7 月 9 日，路透社独家获取了一份 Meta 内部备忘录，披露了一个长期悬而未决的问题的答案：Meta 的自研 AI 芯片到底什么时候能用？答案是 2026 年 9 月。代号 Iris 的第三代 Meta Training and Inference Accelerator（MTIA v3）已完成六周 bug 测试，"未发现重大问题"，即将进入量产阶段。
这不是一个孤立的芯片新闻。备忘录同时揭示了一张完整的蓝图：Meta 计划在 2026 年部署 7 吉瓦（GW）AI 算力，2027 年底翻倍至 14 GW——为此，公司已与 Samsung、SanDisk、Sumitomo Electric 签署了长期供货协议，并将今年资本开支指引的上限设在 1450 亿美元。从芯片设计到供应链锁定到基础设施扩张，Meta 正在系统性地从「买 GPU」转向「造芯片」。
Iris 是什么：MTIA 家族的第三代，首次同时覆盖训练和推理
Meta 的 MTIA 项目始于 2020 年，前两代芯片（MTIA 100 和 200）已在生产中部署了数十万颗，但功能范围较窄——仅用于 Facebook 和 Instagram 上推荐排序模型（ranking & recommendation）的推理，不做训练。
Iris（即 MTIA 300）改变了这一局面。根据 Meta 在 3 月发布的官方博客，MTIA 300 首次扩展了工作负载范围：从推荐系统的推理扩展到推荐系统的训练，并为后续 GenAI 通用工作负载奠定基础。换句话说，Iris 是 MTIA 从「推荐系统专用芯片」走向「通用 AI 加速器」的转折点。
芯片由 Broadcom 协助设计、台积电 3nm 工艺制造。从已公开的架构细节来看，MTIA 300 采用 chiplet 模块化设计：一个计算 chiplet、两个网络 chiplet 和若干 HBM 堆栈。每个计算 chiplet 包含一个处理单元（PE）网格，每个 PE 配备两颗 RISC-V 向量核心、矩阵乘法引擎和专用归约引擎。值得注意的一个设计选择是内置网络 chiplet 和专用消息引擎——这使得芯片间通信延迟极低，对大规模推理和训练都至关重要。
Meta 的策略是高速迭代：每六个月推出一代新芯片，而非行业惯例的一年或更久。从 MTIA 300 到 500，HBM 带宽增长 4.5 倍，计算 FLOPS 增长 25 倍（从 MX8 精度到 MX4 精度）。MTIA 450 和 500 则明确以 GenAI 推理为主攻方向，其中 450 计划 2027 年初大规模部署。
供应链的完整拼图：不只是芯片
内部备忘录披露的另一层信息，是 Meta 为支撑这一雄心所构建的供应链网络。除 Broadcom 和台积电外，Meta 已与 Samsung Electronics 签署了内存芯片长期协议，与 SanDisk 签署了闪存供应协议，与 Sumitomo Electric 签署了光纤设备供应协议。
这些协议不是锦上添花。摩根士丹利分析师近期提出了"chipflation"（芯片通胀）一词来描述 AI 组件价格飙升的宏观经济影响。在内存芯片短缺迫使苹果等公司提价的背景下，锁定组件供应已经从采购策略变成了战略必需。
备忘录中的一句话尤为直接："在像 Meta 这样规模的公司采用最新 GPU 一直是一项沉重的负担，而且耗费了我们的时间。"这正是自研芯片的经济逻辑：不是因为 NVIDIA GPU 不够好，而是因为采购规模大到一定程度后，依赖外部供应商本身就成了瓶颈。
14 GW 意味着什么
14 吉瓦是一个需要直观感知的数字。作为参照，美国最大的核电站 Palo Verde 的发电容量约为 3.9 GW。14 GW 约等于 3.6 座 Palo Verde 的满功率输出。
