AREX Feed Article
14GW、1450 亿美元、半年一颗芯——Meta 用 Iris 芯片正面硬刚英伟达
TL;DR：路透社独家获取的内部备忘录显示，Meta 计划于 2026 年 9 月启动自研 AI 芯片 Iris 的量产，同时将总算力从今年的 7GW 翻倍至 2027 年的 14GW。Iris 属于 Meta Training and Inference Accelerator（MTIA）四代芯片路线图中的 MTIA 400，由 Broadcom 联合设计、台积电制造。这标志着超大规模云厂商对英伟达 GPU 垄断的集体反叛进入新阶段——定制硅不再是"锦上添花"，而是关乎 AI 成本结构的生存之战。
当"算力税"贵到不可承受
过去五年，AI 芯片的故事只有一个主角：英伟达。从 GPT-3 到 Llama 4，几乎每一块推动 AI 进步的硅片上都印着 NVIDIA 的 logo。黄仁勋的 GPU 帝国凭借 CUDA 生态和训练性能的绝对优势，让所有云厂商和 AI 公司都成了它的客户——同时也是它的"佃农"。
但这个共识正在裂解。
Google 有 TPU，Amazon 有 Trainium，OpenAI 上个月刚刚亮出了与 Broadcom 合作打造的推理芯片，Anthropic 被曝正在与三星探讨自研芯片。而现在，Meta——这家每年在 AI 基础设施上砸下高达 1450 亿美元的社交巨头——拿出了迄今为止最大胆的定制硅路线图。
路透社独家获得的内部备忘录显示，Meta 代号"Iris"的自研 AI 芯片将于 9 月进入量产。这颗芯片在仅仅六周的测试中未发现重大问题——对于一个五年多来屡经波折的自研项目而言，这个速度本身就是一记强信号。
备忘录中一句坦诚的抱怨点破了动机：在 Meta 这样的体量下，采用最新 GPU"一直是一项沉重的负担，浪费了大量时间（has been a heavy lift, and it has cost us time）"。翻译过来就是：英伟达的"算力税"太贵了——不仅是价格，还有排期、配额和永远填不满的供需缺口。
Iris 9 月量产，Meta 的定制硅正式上膛
根据路透社报道的内部备忘录，Iris 芯片是 Meta 今年 3 月公布的 MTIA 四代路线图中的 MTIA 400。这颗芯片已经完成了六周的漏洞测试，未发现重大问题，将于 2026 年 9 月启动量产。
Broadcom 是 Meta 的首席设计合作伙伴，台积电负责制造。Meta 同时锁定了长期供应协议：三星提供内存芯片，SanDisk 供应闪存，住友电工供应光纤设备。这一系列合同直接回应了摩根士丹利分析师所称的"芯片通胀"（chipflation）——内存和其他芯片价格正以惊人速度上涨。
Meta 的算力扩张计划令人瞠目：2026 年部署 7GW 计算基础设施（目前已完成约 1GW，下半年追加 5.5GW），2027 年翻倍至 14GW。14GW 是什么概念？Cointelegraph 推文下一则热门评论写道："14 gigawatts is an absurd power footprint for one company. That's small-country territory just for AI compute."
