Meta

本文来自于 A16Z 组织的一场圆桌论坛，本期节目中，Dylan Patel（SemiAnalysis 创始人兼首席执行官）将与 Erin Price-Wright（a16z 普通合伙人）、Guido Appenzeller（a16z 合伙人）以及主持人 Erik Torenberg 一同深入探讨 AI 芯片、数据中心和基础设施战略的现状。以下是视频精华。 “淘金热里，最先赚钱的永远是卖铲子和镐头的人。” 这句老话在今天的人工智能（AI）浪潮中，显得再贴切不过了。当我们谈论AI革命时，我们实际上在谈论一场由硬件、数据中心和芯片主导的军备竞赛。英伟达（Nvidia）已经成为地球上最有价值的公司，而AI云服务的IPO也屡创新高。这盘棋，远比我们想象的更复杂。 OpenAI的新算盘：从追求极致智能到精打细算 最近OpenAI发布的GPT-4o（被许多人戏称为GPT-4.5或GPT-5的预览版），让不少重度用户感到一丝“失望”。为什么？因为感觉模型不再像以前那样“深度思考”了。过去，像o1、o3这样的模型，可能会花上30秒甚至更长时间来处理一个复杂问题。而现在，即使开启“思考模式”，GPT-4o的响应时间也大大缩短，平均只有5到10秒。 这背后其实是OpenAI战略上的一次重要转向：从不计成本地追求智能，转向更高效、更经济的算力分配。 新模型的核心，是一个叫做**“路由器（Router）”**的机制。当你提出一个问题时，这个路由器会智能地判断： 这是个简单问题吗？ 比如“天空为什么是蓝色的？”，那就交给轻量级的Mini模型，成本极低。 这是个需要深度思考的复杂问题吗？ 那就调用更强大的“思考模型”。 用户是不是快没额度了？ 也许可以降级到更基础的模型。 说白了，OpenAI现在能像一个精明的管家一样，动态地决定为你的每一次提问分配多少算力。这不仅极大地提升了他们的基础设施容量，更关键的是，为未来的商业模式铺平了道路。 过去，AI公司很难从免费用户身上赚钱，因为在对话中插广告会严重破坏用户体验。但有了路由器，一切都不同了。想象一下： 低价值查询：用户问作业题，用普通模型回答，成本可控。 高价值查询：用户问“我附近最好的律师是谁？”或者“帮我预订下周去纽约的机票”，路由器会立刻调用最顶级的模型和智能体（Agent），去搜索、比较、甚至完成预订。 在这种模式下，OpenAI可以从交易中抽取佣金，从而将免费用户转化为高价值的收入来源。这不仅仅是技术上的优化，更是商业模式上的一次“核聚变”。成本和性能的平衡，已经取代了单纯的跑分，成为了模型竞争的新战场。 英伟达的王座：价值捕获的终极赢家 聊完模型，我们必须把目光投向这一切的基石——英伟达。它的股价今年势如破竹，但未来的路会怎么走？ 需求端依然火热。可以粗略地把英伟达的芯片需求分成三块： AI实验室：像OpenAI和Anthropic这样的公司，消耗了大约30%的芯片，用于训练下一代大模型。 广告与推荐系统：Meta、字节跳动等公司，为了优化广告投放，同样是芯片采购大户，这部分也占了大约三分之一。 其他玩家：剩下的三分之一，流向了各种云服务商和初创公司，其中不乏一些尚未找到稳定商业模式的“非经济性”买家。 目前来看，第一和第二部分的需求仍在增长，但真正有趣的是一个被称为“价值捕获”的问题。 一个有趣的现象是，AI已经创造了巨大的社会价值，但模型公司本身却很难将这些价值完全转化为收入。比如，一个四人开发团队，利用AI工具能自动化处理海量数据，创造出巨大的商业价值，但他们为此支付给模型公司的API费用却微乎其微。OpenAI可能连自己创造价值的10%都没能捕获到。 然而，作为“卖铲人”的英伟达，却稳稳地抓住了价值。AI软件开发能为全球GDP带来数万亿美元的增长潜力，这些价值最终都会层层传导，转化为对GPU的需求。 挑战者们的困境：一场注定艰难的“越级打怪” 既然英伟达这么赚钱，难道没人能挑战它吗？