为什么要自己做芯片
Meta在AI基础设施上的投入一直很大，但钱主要流向了英伟达的GPU。随着AI业务负载持续增长，这种单一依赖带来的成本压力和供应链风险越来越突出。
更麻烦的是，在Meta如此庞大的数据中心规模下，大量采购和部署最新一代GPU本身就是一个极其复杂的工程。内部备忘录直言，这件事“难度极大，也付出了时间成本”。
自研芯片因此从备选变成了必选，这不是要完全取代GPU，而是要在算力体系中增加一个可控的变量。
Iris是什么，进展到了哪一步
Iris属于Meta第四代MTIA系列芯片，完全由Meta自主设计，专门用于支撑Facebook、Instagram等产品的AI训练和推理任务。博通在芯片设计阶段提供了技术支持，代工则交由台积电负责，内存、闪存、光纤互连等配套供应链也已经锁定。
对于数据中心级AI芯片来说，流片后的验证阶段通常需要数月时间，任何重大Bug都可能迫使团队重新设计甚至重新流片。六周过关，在业内算是相当快的节奏，也意味着9月量产的时间表具备了可行性。
Meta布局自研AI芯片已有五年，MTIA项目早期推进并不顺利，多次调整路线，一度被外界视为大型互联网公司自研芯片进展缓慢的典型案例。这次Iris的顺利推进，某种程度上标志着Meta的芯片研发体系终于走过了试错期。
算力目标与迭代节奏
Meta为2027年设定的目标是数据中心总计算能力翻倍，达到14吉瓦。这个数字背后是一个明确的信号：自研芯片将在未来算力体系中承担更重要的角色。
与此同时，Meta计划保持大约每六个月推出一代新芯片的节奏，持续到2027年。目前行业主流AI芯片厂商的产品更新周期通常是一年甚至更长，Meta把节奏压缩到半年。
意图很明显——通过快速迭代积累设计经验，在尽可能短的时间内缩小与行业领先者的差距。当然，这种激进节奏本身也是风险，芯片研发涉及硬件、软件、供应链多个环节，任何一个环节掉链子都可能打乱整个计划。
行业影响与潜在挑战
如果Iris顺利量产，Meta将成为又一家有能力大规模部署自研AI芯片的互联网巨头。这对英伟达来说不是好消息——虽然短期内无法撼动GPU在训练场景中的统治地位，但推理侧的市场正在被越来越多的自研ASIC蚕食。
不过挑战同样存在，芯片研发是长周期、高投入、高风险的生意，Meta此前在MTIA项目上走过的弯路已经证明了这一点。总的来说，Meta这次拿出了实质性的进展，但从芯片到算力再到业务价值，中间还有相当长的距离要走。