7 月 9 日，路透社援引一份 Meta 内部备忘录报道，代号 Iris 的自研 AI 芯片计划于 2026 年 9 月开始量产。这款芯片属于 MTIA（Meta Training and Inference Accelerator，Meta 训练与推理加速器）系列。备忘录称，芯片经过约六周测试，"未发现重大问题"。
备忘录还披露了 Meta 的基础设施扩张计划：2026 年底达到约 7 吉瓦（GW）的部署规模，2027 年扩大至 14 GW。这里的吉瓦是功率单位，用于表示基础设施规模，并非芯片计算速度。为支撑扩张，公司已与三星、SanDisk、住友电工（Sumitomo Electric）签署长期供货协议，今年资本开支指引上限为 1450 亿美元。Meta 希望通过自研芯片和多家供应商合作，控制持续增长的计算成本。
MTIA 从推荐系统扩展到生成式 AI
Meta 的 MTIA 项目始于 2020 年。公司在 3 月的官方博客中表示，已部署数十万颗 MTIA 芯片；前两代 MTIA 100 和 200 主要承担 Facebook 和 Instagram 推荐排序模型的推理任务。
3 月公布的新路线图包括 MTIA 300、400、450 和 500。MTIA 300 当时已用于推荐排序模型的训练，后续型号则逐步扩展到生成式 AI 任务。路透社将 Iris 描述为这四款芯片之一，尚未明确它对应哪个型号。
据当时报道，Iris 由博通（Broadcom）协助设计，采用台积电 3nm 工艺制造。作为这一系列的技术基础，MTIA 300 采用模块化小芯片（chiplet）设计：一个计算 chiplet、两个网络 chiplet 和若干 HBM 高带宽内存堆栈。计算 chiplet 内含处理单元（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。内置网络 chiplet 和专用消息引擎负责分担通信操作，有助于降低芯片间传输数据的延迟。
Meta 称自己已具备约每六个月推出一代芯片的能力，短于业内常见的一年或更长周期。按公司公布的规格，从 MTIA 300 到 500，HBM 带宽增至约 4.5 倍；峰值计算吞吐量的 25 倍比较，则分别使用 MTIA 300 的 MX8 和 MTIA 500 的 MX4 精度，并非同精度性能提升。MTIA 450 和 500 主要面向生成式 AI 推理，其中 450 计划于 2027 年初大规模部署。
Meta 签署内存、闪存和光纤长期供货协议
内部备忘录披露，除博通和台积电外，Meta 已与三星电子签署内存芯片长期协议，与 SanDisk 签署闪存供应协议，与住友电工签署光纤设备供应协议。扩建数据中心需要这些部件同步到位。
摩根士丹利分析师用"chipflation"（芯片通胀）描述 AI 组件价格快速上涨的宏观经济影响。路透社报道，内存短缺已推动苹果等公司提价。在这一背景下，长期供货协议有助于 Meta 安排采购和建设进度。
备忘录写道："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。"采购与部署规模越大，协调成本越高；按自身任务设计芯片，是 Meta 尝试降低这部分成本和时间消耗的办法。
14 GW 扩张目标需要相应的供电和数据中心
作为功率规模的参照，美国最大的核电站 Palo Verde 发电容量约为 3.9 GW，14 GW 约为其 3.6 倍。这一比较说明建设计划对供电规模的要求；实际用电量还取决于设备负载和运行时间。
按路透社 7 月 12 日更正后的报道，Meta 上半年新增约 1 GW，下半年预计再增加 2.5 GW。公司计划在 2026 年底将已部署的基础设施总规模扩大至约 7 GW，2027 年达到 14 GW。今年年初，扎克伯格成立了名为"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"。
据当时报道，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 一季报给出的全年资本开支指引为 1250 亿至 1450 亿美元，其中包括融资租赁本金支付。面对持续增加的投入，自研芯片能否降低单位任务成本，关系到扩张的经济性。
Google、Amazon 等公司也在推进自研芯片
Iris 的计划公布时，大型云服务商和 AI 公司都在推进定制芯片：
- Google 已发布第八代 TPU，分别面向训练和推理，是较早持续投入自研 AI 芯片的公司。
- Amazon 的 Trainium 和 Inferentia 芯片已通过 AWS 对客户开放，分别以训练和推理为主要设计方向。
- Microsoft 于 2023 年底发布 Maia 系列，逐步用自研加速器承担 Azure 中的部分 AI 任务。
- OpenAI 与博通合作开发的 Jalapeño 芯片于 6 月 24 日亮相，采用 3nm 工艺，专为推理设计，目标是在 2026 年底初步部署。
Meta 与云服务商的主要区别在于，MTIA 现阶段服务于自家应用的 AI 任务，包括 Facebook、Instagram 和 WhatsApp。当时虽有 Meta 筹备云计算业务的报道，MTIA 尚未成为面向外部客户的云产品。另一个值得关注的选择，是公司提出的约每六个月一代的迭代节奏：它需要芯片设计、软件适配和部署团队持续配合。
博通同时参与 Meta Iris 和 OpenAI Jalapeño 项目，两者据报道都采用台积电 3nm 工艺。这也说明大型公司自研芯片，仍需要专业设计和制造伙伴。
MTIA 将与 NVIDIA、AMD 的 GPU 分担任务
备忘录明确提到，Iris 将补充（augment）Meta 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"。自研芯片投入增加的同时，公司仍在采购外部芯片。
从 MTIA 路线图看，推荐排序和部分推理任务是其主要部署方向；大规模预训练和经常变化的研究任务，仍可利用 GPU 的通用性。类似地，Amazon 在提供 Inferentia 推理芯片的同时，也提供 GPU 和 Trainium 训练资源。Meta 的实际成本收益，将取决于各类任务如何分配。
量产后的能效、可靠性和成本仍待验证
现有报道尚未给出 Iris 可明确对应的完整性能参数，包括 TOPS、功耗，以及与 NVIDIA H200 或 B200 的对比；3nm 工艺的良率和量产规模也未公开。六周测试"未发现重大问题"是积极进展，大规模部署后的散热、可靠性和实际能效仍需要更多数据。
约每六个月推出一代芯片，也考验 Meta 的持续开发能力。公司在技术博客中解释，芯片设计要预测未来任务，而硬件进入量产时，模型需求可能已经改变。模块化设计能复用部分组件，但新一代芯片仍需完成流片、验证和部署。半年推出一代，依赖多代产品并行开发，并不意味着单款芯片的全部开发过程只有半年。
MTIA 从 2020 年启动至今，已经有早期型号在实际业务中运行。3 月的四代路线图和 7 月披露的量产计划，让后续进度更清楚。对于每年在 NVIDIA GPU 上投入数百亿美元的 Meta 来说，即便自研芯片只承担部分推理任务，也有节省成本的空间；节省多少、能否覆盖研发与部署投入，仍要看量产后的表现。
