1.這一判斷的核心在於：Meta 通過內部錄屏和重組 3000。憑空創造了一家頂級資料初創公司；同時，其正同步建設 5 個 1GW 級“泰坦”叢集，並借助 AI Backbone 實現跨地域擴展，解決了超大規模訓練的算力與網路瓶頸。
2.2024 年。Ilya 有一句名言：“資料是 AI 的化石燃料。”這個類比正確強調了資料對訓練 AI 模型的重要性，但錯誤地假設優質資料的數量是有限的。現實中，只要需求足夠強，市場力量就會找到辦法。
3.風險判斷要同時看反向資料、融資條件和外部政策變化。與此相關，工作流最佳實踐和正確性定義會隨時間大幅變化，因此確保資料保持真實的唯一方法，是持續獲取真實錄屏。例如，今天一個好的程式設計 RL 任務會涉及編排子智能體，而這在短短 7 個月前還不存在。
4.Meta 在承受公關衝擊和初期員工反彈後。仍然足夠靈活、激進地推進這件事，這一點已經相當令人印象深刻。是的，他們後來略微退了一步，加強了隱私保護，並允許員工暫停追蹤器 30 分鐘，但我們認為這些只是很小的讓步。
5.Meta 正在同時建設 5 個 1GW+ “泰坦”叢集。它們包括俄亥俄州的 Prometheus、路易斯安那州的 Hyperion，以及位於 El Paso、Iowa 和 Indiana 的 3 個未命名園區。
6.DSF 和 NSF 區域可以放入單個資料中心機房。而 L3 和 L4 分佈在所有資料中心之間。L3 層位於單個園區內，L4 則主要用於連接多個園區。L3 與 L4 之間的連接混合使用 LR 光模組和搭配 ZR 光模組的密集波分復用（DWDM）系統。
7.我們整體看好 MSL 的未來。但仍需強調，他們基本還處在第1步。我們認可他們調動資源和膽識，真正嘗試建構 RSI，但現在他們必須把實際工作做出來。追上 Anthropic 說起來容易做起來難。歸根結底，Meta 仍是一家大型科技公司。
Meta 正在成為唯一有望在資料、人才、算力三方面同時達到世界級的超大規模廠商，其 AI 算力爬坡之激進前所未有，預計年底將超越 OpenAI 和 Anthropic。這一判斷的核心在於：Meta 通過內部錄屏和重組 3000 名工程師。
Meta 超級智能的未來：1 年進展更新
頂級 RL 環境初創公司憑空誕生，我們見過最激進的算力爬坡，2000km+ 級跨地域擴展，以及給 Google DeepMind 的一些建議
Max Kan、Julien Martin-Prin、Jeremie Eliahou Ontiveros 和 Dylan Patel 距離災難性的 Llama 4 發佈刺激 Zuck 重建整個 AI 組織，已經過去一年多。重點包括令人震驚的 143億美元 Scale AI“投資”，只為挖走 Alexandr Wang 以及他在 Safety、Evaluations、Alignment Labs（SEAL）團隊中的最佳人才；向頂尖 AI 研究員/工程師開出的數億美金、有時超過 10億美元 的薪酬包；以及由其新“帳篷”資料中心設計推動的加速算力爬坡。更多細節見我們關於 MSL 的原文。
此後，前沿 AI 越來越像是 OpenAI 與 Anthropic 之間的雙雄競爭。Google 曾憑藉 Gemini 3 Pro 和 Nano Banana 短暫站上聚光燈下，但隨後明顯失速。儘管收購了 Windsurf，他們距離一款有說服力的智能體程式設計產品仍很遠。3.5 Flash 是一個刷榜產物，在真實場景中的表現遠遜於 GPT 5.5 和 Opus 4.8，更不用說 Fable 和 5.6。3.5 Pro 在程式設計上甚至還達不到 Opus 水平。微軟 已經徹底浪費了 GitHub Copilot 帶來的早期領先優勢，也未能有效利用其對 OpenAI IP 的訪問權。SpaceXAI 每年向 Anthropic/Google 出售價值 260億的 GPU，而中國實驗室的算力資源過於不足，難以真正觸及前沿水平。
