Bloomberg 引述知情人士報導，Meta 正在規劃一項新業務，將多餘的 AI 算力對外出租，並考慮讓外部開發者付費使用託管在其基礎設施上的 AI 模型。這則消息迅速在市場引發討論，最直觀的解讀是：Meta 可能在 AI 基礎設施上投入過度，導致產能出現剩餘，因此選擇透過出租來回收部分成本。這種看法很容易讓人聯想到，Meta 在 AI 競賽中的進展不如預期，未來資本支出可能放緩，甚至對半導體與數據中心相關供應鏈形成負面壓力。

然而，這種「算力過剩」的直觀解讀，與近期實際情況存在明顯矛盾。就在 Bloomberg 報導 Meta 規劃出租算力的前幾週，Meta 才與 Crusoe 簽署協議，取得位於 Texas 與 Missouri 兩個數據中心合計約 1.6GW 的新容量；與此同時，Financial Times 也報導 Google 因容量不足而限制 Meta 使用 Gemini 模型，導致部分內部項目延遲。兩件事幾乎同時發生，顯示 Meta 目前並非處於全面「算力過剩」的狀態。更合理的解釋來自 FundaAI 的分析：這不是單純的產能過剩，而是不同世代 GPU 在不同工作負載上的經濟效益已出現明顯分化。H100/H200 在推理服務、模型微調、企業部署以及生成式應用等場景中，依然具備極高價值；但當模型規模跨越 3T 參數、進入混合專家架構、長上下文與重度強化學習後訓練階段時，這些 GPU 的訓練經濟效益會明顯下降——瓶頸從單卡算力轉移到 HBM 頻寬、GPU 間高速互聯、專家路由效率以及大規模集群通訊等系統級問題。一個 H100 集群當然仍可運作，但實際訓練時間會更長，通訊開銷更高，且集群利用率更難維持。最終的結果是，為了訓練相同的前沿模型，H100 在成本和時間上都落後於 GB200/GB300，且落後 Vera Rubin 的幅度還會更大。把較舊世代 GPU 轉向外部商業化與推理用途，把最新世代保留給內部最前沿訓練，這種代際配置策略，與 xAI 將 Colossus 較舊 GPU 出租給其他 AI 實驗室的做法高度一致。META僅僅只是將不同世代的 GPU 投入到最符合其經濟效益的用途中。而藉由租賃舊世代GPU算力容量得到的營收，持續投入前沿模型的研發，最終或許capex不減反增。

對 Meta 而言，這件事最值得重視的層面，是它開始為創辦人高度自由的資本配置引入外部紀律。Meta 與其他大型科技公司最大的結構差異，在於創辦人至今仍擁有極高的決策控制權。這帶來決策速度與轉向能力，但也讓股東長期面對一個核心問題：當公司核心業務持續產生強勁現金流時，這些資金最終會被導向何處？過去 Reality Labs 的經驗，已讓市場對此類長期、高額、難以及時驗證的投資保持高度警覺。

當 Meta 大舉投入 AI 基礎設施時，類似疑慮再度出現。市場擔心的不是技術方向本身，而是這些巨額支出是否會再次成為一個主要依賴創辦人個人判斷、外部難以有效制衡的長期押注。
把多餘算力對外出租，等於在原本只有內部成功路徑的投資上，增加了一層市場可檢驗的機制。這些資產開始出現可量化的利用率、外部客戶定價、實際現金流，以及可被檢驗的投資報酬率。這讓大額基礎設施投資多了一個現實世界的回饋迴路與風險緩衝。長期來看，這有助於降低市場對 Meta 資本配置風險的折價，進而影響其整體估值結構。