Meta 自己做晶片：六週測完，半年出一顆

一般以為，一家公司從頭做一顆 AI 晶片是慢工細活——設計、流片、驗證、除錯，跑個一年半載很正常。但路透（Reuters）7 月 9 日取得的一份 Meta 內部備忘錄，給了一組讓人愣一下的數字：新一代自研 AI 晶片測試只花約六週、沒發現重大問題，九月就要投產；而且 Meta 打算到 2027 年前，每約半年就出一顆。

這顆晶片代號「Iris」，屬於 Meta 自研加速器 MTIA（Meta Training and Inference Accelerators，訓練與推論加速器）四代計畫的一員，由 Broadcom 協助設計、台積電（TSMC）代工，用來強化驅動 Facebook 與 Instagram 的 AI。

自研晶片本身早就不是新聞——Google 有 TPU、Amazon 有 Trainium，連 OpenAI 都在跟 Broadcom 做推論晶片。真正值得停下來看的是那組節奏。當一家公司開始用接近改一版 App 的速度在換晶片，這場自研 ASIC 的競賽，軸線就從「做不做得出來」換成了「多快能改一版」。 以下數字全部出自路透取得的那份備忘錄，Meta 沒有逐項公開背書，一律當「備忘錄稱」讀。

備忘錄寫了什麼：九月投產、代號 Iris

先把事實擺乾淨。備忘錄稱，Meta 將於九月起投產這顆代號 Iris 的晶片，它是 MTIA 這條四代自研資料中心晶片計畫裡的新一代；晶片由 Meta 與 Broadcom 共同設計，交台積電製造。

這條供應鏈不是憑空冒出來的。Meta 早在 2026 年 4 月就公開宣布與 Broadcom 合作開發自研 AI 矽晶，這次備忘錄透露的，是那紙合作真的要下線出貨了——從「我們要一起做」進到「九月投產」。設計端 Broadcom、製造端台積電這條分工，和官方版本對得上，是這則報導裡少數不必打折的部分。

至於 Iris 是拿去做訓練還是推論、單顆規模多大，備忘錄轉述沒有明講——這是後面要盯的空白之一。

最反直覺的是節奏：半年一顆，比照軟體改版

真正的新聞不在「Meta 也做晶片」，在後面那句：備忘錄稱測試只花約六週、沒發現重大問題，而 Meta 打算到 2027 年前每約六個月推出一顆晶片。

對照一下就知道這有多快。做 AI 晶片的業界慣例，從一代到下一代通常隔一年以上；Meta 講的是半年一顆——等於把矽晶迭代壓到接近軟體改版的節拍。六週驗證、半年一版，這不是傳統重工業的節奏，是產品團隊在推 App 更新的節奏。

這件事的份量在於：它把自研晶片的門檻，從「你做不做得出一顆能用的晶片」，換成了「你多快能把上一顆的教訓改進下一顆」。當迭代變快，設計上的失誤代價變小、追上最新製程與架構的機會變多——前提是每一版都真的做得出來、良率跟得上。而這個節奏的承接方，只有一家：台積電。

為什麼敢把節奏開這麼快？

因為 Meta 有一個別人未必有的條件：它自己就是最大的用戶。

備忘錄裡的算力胃口是這樣的——Meta 2026 年規劃部署約 7GW（10 億瓦）運算基礎設施，2027 年打算直接翻倍到約 14GW；今年砸在 AI 基礎設施上的資本支出，上看 1,450 億美元。這些算力不是拿去賣雲端服務，是餵給 Facebook、Instagram 背後的推薦與生成式 AI，自己的胃口自己餵。

自用型晶片的好處，就是不必先找到外部客戶才敢量產——Google 的 TPU、Amazon 的 Trainium 走的都是這條路。你做出一顆晶片，Facebook 的動態牆和 Instagram 的推薦引擎立刻就能吃掉它的算力，賣不掉的風險趨近於零。這是 Meta 敢把節奏開到半年一顆的底氣：需求端是自己，只要良率過得去，做多少用多少。同樣的邏輯，去年 Meta 也一邊把 Arm 的資料中心 CPU 納進自家機房（見〈Meta 把 AWS Graviton 搬進資料中心〉），走的是同一套「不同負載配不同硬體、分散供應鏈」的思路。

這不是 Meta 一家的動作，共同的瓶頸在台灣

把 Iris 放回大盤看，它是同一個方向的又一個訊號，不是孤例。Google 的 TPU 傳出下一代連封裝都在找台積電之外的第二來源（見〈台積電丟了 Google？丟的其實只是封裝這一段〉）、OpenAI 跟 Broadcom 做自研推論晶片（見〈OpenAI 的自研推論晶片〉）、連 Qualcomm 都靠併購補進資料中心的拼圖（見〈Qualcomm 買下 Modular〉）。超大規模業者一個接一個把「向 Nvidia 買整套」換成「自己設計、找代工做」。把幾家的自研加速器並排看，方向一致得驚人：

業者	自研加速器	主要用途	製造端
Meta	MTIA（新一代代號 Iris）	自用：Facebook／Instagram 的 AI	台積電（Broadcom 協助設計）
Google	TPU	自用＋Google Cloud 對外租用	台積電（下一代封裝傳找第二來源）
Amazon	Trainium	自用＋AWS 對外租用	台積電
OpenAI	與 Broadcom 合作的推論晶片	自用推論	台積電（Broadcom 設計）

（來源：Tom's Hardware 自研 ASIC 盤點，及各案 Signals 既有報導；此表並排各家公開方向，非優劣排名。）

但這些自研晶片有一個共同的收斂點：不管是 Meta 的 Iris、Google 的 TPU 還是 OpenAI 的推論晶片，設計可以各做各的，先進製程與先進封裝的產能卻幾乎都排在台積電。Broadcom 這類 ASIC 設計夥伴接的單，最後也大多落回台積電的 2nm、3nm 產線與 CoWoS 封裝。換句話說，超大規模業者「擺脫 Nvidia」的這條路，走到製造這一段，全部匯進同一個瓶頸——台灣的代工與封裝吞吐量。Meta 半年一顆的節奏若成真，等於把更多迭代壓力直接灌進這條產線。

對台灣讀者，這比「Nvidia 會不會被取代」更值得盯：自研 ASIC 越熱、迭代越快，台積電先進製程與封裝的排隊就越長，議價與產能分配的權力也越集中。誰能排進台積電的產能，正在變成這場晶片競賽的隱形勝負手。

還沒有答案的

有幾件事現在別當定案讀。

第一，量產良率。六週測試沒發現重大問題是備忘錄口徑，實驗室順利不等於量產順利——半年一顆的節奏能不能站穩，全押在良率跟不跟得上，這是 Meta 這套計畫最大的未證變數。

第二，對 Nvidia 的實際排擠。「降低對 Nvidia 依賴」是備忘錄裡的動機陳述，不是一個已經發生的採購數字；Iris 到底吃掉多少原本要給 Nvidia 的訂單，備忘錄沒說，短期內 Meta 大概還是 Nvidia 的大客戶。

第三，Iris 的定位。它主打訓練還是推論、單顆算力放在什麼級別，會決定它到底是拿來省成本，還是真的要跟高階 GPU 正面比。這幾點在九月投產、乃至後續財報揭露前，都只能標「傳出」。

想自己追這條線，盯兩個點就夠：九月 Iris 是否如期投產、以及 Meta 後續財報裡自研晶片與外購 GPU 的資本支出配比怎麼變。在那之前，把這則新聞讀成「自研 ASIC 進入比速度的階段」剛好——重點不是 Meta 又做了一顆晶片，是它打算多快做下一顆。