Meta 公布自研芯片路线图：两年推四代 MTIA，主打 AI 推理

造一颗芯片通常要一到两年，但 Meta 却打算像更新手机软件一样造芯片：未来两年内，一口气端出四代自研 AI 芯片。

Meta 正式公布了自研芯片家族 MTIA 的最新路线图。目前 Meta 已经在线上部署了数十万颗前代 MTIA 芯片，主要跑应用里的内容推荐和广告。接下来，他们要把研发周期压缩到六个月以内，在 2026 到 2027 年间接连推出 MTIA 300、400、450 和 500 四款产品。

半年迭代一次的自研芯片

传统芯片厂商大多遵循一至两年的迭代周期，往往芯片刚流片出来，前沿大模型的结构就已经大变样了。Meta 这次拉上博通（Broadcom）合作，改走模块化小芯片（chiplet）路线。

由于采用了模块化设计，新芯片可以直接插入现有的数据中心机架，不需要推倒重造机房，大幅缩短了上线投产的时间。

四款芯片的分工很明确。MTIA 300 目前已经投产，专门负责信息流推荐与排序模型的训练任务，内部集成了网络网卡小芯片和专用消息引擎。

随后的 MTIA 400 则开始兼顾生成式 AI，FP8 浮点算力比 300 提升了 400%，显存带宽提高 51%。到一个机架容纳 72 颗芯片时，算力密度翻倍。

再往后的 MTIA 450 和 500，则把重点全盘押在生成式 AI 推理上。从 MTIA 300 到 MTIA 500，显存带宽暴涨 4.5 倍，算力更是飙升了 25 倍。

把推理成本打下来的算盘

主流半导体巨头的做法，通常是先造一颗性能最顶级、价格也最贵的旗舰芯片去跑大模型预训练，然后再顺带拿它去跑推理。这种方案应付推理其实很浪费，成本也高得吓人。

Meta 偏偏反着来。他们认为大模型的预训练需求虽然大，但随着几十亿用户每天使用 AI 助手和推荐系统，生成式 AI 推理的需求才是真正的无底洞。

因此 MTIA 450 和 500 从底层就是为推理量身定做的，重点强化低精度的 MX4 和 MX8 算力，之后有需要再去兼顾训练。

为了避免自研硬件没人用的尴尬，Meta 从一开始就让硬件完全贴合现有的开源软件生态，原生支持 PyTorch、vLLM 和 Triton，系统方案也遵循开放计算项目（OCP）规范，内部业务迁移几乎零门槛。

当然，Meta 并没有打算彻底抛弃英伟达。官方明确表示依然会保持多元采购策略，外部芯片和自研 MTIA 双轨并行。

为什么重要

我们认为，Meta 这一步走得极其务实，精准切中了当下一线大厂最头疼的算力账单问题。

对于每天使用 Meta 系列产品的数十亿普通用户来说，自研芯片意味着后台生成式 AI 和推荐功能能够以更低的时延响应，而 Meta 也无需因为高昂的算力成本对免费 AI 功能抠抠搜搜。

在行业层面，这再次印证了一个趋势：头部云厂商和社交巨头不可能把命门完全交给英伟达。从两年前仅用于推荐推理，到现在杀入生成式 AI 和模型训练，Meta 正在快速补齐闭环能力，这也会迫使外部供应商给出更有竞争力的报价。

看起来 Meta 的做法非常聪明。用半年一迭代的模块化节奏对抗模型算法的不确定性，用「推理优先」避开跟英伟达硬碰硬的预训练战壕。不过隐患在于，如此高频的硬件更迭对底层编译工具链和软硬件协同是极大的考验，稍有脱节就可能让新硬件沦为摆设。