7 月 9 日，Reuters 获取了一份 Meta 内部备忘录，揭开了这家社交媒体巨头自研 AI 芯片的最新时间表：代号"Iris"的新一代 MTIA（Meta Training and Inference Accelerator）芯片将在 9 月进入量产，目标是在 2027 年将公司总计算能力从今年的约 7 吉瓦（GW）翻倍至 14GW。备忘录显示，至少有一款芯片在约六周内完成了测试验证。
这份时间表并非孤立事件，而是 Meta 自 2023 年启动 MTIA 项目以来最具实质性的里程碑。四个月前，Meta 在官方博客中详细披露了四代 MTIA 芯片路线图——从已在生产的 MTIA 300 到计划于 2027 年大规模部署的 MTIA 500，覆盖了从推荐排序训练到生成式 AI 推理的全负载谱系。而 9 月量产节点的确定，意味着这个路线图正在从纸面走入晶圆厂。
一个全新的供应链正在成型
Meta 自研芯片的供应链结构揭示了这不仅仅是一次研发实验。根据备忘录，Broadcom 参与芯片设计，台积电负责制造，三星提供 RAM，Sandisk 供应存储，住友电工（Sumitomo Electric）提供光纤设备。这套组合将传统 GPU 采购的单一供应商关系，拆解为一个横跨设计、制造、存储、互连的多节点供应链。
Meta 在 4 月宣布与 Broadcom 扩大合作，签署了覆盖至 2029 年的多代 MTIA 联合开发协议，首期承诺部署超过 1GW 计算能力。Yahoo Finance 的报道指出，这一定制芯片战略是双方今年早些时候正式确立的。
这种供应链重构的经济动机非常直接。Meta 今年资本开支指引在 1250 亿至 1450 亿美元之间，其中相当比例流向 AI 基础设施。尽管 MTIA 不会取代 Nvidia 和 AMD 的 GPU——Meta 同时与 AMD 签署了千亿美元级基础设施协议，也与 ARM 和 Amazon 达成了芯片供货安排——但自研芯片的战略价值在于将推荐系统排序、广告推理等可控负载从最昂贵的 GPU 池中迁移出来，在组件短缺和高成本的双重压力下获得缓冲。
四代芯片，六个月迭代一次
Meta 在 3 月的技术博客中披露了 MTIA 家族的四代芯片：
- MTIA 300：面向推荐与排序训练，已在生产中，模块功耗 800W，HBM 带宽 6.1 TB/s，容量 216GB，FP8 性能 1.2 PFLOPS。
- MTIA 400：首款兼顾"成本优势"与"性能竞争力"的 MTIA 芯片，支持通用 GenAI 负载，已完成实验室测试，即将进入数据中心部署。FP8 性能较 MTIA 300 提升 400% 至 6 PFLOPS，HBM 带宽提升 51%。72 个加速器通过交换背板互联，形成单一 scale-up 域。
- MTIA 450：专为 GenAI 推理优化，HBM 带宽翻倍至 18.4 TB/s，Meta 称其"远高于现有领先商业产品"——这个措辞指向 Nvidia H100/H200。MX4 低精度性能达 21 PFLOPS，引入 FlashAttention 硬件加速和混合低精度计算，计划 2027 年初大规模部署。
- MTIA 500：在 MTIA 450 基础上再提升 50% HBM 带宽至 27.6 TB/s，HBM 容量最高可达 512GB，MX4 性能 30 PFLOPS，采用 2x2 小 chiplet 配置加 SoC chiplet 用于 PCIe 连接。计划 2027 年部署。
从 MTIA 300 到 500，HBM 带宽增长 4.5 倍，计算 FLOPS 增长 25 倍（MX8 到 MX4），而这一切发生在不到两年内。Meta 声称每六个月左右推出一代新芯片——大约是行业标准节奏的三到四倍。
这种速度依赖于模块化 chiplet 设计。不同 chiplet 可在不同工艺节点上独立制造，而 MTIA 400/450/500 共用同一机箱、机架和网络基础设施，新芯片可以直接插入现有物理空间。正如 Meta 工程 VP Yee Jiun Song 在 3 月接受 CNBC 采访时所说，定制芯片让 Meta 可以在数据中心集群中"从每美元榨出更多性能"，而不只是依赖外部供应商。
推理优先：为什么 HBM 带宽比 FLOPS 更重要
MTIA 战略中一个被低估的差异化点是其"推理优先"定位。主流 GPU 为大规模预训练而设计——这是 FLOPS 最密集的场景——然后将同样的架构（往往不够经济地）用于推理。MTIA 450 和 500 反过来：首先为推理优化，再根据需要支持训练。
这一选择背后是严谨的工程判断：在 Transformer 解码阶段，HBM 带宽而非原始 FLOPS 才是主要瓶颈。因此 MTIA 450 的 HBM 带宽直接翻倍，MTIA 500 再加 50%，远超同等定位的商用 GPU。Meta 甚至在 450/500 中引入自研低精度数据类型，在保持模型质量的同时榨取更多有效算力。
软件侧同样采用了务实的策略：PyTorch 原生（Meta 是 PyTorch 的起源地）、vLLM 插件支持、Triton 编译栈、OCP 标准兼容。开发者使用 torch.compile 和 torch.export 即可让模型在 GPU 和 MTIA 上同时部署，无需为 MTIA 重写代码。Meta 声称已在生产环境中部署了数十万颗 MTIA 芯片，用于旗下应用中有机内容和广告的推理。
行业含义：自研芯片不再是可选项
Meta 的量产时间表将自研 AI 芯片从一个"战略方向"推到了"执行里程碑"层面，也使得行业竞争图景更加清晰：
- OpenAI 在 6 月发布了由 Broadcom 构建的首款推理处理器 Jalapeño；
- Anthropic 据 TechCrunch 7 月 2 日报道正在与三星讨论定制芯片开发；
- Amazon 的 Trainium 和 Google 的 TPU 已进入多代迭代；
- Etched、Cerebras、Groq 等创业公司也在专用推理芯片赛道上角逐。
前沿实验室和平台公司正在集体从"买 GPU"转向"建专用硅"。一旦某家自研芯片能在推理性价比上显著超越通用 GPU——而 MTIA 450 的 HBM 带宽数据已经指向这个方向——那些无法自研芯片的 AI 公司将面临结构性成本劣势。
当然，MTIA 并非没有局限。Meta 在博客中明确表示，当前四代芯片中仅 MTIA 300 已投入生产，MTIA 400 处于测试完成阶段，而关键的推理优化芯片 450 和 500 分别要到 2027 年初和 2027 年晚些时候才能大规模部署。从 9 月量产到芯片真正支撑数十亿用户的推理负载，中间还隔着封装、系统集成、软件调优和规模化爬坡。14GW 的目标也意味着巨大的电力和数据中心建设压力——备忘录本身没有详细说明电力来源和选址进展。
但方向已经不可逆转。当一家年资本开支超过千亿美元的公司决定在芯片层面重构供应链时，AI 基础设施的定义本身正在被改写：它不再只是"谁买了最多 GPU"，而是"谁掌握从晶圆到推理的整条价值链"。MTIA 的 9 月量产，是在这条路上插下的一面旗帜。