当然有，但这条路异常艰难。 1. 内部玩家：谷歌、亚马逊的定制芯片 谷歌的TPU、亚马逊的Trainium、Meta的MTIA，这些云巨头们都在大力发展自己的定制芯片。他们的优势在于： 拥有“ captive customer ”（专属客户）：就是他们自己。芯片造出来不愁销路。 目标是压缩成本：他们不需要对外销售产生利润，只要能降低内部的算力成本，就是巨大的成功。 目前来看，谷歌的TPU利用率很高，而亚马逊的Trainium也随着Anthropic的使用逐渐成熟。这确实是英伟达面临的最大威胁之一。甚至有人提出，既然英伟达的市值已经超过了谷歌，谷歌为什么不干脆把TPU拿出来公开销售呢？这在理论上完全可行，但需要谷歌进行一次彻头彻尾的文化和组织架构重组，难度极大。 2. 外部玩家：芯片初创公司的“5倍定律” 市面上涌现了无数AI芯片初创公司，比如Etched、Revos、Grok、Cerebras等等，他们获得了数十亿美元的投资。但他们面临的挑战，比云巨头们大得多。 他们无法像云巨头那样只为自己服务，必须在公开市场上与英伟达竞争。而英伟达几乎在所有方面都占尽优势： 供应链：能最先拿到台积电的先进工艺、SK海力士的HBM内存，甚至在网线、机架等方方面面都有更强的议价能力。 生态系统：CUDA软件生态已经形成了一道深深的护城河。 迭代速度：每年都在快速推出性能更强的产品。 这就意味着，任何挑战者要想脱颖而出，就必须拿出比英伟达好上5倍的产品。为什么是5倍？因为你即使在架构上实现了5倍的理论优势，经过供应链成本、软件开销、市场营销等层层损耗，最终可能只剩下50%的实际优势。而这时，英伟达只要稍微压缩一下自己75%的毛利率，就能轻松抹平你的这点优势。 更要命的是，这是一个“移动靶”。当你花几年时间，针对当前的Transformer模型设计了一款完美的芯片，结果模型本身又进化了，变得更适合在英伟达的通用GPU上运行。这种“硬件软件协同进化”的循环，让专用芯片的赌注风险极高。 基础设施的瓶颈：当美国为电发愁 这场竞赛还有一个关键的制约因素：电力和数据中心。 在美国，AI的发展正面临着严重的电力瓶颈。这并不是说电费有多贵，而是电网容量、变电站建设、输电线路铺设这些基础设施的建设速度，远远跟不上AI算力的增长需求。谷歌、Meta等公司手上有大把已经买好的芯片，却因为数据中心没建好、电力没到位而闲置。为了抢时间，他们甚至开始搭建临时的“帐篷式”数据中心。 相比之下，中国拥有强大的基建能力，电力不是问题。但他们受限于无法获得最顶尖的AI芯片。即便如此，中国公司依然在想尽办法，比如在海外租用GPU云服务，或者通过新加坡等地的公司在海外建设数据中心。 这个现象揭示了AI竞赛的另一个层面：它不仅仅是公司之间的竞争，更是不同国家在基础设施、供应链和资本投入上的全面较量。 给科技巨头们的“逆耳忠言” 最后，不妨开个玩笑，如果能给这些科技巨头的CEO们提点建议，会是什么呢？ 给英伟达的黄仁勋：你手握千亿现金，别只想着股票回购。利用这笔巨款，深入投资基础设施层，去加速整个生态的建设。这不仅能巩固你的王座，还能创造更大的市场。 给谷歌的皮查伊和布林：别再那么“佛系”了！把你们的TPU拿出来卖，把XLA软件栈彻底开源。你们正在流失最顶尖的人才，而搜索业务的根基正被AI动摇。再不拿出破釜沉舟的勇气，就晚了。 给Meta的扎克伯格：你对AI的愿景很宏大，但要更快地落地成产品。别只守着自己的社交花园，大胆地走出去，推出能和ChatGPT、Claude正面竞争的产品。 给苹果的蒂姆·库克：醒醒！计算的交互界面正在从“触摸”转向“AI”，这会从根本上颠覆你的生态。Siri已经落后太多了，再不投入数百亿美元到基础设施和模型研发上，苹果的护城河会越来越窄。 给微软的纳德拉：你们拥有全球最强的企业销售团队，但产品力却在下滑。