Iris 九月量产、14GW 算力翻倍、六周过测：Meta 不再给英伟达交税了

一封内部备忘录，掀翻了 AI 芯片牌桌。

7 月 9 日，路透社独家获取了 Meta 一份内部备忘录，披露了两个数字：9 月量产自研 AI 芯片"Iris"，2027 年将总算力推到 14GW。消息一出，Meta 股价单周暴涨 12%，创下 2024 年初以来最佳单周表现。华尔街顶级分析师 Justin Post 连夜发报告，将 Meta 目标价拉至 835 美元，直言其自研芯片正处在"关键正向拐点"。

这不是一次寻常的产品发布。这是一家每年给英伟达开出数百亿美元支票的超级客户，正式通知整个半导体行业：我自己会造了。

267K 阅读刷屏，华尔街紧急调高目标价

Polymarket Money（15.5 万粉丝）在 X 平台发出"BREAKING"推送：Meta 将于 9 月量产 Iris 芯片，单条获 264 次点赞、1.4 万阅读。财经大 V"amit"（49.5 万粉丝）的总结帖更猛——199 次转发、1872 次点赞、26.7 万阅读，评论区一片"$META to the moon"。

但真正引爆华尔街的是美国银行分析师 Justin Post 的报告。Post 指出，备忘录暗示 Meta 2026 年部署 6.5GW 算力，远超 BofA 此前 2.6GW 的预估；按 1450 亿美元资本开支计算，每 GW 成本仅约 220 亿美元，不到 BofA 此前 450 亿美元/GW 估计值的一半。"如果数字接近准确，Meta 可能已经通过工程手段实现了显著的成本压缩，"Post 写道，并重申"买入"评级和 835 美元目标价。

BNP Paribas 分析师 Nick Jomes 更进一步，预测 Meta 可能在二季报时将 2026 年资本开支指引上调至 1350-1550 亿美元。Vest Exchange（4.4 万粉丝）总结道："当大科技开始控制自己的芯片，整个成本曲线就变了。"

台湾资深半导体分析师 Dan Nystedt（5.2 万粉丝）则从 DigiTimes 获取了更细的料：Meta 同时在和高通、联发科推进新的 ASIC 项目，将使用高通 CPU，并与 Arm 合作 CPU 项目。Broadcom 仅用 6 个月就完成了 Iris 的测试和验证。

从"买芯片"到"造芯片"，Meta 等了五年

Meta 的自研芯片之路起步并不顺利。

早在 2023 年，Meta 就推出了第一代 MTIA（Meta Training and Inference Accelerator）芯片 MTIA 100，用于推荐系统推理。2024-2025 年间，第二代 MTIA 200 开始大规模部署。但这两代芯片规模有限，主要用于 Facebook 和 Instagram 的排名和推荐算法，远未触及英伟达 GPU 的核心领地。

转折点出现在 2026 年 3 月。Meta 罕见地一次性公布四代新芯片——MTIA 300、400、450、500，覆盖从推荐系统训练到生成式 AI 推理的全负载。其中 MTIA 300 已在生产环境中跑推荐训练，MTIA 400 完成实验室测试，MTIA 450 和 500 将在 2027 年大规模部署，主攻生成式 AI 推理。

4 月，扎克伯格亲自宣布与 Broadcom 扩大合作至 2029 年，覆盖芯片设计、先进封装和网络，首期部署超 1GW，最终目标为"多个 GW"。扎克伯格的原话是："我们要为数十亿人提供个人超级智能。"

7 月的这份内部备忘录则是关键一跃——Iris 芯片测试仅用 6 周即告完成，无重大问题，9 月直接进入量产。Meta 还锁定了三星（内存）、Sandisk（闪存）、住友电工（光纤设备）的长期供应协议。整条供应链指向一个结论：Meta 不是在试探，是在全速冲刺。

6 周通过测试、每半年迭代一颗：MTIA 的速度战法

Iris 芯片背后是一套与传统半导体行业截然不同的研发逻辑。

速度是第一原则。 备忘录中明确写道，在 Meta 的规模上适配最新 GPU"是沉重的负担，耗费了大量时间"。Meta 的解法不是等商业芯片更新，而是自建设计-测试-量产循环，每大约 6 个月推出一颗新芯片。这个节奏是行业平均速度的两倍。

