Meta：能買下數千億算力,卻留不住核心人才。

撰文:Ada,Deep Tide TechFlow

龐若明甚至還沒來得及在 Meta 的工位上坐熱,就離開了。

2025 年 7 月,祖克柏以總額超過 2 億美元的多年薪酬方案,從蘋果挖來了這位 AI 基礎設施領域最炙手可熱的華人工程師。龐若明被派往 Meta 超級智能實驗室,負責構建下一代 AI 模型的基礎設施。

七個月後,OpenAI 把他挖走了。

據 The Information 報導,OpenAI 對龐若明展開了長達數月的招募攻勢。儘管龐若明曾告訴同事自己「在 Meta 工作非常開心」,但他最終還是選擇離開。彭博社報導稱,他在 Meta 的薪酬方案與里程碑掛鉤,提前離職意味著放棄大部分未歸屬的股票選擇權。

2 億美元,買不到七個月的忠誠度。

這不是一個簡單的跳槽故事。

一個人的離開,預示著一群人。

龐若明不是第一個離開的人。

上週,Meta 超級智能實驗室開發者平台的產品負責人 Mat Velloso 也宣布離職。他去年 7 月從 Google DeepMind 加入 Meta,待了不到八個月。再往前推,2025 年 11 月,圖靈獎得主、在 Meta 工作了 12 年的首席 AI 科學家 Yann LeCun 宣布離職創業,去做他長期倡導的「世界模型」。Geoffrey Hinton 的得意門生、Meta 生成式 AI 研究副總裁 Russ Salakhutdinov 近期也宣布離職。

要理解 Meta AI 的人才流失,必須先理解 Llama 4 究竟有多致命。

2025 年 4 月,Meta 高調發布了 Llama 4 系列中的 Scout 和 Maverick 模型。官方規格數據亮眼,聲稱在 MATH-500、GPQA Diamond 等核心基準測試中全面超越 GPT-4.5 和 Claude Sonnet 3.7。

然而,這個承載 Meta 野心的旗艦模型,很快在開源社群第三方的獨立盲測中露出了真面目,實際泛化和推理能力遠不及宣傳的表現。面對社群的強烈質疑,首席 AI 科學家 Yann LeCun 最終承認,團隊「在測試階段使用了不同模型版本來跑不同測試集,以優化最終分數」。

在嚴謹的 AI 學術和工程界,這踩過了一條不可原諒的紅線。換句話說,團隊把 Llama 4 訓練成了一個只會做歷屆考題的「小鎮做題家」,而不是真正具備前沿智能的「尖子生」。就像給你看一張數學試卷和一張程式設計試卷——每一張單獨看起來很強,但它們實際上不是同一個模型。

在 AI 學術界,這叫「cherry picking」(櫻桃採摘),而在應試教育裡,這叫「替考」。

對於一直標榜自己是「開源燈塔」的 Meta 來說,這場風波直接摧毀了它在開發者生態中最有價值的資產——信任。其直接代價是,祖克柏對原 GenAI 團隊的工程基本盤「徹底失去信心」,從而為後續的空降高管、邊緣化核心基礎設施部門埋下伏筆。

他花費 143 億至 150 億美元收購了資料標註公司 Scale AI 49% 的股份,將 28 歲的 Scale AI CEO Alexandr Wang 引入擔任 Meta 首席 AI 長,並成立 Meta 超級智能實驗室(MSL)。圖靈獎得主 LeCun 在新架構中需要向這位 28 歲的人匯報。10 月,Meta 在 MSL 裁減了約 600 個職位,包括 LeCun 創立的 FAIR 研究部門成員。

原計劃 2025 年夏季發布的旗艦模型 Llama 4 Behemoth 被一再推遲,從夏季推到秋季,最終無限期擱置。

Meta 將重心轉向開發代號為「Avocado」的下一代文本模型和代號為「Mango」的影像/影片模型。據報導,Avocado 旨在與 GPT-5 和 Gemini 3 Ultra 競爭。原定於 2025 年底發布,因效能測試和訓練最佳化不理想而推遲至 2026 年第一季。Meta 正考慮以閉源方式發布,放棄 Llama 系列的開源傳統。

Meta 在 AI 模型上犯了兩個致命錯誤。第一,捏造基準測試數據,直接摧毀了開發者社群的信任。第二,把 Fair 這種需要十年坐冷板凳的基礎研究部門,塞進了以季度 KPI 為導向的產品組織。這兩件事疊加,是它當下人才流失的根源。

