Meta 的 Iris 芯片 9 月投产：自研芯片真能摆脱英伟达吗？

2026 年 7 月 9 日，路透社披露了一份 Meta 内部备忘录。

根据备忘录，Meta 计划在 2026 年 9 月开始生产代号为 Iris 的自研 AI 芯片。这款芯片由 Meta 与博通合作设计，并交给台积电制造。Meta 还计划在 2027 年之前，大约每六个月推出一代新的自研 AI 芯片。

消息出来后，一个很自然的问题是：

Meta 开始自己造芯片，是不是准备摆脱英伟达了？

答案没有那么简单。

Iris 确实可以减少 Meta 对通用 GPU 的依赖，但短时间内，它更可能承担的是分流和降本，而不是完全替代英伟达。

一、Meta 为什么一定要自己做芯片？

Meta 运营着 Facebook、Instagram、WhatsApp 等大规模互联网产品。

这些产品背后每天都需要执行大量 AI 计算，例如：

• 信息流排序；
• 广告推荐；
• 内容审核；
• 图片和视频理解；
• 个性化推荐；
• 大模型推理；
• AI 助手响应。

这些任务中的一部分需要非常强的通用计算能力，但还有很大一部分任务高度固定、重复次数极多。

例如，推荐系统每天都要反复处理类似的计算：

读取用户特征
    ↓
读取内容特征
    ↓
计算点击或互动概率
    ↓
对候选内容进行排序

如果全部使用价格较高、功能高度通用的 GPU，相当于用一台高性能跑车完成每天固定路线的通勤。

它当然可以完成任务，但未必是成本最低的方案。

自研芯片的价值，是把芯片结构直接针对 Meta 自己的任务进行优化：

不是让芯片什么都能做
而是让它特别擅长 Meta 每天都要做的计算

当同一类计算需要执行数十亿甚至更多次时，哪怕单次成本只降低一小部分，最终也可能变成非常可观的基础设施支出差异。

二、Iris 并不是 Meta 的第一次尝试

Meta 的自研芯片项目被称为 MTIA，全称是 Meta Training and Inference Accelerator。

2026 年 3 月，Meta 公布了 MTIA 300、MTIA 400、MTIA 450 和 MTIA 500 四代芯片路线图。

其中，MTIA 300 主要用于推荐和排序模型的训练；后续的 MTIA 400、450 和 500 则会逐步覆盖更广泛的生成式 AI 和推理任务，相关芯片计划在 2026 年至 2027 年间部署。

这说明 Meta 的目标并不是做出一块芯片后就停止，而是建立一套持续迭代的自研芯片体系。

传统芯片通常需要较长的设计、验证和量产周期，但 Meta 希望把更新节奏缩短到大约半年一代。

按照路透社看到的内部备忘录，Iris 的测试阶段大约持续了六周，期间没有发现重大问题。这个结果至少说明，Meta 的自研芯片项目正在从实验阶段向规模生产推进。

三、Meta 真正想解决的是一笔越来越夸张的账单

自研芯片背后最直接的推动力，仍然是成本。

Meta 在 2026 年第一季度财报中，将全年资本支出预期提高至 1250 亿至1450亿美元。公司表示，增长原因包括硬件组件价格上升，以及为未来计算需求建设更多数据中心。

这意味着 Meta 的 AI 竞争已经不只是模型和人才竞争，还变成了一场重资产竞争。

一套完整的 AI 基础设施需要的不只是 GPU，还包括：

• CPU；
• 高带宽内存；
• 网络交换设备；
• 光纤和光模块；
• 存储系统；
• 服务器机架；
• 冷却设施；
• 供电系统；
• 数据中心土地和建筑。