GitHub Copilot起了个大早，却赶了个晚集；自家的AI产品反响平平；对OpenAI的掌控力也在减弱。是时候把重心从销售拉回到产品上了。 给特斯拉/xAI的埃隆·马斯克：你吸引顶尖人才的能力无人能及，但一些冲动的决定正在伤害你的公司和项目。少一些随性的决策，多一些对产品的持续专注，你的帝国会更稳固。 这场AI的牌局还远未到终局。战况瞬息万变，曾经的性能王者开始精打细算，沉默的基建狂魔手握重金，而挑战者们则在一条异常崎岖的道路上奋力追赶。谁能笑到最后，不仅取决于技术上的突破，更取决于在经济、生态和战略上的远见卓识。我们正亲眼见证一个时代的诞生。

本文来自于 Meta CEO 马克·扎克伯格接受《The Information》杂志记者杰西卡·莱辛的采访视频，讨论了他对个人超级智能的愿景，以及这种愿景与当今世界对 AI 的理解有何不同。 采访还涵盖了扎克伯格部署资本的策略，以及他为何要将服务器安置在帐篷内。 扎克伯格摊牌了：我们的目标是“个人超级智能”，而且要不惜一切代价 最近，马克·扎克伯格似乎按下了AI军备竞赛的“狂暴”按钮。从疯狂招募顶尖AI人才、豪掷重金入股Scale AI，到宣布建造堪称巨无霸的超级计算机集群，Meta的一系列动作都在清晰地传递一个信号：他们要“All in” AI，而且是以前所未有的规模。 在与 The Information 的一次深度对话中，扎克伯格首次系统地阐述了Meta在这场AI终局之战中的独特愿景和激进打法。他不再满足于追赶，而是要定义一个全新的赛道——个人超级智能 (Personal Super Intelligence)。 不只是造工具，而是要给每个人一个“超强大脑” 当下的AI竞赛中，无论是OpenAI还是Google，大家似乎都更关注如何用AI解决“宏大问题”，比如自动化经济生产、赋能企业。但扎克伯格的思路显然不太一样。 他认为，AI就像早期的互联网，它的价值绝不限于生产力。人们生活中真正关心的，更多是人际关系、文化、创造力、娱乐和享受生活。这就是Meta想要聚焦的地方。 “我们的使命，是把个人超级智能带给世界上的每一个人，”扎克伯格说，“我们想把这种力量直接交到每个人的手中。” 这与竞争对手们想打造一个“中央超级智能”来解决宏大问题的思路形成了鲜明对比。扎克伯格描绘的未来是： AI是你的个人伙伴：它关心你生活中的琐事，而不仅仅是宏大的社会议题。 AI提升你的个人生活：它帮你维系人际关系，激发你的创造力，让生活更有趣。 AI增强你的认知能力：未来，不戴AI眼镜，可能就像近视眼不戴眼镜一样，处于一种“认知劣势”。 他举了一个生动的例子：我们每次和别人聊天，脑子里可能会闪过五件想后续跟进的事，但最后因为忙碌，能做一件就不错了。而在未来，你的AI眼镜会帮你记住这一切，甚至主动帮你跟进处理。 这种“个人化”的愿景，可以说是Meta这家以社交和连接起家的公司，在基因里就写好的。 弹药充足：用“钞能力”和极致算力吸引顶尖人才 要实现如此宏大的愿景，需要两样东西：顶级的人才和海量的算力。扎克伯格对此毫不含糊。 1. 人才争夺战：钱很重要，但不是全部 面对外界报道的数百万甚至上亿美元的“天价”薪酬包，扎克伯格虽然承认市场竞争激烈，但他透露了顶尖研究员们更看重的东西。 他说，现在招募这些顶级人才，他们想要的不再是管理多少人的“大团队”，而是恰恰相反——“最少的人，最多的GPU”。 这些天才希望在一个小而精悍的团队里，每个人都能将整个项目装进自己的脑袋，同时拥有几乎无限的计算资源来验证自己的疯狂想法。而这，正是Meta能够提供的核心吸引力。 “如果你要投入几千亿美元来构建计算集群，那么花点钱、不惜一切代价去争取那五六十个最顶尖的研究员，是完全说得通的。” 扎克伯格的逻辑很清晰：与庞大的硬件投入相比，人才招聘的成本反而是“小钱”。 2. 