自研晶片:另一條斷腿

人才在流失,晶片也出了問題。

據 The Information 報導,Meta 於上週取消了內部正在開發的最先進 AI 訓練晶片專案。

Meta 的自研晶片專案叫做 MTIA(Meta Training and Inference Accelerator)。公司最初的路線圖野心勃勃:代號「Santa Barbara」的 MTIA v4、代號「Olympus」的 v5、代號「Universal Core」的 v6,計劃在 2026 年至 2028 年間交付。其中,Olympus 設計為 Meta 第一款基於 2nm 小晶片架構的晶片,目標是同時覆蓋高階模型訓練和即時推理,最終取代 NVIDIA 在 Meta 訓練叢集中的角色。

現在,這款最先進的訓練晶片被砍掉了。

Meta 並非毫無進展;MTIA 在推理上取得了一些成功。代號「Iris」的 MTIA v3 推理晶片已在 Meta 的資料中心大規模部署,主要用於 Facebook Reels 和 Instagram 的推薦系統,據稱將總擁有成本降低了 40% 至 44%。但推理和訓練是兩回事。推理是跑模型,訓練是練模型。Meta 可以做出自己的推理晶片,但做不出能直接對抗 Nvidia 的訓練晶片。

這不是歷史上第一次。2022 年,Meta 曾嘗試開發自己的推理晶片,但在小規模部署失敗後放棄了該專案,轉而向 Nvidia 下了大額訂單。

自研晶片的挫折,直接加速了 Meta 的採購狂潮。

1350 億美元的恐慌性採購

2026 年 1 月,Meta 宣布當年資本支出預算在 1150 億至 1350 億美元之間,幾乎是去年 722 億美元的兩倍。這筆錢的大頭將用於購買晶片。

10 天內,三筆大單接連落地:

2 月 17 日,Meta 與 NVIDIA 簽署了多年期跨世代策略合作協議。Meta 將部署「數百萬」顆 NVIDIA Blackwell 和下一代 Vera Rubin GPU,外加 Grace 獨立 CPU。分析師估計這筆交易價值數百億美元,使 Meta 成為全球首個大規模部署 NVIDIA Grace 獨立 CPU 的超級運算客戶。

2 月 24 日,Meta 與 AMD 簽署了價值 600 億至 1000 億美元的多年期晶片協議。Meta 將採購 AMD 最新的 MI450 系列 GPU 和第六代 EPYC CPU。作為交易的一部分,AMD 向 Meta 發行了最多 1.6 億股普通股的認股權證,約佔 AMD 股份的 10%,根據交付里程碑以每股 0.01 美元分批歸屬。

2 月 26 日,The Information 報導稱,Meta 與 Google 簽署了價值數十億美元的多年期協議,從 Google Cloud 租用 TPU 晶片,以訓練和運行其下一代大型語言模型。兩家公司還在討論從 2027 年開始,Meta 直接購買 TPU 以部署在自己的資料中心。

一家社交媒體公司,10 天內向三家晶片供應商下單,潛在總額超過 1000 億美元。

這不是多元化。這是恐慌性採購。

算力焦慮的三層邏輯

Meta 為什麼這麼急?

第一,自研晶片已經不是選項。最先進訓練晶片專案的取消意味著,在可預見的未來,Meta 必須依賴外部採購來滿足 AI 訓練需求。雖然用於推理的 MTIA 晶片能應付推薦系統等成熟應用,但訓練如對標 GPT-5 的 Avocado 等前沿模型,需要 NVIDIA 或同等級硬體。

第二,競爭對手不會等。OpenAI 已經從 Microsoft、軟銀和阿聯酋主權財富基金獲得了龐大資源。Anthropic 分別從 Google 和 Amazon 獲得了各 100 萬顆 TPU 和 Trainium 晶片的供應保障。Google 的 Gemini 3 完全在 TPU 上訓練。如果 Meta 拿不到足夠的算力,連入場券都保不住。

第三,也許是最根本的,祖克柏需要用「採購能力」來彌補「研發能力」的缺失。Llama 4 翻車、核心人才流失、自研晶片受挫——這三件事疊加,讓 Meta 的 AI 敘事在華爾街眼中變得脆弱。此時簽下與 Nvidia、AMD、Google 的大單,至少發出一個信號:我們有錢,我們在買,我們沒有放棄。

Meta 當下的策略是,軟體問題用硬體來投,留不住人就買晶片。但 AI 競賽不是一個光靠開支票就能贏的遊戲。算力是必要條件,但不是充分條件。沒有頂尖的模型團隊和清晰的技術路線圖,再多的晶片也只會變成倉庫裡昂貴的庫存。

