Meta 正在将减少对外部芯片供应商依赖的战略转化为实际行动。该公司宣布，其代号为 Iris 的定制 AI 芯片已完成测试阶段，未出现重大问题，将于 2026 年 9 月 开始制造。这是 Meta 将整体算力提升至 14 GW 宏大计划中的关键里程碑。
Iris 芯片的核心定位是高效处理 Meta 平台上每天产生的数十亿次 AI 推理请求，覆盖 Facebook、Instagram、WhatsApp 和 Meta AI 等服务。与通用 GPU 不同，Iris 可针对推荐系统、排名模型、广告算法及生成式 AI 服务进行专门优化。据估算，即便每瓦性能或每次推理成本仅提升 10% 至 15%，每年也能为 Meta 节省 数亿美元。
从产业链角度看，自研芯片为 Meta 带来了多重战略优势。首先是降低对 英伟达 的依赖，使 Meta 不必完全跟随外部芯片厂商的产品路线图、定价策略或供应链波动来调整自身规划。其次，这赋予了 Meta 在与供应商谈判时更大的议价筹码。更重要的是，Meta 能够将芯片设计与自身的软件、网络及数据中心同步优化，在超大规模基础设施上实现系统级效率提升。
然而，自研芯片并非易事。设计一款新芯片通常需要数年时间，成本可达 数十亿美元，只有极少数公司具备这样的资金与工程人才储备。英伟达的护城河也不仅仅在于强大的 GPU 硬件，更在于其多年构建的软件生态、网络技术与开发者工具，复制这一生态的难度远超芯片设计本身。因此，Iris 并非旨在完全替代英伟达 GPU，而是将更多推理工作负载迁移到 Meta 自有可控的硬件上，英伟达 GPU 预计仍将承担 Meta 大部分最庞大的 AI 训练任务。
Iris 并非 Meta 在定制芯片领域的首次尝试。今年早些时候，Meta 已公布其 MTIA（Meta 训练与推理加速器） 路线图，涵盖面向自身基础设施的多代 AI 芯片。尽管 Meta 未确认 Iris 是否属于 MTIA 家族，但其战略方向一脉相承。Meta 计划到 2027 年 大约每 六个月 推出一款新 AI 芯片，节奏远快于传统的一年或两年一代。为支撑这一扩张，Meta 已与 三星电子 签订存储芯片长期供应协议，与 SanDisk 签订闪存供应协议，并与 住友电工 签订光纤设备供应协议。仅 2026 年，Meta 在 AI 基础设施上的支出预计将高达 1450 亿美元。
Meta 并非孤例。谷歌 拥有 TPU，亚马逊 开发了 Trainium 和 Inferentia，微软 则有 Maia 芯片。超大规模云商集体推动定制芯片的趋势，正在深刻改变 AI 基础设施的产业格局。这并不意味着英伟达的主导地位会迅速消退——其 GPU 几乎仍将是训练最大规模 AI 模型的首选。但随着 AI 对这些公司业务的重要性与日俱增，拥有更多底层硬件自主权，将帮助它们在成本控制和基础设施扩展上获得更大的战略灵活性与掌控力。