Meta 宣布将于 9 月起开始量产一款全新自研 AI 芯片，作为其将总算力提升至 14 GW （千兆瓦）计划的一部分。这是公司减少对外部芯片供应商依赖目标中的一个重要里程碑。
这款代号为 Iris 的新芯片已完成测试阶段，未出现重大问题，标志着其已具备量产条件。该芯片预计将更高效地支撑 Meta 的 AI 推理工作负载，同时助力降低基础设施成本，并赋予 Meta 对其快速扩张的 AI 基础设施更大的掌控权。
推出自研定制芯片的意义远不止芯片本身。值得关注的是一个更广泛的行业趋势：超大规模云厂商正试图掌握更多 AI 基础设施的自主权。许多公司将此视为重要的战略优势，而 Meta 显然也认同这一点。
拥有自研芯片最大的好处或许是能够降低运营成本。Meta 每天在 Facebook、Instagram、WhatsApp和 Meta AI 上执行数十亿次推理请求。即便每瓦性能提升或单次推理成本降低仅10% 至 15%，每年便可节省数亿美元。
另一大优势是降低对 Nvidia 的依赖——这意味着 Meta 不必完全根据芯片厂商的产品路线图、定价或供应链波动来调整自身战略。这些都是 Meta 无法控制的因素，而具备自研能力恰好提供了灵活性。这反过来也增强了 Meta 在与 Nvidia 等供应商谈判中的议价能力。
Meta 还能获得针对自身工作负载优化的芯片。与设计用于支持广泛 AI 应用的通用 GPU 不同，Iris可以专门为驱动 Meta 平台的推荐系统、排序模型、广告算法和生成式 AI 服务量身定制。
此外，Meta 优化的不仅仅是芯片本身。公司可以将芯片与软件、网络和数据中心协同设计，使各组件更高效地协同工作。以 Meta 的规模而言，即便整个系统层面的微小改进都能产生显著影响。
然而，打造自研 AI 芯片并非易事。设计一款新芯片需要数年时间，成本可能高达数十亿美元。这也是为什么只有少数公司具备资金和工程人才敢于尝试。
Meta 还必须与 Nvidia 竞争，而这绝非易事。Nvidia 不仅仅打造了强大的 GPU，更花费数年时间构建了软件、网络技术和开发者工具生态，让这些芯片真正发挥价值。构建这样的生态系统比制造芯片本身挑战大得多。
值得注意的是，Meta 并非要打造一款面向所有人的芯片。Iris 是为 Meta 自身的基础设施和工作负载定制设计的。Nvidia 的 GPU 仍具更大的灵活性，且可能继续承担 Meta 多数最大规模的 AI 训练任务。其核心思路只是将更多推理工作负载转移到 Meta 拥有和控制的硬件上。
这也不是 Meta 首次进军定制芯片领域。公司此前已公布了 Meta Training and Inference Accelerator（MTIA：Meta训练和推理加速器）路线图，其中包括多代面向自有基础设施的 AI 芯片。Meta 尚未确认 Iris 是否属于该系列，但其显然遵循同一战略。
Meta 在近期的一篇工程博客中强调了这一挑战："每天，Meta 平台上数十亿用户享受着从个性化推荐到 AI 助手的各类 AI 驱动体验。"
"与此同时，定义下一个计算时代的 AI 模型演进速度，远超任何单一代硬件所能预期的节奏。在全球范围内服务广泛的 AI 模型、同时保持尽可能低的成本，是行业中最具挑战性的基础设施难题之一。"
Meta 计划在 2027 年前大约每六个月推出一款新的 AI 芯片。这比传统的一到两年发布一款新芯片的节奏要快得多。
为支撑这一扩张，公司已与 三星电子（存储芯片）、SanDisk（闪存）和 Sumitomo Electric（光纤设备）签署了长期供应协议。Meta 预计仅 2026 年一年，其在 AI 基础设施上的支出就将高达 1,450 亿美元。这足以凸显其 AI 雄心的规模。
Meta 并非唯一推进自研芯片的公司。Google有其 TPU，Amazon 有 Trainium 和 Inferentia，Microsoft 有 Maia。所有这些公司都在为自身 AI 工作负载打造芯片，而非完全依赖 Nvidia 的 GPU。
这并不意味着 Nvidia 将被取代。其 GPU 几乎肯定仍将是训练最大规模 AI 模型的首选。然而，随着 AI 对这些公司变得越来越重要，掌握更多背后的硬件自主权有助于它们降低成本，并更好地掌控 AI 基础设施的构建与扩展方式。