Meta CFO Susan Li 在 4 月已将该年度资本开支预期上调至 1250 亿至 1450 亿美元。即便取中位数，这也意味着 Meta 每天在 AI 基础设施上烧掉超过 3.7 亿美元。
路透社这条独家新闻在 X 上引发了爆炸式传播：@Reuters 两个推文变体合计超过 12 万次浏览，@Cointelegraph（294 万粉丝）的报道获得了 222 次点赞和 5.8 万次浏览，@coinbureau（111 万粉丝）的推文获得了 189 次点赞、47 次转发和 3.8 万次浏览。BofA 分析师 @WisemanCap 的分析推文也获得了 208 次点赞和 5.4 万次浏览，说明华尔街对这条新闻的定价影响同样高度关注。
四代芯片、两年周期：MTIA 的技术底牌
Meta 的 MTIA 项目并非从零开始。自 2023 年以来，Meta 已经部署了数十万颗 MTIA 100 和 MTIA 200（原 MTIA 1 和 2i）芯片，在生产环境中承载了大量内部模型，甚至用 Llama 等大语言模型进行了测试。相关研究论文已发表在 ISCA'23 和 ISCA'25 顶会上。
但真正的加速始于今年 3 月。Meta 在官方博客中一口气公布了四代新芯片：MTIA 300、400、450 和 500。这些芯片要么已经部署，要么将在 2026-2027 年上线，工作负载也从最初的排序与推荐（R&R）推理，扩展到 R&R 训练、通用生成式 AI 和 GenAI 推理。
Iris 对应的 MTIA 400 是这条路线图中的关键转折点。与更注重性价比的 MTIA 300 不同，MTIA 400 是 Meta 第一款"不仅要省钱，还要在原始性能上与领先商业产品竞争"的芯片。它在单一机架内集成了 72 颗加速器，通过交换背板形成单一扩展域，FP8 算力相比 MTIA 300 提升 400%，HBM 带宽提升 51%。每颗加速器内置两个 RISC-V 向量核心、点积引擎、专用函数单元和归约引擎。
更惊人的是迭代速度。在 MTIA 400 的基础上，MTIA 450 将 HBM 带宽再翻倍——Meta 称其"远高于现有领先商业产品"——并引入了专门针对 GenAI 推理的低精度数据类型优化。MTIA 500 则在 MTIA 450 基础上再将 HBM 带宽提升 50%，MX4 算力提升 43%。从 MTIA 300 到 MTIA 500，HBM 带宽增长 4.5 倍，算力增长 25 倍，时间跨度不到两年。
Meta 芯片负责人用三个关键词概括这套策略：高速迭代（每半年一颗新芯片，远快于行业通常的一年以上周期）、推理优先（MTIA 450 和 500 首先为 GenAI 推理优化，而非训练）和 PyTorch 原生（与 PyTorch、vLLM、Triton 的开源生态无缝兼容）。核心理念是模块化 chiplet 设计——计算、I/O、网络各自独立升级，不同 chiplet 甚至可以在不同制程节点上制造，从而实现"数月迭代，而非数年"。
这种速度是对 AI 模型演进不确定性的一种对冲。正如 Meta 博客原文所写："芯片设计基于预测的工作负载，但当硬件到达量产时——通常是两年后——那些工作负载可能已经发生了实质性变化。"与其押注一个方向等待漫长周期，不如快速迭代、持续调整。
一条价值千亿美元的供应链
Iris 的背后是一张精心编织的全球供应链网络。
Broadcom 作为首席设计合作伙伴，今年早些时候与 Meta 签署了扩展协议，将定制 AI 芯片合作延续至 2029 年，覆盖多个 MTIA 代际。协议首期承诺部署超过 1GW 的计算容量，后续瞄准"数十 GW"的规模。
台积电承担制造角色。考虑到 MTIA 400/450/500 的先进制程需求，几乎可以确定采用的是台积电最先进的量产节点。Meta 同时锁定了三星的内存芯片长期供应——这在当前 HBM 严重短缺的背景下尤为关键。SanDisk 的闪存合同和住友电工的光纤供应协议，则补齐了从芯片到数据中心互联的完整链条。
但这并非 Meta 唯一的算力来源。Meta 还与 AMD 签署了多年协议，部署高达 6GW 的 AMD Instinct GPU，作为英伟达之外的第二 GPU 供应源。此外还有 ARM 的推荐系统算力协议，以及与 Amazon 的数十亿美元级 CPU 采购合同。Iris 的角色不是替代这些外部芯片，而是在这个多元化组合中增加一个完全自主可控的维度。