模组化设计是速度的引擎。 从 MTIA 300 到 MTIA 500，Meta 采用 chiplet 架构，将计算、网络、I/O 拆成独立模块，各自升级而不影响整体。MTIA 500 使用 2×2 的小型计算 chiplet 排列，搭配 HBM 堆栈和网络 chiplet，再加上一颗 SoC chiplet 提供 PCIe 连接。不同 chiplet 甚至可以在不同制程节点制造——性能和成本的平衡点可以精确到单个模块。

推理优先。 商业 GPU 通常为训练这个最重负载设计，然后"顺便"做推理。MTIA 450 和 500 反过来，优先优化生成式 AI 推理——HBM 带宽从 MTIA 400 到 450 翻倍，到 500 再增 50%；MX4 低精度算力在四代间提升了 25 倍（MTIA 300 的 MX8 到 MTIA 500 的 MX4）。在推理成本构成 AI 总计算需求三分之二的当下，这个选择直接对应真金白银。

PyTorch 原生。 Meta 是 PyTorch 的诞生地，MTIA 软件栈从一开始就基于 PyTorch、vLLM 和 Triton 构建，开发者无需学习新框架即可迁移模型。

美国银行分析师 Post 算了一笔账：如果 Meta 以低于 300 亿美元/GW 的成本部署 AI 算力，对照亚马逊和谷歌云每 GW 年收入 100-160 亿美元的参考值，或 SpaceX 租售算力 400-500 亿美元/GW 的价格，经济学逻辑非常清晰——自研芯片不是成本中心，是利润引擎。

当每个 AI 玩家都开始自研芯片，Broadcom 成了最大赢家

过去三年，AI 芯片的格局是一张单极地图：英伟达 GPU 通吃训练和推理，毛利率稳定在 75% 以上，全球 AI 资本开支中约 75% 流向一家公司。高盛估算，2026-2031 年间英伟达将从 AI 计算支出中累计收获约 3.8 万亿美元。

但 2026 年夏天，这张地图正在被系统性改写。

6 月 24 日，OpenAI 发布首款自研推理芯片，与 Broadcom 合作，2027 年出货，部署规模超 1GW。7 月 2 日，TechCrunch 披露 Anthropic 正与三星讨论定制 AI 芯片。加上 Google 的 TPU（已与 Broadcom 锁定至 2031 年）、亚马逊的 Trainium 和 Inferentia、微软的 Maia，以及如今 Meta 的 Iris——全球前五大 AI 投入者，已全部拥有至少一条自研芯片产线。

Broadcom 是这条暗线里最安静的赢家。在 Meta、OpenAI、Google、Anthropic 四家的定制芯片中，Broadcom 都扮演着设计伙伴的角色。Broadcom 总裁近期公开表示，其 AI 芯片业务五年内从零起步，预计三年内突破 1000 亿美元营收。他们正在为这些客户部署代号"the beast"的最大芯片，容量是两年前产品的 16 倍。

但没有人认为英伟达会因此失去全部生意。备忘录明确表示，Meta 仍将是英伟达和 AMD GPU 的大买家——前沿模型训练依然依赖最强通用算力。改变的是"边际计算"的归属：每天数十亿次推荐排序和推理请求，正从英伟达 GPU 转移到 Meta 自家芯片上。英伟达失去的不是客户，是客户增长最快的那个部分。

这背后还有一层市场的沉默判断。当英伟达 Kyber（NVL144）架构因共封装光学（CPO）良率问题延迟至 2028 年，当 GPU 供应的不确定性成为所有 AI 公司的最大风险，自研芯片就不再是"要不要"的问题，而是"多快能做出来"的问题。

这不是一颗芯片的故事，而是一张成本结构的投票

Meta 不是第一家造芯的 AI 公司，也不会是最后一家。但当一家年资本开支逼近 1500 亿美元、算力部署以"吉瓦"为单位的巨头决定自己下场，它投下的不是一颗芯片，而是一张关于 AI 未来成本结构的集体选票。

Iris 量产的真正冲击，不在于它比 H100 快多少。在于它让整个行业看到：在 AI 推理这个增长最快、利润最厚的战场上，"够用就好"的自研方案，足以撬动英伟达 75% 毛利率的定价权。

本文基于路透社独家报道（2026 年 7 月 9 日）、TechCrunch、DigiTimes、Yahoo Finance、美国银行研报、TipRanks 及 X/Twitter 公开讨论综合撰写。