，很多AI从业者已把GLM-5.2视为首批能在多数任务匹配甚至超越美国头部公开模型的中国模型。Coinbase CEO Brian Armstrong更给出硬证据：公司把默认模型切到GLM 5.2、Kimi 2.7等开源模型，配合模型路由、缓存和精简上下文，Token使用量仍在指数增长，AI支出却砍了近一半。企业第一次可以把模型能力拆开采购：最难任务继续交最贵模型，普通摘要、客服、信息抽取、内部知识库问答交给便宜模型和本地部署。
算力没有消失，只是开始分层
Meta卖算力不是孤立新闻。它和Palantir骂Token、Coinbase切开源模型说的是同一件事：AI支出链条开始被拆解。上游卖确定性（云厂商），中游卖结果（强模型公司），下游压单价（企业采购）。每一层都在增长，但每一层都被问：钱花得值不值？
过去两年，AI行业讲的是资源不够的故事：GPU不够、电力不够、数据中心不够、工程师不够。抢资源时人不会算细账，因为慢一步代价更大。但Meta把另一个问题推出来：机器买回来不因贵就自动变好生意。它需要每天有活干、有客户愿付费、有模型跑满、有应用把成本转成收入。这就是利用率——不关心未来，只问今天这台机器有没有开工。
云厂商回答利用率问题相对容易：它们卖基础设施，客户训练、推理、托管最终都落在云上。强模型公司也有回答：若模型足够强，用户愿排队，企业愿接入，算力是瓶颈而非库存。最难的是中间层：有机器、有故事、有模型团队、有大预算，但模型未跑到最前面，产品未成日常习惯，开发者不愿为它改工作流。对这类公司，算力从武器变成库存只需一次模型发布失败或用户迁移。库存必须降价、出租、找新用途。
因此，最好的理解不是「算力过剩」，而是「算力分层」。最上层仍紧：最强模型、最好云、最稳定GPU集群还有人在抢（AWS能涨价就是确定性本身有价）。中间层开始尴尬：不差但不够稀缺，客户会比较、砍价、问为什么不用更便宜的模型。最底层被开源和成本优化挤压：企业不会为普通任务永远调最贵模型，会做路由、缓存、压上下文、拆模型档位。
需求长大了。小孩子花钱不看账单，成年人会看。AI进入企业也经历这个阶段：试点期怕错过，规模化期算账。算账后，产业链不再整齐：有人继续涨价（卖确定性），有人改卖结果（客户不想为消耗本身付钱），有人被迫降价（替代品出现），有人出租机器（闲着比低价出租难看）。这几件事同时发生，让行业看起来矛盾：一边算力紧缺，一边算力出租；一边Token消耗暴涨，一边企业压低AI支出；一边头部模型越来越强，一边开源越来越便宜。它们不冲突——AI已从一个总量故事进入结构故事。
十九世纪铁路泡沫里，铁路不是假的；互联网泡沫里光纤也没错。但很多修铁路和铺光纤的人亏了钱——他们输在方向正确但账本算错了时间。AI数据中心也会留下很多有用资产：GPU会折旧，电力合同会续签，软件会越来越会吃算力。但资产有自己的脾气：不关心未来，只关心每天有没有人来用。Meta卖算力的信号就卡在这里：它不是AI终点，也不是半导体终点，而是资本开支叙事走到中段时，第一次有人打开仓库门，让外面看见有多少机器。有些会被头部模型吃掉，有些被云客户租走，有些在价格战中变便宜，有些静静等尚未出现的应用。市场现在开始问：谁先等到？谁等不到？谁等到了也赚不到足够的钱？这个问题一变，AI的故事就不只属于买机器最快的人了。