Instagram
- Llama曾帶領開放模型浪潮，但Llama 4不僅實際表現未達預期，更因被懷疑作弊，令Meta一度錯失前沿競爭。
- Meta不缺資源，而是研究、基建與產品團隊各自爲政，導致模型設計及硬件採購等方面接連出錯。
- 不過，Meta積極進行内部重整和改革，似乎已初步見效。
早在2013年，科技巨頭已經開始重金押注人工智能。谷歌率先收購傑弗里・辛頓（Geoffrey Hinton）所創立的深度學習公司，將這位日後的圖靈獎得主招致麾下；2014年初，再斥資數億美元收購後來開發出AlphaGo，在圍棋棋盤上擊敗人類頂尖棋手的公司DeepMind。
Meta（當時的Facebook）亦不甘落後；在競購DeepMind失利後，朱克伯格轉為邀請另一位未來的圖靈獎得主楊立昆（Yann LeCun）加盟。楊立昆與辛頓、約書亞・本吉奧（Yoshua Bengio）並列深度學習「三巨頭」，在AI業界地位舉足輕重。收到Facebook的邀請後，他提出了三個頗為任性的條件：不離開紐約、不辭去紐約大學教職，以及研究必須保持開放，所有成果均要公開發表，代碼亦要開源。朱克伯格全部答應。
因此，Meta成為全球最早重注AI的科技巨頭之一。楊立昆其後為公司創立著名的FAIR實驗室（Fundamental AI Research），Meta漫長的AI征途亦由此展開。
圖一：2018年度圖靈獎的三位得主，一位曾在谷歌工作，另一位則曾加入Meta
此後10年，FAIR取得不俗的成績，所開發的深度學習框架PyTorch至今仍被全球研究人員及企業廣泛使用；在硬件上，Meta同樣十分捨得投入資金。到了2023年，Meta購入的英偉達H100 GPU比全球任何一家公司都多，甚至超越微軟；旗下平台亦坐擁逾30億日活躍用戶，每天產生海量數據。換言之，人才、數據、算力與資本，Meta幾乎一樣不缺。
然而，到了2025年，在大模型競賽中摔得最難看的偏偏是Meta。
Meta AI 的高光時刻：獲得業界正面反應
我們在〈Kimi K3引爆美國科技界內戰：開放模型之爭直達華府！〉提到，Meta曾是開放模型的領頭羊。
2023年2月，Meta發布首代Llama，以較少參數實現更佳效果。不到一星期，模型權重便流入4chan論壇，更引來美國參議員致函質詢。出人意料的是，業界反應卻相當正面，這場洩漏事故反而揭開大模型開放權重時代的序幕。
2024年，Llama 3接連推出多個版本，Meta更將405B旗艦版本形容為全球最強的開放模型之一，Llama系列亦走到最風光的時刻。
2025年1月底，朱克伯格豪言：「Llama 3的目標，是讓開源模型與閉源模型競爭；Llama 4的目標，則是領先。」三個月後，Llama 4的發布卻是一場滑鐵盧。
Llama 4公信力受損，令Meta跌出前沿之列
Llama 4發布當日，Meta高調宣傳Llama 4在LMArena排行榜名列前茅，成績僅次於Gemini 2.5 Pro。然而，開發者很快發現，公開版本的實際表現與榜單成績存在明顯落差。外界隨即質疑，Meta送測的是經過優化的實驗版本，與公開權重版本並不相同。Meta高層雖迅速否認作弊，但Llama的公信力已經受損。更重要的是，Llama 4未能在推理、編程及實際使用體驗上領先，令Meta一度跌出領先AI模型的核心競爭行列。
若Meta AI想成為成功的大模型公司，需要具備甚麼條件？
在領先的AI模型競爭中，並不能只單靠買入更多GPU或招募更多人才便能勝出。一間公司至少同時具備五項能力：
