Meta 的算力组合拳：自研 MTIA + 6GW AMD + 租用 TPU 的三线对冲

2026 年的 Meta 给出了大型 AI 公司算力策略的标准答案：自研、采购、租赁三线并行，任何一条线都不足以单独支撑前沿模型的训练与推理。

一、三条线的最新进展

线路	内容	状态
自研	MTIA 公布四款芯片路线图；MTIA v3 已于 9 月量产；MTIA 300/450/500 覆盖 2026-2028	发展中，主力仍是辅助推理
采购	与 AMD 签署最高 6GW 合作，MI450/Helios 机架承接 Llama 训练与推理	初始系统已运行
租赁	被曝与谷歌签署数十亿美元合同，租用 TPU 集群	已有报道，规模未披露

二、MTIA 自研线的位置

Meta 的自研节奏相对克制：MTIA v1/v2 定位推理辅助，v3 于 2026 年 9 月量产，但尚未承担主力训练负载。这与谷歌 TPU（已承接 Gemini 全系）和 AWS Trainium（Anthropic 主力算力）的成熟度差距明显——自研芯片的成熟度取决于自用需求的规模与耐心，Meta 的广告推荐负载提供了推理侧的练兵场，但训练侧仍高度依赖采购。

有意思的是 Meta 同时成为 TorchTPU 的联合开发方——Meta PyTorch 工程团队深度参与让 PyTorch 原生跑上 TPU。给竞争对手的芯片生态添砖加瓦，恰恰说明算力多元化优先于阵营站队。

三、为什么「组合」而不是「押注」

1. 议价权：英伟达、AMD、谷歌三个供应商同时在场，任何一家都无法拿产能卡脖子
2. 风险对冲：微软 Maia、Meta MTIA 的自研进度都落后于预期——自研失败的风险用采购和租赁对冲
3. 负载匹配：推荐系统推理（自研 ASIC 最优）、前沿模型训练（英伟达/AMD 最优）、弹性推理峰值（租赁最优）各有最经济的供给方式
4. 人才与生态：参与多个硬件生态（PyTorch/ROCm/TorchTPU）保持工程团队的硬件中立能力

四、对中型公司的启示

Meta 的组合拳是资本规模堆出来的，但方法论可缩放：

• 至少两条供给线：即使买不起 6GW，「主供应商 + 一家备胎」也应该成为默认配置
• 按负载分供应商：把推荐/搜索类固定推理迁到便宜算力（自研或国产芯片），前沿训练留给头部 GPU
• 软件栈保持中立：PyTorch + vLLM/SGLang 这类框架中立栈，是更换硬件时唯一的可迁移资产

延伸阅读：MTIA 300 卡片 · GPU/ASIC/CPU 三分天下 · 交互式对比