Meta与谷歌云刚刚宣布了一项价值100亿美元的AI云托管协议,这一巨额交易背后有着深远的战略意义。
Meta的宏大AI战略
这项100亿美元的协议只是Meta超过1000亿美元AI投资计划的一部分。扎克伯格反复强调要大规模扩张AI业务,公司在大幅裁减人力的同时,将剩余员工转移到AI相关部门,并大力推进业务流程自动化。2023年被称为"效率年",Meta在这方面动作频频,而且丝毫没有放缓的迹象。
长期战略联盟
这项协议将持续到2031年,届时我们可能已经拥有超人类智能体、强大的通用人工智能,甚至基于加密货币或其他新兴技术的全新国家经济体系。从实际意义上来说,谷歌和Meta几乎是在建立长期的技术联盟关系,而不仅仅是短期合作。
自建与外购的战略考量
这项协议在某种程度上是一个过渡性解决方案,体现了像Meta这样的大公司在"自建与外购"方面的战略考量——是利用外部供应商的资源,还是内部自建。这不仅适用于数据中心,也适用于AI模型:随着大语言模型越来越普及,公司必须决定是在他人的模型(比如OpenAI)上运行AI应用,还是自己构建模型。
就数据中心规划而言,Meta已经制定了相当具体的Prometheus和Hyperion项目计划,预计将分别提供1千兆瓦和5千兆瓦的计算能力。因此,在这六年之后,我们可能会看到完全不同的格局。
助力谷歌对抗强劲竞争
在AI云服务市场,谷歌面临着强劲的竞争对手。AWS从云计算诞生之初就是家喻户晓的品牌,现在已经推出了AWS Bedrock,用户可以选择OpenAI、DeepSeek或Anthropic等顶级模型提供商的服务。
但这项新协议为谷歌在AI云领域提供了重要助力,据报道,协议宣布后,谷歌的相关业务收入增长了32%。
服务的持续性问题
另一个需要考虑的背景是客户,特别是小客户,对谷歌云服务(包括新的AI服务)的看法。虽然Meta不太担心服务突然中断的问题,但在Reddit等平台上,一些用户质疑谷歌云是否能在竞争激烈的环境中"持续存在",以及谷歌是否会选择弃用某些服务。谷歌的文档显示其服务确实可能被弃用,但这并不意味着这种情况即将发生。
多元化服务生态
除了与Meta的协议,谷歌并不仅仅提供大批量服务。其GCP还提供BigQuery(无服务器数据仓库)、TensorFlow(支持多维数组的开源机器学习框架)等特色服务,还有Kubernetes引擎、对象存储等,帮助公司与AWS的生态系统方法竞争。
谷歌的其他AI服务还包括:
- Vertex AI:谷歌云的统一平台,用于构建、训练、部署和管理机器学习模型,集成了MLOps工具
- 生成式AI工作室:Vertex AI工具,用于创建、微调和部署生成式AI模型
- 语音转文本/文本转语音:预构建的AI API
- Vision AI:基于云的服务,使用机器学习分析图像和视频,检测对象、文本、面部和视觉模式
所有这些都将帮助谷歌与AWS和微软一起在AI云领域保持强势地位。
这项协议之所以引人注目,部分原因是其规模庞大,部分原因是它涉及了曾经FAANG五大科技公司中的两家。虽然随着英伟达成为股市之王,这个名单发生了一些变化,但Meta和谷歌仍然是两大科技巨头。
Q&A
Q1:Meta与谷歌云的100亿美元协议主要内容是什么?
A:这是一项AI云托管服务协议,将持续到2031年,是Meta超过1000亿美元AI投资计划的一部分。协议宣布后,谷歌相关业务收入增长了32%,这项合作将帮助Meta扩展AI基础设施能力。
Q2:为什么Meta选择与谷歌合作而不是自建数据中心?
A:这体现了大公司"自建与外购"的战略考量。虽然Meta已经制定了Prometheus和Hyperion等自建数据中心计划,但与谷歌的合作是一个过渡性解决方案,可以更快获得所需的AI计算资源。
Q3:谷歌云在AI领域有哪些主要服务和优势?
A:谷歌云提供Vertex AI统一机器学习平台、生成式AI工作室、语音转换API、Vision AI图像视频分析等服务,还有BigQuery数据仓库和TensorFlow机器学习框架,形成了完整的AI服务生态系统来对抗AWS等竞争对手。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。