算力紧张：谷歌收紧 Gemini 调用，Meta 研发遇阻

算力紧张：谷歌收紧 Gemini 调用，Meta 研发遇阻

随着全球大模型竞赛进入“规模竞赛”阶段，算力已成为制约AI企业发展的核心瓶颈。近期，谷歌和Meta先后曝出因算力紧张而调整策略的消息，折射出行业在GPU短缺与电力成本飙升双重压力下的艰难抉择。

谷歌：Gemini 调用收紧，从“开放”转向“精细管控”

作为全球最受关注的多模态大模型之一，Gemini在发布初期曾以免费API和高频调用量吸引开发者。然而，据业内人士透露，谷歌近期已悄然收紧对Gemini的调用配额，包括降低免费层级的每日请求上限、延迟API响应时间，并限制部分高并发场景下的推理请求。这一举措背后，是谷歌内部数据中心算力资源分配紧张的现实——既要支撑Gemini Ultra等旗舰模型的训练迭代，又要兼顾搜索、广告等核心业务的推理需求，而英伟达H100/B200等高端GPU的交付周期已延长至半年以上。谷歌被迫在“扩展用户规模”与“保证模型性能”之间做出取舍，优先保障自有生态和付费企业客户。

Meta：研发遇阻，Llama 4 训练被迫推迟

相比之下，Meta的困境更为严峻。据外媒报道，Meta原计划在2024年第三季度启动Llama 4的预训练，但因算力基础设施扩建进度滞后，训练启动时间已被推迟至年底。Meta的算力缺口主要来自两方面：一是其自研的MTIA芯片产能尚未跟上，仍需依赖英伟达GPU，而后者在2024年已出现严重供不应求；二是Meta位于爱尔兰、丹麦等地的数据中心因电力配额不足，无法按时接入足够算力集群。此外，Meta内部还面临“多模型争抢资源”的问题——Llama 3.1的持续优化、ImageBind等多模态项目以及AI广告推荐系统，都在争夺同一批GPU卡。训练延迟不仅影响模型迭代节奏，更可能让Meta在开源大模型赛道上的领先地位被Mistral、Qwen等后来者侵蚀。

深层影响与行业趋势

算力紧张并非短期现象。据估算，2024年全球AI训练所需的GPU算力缺口仍高达30%以上，且随着模型参数向万亿级演进，单位算力成本呈指数级上升。谷歌和Meta的遭遇表明，未来AI竞争将不仅是算法和数据的竞争，更是“算力资源调度能力”的竞争——企业需要更精细地平衡训练、推理、实验与商业部署之间的资源分配，同时加速自研芯片和异构计算方案的落地。对于中小开发者而言，这意味着大模型API的免费调用窗口正在关闭，算力成本将逐渐成为AI应用落地的核心门槛之一。