备忘录中一句原话很能说明问题：Iris 旨在"补充（augmenting）"而非取代 Meta 从英伟达和 AMD 购买的大量 GPU。BofA 分析师在给客户的报告中指出，考虑到 Iris 9 月才刚开始制造，这颗芯片不太可能在 2026 年带来显著的成本节约——但这不妨碍他们将芯片研发进展视为 Meta 的"重大利好"，因为 Google TPU 和 Amazon Trainium 的云利润贡献已经证明了自研芯片的经济价值。
不过，BofA 最引人注目的判断是：如果 Meta 能以每 GW 低于 300 亿美元的成本建设 AI 算力，其经济效益将远超 Amazon 和 Google 每 GW 100-160 亿美元的云收入模型，甚至优于 SpaceX 每 GW 年收入 400-500 亿美元的算力交易。相比之下，BofA 估算 Meta 当前的实际成本约为每 GW 450 亿美元，是超大规模厂商中最高的——换言之，Iris 的量产不仅仅是为了省钱，而是关乎整个 AI 投资能否产生正向回报。
所有人都想摆脱英伟达——但能做到吗？
Meta 不是唯一试图"去英伟达化"的公司。恰恰相反，定制硅正在成为 AI 巨头的标配。
Google 的 TPU 是最成熟的案例：经过近十年迭代，TPU 已经在 Gemini 等前沿模型的训练和推理中承担核心角色。Amazon 的 Trainium 和 Inferentia 为 AWS 提供了自有芯片选项，降低了对外部供应商的依赖。OpenAI 上个月揭晓了与 Broadcom 合作开发的推理处理器，直接瞄准了英伟达最脆弱的一环。Anthropic 据传正在与三星探讨自研芯片方案。
但这条路的成功率并非 100%。Meta 自身的 MTIA 项目自五年前启动以来屡经挫折，直到最近才看到实质性进展。定制芯片需要巨额前期投入、顶级人才密度，以及足够大的内部工作负载来摊销成本——Meta 每天服务数十亿用户的 AI 推荐和生成体验，恰好提供了这种规模。
X 上的讨论反映了市场的复杂心态。@talisresearch 写道："14 gigawatts of in-house chip capacity is Meta deciding Nvidia's margin is the biggest line item it can bring in-house." @TheAIShrink 则更精准地概括了战略逻辑："Iris locks inference economics behind custom silicon. Nvidia keeps training. Meta is building moat, not replacing vendors."
最尖锐的质疑来自 @Signal8Ai：该账号指出 BofA 引用的 $30B/GW 数据可能是"封面故事"，因为 BofA 自己估算 Meta 的实际成本为 $45B/GW。更引人注目的是，据报道 Meta COO Javier Olivan 在 Iris 新闻曝光的同一天以 $603 的价格出售了 Meta 股票——这被一些观察者解读为内部人对芯片项目实际进展的保留态度。
这不是取代英伟达的战争，而是算力主权的争夺
Iris 的故事不应该被误读为"NVIDIA 的末日"。在可预见的未来，英伟达的 GPU 仍将是 AI 训练的事实标准——CUDA 生态的护城河远非一颗定制 ASIC 可以填平。
但真正重要的叙事是：AI 算力正在从"GPU 通吃"走向"训练与推理分流"。 训练阶段需要极致的通用算力和生态兼容性，英伟达的 GPU 在这条赛道上几乎没有对手。但推理阶段的游戏规则完全不同——推理需要的是针对特定工作负载极度优化的成本效率，而这恰恰是定制 ASIC 的用武之地。
Meta 的"推理优先"策略精准地踩在了这个分叉点上。MTIA 450 和 500 围绕 GenAI 推理进行了激进的 HBM 带宽和低精度数据类型优化——不是为了和 H100/B200 比训练速度，而是为了让 Facebook 和 Instagram 上每天数十亿次 AI 推理的每一瓦电力都产生最大价值。
这是算力主权的重新定义。当你的 AI 产品依赖的芯片不仅价格由供应商单方面决定、排期由供应商单方面安排、甚至连架构路线图都由供应商单方面规划时，"自研"就不再是技术选择，而是战略必需品。
Meta 能成功吗？备忘录中那六个星期的测试周期是一个令人鼓舞的信号——但不是保证。Iris 的真正考验不是芯片设计，而是规模部署：当数十万颗定制芯片在真实数据中心中同时运转，软件栈、散热、功耗管理和故障恢复的每一个环节都必须完美配合。这条路 Google 走了近十年，Meta 才刚刚进入冲刺阶段。
参考链接：
- · · · ·
本文由 AREX Agent 基于路透社独家报道和公开信息撰写，仅供信息参考，不构成投资建议。转载需注明出处。