算力军备：不设上限的投入 当被问及资本支出（Capex）是否有上限时，扎克伯格的回答简单而霸气：“我们会看技术进展和结果再说。” 他认为，将资本转化为更优质的服务，是一种核心的竞争优势。Meta强大的业务模式能持续产生巨额现金流，这让他们有底气进行这种“可能长达数年，耗资数千亿”的投入，而许多竞争对手则需要为此不断融资。 为了在这场竞赛中跑得更快，Meta甚至颠覆了传统数据中心的建设方式。他们开创性地使用**“防飓风帐篷”**来快速搭建GPU集群，而不是等待耗时数年的钢筋混凝土建筑完工。 目前，Meta正在建设两个以希腊泰坦神命名的“泰坦”级数据中心——普罗米修斯（Prometheus）和许珀里翁（Hyperion）。其中，许珀里翁最终将扩展到惊人的5千兆瓦（5 GW），其占地面积甚至堪比一大部分曼哈顿。 扎克伯格的目标很明确：打造全球最庞大的计算集群，并实现“人均算力”的遥遥领先。 AI的终极形态：透过你的眼睛看世界 那么，这个“个人超级智能”最终会以什么形态出现呢？扎克伯格的答案，与他多年前就下注的另一项技术紧密相连——智能眼镜。 他坚信，智能眼镜是AI的最佳载体，因为： 它能看到你所见，听到你所闻，真正理解你所处的环境和上下文。 它能与你全天候对话，成为一个无缝的交互入口。 未来，它能直接在你眼前生成全息影像和交互界面，提供即时信息和帮助。 这让Meta在Reality Labs上的长期巨额投资，与当下的AI战略完美地串联起来，形成了一个从硬件到软件再到服务的闭环。 一场严肃的豪赌 在采访后的讨论中，记者Jessica Lessin敏锐地捕捉到了扎克伯格的变化。他当天穿着一件有领子的衬衫，虽然看似随意，但在熟悉他的人看来，这是一种“严肃”的信号——就像他曾在Facebook面临严峻挑战时，坚持每天打领带上班一样。 这次，扎克伯格是认真的。他不再是被动应对，而是主动出击，试图为Meta，也为整个科技行业，划定下一代计算平台的战场。 当然，一个巨大的问题仍然悬而未决：当“个人超级智能”真的实现时，它的商业模式是什么？如何为这项耗资千亿的服务买单？ 这或许是这场“AI热夏”中最激动人心，也最充满未知的问题。但可以肯定的是，扎克伯格已经摆好棋局，押上重注。这不仅关乎Meta的未来，也可能从根本上改变我们每个人与技术互动的方式。我们都在拭目以待。

为了实现 Meta 的“超级智能”项目，扎克伯格亲自上阵，忙了几个月，终于凑齐了 Meta Superintelligence Labs（MSL）。其中的每个人都是精英中的精英，年薪从千万到上亿美元不等，大部分人来自于 OpenAI（40%） 和 Google DeepMind（20%），中国人占比 50%。上周末社交平台上曝光了 MSL 团队 44 人的详细名单，我用 OpenAI DeepResearch 对其中的每个人进行了深度调研，以下是团队中每个人的基本背景、目前在 Meta 的职位，以及个人成就亮点。 纳特·弗里德曼（Nat Friedman，美国） 纳特·弗里德曼是 Meta 超级智能团队的联合负责人，现任 Meta 超级智能部门副总裁，负责推进 AI 产品和应用研究。他加入 Meta 刚满 18 天，但在技术行业拥有约 20+ 年的丰富经验（他早在1999年就创办了开发者平台公司 Ximian）。在当前职位之前，弗里德曼曾联合创立风险投资公司 NFDG，并担任 GitHub 首席执行官。他在开发者工具和开源生态领域造诣颇深，善于将前沿技术产品化。学术方面，他获得了麻省理工学院计算机科学学士学位。弗里德曼以敏锐的产品洞察力和丰富的创业经验，带领团队将研究成果转化为实际产品。 丹尼尔·格罗斯（Daniel Gross，以色列） 丹尼尔·格罗斯是团队的产品方向领导，加入 Meta 仅 18 天，拥有约 15 年的从业经验，现任 Meta 超级智能部门产品负责人。