與此同時，MSL 今年 4 月隨著 Muse Spark 發佈而公開亮相。可以說，這個模型代表 Meta 的相對倒退。Llama 3 700億和 3.1 4050億發佈時都是開源 SOTA，而 Muse Spark 雖然也是閉源，卻在大多數基準上落後於同期發佈的開源模型 DeepSeek v4 Pro 和 Kimi K2.6。
但孤立評估 Muse Spark，會只見樹木不見森林。對 MSL 來說，重要的是斜率，截距只是背景。從零開始重建整個團隊，顯然會帶來一些短期挫折；Meta 似乎終於還清了這筆債。因此，更有意思的是預測 MSL 6 個月後會在那裡。我們認為，憑藉團隊的專注，他們到那時很可能強於 Google。
最簡單地說，建構真正前沿模型需要三件事：資料、人才和算力。我們認為，Meta 是唯一一個有望在這三方面都達到世界級水平的超大規模廠商/新實驗室，因此最有機會追上 Anthropic/OpenAI。下文會完整解釋原因。先預告一下，這是我們新 Tokenomics Model 給出的 AI 算力預測。
最後，在付費牆後，我們會討論這一切對 Google 意味著什麼。今天大多數人仍認為，Google 補齊了 AI 三巨頭的最後一席。
資料是新石油，這次是真的
我們先從資料講起，因為這是 Meta 最新的優勢，也可能是三者中最被低估的一項。
2024 年，Ilya 有一句名言：“資料是 AI 的化石燃料。”這個類比正確強調了資料對訓練 AI 模型的重要性，但錯誤地假設優質資料的數量是有限的。現實中，只要需求足夠強，市場力量就會找到辦法。
這一次，看不見的手創造了一條新的人類資料/RL 環境供應鏈。三家既有玩家 Mercor、Surge 和 Handshake 的 ARR 都超過 10億美元；許多成立剛滿一年左右的新進入者，例如 Fleet、Mechanize 和 Afterquery，ARR 也在 1億美元 左右。
強化學習（RL）是當下提升 AI 能力最重要的擴展定律。總體思路是，不再只是預測下一個 token，而是教模型完成整個任務，例如修復程式碼庫中的 bug。除了任務本身，RL 還要求你提供一個讓模型完成任務的環境、模型可用於與環境互動的工具，以及用於檢查模型答案是否正確的驗證器。更多背景見我們此前的文章。
許多 AI 內部人士認為，只要有更多 RL 環境/任務，我們就能自動化幾乎所有白領工作。下面是我的室友、Anthropic 知名研究員 Sholto Douglas 去年在 Dwarkesh 播客上的一段話：
即使演算法進展停滯，我們再也找不到延續進展的方法。我不認為情況會這樣，進展還沒有停滯，看起來勢頭很好。只要你擁有足夠多且類型正確的資料，當前這套演算法就足以自動化白領工作。與這些工作的薪酬 TAM 相比，這件事顯然非常值得做。
一般來說，所有這些資料公司都會通過僱傭相關行業的專家承包商來建立新的 RL 任務，因此這被稱為“人類資料”。不過，如今每家資料公司都在拚命尋找另一類東西：白領工作的真實錄屏。
錄屏對製作 RL 任務極其有價值
直覺上，你可能會認為錄屏主要適用於監督微調（SFT）這類較舊訓練範式，用來教 AI 模仿人類。畢竟，RL 的核心就是讓 AI 自己找出步驟，並且只根據結果分配獎勵。
但現實中，只要你願意多做一點工作，錄屏仍然可以對製作 RL 任務極其有用。
第一個好處是真實性。RL 資料只有在滿足兩點時才算好：1）代表真實且具有經濟價值的工作；2）難度水平適合 AI。太簡單，AI 學不到東西；太難，它永遠拿不到任何獎勵。
校準任務難度的唯一方法，就是讓 AI 多次嘗試解決問題，然後據此迭代。如今要設計出對前沿模型足夠困難的 RL 任務其實相當難，所以專家承包商通常會把時間花在提升任務挑戰性上。例如，Mechanize 對其年薪 40萬美元+ 的軟體工程師的預期，只是每周產出 1 個好任務。
