Meta加码定制AI芯片布局，剑指“算力自由”摆脱外部依赖

近日，Meta首席财务官苏珊·李在摩根士丹利科技大会上披露，公司正推进定制AI芯片研发进程：目前自研芯片已大规模应用于排序和推荐类工作负载，未来将拓展至核心AI模型训练场景，最终实现“算力自由”以减少对外部芯片供应商的依赖，这一动作也引发业界对科技巨头自研AI芯片趋势的讨论。

在AI大模型竞赛愈演愈烈的当下，算力已经成为决定科技巨头竞争力的核心壁垒之一。长期以来，包括Meta在内的多数企业都高度依赖英伟达等第三方供应商的通用芯片支撑AI训练与推理，但这种模式不仅面临成本高企、产能受限的问题，更让企业在算力调度与模型优化上处处受制于人。

Meta首席财务官苏珊·李的表态，揭开了公司自研芯片布局的最新进展。据其透露，Meta的定制芯片目前已大规模应用于排序和推荐类工作负载——这是支撑Facebook、Instagram等平台内容分发的核心环节，证明自研芯片的性能与稳定性已经通过了大规模业务场景的验证。

未来，Meta的目标是将自研芯片的应用范围进一步拓展至核心AI模型训练场景，最终实现完全独立支撑下一代AI模型的训练需求。同时，苏珊·李也提到，公司并不会彻底放弃通用芯片，而是会在采购策略上平衡通用芯片与自研芯片的比例，以兼顾业务灵活性与自主可控性。

Meta推进自研芯片的核心目标，是实现行业热议的“算力自由”。随着大模型参数规模不断膨胀，训练一次百亿、千亿级参数模型的算力成本动辄数以千万甚至亿元计，且第三方芯片的供应往往受制于人——此前全球AI算力紧张时，多家科技巨头都曾面临芯片交付延迟的问题，直接影响了模型迭代节奏。

通过自研定制化芯片，Meta不仅能够针对自身AI模型的架构特点优化芯片设计，大幅提升算力利用效率、降低训练成本，更能摆脱对外部供应商的依赖，掌握算力调度的主动权，确保核心AI研发业务的连续性与安全性。这种自主化的算力布局，也被看作是科技巨头在AI时代构建长期竞争力的关键一步。

Meta的动作并非孤例。事实上，全球科技巨头早已开启自研AI芯片的布局：谷歌的TPU芯片已经成为支撑其Transformer模型、Gemini大模型训练的核心算力基础；亚马逊AWS也推出了自研的Trainium和Inferentia芯片，用于云端AI训练与推理；国内的字节跳动、百度等企业也在推进定制化AI芯片的研发。

在AI技术逐渐成为企业核心业务引擎的背景下，自研芯片正在从“可选动作”转变为“必选项”。一方面，定制化芯片能够更好地匹配企业自身的业务需求与模型架构，实现算力效能最大化；另一方面，掌握自研芯片能力也能让企业在日益激烈的AI竞争中，避免陷入“卡脖子”的困境，构建起独特的技术壁垒。