· 前沿研究：及早捕捉推理、模型架構及訓練方法的範式轉變
· 數據與訓練：把研究迅速轉化為可靠的訓練方法
· 算力與硬件：讓晶片、網絡、記憶體及數據中心圍繞大模型需要設計
· 產品與發布：快速把模型推出市場，取得用戶回饋並持續迭代
· 統一決策：讓研究、模型、基建與產品共同服務同一個目標
Meta AI組織結構複雜，犧牲整體能力，因而錯失領先地位
Meta開發AI並非缺少資源，而是缺乏一套能把資源整合成同高速運轉系統的能力。由於產品、模型與基建團隊各自為政，最終帶來災難性的後果。當時Meta的AI部門分為兩部分，但兩者互不相屬：
- FAIR：負責前沿研究，探索短期未必能夠落地及變現、但可能改變技術方向的課題
- GenAI部門：負責把技術轉化為產品（Llama模型、Meta AI助手）及相關算力基建
在理想情況下，FAIR負責探索新技術，產品團隊則將研究轉化為模型能力，再由用戶需求反過來推動研究。然而，FAIR長期以研究價值為先，首席科學家楊立昆（Yann LeCun）亦多次質疑大型語言模型是否通往人類級AI的正確方向，令Meta處境十分尷尬，同時研究團隊與負責Llama產品化的部門，在技術判斷及優先次序上逐漸分歧。
Meta於2024年1月重組AI團隊，希望能加快落地研究成果，並要求FAIR兩位負責人直接向首席產品匯報。重組團隊雖然拉近了研究與產品的距離，卻也令發布進度、短期功能及產品需求更主導技術路線，尚未成熟的前沿研究則更難進入核心路線圖。
Meta追求AI產品快速落地，因此Llama 4押注於多模態能力。對擁有智能眼鏡、社交平台及AI助手的Meta而言，AI模型應具備理解文字、圖像、語音及影片的能力；但當行業競爭轉向長思維鏈及推理能力，Meta卻未能及時重新配置研究、數據及後訓練資源。
事實上，Meta亦察覺到行業的轉變，FAIR早在OpenAI發布o1前已展開長思維鏈研究，卻未能把先進的成果迅速轉化為核心模型能力。隨着OpenAI以o1開啟推理競賽，緊接着DeepSeek憑推理模型挑戰Meta的開放模型地位，Meta最終錯失這個關鍵窗口，也失去開放模型的領先地位。
Meta不僅在長思維鏈及推理的大方向上押錯注，在具體模型架構上，亦為追求局部效率而犧牲了整體能力。
模型與訓練：局部效率犧牲整體能力
要理解Meta的技術取捨，只需要掌握一個概念：大模型會根據前文，不斷預測下一個token（代幣）。要猜得準，模型便要利用注意力機制，判斷前文的資訊相關性。
傳統的全局注意力讓每個位置都需要查看所有前文，理解最完整；但上下文愈長，計算及記憶體成本便急速上升。到了AI代理時代，模型一次可能讀取數十萬甚至上百萬個代幣，因此，架構設計的核心問題在於理解能力與成本之間取捨。
圖二：注意力機制讓模型回望前文，評估資訊與當前要生成的字相關性最高。
資料來源：奕豐金融編纂
分塊注意力：以較低成本換取更長的上下文
Llama 4為降低運算及記憶體成本，採用分塊注意力架構：模型並非每一層都查看完整上下文，而是大部分時間只處理附近的資訊。這項設計雖然提升效率，卻令模型處理長上下文時容易出現盲點，表現亦較不穩定。
Meta採用這套架構時，低估了分塊注意力的局限；加上當時缺乏完善的長上下文評測及測試基建，未能及早識別架構缺陷，直至訓練中後段才發現問題，修正空間已十分有限。
圖三：標準因果注意力與分塊注意力的分別
資料來源：SemiAnalysis及奕豐金融編纂
路由設計：先照顧GPU利用率，卻犧牲模型表現