在這些約束下，如果你要求普通 PE 分析師從零設計一個新的金融建模任務，因為你想通過 RL 讓模型更擅長 Excel，結果往往會得到一個為了難度而犧牲真實性的生硬任務。這正是 OpenAI 的 GDPval 和 Mercor 的 Apex 套件這類基準的主要問題。一個好的基準和一個好的 RL 環境大致等價。如果你讀過這些任務，會發現大多數任務都被不自然地過度規定，聽起來不像真人真的會要求 AI 做的事。
例如，下面是一個要求 AI 製作行程安排的 GDPval 任務。在真實世界中，這項任務的難點是從分散來源中獲取所有背景資訊，包括郵件、簡訊、隨機網站等，再建構日程；但 GDPval 直接給 AI 極其詳細的分步指令，繞開了這一切。真人絕不會給 AI 寫一段 1000+ 詞的提示詞。到了這個程度，自己做行程反而更容易。
另一方面，如果你的任務基於某人日常工作的錄屏，那麼按照定義，它就一定代表真實知識工作。
與此相關，工作流最佳實踐和正確性定義會隨時間大幅變化，因此確保資料保持真實的唯一方法，是持續獲取真實錄屏。例如，今天一個好的程式設計 RL 任務會涉及編排子智能體，而這在短短 7 個月前還不存在。
錄屏對製作驗證器也極其有用。如今，大多數驗證器都是評份量表。白領工作通常具有主觀性，不像數學和程式設計，可以直接檢查最終數字是否正確，或運行一套整合測試。因此，你的驗證器最終會是一組寫入評份量表的規則/偏好，再由人類或 LLM 用來給 AI 輸出打分。隨著任務本身變得更長、更複雜，對應的評份量表也會變得更長、更複雜。
如果你收集到足夠多的軌跡，通常是數千條，記錄許多人在略有不同的上下文中完成大致相同的任務，那麼最終就會覆蓋該任務的整個動作空間。這些資訊足以讓 LLM 基本一次性寫出評份量表。當然，你仍然需要人類做最終審查，並且關鍵是為不同標準分配權重，但這顯然比讓專家從零建立評份量表更高效，通常質量也更高。
錄屏對確定性驗證器同樣非常有用。瞭解任務完成後應用程式的底層狀態，通常是為知識工作建立確定性驗證器的第一步，因為驗證器的核心就是檢查 AI 是否成功抵達目標終態。足夠詳細的錄屏可以直接給你這些資訊。
Meta 剛剛創造了一家頂級 RL 環境初創公司
有了這些背景，我們就能更好理解最近關於 Meta 開始追蹤員工螢幕、鍵盤和滑鼠動作的消息。這確實是當今世界上最有價值的資料之一。當然，由 Scale AI 那個人來主導這場轉型，也很有詩意。
當所有資料公司都在拚命嘗試與投行、律所和廣告公司合作，記錄它們的工作流時，Meta 是全球少數幾家在這些行業內部都擁有足夠大規模專職團隊的公司之一。
Meta 在承受公關衝擊和初期員工反彈後，仍然足夠靈活、激進地推進這件事，這一點已經相當令人印象深刻。是的，他們後來略微退了一步，加強了隱私保護，並允許員工暫停追蹤器 30 分鐘，但我們認為這些只是很小的讓步。
此外，5 月下旬，他們宣佈在最新一輪裁員/重組中成立新的“應用 AI 工程組織”，把資料工作提升到了另一個層級。約 3000 名工程師，包括 70% 的新畢業生和大量資深工程師，現在將全職製作 RL 任務/環境。
我們認為，這是 MSL 一個被嚴重低估的優勢。Anthropic 一直是購買 RL 環境初創公司程式設計資料方面最激進的實驗室，這也是其模型如今在程式設計上表現如此出色的重要原因之一。
Mercor 最近披露，2Q26 其平台記錄了 2,517,000 個專家小時，相當於約 4800 人每周工作 40 小時。Meta 已經處在同一量級，而且其平均質量很可能更高。此外，如果這項實驗最終像我們認為的那樣有價值，他們還有約 7萬人可以調動。