Meta 计划在 2026 年部署约 7 吉瓦的计算能力，并在 2027 年进一步将整体计算能力提高到约 14 吉瓦。

吉瓦原本更多用于描述大型发电设施，现在却开始频繁出现在科技公司的计算能力规划中。

这说明今天的 AI 公司正在发生一个明显变化：

模型能力越来越依赖能源、芯片和数据中心规模。

当计算规模达到这个级别后，依赖单一芯片供应商会带来三个问题。

1. 采购成本很高

通用 GPU 不只包含 Meta 需要的功能，也包含大量为了适配不同客户和工作负载而设计的能力。

Meta 购买的不只是算力，还需要支付通用性、软件生态和供应商利润所对应的成本。

2. 供应数量受限

即使公司愿意支付更高价格，也不代表能够在需要的时间获得足够多的芯片。

高端芯片依赖先进制程、高带宽内存和先进封装，而这些环节的供应能力都相对集中。

3. 产品节奏受供应商影响

使用外部芯片意味着数据中心建设、模型部署和硬件更新都需要跟随供应商的发布及交付周期。

自研芯片则可以围绕内部模型和产品路线进行更紧密的协同。

四、自研芯片为什么不能直接替代 GPU？

专用芯片的优势是效率，弱点也是效率。

因为它为了某些特定任务进行了高度优化，所以面对新模型、新算子或者尚未确定的研究方向时，灵活性通常不如 GPU。

可以简单比较一下：

大模型研发具有很强的不确定性。

今天使用的模型架构、注意力机制和推理方案，可能在几个月后发生变化。GPU 的优势在于，它可以通过软件更新适配大量不同的计算任务。

专用芯片则可能遇到一个问题：

芯片设计时优化的是当前模型
芯片量产时模型已经发生变化

因此，Meta 不太可能把所有工作负载立即迁移到自研芯片。

更现实的策略是进行分层。

探索性训练、新模型研究
        ↓
继续使用通用 GPU

稳定的大规模推理任务
        ↓
逐步迁移到自研芯片

推荐、排序等固定任务
        ↓
优先使用专用加速器

也就是说，GPU 负责变化快、难以预测的任务，自研芯片负责规模大、相对稳定的任务。

五、推理可能比训练更适合自研芯片

讨论 AI 芯片时，很多人首先想到的是训练大模型。

但对于拥有大量用户的互联网公司来说，长期成本更高的部分可能是推理。

训练通常是阶段性的：

准备数据
→ 训练模型
→ 评估模型
→ 发布模型

而推理会在产品上线后持续发生：

用户发送请求
→ 模型生成结果
→ 每天重复数亿次

训练一代模型可能持续数周或数月，但推理服务可能连续运行几年。

因此，哪怕自研芯片无法承担最前沿模型的完整训练，只要能够降低部分推理和推荐任务的成本，就已经具备商业价值。

Meta 官方公布的路线图也显示，MTIA 400、450 和 500 的主要用途之一，就是支持生成式 AI 推理。

这可能才是 Iris 和后续 MTIA 芯片最重要的战场。

它们未必需要在全部指标上超过英伟达 GPU，只需要在 Meta 自己最常见的工作负载上实现更好的：

• 每瓦性能；
• 每美元吞吐量；
• 延迟；
• 内存利用率；
• 服务器部署密度。

对于 Meta 来说，最重要的指标不是芯片跑分，而是：

完成同样数量的推荐或推理请求
到底需要花多少钱？

六、软件生态才是最难补的一课

设计出一块能够运行的芯片，不等于建立了成熟的计算平台。

英伟达的真正优势不仅来自 GPU 本身，还来自长期积累的软件生态。

一套 AI 芯片要真正大规模使用，还需要：

• 编译器；
• 算子库；
• 调试工具；
• 性能分析工具；
• 分布式通信框架；
• 深度学习框架适配；
• 故障监控；
• 调度系统；
• 开发文档；
• 工程师培训。

假设芯片理论性能很高，但某个关键算子没有优化，整个模型的运行速度仍然可能被拖慢。

又或者芯片本身没有问题，但故障发生后难以定位，也会影响生产环境的可用性。

Meta 甚至已经尝试使用 AI 自动生成适配 MTIA 的算子代码。2025 年底公开的一项研究显示，其系统为 MTIA 平台生成了数百个通过测试的 PyTorch 算子和封装。

这件事很有意思。

过去，芯片公司使用工程师编写软件，让 AI 能够运行在芯片上。

现在，Meta 正在尝试让 AI 自动编写代码，加速下一代 AI 芯片的软件适配。

它形成了一种循环：

AI 帮助设计和适配芯片
        ↓
新芯片降低运行 AI 的成本
        ↓
更低成本支持更大规模的 AI

七、自研芯片并没有摆脱供应链

自研并不等于所有环节都由自己完成。

Meta 负责定义需求和部分芯片设计，但 Iris 仍然需要博通参与设计，并由台积电负责制造。

与此同时，AI 服务器还需要高带宽内存、存储设备、网络组件和先进封装。

因此，Meta 减少的是对某一家 GPU 供应商的依赖，而不是摆脱整个半导体供应链。

目前，大量公司都在设计自己的 AI 芯片，但它们最终仍然集中使用少数几家公司的：

• 先进晶圆制造；
• 高带宽内存；
• 先进封装；
• 光通信组件；
• 芯片设计工具。

这可能导致一种新局面：

AI 芯片品牌越来越多
但背后的制造供应链仍然高度集中

近期分析也指出，自研芯片能够降低对通用 GPU 的依赖，却无法解决晶圆制造、内存和先进封装能力紧张的问题。

所以，Iris 的量产成功不只取决于设计本身，还取决于 Meta 能否获得足够的制造、内存和封装产能。

八、这对英伟达意味着什么？

Iris 不会立刻成为所谓的“英伟达杀手”。

英伟达仍然拥有通用 GPU、成熟软件生态、网络产品和完整数据中心平台。其 2026 财年全年收入达到2159亿美元，同比增长65%，第四财季毛利率仍然保持在70%以上。

