为降本与自主而造

Iris的核心目标很明确：降低不断攀升的AI基础设施成本，并减少对英伟达和AMD等外部芯片供应商的依赖。不过其定位是“补充”而非“替代”——它与Meta大量采购的英伟达、AMD通用GPU协同工作，针对Meta平台专属任务做深度优化，而非完全替换商用显卡。

Meta首席财务官苏珊·李（Susan Li）曾表示，定制芯片是Meta芯片战略的“核心支柱”。通过自研芯片与模型深度耦合，Meta有望长期削减硬件采购与能耗成本，并避免供应链受制于人。这同时标志着Meta自研芯片项目从侧重推理环节，向进军AI模型训练领域的关键进阶。

激进的扩张与迭代节奏

为保障算力扩张，Meta规划在2026年部署总规模达7吉瓦（GW）的算力基础设施，并计划在2027年将该规模翻倍至14吉瓦；公司预计2026年在AI基础设施领域的投入最高可达1450亿美元。为锁定供应，Meta已与三星电子、闪迪、住友电工签署了长期供货协议。

迭代节奏同样激进。Meta计划到2027年前保持约每六个月推出一款新芯片的节奏。报道还提及，Meta首席执行官马克·扎克伯格否认行业存在算力过剩，称“不知道业内有谁会觉得自己的算力太多”。

行业转向定制算力

分析认为，定制ASIC（专用集成电路）相比英伟达通用GPU，总持有成本（TCO）可降低30%到50%，每瓦性能高出一个量级，代价是设计绑定特定模型架构且缺乏成熟软件生态。Meta采取“定制自研+通用外采”的双轨并行策略：自研芯片针对专属任务降本增效，商用GPU则保障通用训练与供应链稳定。

这一趋势并非孤立。在AI领域，Meta正与OpenAI、Google等公司展开激烈竞争，对算力的需求呈指数级增长；OpenAI、Anthropic等也纷纷与博通合作或启动自研芯片计划，以绕开英伟达。互联网巨头集体构建自己的AI算力体系，正成为行业的新常态。