也有必要簡要澄清一個誤解：這 3000 名 Meta 工程師不會做機械、低層次的資料標註。教育程度不高的第三世界國家承包商畫邊界框，或把文字分類為 NSFW 的時代早已過去。到現在，模型已經足夠聰明，建立一條好的訓練資料本身就是一個真正的智力挑戰。深入理解失敗模式、確保環境能抵禦獎勵駭客攻擊、在不降低品質的情況下擴大任務建立規模，都是不簡單的工程問題。
除了從資料公司購買，Anthropic 工程師自己製作程式設計任務也已經超過一年。前沿實驗室願意為單個合格的程式設計任務支付 5000 美元以上。Mercor 的平均薪酬最近超過 100 美元/小時，SWE 的費率顯著高於平均水平。所有這些資料公司的頂尖專家承包商年收入都超過 7 位數。
製作 RL 資料的經濟價值顯然高於一些大型科技公司的崗位。它的智力刺激程度也可能更高。
Instagram 廣告可以資助大量算力
相比 OpenAI 和 Anthropic，Meta 擁有符合超大規模雲廠商體量的資產負債表；相比 Google，Meta 沒有一個正積極嘗試儘可能多出租算力的雲業務。再加上 Zuck 願意讓自由現金流轉負，Meta 應該能夠調動比全球任何其他公司都更多的內部 AI 算力。
我們看到的情況正在印證這一點。我們的新版 Tokenomics Model 預計，到今年年底，Meta 的 AI 算力將超過 OpenAI 和 Anthropic。
這些算力中有相當一部分將用於推薦系統（RecSys）和生成式廣告。不過，即使我們保持保守，只把具體的高知名度 Meta 資料中心站點歸入 MSL，其訓練算力在 2026 年和 2027 年仍將與 OpenAI 和 Anthropic 相當。關於 Meta 算力策略的更詳細拆解，以及具體數字，請參見我們近期的 newsletter 和 Tokenomics Model。
由 5 個泰坦叢集引領的空前大規模算力爬坡
關於 Colossus 和 Elon 快速上線海量算力的能力，已有大量討論，但 Meta 今天正在做的事情可以說更加令人印象深刻。我們的 Datacenter Industry Model 訂閱者一年多前就已經知道這一點。
Meta 正在同時建設 5 個 1GW+ “泰坦”叢集。它們包括俄亥俄州的 Prometheus、路易斯安那州的 Hyperion，以及位於 El Paso、Iowa 和 Indiana 的 3 個未命名園區。
人類歷史上從未見過完整 1GW 園區同時在建，最接近的是 AWS 在 Indiana 為 Project Rainier 建設 800MW。然而 Meta 現在就有兩個：Hyperion 和 Iowa。
在 Hyperion，Meta 正在建設全球最大的單體建築，每棟 400MW。目前在建總規模為 1.5GW：3 座 400MW 巨型建築，加上另外 3 座標準 100MW 建築。
在 Iowa，Meta 與一家領先資料中心營運商簽署了 1GW 租約，正如我們在 2025 年 6 月的 Datacenter Model 中提示過的那樣。從下面的衛星圖像可以看到，他們僅用 1 年就從零推進到完整 GW 級在建狀態。
在 Prometheus，目前已經部分投入營運，Meta 當前在建規模還不到完整 1GW，但他們全面採用了我們在上一篇 MSL 文章中提到的靈活帳篷式資料中心設計。Prometheus 叢集也在持續擴張，從最初約 1GW，到兩年內超過 3GW。想瞭解 Meta 如何做到這一點，請查看我們的 Datacenter Model。我們對全部 5 個 Titans 進行建築級跟蹤，並率先用精確到月的時間線指出任何擴張。其中一些設施使用表後電力，我們跟蹤具體系統類型，並標記許可風險。
連接泰坦：Meta 的跨域擴展方案
由於 Meta 主要自行建設和營運資料中心，他們有更高靈活性，可以按實際需求定製基礎設施。Prometheus 就是一個很好的例子。Prometheus 由分佈在 6 個園區的 27 個資料中心組成，形成一個星座。它不同於單一資料中心或單一園區。其中 5 個彼此相距 6 公里以內，第 6 個距離其餘園區 75 至 80 公里。
