文 | 舒书

7月1日，彭博社一则消息搅动了整个AI产业链：Meta正计划推出云基础设施业务，向外部客户出售AI算力和模型访问权限，项目代号Meta Compute。两种方案同步推进——一是效仿AWS Bedrock提供模型托管访问，二是效仿CoreWeave直接出租原始算力。

市场给出了泾渭分明的反应：Meta股价单日大涨8.8%，市值增加约1270亿美元；而CoreWeave和Nebius分别暴跌13.9%和17.0%，闪迪、美光等存储芯片股跌超10%。

市场的第一反应是算力过剩了。但拆解后会看到，事情远比想象中复杂。

一、Meta为什么要卖算力？

Meta对外出租的是上一代H100/H200推理算力，而自身仍在疯狂采购最新GB200、自研Rubin芯片用于下一代模型训练。前沿训练算力依旧极度紧缺，闲置的是上一代推理产能——这是算力市场的结构性分化，而非总量过剩。

Meta Compute的战略意图包含多个层面：

模型商业化闭环。Llama开源多年，大量被第三方云厂商免费商用，Meta无法收取模型授权费。通过Meta Compute提供模型托管服务，Meta可以首次从Llama生态中获得直接商业回报，同时构建Llama生态护城河。

摊薄固定成本，获取议价权。对外售卖算力可以提升数据中心利用率，摊薄服务器、电力、运维的固定成本；同时稳定的外部算力订单，能让Meta向上游英伟达、存储厂商拿到更低的批量采购价。

资本市场估值修复。AWS/Azure/GCP均可通过云业务平滑AI资本开支周期。Meta拥有成熟的内部私有云技术架构和全球数据中心网络，但从未对外商业化运营公有云，其估值一直存在资本开支不可对冲的折价。Meta Compute的宣布，本质上是在向资本市场讲一个我们也有云的新故事。高盛分析指出，市场逻辑正在转向奖励那些能够削减资本支出的企业，Meta被视为第一家展现出财务纪律的超大规模企业。

扎克伯格在5月股东电话会上已埋下伏笔：“几乎每周都会有外部公司联系我们，希望我们推出API服务，或者询问是否可以购买我们的算力，甚至愿意支付高于我们采购成本的价格。”

二、Meta Compute与市场竞争

Meta Compute的两种方案对应完全不同的竞争逻辑：

方案一：模型托管（类似AWS Bedrock）——赛道玩家包括AWS Bedrock、Azure OpenAI、Google Vertex AI。Meta的优势在于Llama的开源生态和全球开发者心智，劣势在于缺乏企业级服务经验。

方案二：原始算力出租（类似CoreWeave）——赛道玩家包括CoreWeave、Lambda Labs等中小厂商。Meta入局的冲击不仅是新增了一个竞争者，更是抽走了这些新型云企业的核心订单来源。目前Meta与CoreWeave仍有总额高达352亿美元的长期算力采购协议存续，Meta既是CoreWeave最大客户又直接下场抢其饭碗，这种双重身份正是反垄断审查最直接的实锤证据。

关键追问：Llama是开源的，开发者为什么不在AWS上部署，而要在Meta Compute上付费使用？

Meta Compute有机会建立“官方版本+合规授权”的差异化：Llama在自有算力集群上的深度适配可以优化推理性能；官方托管可提供商用授权，规避开源模型的知识产权灰色地带；闭源版Llama和Muse Spark新版本可优先首发。

但这个差异化的价值取决于一个关键变量：Meta的闭源策略。如果Meta继续开源最新模型，首发优势就会消失；如果转向闭源，开发者生态可能反噬。这个选择本身将决定生态锁定是真实壁垒还是美好假设——而Meta尚未明确表态。

三、组织能力：挑战真实存在

Meta Compute由三个人共同领导：基础设施主管Santosh Janardhan（技术线）、超级智能实验室负责人Daniel Gross（产品线）、Meta总裁Dina Powell McCormick（战略线）。

三线共管的治理结构，暴露了Meta内部对这项业务的定位模糊。Dina Powell McCormick此前负责的是政府关系和公共政策，她缺乏企业级技术销售或云服务运营经验。欧美政企云订单确实需要政府关系，但更需要行业解决方案团队、客户成功团队和渠道合作伙伴体系。

