以前 AI 工具就像科技公司里的免费自助餐——谁家模型好用，就先端上桌；谁家代码工具顺手，就先拿来写；不知道怎么吃，就来几盘 " 龙虾 " 开开胃。token 像餐盘里的薯条一样一把一把往外盛。

结果到了 2026 年上半年，自助餐厅开始查券了。

今年 3 月前后，谷歌因容量不足限制 Meta 对 Gemini 的使用。Meta 想购买更多 Gemini 相关计算资源，但谷歌无法满足全部需求。

4 月 22 日，据《洛杉矶时报》报道，谷歌大多数员工因为安全原因，被禁止使用 Claude Code、Codex 等竞争对手工具，但可以申请例外；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。

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

6 月 10 日，微软又因为 Anthropic 的数据留存要求，限制员工使用 Claude Fable5。

6 月 28 日，《金融时报》披露了谷歌限制 Meta 使用 Gemini 的细节，原本发生在幕后的算力短缺，以 " 巨头之间限量供应模型容量 " 的形式浮出水面。

紧接着，6 月 29 日，The Information 披露 Meta 内部文件：公司正在限制员工在 AI 模型构建中使用 Claude 和 Codex。

随着模型越来越先进，AI 变成了大厂的核心生产资料，AI 大厂之间的关系也因此变得微妙。

AI 大厂彼此之间既是客户也是竞争对手，他们既要调用对方最强的模型能力，又怕自己的数据、代码、工作流和模型路线被对方吸走。

AI 的自由试用期结束了。AI 大厂，正在互相设防。

01

AI 大厂开始互相限制了

只看今年被报道出来的事件，Google 是最早被看到 " 内外两头设闸 " 的大厂之一。

据《金融时报》报道，早在 3 月前后，谷歌就已经开始限制 Meta 对 Gemini 的使用。

从报道口径看，并不是谷歌不想卖，是 Meta 想购买的 Gemini 相关计算容量太大，超过了谷歌当时能够提供的规模。

换句话说，Meta 想多拿一些 Gemini，但谷歌的 " 后厨 " 供不上，所以只能限量供应。

大模型调用不同于传统软件授权，即使客户愿意付钱，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需求。

谷歌一边在外部给 Meta 设限，一边也在内部给自己人设限，不让自家员工使用竞争对手的 AI 编程工具。

4 月 22 日，《洛杉矶时报》报道称，谷歌大多数员工因为 " 安全担忧 "，被禁止使用 Claude Code、Codex 等竞争对手工具，如果能证明有业务理由，则可以申请例外。

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。

这件事让谷歌公司内部出现了所谓 "Claude haves and have-nots"，用还是不用，这是个问题。

谷歌在这种情况下显得非常矛盾：一边，公司正在推动员工更积极地使用 AI，一些工程师甚至被设定了具体 AI 使用目标，并可能影响绩效评估；另一边，不同团队能拿到的 AI 工具并不一样。

据报道，部分员工认为谷歌内部模型在编码能力上不如 Claude，于是 " 能不能用 Claude" 就不只是工具偏好，直接变成了效率的差异。

从谷歌的立场上来看，它也不是不知道 Claude Code、Codex 好用——关键 AI 团队仍然在使用这些外部工具，至少说明外部 AI 编程工具在谷歌的一线研发里仍有不可忽视的价值（就连它自己都承认了 Coding 落后）。

公开报道没有披露谷歌 " 安全担忧 " 的具体细节，但从企业内部使用 AI 编程工具的场景看，这类担忧通常会涉及代码、内部文档、产品信息和工作流数据进入外部模型。

说完了谷歌，微软也有类似的担忧。

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，把开发者导向自家的 GitHub Copilot CLI。

据报道，Claude Code 在微软内部很受欢迎，但它毕竟是 Anthropic 的工具。把员工导向 GitHub Copilot CLI，一方面可以控制成本，另一方面也是把内部 AI 编程工作流重新放回微软和 GitHub 自己的体系里。

不久后，微软又开始限制 Claude Fable 5。

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这个模型，担心点主要集中在客户数据、内部代码和机密信息。

到 6 月底，Meta 也开始跟进，给外部模型设闸。

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

报道标题直接点出了原因：Meta 担心竞争对手模型的输出可能进入自家的训练数据，从而触发蒸馏、法律和竞争风险。

Anthropic 的条款可是明确禁止用户使用 Claude 输出训练与 Anthropic 竞争的模型，也禁止支持第三方这样做；OpenAI 的条款也写明，用户不得使用 OpenAI 服务的输出开发与 OpenAI 竞争的模型。