這一設計選擇背後的原因是，目前擴展到數百兆瓦非常困難，尤其是在散熱和電力管理方面。訓練下一代前沿 AI 模型需要大量算力，遠遠超過 100MW，因此把工作負載分散到多個資料中心，是突破當前限制的前進方向。
不過，這一設計選擇也帶來了新的挑戰：網路。更大叢集的全部意義在於能夠在合理時間內訓練更大模型。如果加速器無法高效通訊，那麼吉瓦級園區就沒有意義。這就是 scale-across 發揮作用的地方。
為解決這一問題，Meta 推出了一種名為 AI-Backbone 的方案，簡稱 AIBB。這是其 10X Backbone 的演進版本，專為 AI 和超大規模叢集需求設計。該網路架構由多個 L3 Superspine（簡稱 Backend Aggregation，BAG）組成，可互連最多 5 個 DSF（Disaggregated Scheduled Fabric）或 7 個 NSF（Non-Scheduled Fabric）橫向擴展區域，這些區域也可以混合使用。隨後，L3 Superspine 會匯聚到單個 L4 Inter-BAG hub，預計為整個 Prometheus 叢集提供約 22 petabits/秒的雙向頻寬。
DSF 和 NSF 區域可以放入單個資料中心機房，而 L3 和 L4 分佈在所有資料中心之間。L3 層位於單個園區內，L4 則主要用於連接多個園區。L3 與 L4 之間的連接混合使用 LR 光模組和搭配 ZR 光模組的密集波分復用（DWDM）系統，具體取決於通往另一園區的光纖長度。
這看起來是完美方案，但該網路架構和資料中心之間的距離天然會引入延遲。在 DSF 或 NSF 區域內部，延遲通常在 1 至 10µs 之間；但到達相距 100 公里的站點，僅光在光纖中的傳播就決定了延遲不可能低於 500µs，這迫使 Meta 在訓練工作流中使用非同步策略。預訓練可以在 1 個區域內同步進行，但 RL 可以相當容易地在全球範圍內分佈。
Prometheus 為當前限制提供瞭解決方案，其他 Titans 會在 scale-across 上走得更遠，連接相距最高 2000 公里的園區。
組建 MSL 超級團隊
去年，Meta 因向 AI 研究人員提供足以讓 Patrick Mahomes 羨慕的薪酬方案而出名。在斥資 140億美元收購 Alexandr Wang，並另外花費 10億美元以上買斷 Nat Friedman 和 Daniel Gross 的風投基金後，有報導稱，截至 2025 年 6 月底，Meta 至少挖走了 14 名研究人員。這些人大多來自 OpenAI，但也有少數來自 Anthropic 和 Google。一些知名人士包括 Shengjia Zhao、Trapit Bansal、Joel Pobar 和 Jack Rae。
此後，MSL 繼續瘋狂招聘。引人關注的研究/工程招聘包括
- Andrew Tulloch（前 Thinking Machines 聯合創始人）
- Joshua Gross、Mark Jen、Yinghai Lu（Thinking Machines 創始團隊）
- Jason Wei、Hyung Won Chung、Zhiqing Sun（前 OpenAI）
MSL 招的不只有技術人員。今年1月，他們聘請 Dina Powell McCormick 出任總裁兼副董事長，幫助建設算力叢集。她是金融圈人脈深厚的人士，也曾擔任 Trump 和 W Bush 的顧問。同樣在4月，他們還從 OpenAI 算力團隊挖來了“三劍客”（Pete Hoeschele、Anuj Saharan、Shamez Hemani），不過其中1人已經因為 Meta 基礎設施組織的文化問題離職。