这说明客户即使积极开发自研芯片，仍然在大量购买英伟达产品。

但长期来看，自研芯片会改变英伟达在大型客户内部的角色。

过去，客户可能把几乎所有 AI 工作负载都放在 GPU 上。

未来更可能形成下面的结构：

前沿训练
    → 英伟达或其他通用 GPU

早期模型实验
    → 通用 GPU

稳定的大模型推理
    → GPU + 自研芯片

推荐和广告排序
    → 自研芯片优先

通用云计算服务
    → 多种芯片混合

英伟达未必会失去整个客户，但可能失去客户内部一部分最稳定、规模最大、最容易专用化的任务。

真正值得关注的不是 Meta 是否停止购买 GPU，而是：

Meta 每增加一单位 AI 计算能力，其中有多少还需要购买英伟达芯片？

如果这个比例持续下降，自研芯片才会真正影响英伟达的长期增长空间。

九、Iris 成功的标准不是跑分

对于一款公开销售的芯片，外界通常会关注峰值算力、显存容量和基准测试。

但 Iris 是 Meta 面向自身数据中心设计的芯片，它的成功标准会更加实际。

第一，能否稳定量产

测试样片通过验证，只代表芯片设计基本可用。

真正的挑战是大规模生产后的良率、供应和部署稳定性。

第二，能否迁移真实业务

只有当推荐、广告或者生成式 AI 推理任务真正迁移到 Iris 上，它才能产生价值。

第三，能否降低总成本

不能只看芯片采购价格，还要计算：

• 软件开发成本；
• 数据中心改造成本；
• 运维成本；
• 功耗；
• 故障率；
• 利用率；
• 模型迁移成本。

第四，后续芯片能否按时交付

Meta 计划保持大约半年一代的发布节奏。

如果只有第一代按时完成，后续产品不断延期，就很难形成真正的平台能力。

第五，能否跟上模型变化

AI 模型的迭代速度可能比芯片更快。

MTIA 必须具备足够的可编程能力，才能避免芯片量产后迅速落后于模型架构。

十、AI 竞争正在从模型下沉到芯片

过去几年，大家判断一家 AI 公司的竞争力，主要关注：

• 模型参数；
• 训练数据；
• Benchmark；
• 上下文长度；
• 推理能力；
• 多模态能力。

但随着模型进入大规模应用阶段，竞争开始继续向下移动。

应用
↓
模型
↓
推理框架
↓
编译器
↓
芯片
↓
数据中心
↓
电力

模型回答得再好，如果单次调用成本过高，就难以向数十亿用户持续提供服务。

芯片性能再强，如果供电和数据中心建设跟不上，也无法真正转化为产品能力。

Meta 推进 Iris，说明头部 AI 公司的竞争已经不再只是“谁的模型更聪明”，还包括：

谁能以更低的成本，把模型运行更多次？

结语

Meta 的 Iris 芯片在 9 月投产，是一个重要信号，但它并不意味着英伟达马上会被替代。

更准确地说，Meta 正在尝试建立一套混合计算体系：

通用 GPU 负责灵活性
自研芯片负责效率
数据中心负责规模
软件平台负责调度

在这套体系中，英伟达仍然会承担前沿训练和复杂工作负载，但推荐、广告排序以及稳定的生成式 AI 推理任务，可能逐渐被 Meta 自己的芯片接管。

因此，Iris 真正挑战的不是英伟达 GPU 的最高性能。

它挑战的是另一个问题：

当 AI 工作负载已经足够稳定、规模足够大时，科技巨头是否还需要为通用 GPU 支付全部溢价？

如果 Meta 能证明自研芯片在真实业务中更便宜、更稳定，而且能够跟上模型迭代，那么 Iris 就不会只是一块芯片。

它可能成为 Meta 从“购买算力”走向“定义算力”的起点。

参考资料

1. Reuters，Meta 计划于2026年9月开始生产代号 Iris 的自研 AI 芯片。
2. Meta，MTIA 300、400、450、500 自研芯片路线图。
3. Meta，2026年第一季度财务报告及资本支出预期。
4. NVIDIA，2026财年第四季度及全年财务报告。
5. Axios，AI 自研芯片仍受制造、内存和先进封装供应链限制。