$META 自研AI芯片的真正意义：不是摆脱

network

$META
自研AI芯片的真正意义：不是摆脱
$NVDA
，而是把推理成本直接砍下来

Meta的AI资本开支正在进入一个新的阶段：一边继续大规模采购外部算力，一边加速把更多推理工作负载转向自研芯片。

美银最新维持
$META
Buy 评级和 $810目标价，并指出Meta自研MTIA芯片如果按计划扩大部署，2027年理论上可为公司节省约 85亿美元 的基础设施成本。这个数字是分析师模型测算，并不是Meta官方指引。(Benzinga)

Meta计划在2027年上半年部署第三代 MTIA 450 “Arke”，随后在下半年推出性能更高的 MTIA 500 “Astrid”。这两代芯片都与
$AVGO
Broadcom 合作开发，重点针对的不是训练，而是AI推理——也就是模型训练完成后，每一次用户提问、推荐、广告排序、Agent调用实际发生时所消耗的计算。(Benzinga)

$META

$AVGO

$NVDA

真正值得关注的是Meta的成本结构。
美银模型假设Meta在2027年拥有约 5–6GW 自持算力，总投入约 2000亿美元，其中芯片约占60%。如果自研芯片相较第三方芯片可节省约40%，最终测算出的潜在节省约为 85亿美元。(Benzinga)

这也是为什么自研ASIC正在成为超大规模云厂商越来越重要的一张牌。

对于Meta这种每天需要处理数十亿用户推荐、广告、内容生成和AI交互的公司来说，哪怕单次推理成本只下降一点，放大到数十亿、数百亿次调用之后，都会变成巨大的利润差异。

过去AI芯片竞争最重要的是：

谁拥有最强训练性能。

进入推理时代以后，另一个指标越来越重要：

谁能以最低成本处理最多Tokens。

这就是
$GOOGL
TPU、$META MTIA，以及其他Hyperscaler自研芯片不断加速的根本原因。

但这并不代表Meta会停止购买
$NVDA
。

训练最前沿模型、需要最高通用性能的工作负载，GPU仍然具有很强优势；而大量稳定、重复、规模巨大的推理任务，则更适合逐渐交给专门优化的ASIC。

未来更可能形成的是：

GPU负责最复杂、最灵活的高性能计算。
ASIC负责规模化、成本敏感的固定型推理。

Meta正在做的，本质上不是“NVDA替代计划”，而是建立自己的第二条算力供应链。

更有意思的是，Meta同时开始打开另一端——AI收入。
Meta刚推出 Meta One，把更高AI使用额度、创作工具以及面向Creator和Business的功能打包收费。Meta官方表示，目前相关订阅和试用累计已经达到 1500万。(Facebook)

这意味着Meta的AI商业模式正在同时向两个方向发展：

成本端：
MTIA降低每一次AI推理的成本。

收入端：
Meta One、AI广告工具、Creator工具以及未来API，把AI使用直接变成收入。

这才是这件事最值得注意的地方。

过去市场一直担心Meta每年投入巨额AI资本开支，却不知道这些投资什么时候产生回报。
现在路线开始逐渐清楚：

更便宜的自研芯片 → 更低推理成本 → 更多AI功能 → 更高使用量 → 广告效率提升 + AI订阅收入。
而
$AVGO
可能成为这个趋势里一个非常重要的“卖铲人”。

Google有TPU，Meta有MTIA，未来越来越多大型科技公司都会希望拥有自己的定制AI芯片，但并不是每家公司都会独立完成整个芯片设计与制造体系。

$AVGO
的机会正是在这里：Hyperscaler越想降低对单一通用GPU架构的依赖，定制ASIC市场反而越大。

所以AI芯片下一阶段值得看的，已经不只是：

$NVDA


而是整个多芯片生态：

通用GPU
$NVDA

$AMD


定制ASIC
$AVGO


自研芯片平台
$GOOGL

$META

$AMZN


AI训练时代最大的赢家是“谁拥有最强GPU”。

推理时代可能增加第二条主线：

谁能够把每一个Token的成本降到最低。