这些大厂并不是同一种限制，但共同说明了一件事：AI 工具已经不再是可以随便试用的效率插件了。

它消耗算力，流过代码，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。

大厂不是不用彼此的模型，是不敢再随便用了。

02

大厂给 AI 的三道防线

一个员工多装一个软件、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 不一样，每一次模型调用背后，都是算力、token、代码、数据、权限和输出资产。

当 AI 变成了公司的核心生产资料，公司对待它的态度自然也发生了变化。

把这段时间的信息串在一起看，大厂开始给 AI 工具设三道闸。

第一道闸是资源。

算力和 token 都不能无限用。

大模型不是传统软件。传统软件卖出去以后，边际成本很低，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，消耗的资源远比普通问答更重。

问题是，AI 竞争已经进入算力紧缺的阶段。

路 · 透社今年多次提到，微软、亚马逊、Alphabet 和 Meta 等巨头 2026 年 AI 相关资本开支已达到数千亿美元量级；其中 2 月报道提到约 6000 亿美元，3 月转述 S&P Global Visible Alpha 的口径则约为 6350 亿美元。这是一场历史级别的资本开支，但即便如此，市场仍然在讨论这些钱什么时候能转化成足够的可用算力。

最近的存储和内存价格上涨，也是一个非常直观的信号。

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经上涨约 6 倍。摩根士丹利把这种现象称为 " 芯片通胀（chipflation）"：最初只是 AI 基础设施瓶颈，现在已经外溢到硬件利润率、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，就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 已经要求员工更高效地使用 AI tokens。

也就是说，连 Meta 这种大客户愿意付钱，也不一定能买到足够模型容量；连谷歌这种云和 AI 基础设施巨头，也不得不在客户之间分配算力。

第二道闸是数据。

代码、客户信息和内部机密，不能随便进入外部模型。

这不是大厂过度敏感，他们已经有过前车之鉴。

早在 2023 年，三星半导体部门员工就被曝多次把敏感信息输入 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。

员工一旦把代码、会议记录和内部资料输入外部模型，数据就已经离开了公司的可控边界。

这类行为也不是孤例。Cyberhaven 早期监测显示，ChatGPT 上线后，4.7% 的员工至少一次把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 研发场景里的数据风险更大，做开发的人都知道，发布代码前检查 API key 有没有被误提交是基本操作。到了 AI 数据集、模型训练和开源样本共享场景里，这个问题会被放大。

同为 2023 年，微软 AI 研究团队就曾在分享开源训练数据时，因为错误配置 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 已成趋势的现在，大厂员工使用 AI 时，反而更需要注意数据的边界。

本地部署可以把数据留在公司自己的环境里，减少代码、日志、客户信息进入外部模型的风险。对于一些安全要求很高的场景，比如内部代码审查、日志分析、客服数据处理、合规文档整理，本地模型或者私有云部署会越来越重要。

但当模型的能力和工作效率挂钩，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、最会写代码的工具。本地部署一个开源模型或许能解决一部分数据边界问题，但很难复刻外部工具的完整体验和能力。

这也是为什么谷歌会因为安全担忧限制大多数员工使用 Claude Code、Codex，为什么微软会因为 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。

第三道闸是资产。

模型输出，不能随便进入竞争对手的研发流水线。

资产闸有两个开关，在模型提供商和模型使用商的两边。

对模型提供商来说，他们要防蒸馏：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，但输出不能随便拿去训练下一个竞争模型。

大模型公司的核心资产不只是模型权重，也包括模型输出中体现出来的能力：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，再把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。

所以，模型提供商必须在条款里把这件事堵住。他们的这道闸写在条款里。

对模型使用商来说，他们则要自证清白。

这道闸和第二道闸几乎是一件事情的两面：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。前者防的是自己的数据流出去，后者防的是别人的能力流进来。

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，比如训练数据、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，就可能被对方认为：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里提出指控，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。虽然这条消息还不是公开诉讼，但它已经进入了政策和监管语境。

说来好笑，《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。但就事论事的话，很难说没有触犯到模型的竞争边界。

资产闸，可以看做大厂给自己的模型研发流程留出的合规余地。

不然，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 行业进入了新的竞合阶段

" 三 " 这个数字很有意思，请容许我偏一点题：在希腊神话体系下，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，进入冥界要通过三道关卡：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。

现在，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，每家公司都同时有两种身份。

一方面，它们是模型提供方，它们当然希望自己的模型被更多人使用，被接进更多产品、被放进更多企业工作流里。

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里。

这些大厂考虑的事情很多，它们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；它们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 合作已经不会是过去那种 " 应有尽有 " 的关系了。

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。那时候，基础设施和应用之间的边界相对清楚：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还在你自己的系统里。

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

但这套逻辑在大模型上已经难以适用了，因为大模型不仅仅是基础设施，还是能力本身。

你调用我的模型，本质上是在付费使用我的模型能力；你把我的输出接进你的流程，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 工具自由试用期，已经结束了。