Meta 计划明年上半年部署新一代自研 AI 芯片，押注推理场景降本增效
据彭博社报道，Meta 计划在明年上半年于数据中心部署新一代自研 AI 芯片，以在运行 AI 模型时进一步降低成本与能耗。Meta 早在 2023 年公布自研 AI 芯片计划，目前正测试第三代产品 MTIA 450，代号 Arke；下一代 MTIA 500 代号 Astrid，预计约一个月后完成设计，并计划在 2027 年底进入数据中心。相比前几代产品，Meta 准备让 Astrid 承担更大范围的部署任务，这意味着其自研芯片路线正在从验证阶段走向规模化应用。
从 Arke 到 Astrid：Meta 自研芯片进入更激进阶段
负责 Meta 定制芯片项目的工程副总裁 Yee Jiun Song 表示，每一代芯片都会承担略高一些的技术风险，以换取更好的性能表现。新一代产品的核心目标并不只是“能跑”，而是要在同等投入下提供更强性能，同时提升能效。对于拥有大规模社交、推荐、广告与生成式 AI 服务的 Meta 来说，推理环节的成本和能耗会直接影响 AI 产品的长期运营效率。
来源显示，Meta 的自研芯片由 Meta 与博通合作设计，并由台积电制造。其目标之一，是减少对英伟达领先 AI 处理器的依赖。按能耗规模衡量，Meta 计划在 12 个月内部署超过 1GW 规模的自研芯片，后续部署速度还可能继续加快，前提是 AI 市场和需求不出现明显下滑。
- MTIA 450 / Arke：目前处于测试阶段，是 Meta 第三代自研 AI 芯片。
- MTIA 500 / Astrid：预计约一个月后完成设计，并在 2027 年底进入数据中心。
- 部署方向：更侧重通用推理，而非追求极致响应速度的超高速推理市场。
- 供应链：Meta 与博通合作设计，台积电负责制造。
为何聚焦推理：规模越大，成本越敏感
Meta 此前曾规划一款代号 Olympus 的芯片，希望同时承担 AI 训练与推理任务，原定在 2028 年或 2029 年推出。但该项目后来被取消，资源转向推理芯片。Yee Jiun Song 给出的原因很直接：当容量扩大到数 GW 级别时，成本会成为关键变量。如果一颗芯片同时兼顾训练和推理，成本可能提高 30%，在如此规模下将“完全无法接受”。
这也反映出大型 AI 公司在硬件策略上的分化：训练仍高度依赖顶级通用加速器，而推理由于调用频次高、任务形态更稳定，更适合通过自研芯片做定制优化。对 Meta 而言，若芯片、模型和业务负载可以协同设计，就有机会在自家模型上获得更高的单位能耗产出。Yee Jiun Song 称，由于大量工程工作由 Meta 自行完成，自研芯片运行自家 AI 模型时，可以比英伟达当前出货的任何产品更高效。
模型团队参与调校，硬件路线更贴近 AI 业务
报道还提到，Meta 超级智能实验室参与了芯片调校，向硬件团队提供未来 AI 模型以及推理阶段所需能力的信息。这一点值得关注：AI 芯片竞争已经不只是单颗芯片的算力指标竞争，而是模型结构、内存带宽、软件栈、数据中心供电与散热能力共同决定的系统工程。
9 月 1 日，台积电向 Meta 交付 12 枚新型号芯片。实测性能与此前模拟结果的差距只有 2% 至 3%。据报道，团队在拿到芯片当天便成功运行了 Meta 自家模型，以及 DeepSeek 和阿里巴巴的模型。初步测试未发现芯片设计缺陷，但后续仍需数月测试和调校，工厂也会在此期间逐步提高产量。
从产品定位看，Meta 这几代芯片基本都采用高带宽内存，但并不瞄准最强调低延迟的超高速推理市场，而是希望成为通用推理主力芯片。Astrid 开发完成后，Meta 下一阶段将重点提升芯片速度和吞吐量，也就是单位时间内处理 AI 任务的规模，并探索通过光纤技术进一步提升性能。
影响解读：AI 巨头正在把“算力采购”变成“算力自控”
对于中文科技读者来说，Meta 的动作说明，大模型竞争正在从模型参数、应用入口，进一步延伸到数据中心底层硬件。自研芯片不一定会完全替代英伟达等供应商，但能在特定业务场景里降低边际成本，并提升供应链议价能力。尤其当推理调用量持续增长时，每一点能效提升都会被数据中心规模放大。
不过，自研芯片也意味着长期投入、制造风险和软件生态建设压力。Meta 能否让 Astrid 在更大范围内稳定部署，还要看后续测试、产能爬坡以及 AI 需求变化。但可以确定的是，在 AI 基础设施成本持续上升的背景下，Meta 正试图把关键推理负载掌握在自己手中，这也将成为未来几年云端 AI 硬件竞争的重要趋势。