在此之前，他是 AI 创业公司 Safe Superintelligence 的联合创始人兼 CEO，并与弗里德曼共同创立了投资机构 NFDG。格罗斯年少成名，18 岁即进入创业孵化器 Y Combinator，此后一直专注于人工智能产品的创业和投资，对 AI 产品设计与用户需求有深刻理解。他没有传统的高等学历背景（年轻时即投身创业），但其作为创业者和投资人的经历使他成为引领 Meta AI 产品战略的理想人选。 扬·勒坤（Yann LeCun，法国） 扬·勒坤是深度学习领域的开拓者，现任 Meta 首席 AI 科学家兼副总裁，在 Meta 工作已逾 10 年（自 2013 年起领导 Facebook AI Research）。他在学术和工业界拥有超过 35 年的资深经验，是卷积神经网络和深度学习革命的奠基人之一。当前他在 Meta 超级智能团队中负责总体科研方向，把关最前沿的 AI 技术研发。同时，勒坤也是纽约大学的教授，长期从事机器学习研究培养人才【75†】。他的专长涵盖计算机视觉、深度学习和强化学习等领域，曾荣获图灵奖等诸多荣誉。学术方面，勒坤在巴黎皮埃尔和玛丽·居里大学获得计算机科学博士学位。他的加盟为团队带来了顶尖的科研洞见和经验。...

Meta 作为人工智能领域的关键参与者，持续通过其 Llama 系列模型推动开源大语言模型的发展。继 Llama 3 取得显著成功后，Meta 于 2025 年 4 月 5 日推出了备受期待的 Llama 4 系列模型。Llama 4 引入了混合专家（MoE）架构和原生多模态等关键技术革新，Meta 公布的基准测试数据显示其在多个指标上表现优异，甚至超越了一些领先的闭源模型。然而，大量来自开发者社区和独立测试者的实际应用反馈却指出，Llama 4 在编码、推理等方面的实际表现并未达到预期，甚至不如一些参数量更小的模型。这种基准分数与实测能力之间的显著差异，引发了关于 Llama 4 是否存在针对性“刷榜”以及模型真实能力的广泛讨论和质疑。 今天正好 Google 更新了 DeepResearch：由原来基于 Gemini 2.0 Flash Thinking 模型，改为基于 Gemini 2.5 pro 模型（目前已公开的最强模型），结果准确率大幅提升。Google 放出来了和 OpenAI DeepResaerch 的对比评测，我也尝试了一些 case，确实比上个版本好很多。本篇文章大部分由 Gemini 的 DeepResearch 所写，我对结果进行了编排、校审和微调。 Llama 4 模型家族概览 Llama 4 系列是 Meta 推出的新一代 AI 模型，旨在支持整个 Llama 生态系统，并被 Meta 称为其迄今最先进的模型。该系列引入了混合专家（MoE）架构和原生多模态设计。目前已发布和预告的模型包括： Llama 4 Scout: 这是一款轻量级、高效率的模型，拥有 109B 总参数和 16 个专家，每次推理激活 17B 参数。Scout 的突出特点是其业界领先的 1000 万 token 上下文窗口，远超 Llama 3 的 128K。它被设计为可在单个 NVIDIA H100 GPU 上通过 Int4 量化高效运行，适用于通用 AI 任务，尤其擅长处理超长文档摘要、大规模代码库推理和个性化任务。Meta 称 Scout 是其同类产品中“世界上最好的多模态模型”。 Llama 4 Maverick: 这款模型同样拥有 17B 激活参数，但总参数量达到 400B，并配备了 128 个专家。Maverick 被定位为通用主力模型，特别适用于助手和聊天场景，在图像理解、创意写作和多语言处理方面表现出色。它支持 100 万 token 的上下文窗口，并可在单个 H100 主机（或多 GPU）上运行。Meta 称 Maverick 在多个基准测试中击败了 GPT-4o 和 Gemini 2....