Bloomberg 引述知情人士报导，Meta 正在规划一项新业务，将多余的 AI 算力对外出租，并考虑让外部开发者付费使用託管在其基础设施上的 AI 模型。这则消息迅速在市场引发讨论，最直观的解读是：Meta 可能在 AI 基础设施上投入过度，导致产能出现剩余，因此选择透过出租来回收部分成本。这种看法很容易让人联想到，Meta 在 AI 竞赛中的进展不如预期，未来资本支出可能放缓，甚至对半导体与数据中心相关供应链形成负面压力。

然而，这种「算力过剩」的直观解读，与近期实际情况存在明显矛盾。就在 Bloomberg 报导 Meta 规划出租算力的前几週，Meta 才与 Crusoe 签署协议，取得位于 Texas 与 Missouri 两个数据中心合计约 1.6GW 的新容量；与此同时，Financial Times 也报导 Google 因容量不足而限制 Meta 使用 Gemini 模型，导致部分内部项目延迟。两件事几乎同时发生，显示 Meta 目前并非处于全面「算力过剩」的状态。更合理的解释来自 FundaAI 的分析：这不是单纯的产能过剩，而是不同世代 GPU 在不同工作负载上的经济效益已出现明显分化。H100/H200 在推理服务、模型微调、企业部署以及生成式应用等场景中，依然具备极高价值；但当模型规模跨越 3T 参数、进入混合专家架构、长上下文与重度强化学习后训练阶段时，这些 GPU 的训练经济效益会明显下降——瓶颈从单卡算力转移到 HBM 频宽、GPU 间高速互联、专家路由效率以及大规模集群通讯等系统级问题。一个 H100 集群当然仍可运作，但实际训练时间会更长，通讯开销更高，且集群利用率更难维持。最终的结果是，为了训练相同的前沿模型，H100 在成本和时间上都落后于 GB200/GB300，且落后 Vera Rubin 的幅度还会更大。把较旧世代 GPU 转向外部商业化与推理用途，把最新世代保留给内部最前沿训练，这种代际配置策略，与 xAI 将 Colossus 较旧 GPU 出租给其他 AI 实验室的做法高度一致。META仅仅只是将不同世代的 GPU 投入到最符合其经济效益的用途中。而藉由租赁旧世代GPU算力容量得到的营收，持续投入前沿模型的研发，最终或许capex不减反增。

对 Meta 而言，这件事最值得重视的层面，是它开始为创办人高度自由的资本配置引入外部纪律。Meta 与其他大型科技公司最大的结构差异，在于创办人至今仍拥有极高的决策控制权。这带来决策速度与转向能力，但也让股东长期面对一个核心问题：当公司核心业务持续产生强劲现金流时，这些资金最终会被导向何处？过去 Reality Labs 的经验，已让市场对此类长期、高额、难以及时验证的投资保持高度警觉。

当 Meta 大举投入 AI 基础设施时，类似疑虑再度出现。市场担心的不是技术方向本身，而是这些巨额支出是否会再次成为一个主要依赖创办人个人判断、外部难以有效制衡的长期押注。
把多余算力对外出租，等于在原本只有内部成功路径的投资上，增加了一层市场可检验的机制。这些资产开始出现可量化的利用率、外部客户定价、实际现金流，以及可被检验的投资报酬率。这让大额基础设施投资多了一个现实世界的回馈迴路与风险缓冲。长期来看，这有助于降低市场对 Meta 资本配置风险的折价，进而影响其整体估值结构。