這就像一支體育隊突然開始大手筆砸錢買超級明星。這支新組建的 Meta 超級團隊能不能真正奪冠，只能交給時間驗證。不過，Zuck 已經明確表態，正在集中所有可用資源，真正衝擊前沿。截至今天，其他任何 hyperscaler 都還不能這麼說。根據你的先驗判斷，這對 Meta 的業務可能是好事，也可能是壞事，但我們認為他們最有機會追上 Anthropic/OpenAI。
但需要明確的是，成功遠遠沒有保證。
我們整體看好 MSL 的未來，但仍需強調，他們基本還處在第1步。我們認可他們調動資源和膽識，真正嘗試建構 RSI，但現在他們必須把實際工作做出來。追上 Anthropic 說起來容易做起來難。歸根結底，Meta 仍是一家大型科技公司，內部有許多相互競爭的觀點和優先事項。
正如我們在最近關於 Meta 算力的文章中解釋的那樣，Meta 短期內有很多方式可以臨時將算力變現，同時保留選擇權：如果其研究組織達到正確里程碑，就可以全力投入 MSL。不過，如果他們做出任何真正削弱決心的舉動，例如簽署沒有追回條款的長期算力銷售協議、解散新的 RL 任務建立組織，或放任頂尖研究員離開，那麼我們會明顯降低看多程度。甚至可以說，其中任何一項都等同於給 MSL 判了死刑。
我們在正式發佈前短暫測試了 Muse Spark 1.1，認為它在通用 agentic 使用場景中大致相當於 Opus 4.6 或 GLM 5.2。Meta 將該模型定價略低於 GLM 5.2，這看起來是有意為之。我們的一些工程師注意到，它有個壞習慣：會忽略警告，而不是修復警告，並且不能正確使用編輯工具。
我們內部的 token 用量不會轉向 Muse Spark 1.1，但在這個階段這仍屬預期之內。即使在樂觀情境下，我們也不預計他們會在今年年底前達到 Anthropic 或 OpenAI 的水平。
這對 Google 意味著什麼
將3000名工程師重新分配到全職 RL 任務建立、快速擴張多 GW 級內部算力，以及向頂尖人才發放10億美元級股權激勵，這些都是強有力的證據，說明 Meta 真的已經“AGI-pilled”。儘管遭遇重大負面公關、內部反彈，以及股價嚴重受挫，他們仍願意跳出常規思維，利用自身相對於 Anthropic/OpenAI 的所有優勢。
Alexandr Wang 在最近一次播客中說得很好。每一家真正的前沿實驗室，起點都是一個核心信念：超級智能即將到來，未來所有商業決策都必須服從這一根本信念。
歷史上，這種必要的宗教般狂熱只存在於初創公司，也就是 OpenAI 和 Anthropic 這類以建構數字神明為明確目標創立的公司。Google 或許口頭上支援超級智能這個理念，但很明顯，許多關鍵高管並不真正相信“資料中心裡的天才之國”會在未來3年內出現。如果他們相信，就會把所有算力都導向 DeepMind，而不是主動扶持 DeepMind 最強的競爭對手。
我們預計，未來2年 Google 大部分新增資料中心容量將流向基礎設施即服務（IaaS）和第三方 API 業務。DeepMind 的訓練算力將少於 OpenAI、Anthropic 和 MSL。是的，他們剛剛發行了850億美元股權，用於建設更多 AI 基礎設施，但我們認為，這些新增算力中的大部分將租給 Anthropic 等客戶。
這是 Google 的輸家心態。
Google 最近還失去了更多優秀 RL 人才，他們去了 Anthropic。Google 的 RL 工作過於分散。如果 Google 真的認真想觸達前沿，就應該立即讓一部分軟體工程師去做 RL 任務，並將顯著更多算力重新分配給 DeepMind。我們也給 微軟 AI 和 Amazon AGI 同樣的建議，但它們已經無可挽回。
在我們看來，當前第3名之爭是在 Meta 和 SpaceX 之間，而不是 Google。 (404K)