Meta 的扩张节奏同样惊人。备忘录显示，2026 年迄今公司仅部署了 1 GW，但计划在下半年再增加 5.5 GW，总计 7 GW。2027 年翻倍至 14 GW。今年年初，Zuckerberg 成立了名为"Meta Compute"的新部门，目标是"这十年建造数十 GW，长期建造数百 GW 或更多"。
这一扩张并非 Meta 一家独舞。2026 年，大型科技公司在 AI 基础设施上的总支出预计超过 7000 亿美元，Meta 一家占 1200 亿至 1450 亿美元。这是一场规模的军备竞赛，而自研芯片是控制成本曲线的重要手段。
竞赛格局：hyperscaler 都在造芯片
Iris 的量产时间表将 Meta 放入了 hyperscaler 自研芯片竞赛的清晰坐标中：
- Google 的 TPU 已迭代至第六代，是这一赛道最成熟的玩家，同时覆盖训练和推理。
- Amazon 的 Trainium 和 Inferentia 芯片分别覆盖训练和推理，已向 AWS 客户开放。
- Microsoft 的 Maia 系列于 2023 年底发布，正在逐步替换 Azure 中的部分 GPU 负载。
- OpenAI 与 Broadcom 合作开发的 Jalapeño 芯片于 6 月 24 日亮相，同样采用 3nm 工艺，但仅限推理，目标 2026 年底初步部署。
Meta 与其他玩家有两个关键差异。第一，Meta 的芯片现阶段仅供内部使用——Facebook、Instagram、WhatsApp 的 AI 负载——而非对外销售云服务（尽管近期有报道称 Meta 计划建立云计算业务）。第二，Meta 的"每六个月一代"迭代节奏在行业中最快，这是否能在芯片设计领域成为一种可持续的优势，仍有待观察。
值得注意的是，Broadcom 同时出现在 Meta Iris 和 OpenAI Jalapeño 两个项目背后，都采用台积电 3nm 工艺。Broadcom 正在成为 hyperscaler 自研芯片时代的"军火商"。
NVIDIA 不是被替代，而是被"分流"
需要澄清一个常见的误读：Iris 的目标并非取代 NVIDIA GPU。备忘录明确提到，该芯片旨在"增强"（augment）从 NVIDIA 和 AMD 购买的大量 GPU。Meta CFO Susan Li 在第一季度财报电话会上表示，资本支出指引上调部分反映了"更高的组件定价预期"——也就是说，Meta 仍在大量采购外部芯片。
更准确的描述是：推荐排序、推理等成本敏感且负载可预测的任务将逐步迁移到 MTIA；而前沿模型的大规模预训练、需要极致灵活性的研究工作，仍将依赖 GPU。这种分层策略类似于 Amazon 将 Inferentia 用于推理、保留 GPU 用于训练——但不是两者取其一，而是让每类芯片做自己最擅长的事。
不确定性：纸上蓝图 vs 量产能效
尽管备忘录的语气积极，但几个关键问题仍无答案。Iris 的具体性能参数（TOPS、功耗）未披露；与 NVIDIA H200 或 B200 的性能对比缺失；3nm 工艺的良率和量产规模也未公开。备忘录提到六周测试"未发现重大问题"，但这只是功能验证，不涉及大规模部署中的散热、可靠性和实际能效比。
更根本的问题是：MTIA 每年两代的迭代节奏能否在芯片设计这种重资产、长周期的领域持续？Meta 自己也承认，芯片设计基于对未来工作负载的预测，而 AI 模型架构变化之快常常令预测失效。如果 3nm 芯片从流片到部署的周期超过一年，那么"每六个月一代"的承诺可能面临现实的考验。
但备忘录的存在本身就是一个信号。在 2020 年启动 MTIA 项目后，外界曾多次质疑 Meta 的自研芯片计划是否已经"搁浅"——直到 3 月四代芯片路线图的公布和 7 月量产计划的泄露。从"是否有芯片"到"何时量产"的转变，本身就是这个项目从探索期进入执行期的标志。对于一家每年在 NVIDIA GPU 上花费数百亿美元的公司来说，即使 Iris 只能覆盖其推理负载的一部分，节省的成本也足以证明整个 MTIA 项目存在的价值。
