---
id: "mb-20260919-5f4d26"
kind: "deep"
title: "一年省下85亿美元：Meta自研AI芯片与算力工业的冷酷分工"
topic: "一年省下85亿美元：Meta自研AI芯片与算力工业的冷酷分工"
source_type: "generated"
status: "published"
generated_at: "2026-09-19 21:29:36"
frame_type: ["算力负载分流与专用芯片剪刀差", "机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 一年省下85亿美元：Meta自研AI芯片与算力工业的冷酷分工

扎克伯格一边给黄仁勋送钱，一边在自家机房里悄悄换掉英伟达的芯片。
到 2027 年，这笔账算下来能省多少钱？
85 亿美元。
一年时间，净省 85 亿。
这相当于直接把英伟达一个季度的净利润，从黄仁勋嘴里硬生生抠了出来。
全硅谷都在排队抢购英伟达的高端 GPU，甚至为了几万张卡打破头。
扎克伯格为什么敢在这个节点大举推行自研芯片？
而且一上来，就要在一年里铺开上吉瓦的自研算力？
把这笔账顺着机房的电表和账本拆到底，原因其实极其直白。
英伟达的 GPU 确实厉害。
不管是训练最前沿的巨型语言模型，还是应付突发的高难度计算，黄仁勋的卡都是行业标杆。
但顶级的通用性能，要付出顶级的代价。
英伟达的硬件综合毛利率常年维持在 75% 上下。
这就意味着，客户每掏出一万美元买硬件，只有两千五百美元是真实的硅片和封装成本，剩下七千五百美元全是给黄仁勋交的垄断门票。
如果 Meta 买这些芯片，只是为了闭关几个月去训练开源的 Llama 大模型，这个钱咬咬牙也就认了。
毕竟训练前沿模型就像搞科研军备竞赛，需要最高的浮点算力密度和极度灵活的编程生态，谁也不敢拿自家大模型的生死去赌实验芯片。
问题是，在 Meta 的机房里，模型训练占用的资源其实只是很小一部分。
每天吞噬电力和预算的头号巨兽，是推荐与推理。
Facebook、Instagram、Reels，每天有超过 32 亿活跃用户在上面滑动屏幕。
用户每往下拉动一次，系统就必须在几十毫秒内，从几亿条广告和帖子中完成打分和排序。
训练是一年打几场大仗，推理是每天二十四小时、每分每秒都在烧钱。
在 Meta 未来的超大规模数据中心里，芯片本身就吃掉了 60% 的总基础设施成本。
而这其中绝大部分硬件，终年累月都在跑同一种机械重复的推荐推理。
这时候，如果你继续用英伟达的通用 GPU 去跑推荐，在工程经济学上就是灾难。
英伟达的高端芯片像一辆性能强悍、造价昂贵的赛道超跑。
芯片内部堆满了极其昂贵的张量计算单元，外围连着造价高昂的高带宽内存 HBM。
它是为了通用的密集浮点计算而生的。
但推荐系统每天都在算什么？
查表，提取用户特征，算几个非常简单的低精度整数点积。
这就好比你花了几百万买了一台顶级超跑，每天却只用它在早高峰的胡同里给住户送快递。
车上的超级引擎 80% 的时间都在怠速，根本跑不起速度，但你依然要按照超跑的标准给英伟达支付每一分钱的溢价。
扎克伯格要做的，就是给芯片彻底动手术。
既然是给自家的推荐业务定制，那就把所有多余的赛车零件全部砍光。
不要复杂的图形渲染管线，不要给科学家算模拟的通用浮点单元。
把芯片面积全部留给高密度的静态存储和定制整数计算阵列，让芯片架构与自家的推荐算法完全咬合。
这就是 Meta 正在全力推进的 MTIA 芯片。
前两代在内部悄悄测试、跑通流程。
到了 2027 年，重锤开始落地。
2027 年上半年，Meta 计划在机房全面部署第三代 MTIA 450，代号 Arke。
下半年，紧接着铺开性能更高、规模更大的第四代 MTIA 500，代号 Astrid。
Meta 自己不需要开晶圆厂，也不用从零去死磕底层的高速接口。
它找来了芯片定制领域的军火商博通 Broadcom。
高速互连架构、物理接口设计交给博通，晶圆制造直接交给台积电。
这么一转手，成本账本发生了质的改变。
绕过了英伟达那层 75% 的高昂毛利，自研定制芯片在同等推荐算力下的综合成本，直接打了个六折。
华尔街美银给 Meta 仔细算过这笔账：
到 2027 年，Meta 自建的算力容量将达到 5 到 6 个吉瓦。
在数百亿美元的硬件采购规模下，仅仅靠这 40% 的成本剪刀差，一年就能为公司省下 85 亿美元。
既然定制芯片这么划算，Meta 为什么不顺手把英伟达彻底赶出大门？
为什么不把大模型训练也换成自己的芯片？
答案藏在 Meta 刚刚秘密砍掉的一个项目里。
Meta 内部曾经立项过一颗代号叫 Olympus 的超级芯片，企图把大模型训练和日常推理合二为一，做出一颗全能芯片。
但内部原型一测，研发团队立刻发现了一个致命问题。
要想让定制芯片具备训练万亿参数大模型的能力，芯片面积必须急剧做大，封装复杂度飙升，制造良率大跌。
在规模量产下，这颗全能芯片的综合成本比纯推理芯片直接贵了 30% 以上。
全能就意味着平庸，全能就意味着定制芯片引以为傲的低成本优势被彻底抹平。
扎克伯格极其果断，直接把 Olympus 项目彻底取消在图纸上。
既然在通用训练的赛道上正面硬刚英伟达毫无胜算，那就干脆不打。
训练最前沿模型的王冠，继续留给英伟达。
Meta 会继续痛痛快快给黄仁勋开支票，采购成千上万张昂贵的高端 GPU，用来确保开源 Llama 大模型在学术和技术前沿不掉队。
但在机房里日夜不停吞噬电力、消耗海量资本开支的推荐推理战场上，英伟达的溢价空间被一步步挤压殆尽。
外界总喜欢把它包装成自研芯片颠覆英伟达神话的复仇故事。
但在真实的商业账本上，这纯粹是一场算力工业走向成熟后的冷酷分工。
通用算力留给前沿探索，哪怕价格昂贵，也按需买单。
规模化消耗的常态算力，必须被无情地压缩成专用芯片的白菜价。
当巨头们不再迷信通吃一切的万能芯片，转而用最精确的算盘给每一种计算负载定制骨架，
最先感到寒意的，绝不会是埋头代工的晶圆厂，
恰恰是那个靠着通用计算光环、躺在全行业头上收取垄断门票的人。

_Rendered by mubei-terminal._