过去两年，Meta经历了一轮剧烈的AI化重组。2025年Llama 4发布后口碑不及预期，扎克伯格以143亿美元收购Scale AI 49%股份并引入其创始人Alexandr Wang领导TBD Lab；半年内四次调整AI组织架构。但并购Scale AI并没有直接补齐To B短板——Scale AI核心业务是数据标注，与To B销售、企业级客户服务之间没有直接关联。

Meta真正的组织挑战在于：

文化冲突。Meta一贯奉行快速试错、季度考核、末位淘汰的C端机制，而To B云业务需要3-5年客户深耕、长交付周期、稳定续约。Workplace的失败正是这种文化冲突的产物——它被要求在短期内证明商业价值，而To B SaaS需要3-5年才能验证产品-市场匹配，Meta选择了放弃而非坚持。

人才流失。风投公司SignalFire的报告显示，Meta员工留存率仅64%，在头部科技公司中垫底（Anthropic为80%，Google DeepMind为78%，OpenAI为67%）。FAIR、Llama核心研究员持续出走，刚组建的Enterprise Solutions团队稳定性存疑。

销售体系缺失。Meta历史上几乎没有大规模行业销售、渠道、大客户成功经理岗位。FDE工程师在第一阶段（开发者社区）可以承担核心客户成功职能，但在第二阶段和第三阶段需要与销售团队、客户成功团队形成铁三角，而非单打独斗。

四、外部壁垒：反垄断、数据隔离与竞合陷阱

Meta本身是欧盟《数字市场法案》重点监管的守门人企业，常年因数据垄断、自我优待遭受巨额处罚。一旦同时手握全球社交流量数据和海量AI算力基础设施，欧美监管极易认定Meta利用算力捆绑Llama模型、滥用市场支配地位排挤第三方云厂商。

政企客户的核心诉求是业务数据物理隔离，而Meta的模型训练高度依赖社交用户数据。市场普遍质疑其能否搭建绝对隔离的算力集群与数据审计体系。在金融、医疗、政务等高合规行业，缺少权威第三方安全认证，Meta根本无法入局。

一个更隐蔽的风险在于Meta与CoreWeave的双重关系。双方仍存续总额高达352亿美元的长期算力采购协议（第一笔142亿美元执行至2031年，第二笔210亿美元覆盖2027-2032年），Meta既是CoreWeave最大的甲方客户，又直接下场抢其饭碗。这种既是甲方又是竞争对手的双重身份，将是反垄断审查最直接的实锤证据——监管机构无需复杂论证，仅凭这一事实即可启动调查。

五、结论：不是能不能，而是什么节奏

Meta卖算力，从战略层面看是理性的。对外出租上一代算力回收现金流，同时为Llama建立商业化变现通道、摊薄固定成本、修复估值折价——多重诉求叠加，值得投入。但AI算力租赁和模型托管行业普遍毛利率在35%-45%区间，远低于Meta广告业务40%以上的净利率，这意味着即便成功也是一项增收难增利的业务。

组织挑战、反垄断风险、数据隔离可信度是真实存在的硬约束。关键在于选择什么节奏，以及什么样的组织机制来保障这个节奏。

第一阶段（6-12个月）：专注Llama开发者社区，提供低价算力+模型托管，验证产品-市场匹配。

第二阶段（1-2年）：拓展中小型企业客户，建立基础销售团队和客户支持体系。

第三阶段（3-5年）：若前两阶段验证成功，再进入政企市场，同步建设合规能力和渠道体系。

但更重要的是组织保障机制。Meta历史上所有三线共管的高管架构项目，最终都因权责边界模糊、决策链路冗长而低效甚至流产。Meta Compute需要一个拥有To B背景的单一领导者，而非三线共管的委员会——这是Meta新业务能够成功的唯一被验证的组织范式。

如果Meta跳阶段——直接冲击政企市场或试图在2026年Q4全面铺开——组织挑战将迅速吞噬战略优势。如果扎克伯格愿意给Meta Compute 2-3年的耐心期，用组织转型的节奏匹配业务扩张的节奏，它有可能走通亚马逊和谷歌走过的路（尽管窗口期更短、竞争更激烈，且利润率远低于原有业务）。

当一家靠广告活了21年的公司决定闯入To B战场，答案不在发射场，在组织里。它需要回答一个比算力够不够更难的问题：“你们的组织，准备好接住这笔To B的钱了吗？”