買家的困境

回顧 Meta 在 2 月的三筆交易,一個有趣的細節被大多數人忽略了。

Meta 從 Nvidia 買了當下的 Blackwell 和未來的 Vera Rubin;在與 AMD 的交易中,買了 MI450 和未來的 MI455X;從 Google 租了當下的 Ironwood TPU,計劃明年直接購買。

三家供應商,三套完全不同的硬體架構和軟體生態。

這意味著,Meta 將不得不在三套完全不同的底層生態系統之間遊走:NVIDIA 的 CUDA、AMD 的 ROCm、Google 的 XLA/JAX。雖然多供應商策略可以緩解供應鏈風險,降低硬體採購溢價,但也會導致工程複雜度呈指數級增加。

這正是 Meta 最致命的弱點。要讓一個萬億參數級別的模型能在這三套完全不同的底層程式設計模型上、在不同硬體上高效訓練,不僅需要懂 CUDA 的工程師,更需要能從零開始構建跨平台訓練框架的架構師。

這種人全世界可能不超過 100 個。龐若明就是其中之一。

花費 1000 億美元採購全世界最複雜的硬體組合,同時卻失去了能駕馭這些硬體的大腦——這是祖克柏這場豪賭中最超現實的一面。

祖克柏的賭注

拉遠視角來看,祖克柏在過去 18 個月對 AI 的打法,與他多年前 all in 探索元宇宙的策略驚人相似:

看到趨勢,重金投入,大量招人;遇到挫折,突然策略轉向,再次重金投入。

2021 年至 2023 年是元宇宙,每年虧損數百億美元,股價最終從 380 美元跌至 88 美元。2024 年至 2026 年是 AI,同樣是不計成本地花錢,頻繁組織重組,同樣的「相信我,我有遠見」的敘事。

不同的是,這次 AI 的趨勢確實比元宇宙實在得多。Meta 也確實有錢燒;其廣告業務持續產生大量現金流。2025 年第四季,Meta 營收達到 599 億美元,年增 24%。

問題是:錢可以買晶片,可以買算力,甚至可以買到坐在工位上的人,但買不到留下來的人。

龐若明選擇了 OpenAI,Russ Salakhutdinov 選擇了離開,LeCun 選擇了創業。

祖克柏當下的賭注是,只要買夠晶片,建夠資料中心,花夠錢,總能找到或培養出能用這些資源的人。

這個賭注可能成立。畢竟,Meta 是世界上最富有的科技公司之一,超過 1000 億美元的營運現金流是它最強的競爭優勢。從 OpenAI 到 Anthropic,從 Google 到其他競爭對手,Meta 一直在持續挖人。據量子位報導,Meta 超級智能團隊 44 名成員中,近 40% 來自 OpenAI。

但 AI 競賽的殘酷現實是,算力儲備、人才名單、模型表現都是公開資訊。Llama 4 基準測試造假事件證明,在這個行業裡,你無法靠 PPT 和公關來維持領先。

最終,市場只認一件事:你的模型有多好。

食物鏈的位置

隨著 AI 軍備競賽進入 2026 年,食物鏈的順序已經開始清晰:

頂端是 OpenAI 和 Google。OpenAI 擁有最強的模型、最大的使用者基礎和最激進的資金。Google 擁有自己晶片、模型和雲端基礎設施的完整垂直整合。Anthropic 緊隨其後,憑藉其 Claude 模型的產品實力以及來自 Google 和 Amazon 的雙重算力供應,牢牢守住第一梯隊的位置。

Meta 花的錢最多,簽的晶片合約最多,重組的次數也最頻繁,但到目前為止,它沒有拿出一個能讓市場信服的前沿模型。

Meta 的 AI 故事有點像 2005 年的 Yahoo。當年 Yahoo 是網際網路上最有錢的公司之一,瘋狂併購、瘋狂花錢,但就是做不出一個像 Google 那樣的搜尋引擎。錢不是萬能的。祖克柏需要弄清楚 Meta 究竟想用 AI 做什麼,而不是看什麼熱門就買什麼。

當然,現在為 Meta 寫訃告還太早。35.8 億的月活躍使用者、599 億美元的季度營收、全球最大的社交資料集,這些都是任何競爭對手都難以輕易複製的資產。

如果代號 Avocado 的下一代模型能在 2026 年如期交付,並重回頂尖梯隊,祖克柏所有的花費和重組都會被包裝成「力挽狂瀾的策略大膽」。但如果再次不及預期,那 1350 億美元就只會換來一排排發熱的矽晶圓倉庫。

畢竟,矽谷的 AI 軍備競賽從來不缺揮舞支票的超級買家。缺的是懂得如何用那些算力去鍛造未來的人。