一、问题背景：算力需求激增，通用芯片难以兼顾效率与成本 随着大规模语言模型和个性化推荐系统的广泛应用，互联网企业对人工智能推理算力的需求呈指数级增长；通用图形处理器虽然算力强劲，但特定业务场景下存在能耗高、利用率低、采购成本难以控制等结构性矛盾。以英伟达H100为代表的高端训练芯片，最大功耗超过700瓦，在以推理为主的在线服务场景中，大量算力资源处于闲置状态，造成显著的资源浪费。 面对该现实，Meta选择走一条不同的路——以场景为导向，以能效为核心，自主研发专用推理芯片。MTIAv2正是这一战略的最新成果。 二、技术路径：以垂直整合换取场景极致性能 MTIAv2采用台积电5纳米制程，芯片面积较前代仅增加13%，但稠密算力提升3.5倍，稀疏计算性能达到708TFLOPS，约为前代产品的7倍。这一成果的实现，得益于架构层面的根本性转变——从初代产品的SIMD设计转向类线程级并行架构，使单条指令能够驱动更多数据流并行处理，明显提高了计算密度。 在存储架构上，MTIAv2引入台积电CoWoS先进封装技术，将计算核心与高带宽内存堆叠于同一基板，内存带宽实现翻倍增长。这一设计有效缓解了推荐系统中普遍存的内存访问瓶颈问题，使芯片在处理大规模稀疏特征时具备更强的数据吞吐能力。 更为关键的是，Meta对软硬件全栈的深度掌控。从编译器优化到运行时调度，每个环节均根据推荐系统的数据特征进行定制化设计。正是这种端到端的协同优化，使MTIAv2在广告推荐这一核心业务场景中实现了6倍的模型服务吞吐量提升，每瓦性能较前代提高1.5倍，整体功耗控制在90瓦以内。 三、竞争格局：差异化定位而非正面对抗 从绝对算力指标来看，MTIAv2与英伟达H100之间仍存在明显差距。H100在同等精度下的算力约为3026TFLOPS，是MTIAv2的4倍有余。在芯片间互联效率上，英伟达已迭代至第四代NVLink技术，Meta这一维度上的差距同样不容忽视。 然而，单纯的算力对比并不能准确反映两类产品的竞争关系。MTIAv2的设计目标从未是替代通用训练芯片，而是在推理这一细分场景中实现最优的性价比与能效比。Meta此前多次终止自研训练芯片项目，正是对这一边界的清醒认知——在需要大规模数据并行的训练领域，英伟达CUDA生态所构筑的软件护城河短期内难以逾越。 此外，Meta正在推进"混合算力"策略。自研推理芯片承担在线服务的高频推理任务，采购外部高端芯片用于模型训练，两者分工明确、互为补充。据悉，Meta计划年底前部署35万颗H100，配合自研芯片协同运行后，实际获得的等效算力将相当于60万颗H100，整体算力利用效率大幅提升。 四、深层影响：重塑算力基础设施的竞争逻辑 MTIAv2的规模化部署，折射出互联网行业在算力基础设施领域的深层变革趋势。过去，算力竞争的核心是"谁的芯片算力更强"；如今，竞争维度已扩展至能效比、全栈协同能力、场景适配深度以及供应链自主可控程度。 对拥有海量用户数据和明确业务场景的大型互联网企业来说，自研专用芯片具有独特的战略价值。一上，可以针对自身业务特征进行深度优化，特定场景下实现远超通用芯片的性价比；另一上，有助于降低对单一供应商的依赖，增强基础设施的战略自主性。 从更宏观的视角来看，这一趋势也重塑全球半导体产业的竞争格局。越来越多的科技企业选择自主设计芯片，推动芯片设计与制造的分工继续深化，也对台积电等晶圆代工企业的先进制程产能提出了更高要求。 五、前景展望：能效与场景将成为下一阶段竞争核心 随着人工智能应用从实验室走向大规模商业部署，推理算力需求将持续高速增长，而能耗与成本的约束也将日益凸显。在这一背景下，以MTIAv2为代表的场景专用芯片路线，有望在推理市场获得更大发展空间。 Meta上表示，将持续推进芯片迭代，并探索多元化的芯片组合方案。业界预计，未来自研推理芯片的部署规模将进一步扩大，并逐步向更多业务场景延伸。
当芯片竞赛进入能效比拼的新阶段，这场没有硝烟的科技较量正在改写产业规则。Meta的实践表明，在特定领域实现技术突破同样可以构建竞争优势。面对日益复杂的全球半导体格局，如何平衡自主创新与生态协同，将成为所有参赛者必须解答的战略命题。这场变革或将催生更具多样性的技术生态，为数字经济发展注入新动能。