現代大模型大多採用混合專家（MoE）架構，將不同代幣（token）分配給不同專家處理。業界較常見的是「代幣選專家」：每個代幣選擇最合適的專家，確保所有資訊均獲處理，但熱門專家容易過載，令GPU負載不均。
Meta在訓練Llama 4期間，一度改用「專家選代幣」，由專家主動挑選代幣，以平衡工作量及減少GPU閒置。代價是部分代幣可能無人處理，令模型遺漏重要資訊。
Meta其後發現問題，在訓練途中切回「代幣選專家」。然而，模型已按照原有路由方式完成大量訓練，中途改變機制等同於要求模型重新適應，擾亂原有訓練結果，最終拖累模型表現。
圖四：兩種MoE架構設計：「代幣選專家」確保每個代幣獲得處理；「專家選代幣」雖有助平衡負載，卻可能令部分token被遺忘。
資料來源：SemiAnalysis及奕豐金融編纂
Meta沒有把龐大數據轉化為優勢
Meta雖坐擁海量用戶與產品數據，但仍高度依賴公開網頁的數據，令大部分內容難以直接投入訓練。過程中須進行嚴格清洗，以免污染或重複樣本。
根據SemiAnalysis，Llama 4訓練期間自建網絡爬蟲以提取數據，但團隊在數據清洗上的工作未如理想，導致數據質素參差，拖累模型能力。
此外，與OpenAI、DeepSeek等領先實驗室不同，Meta亦未有善用YouTube等影音資料，進一步拉大數據配方差距。
硬件與基建：傳統業務變為包袱
除了模型架構設計上的一系列失誤，Meta在硬件決策上亦出現問題。
· Ariel：為推薦系統而設
進入Blackwell世代，英偉達的標準旗艦配置GB200 NVL72把72顆GPU集中在同一個機櫃，透過高速互連組成一個大型運算域，亦成為主要雲端服務商廣泛採用的方案。相反，Meta則選擇訂製Ariel機架。
Blackwell推出的時候，Meta工程團隊擔心其穩定性，同時希望提高CPU配比，以配合廣告推薦系統（RecSys）的需要，因此把72顆GPU分拆到兩個機櫃，再以跨櫃線纜連接。對推薦系統而言，這種取捨有邏輯；但對先進大模型訓練而言，交換器數量增加，以及網絡多一跳延遲，並沒有帶來同樣明顯的好處。根據SemiAnalysis估算，Ariel的總擁有成本較標準方案高約14%。
可見Meta的巨大組織架構導致不同部門在架構選擇上出現衝突，對大語言模型業務造成拖累。
圖五：標準 GB200 NVL72 與 Meta 訂製 Ariel 的區別：Ariel 沿用同一塊運算板，卻拔走一半的 GPU，再把 72 顆 GPU 分拆到兩個機櫃，交換器數量倍增、網絡多一跳延遲，總擁有成本高出 14%。
資料來源：SemiAnalysis及奕豐金融編纂
相關文章：<英偉達｜從賣晶片到完整生態：英偉達下一輪增長引擎曝光>
· MI450X：採購框架是否已經改變？
Meta向AMD採購MI450X時亦提出類似要求：為配合RecSys對CPU及記憶體的較高需求，將運算晶片由八顆減至六顆，令理論算力下降約25%。
然而，即使少兩顆晶片節省的成本，在整機及機櫃層級來說根本是微不足道，但硬件配置對前沿大模型的訓練與推理來說不可接受。
Meta一再為遷就推薦系統而犧牲大模型的訓練和推理。
圖六：AMD MI450X標準版與Meta訂製版的區別：訂製版少了兩顆運算晶片與一顆I/O晶片，HBM4記憶體由12層堆疊減至八層，互連頻寬只有英偉達下一代Rubin 的一半。
資料來源： SemiAnalysis及奕豐金融編纂
Meta所擁有的最大優勢，為何反而成為負累？
Meta擁有世界級人才、海量數據、龐大資本及成熟基建，卻因組織龐大、業務繁多，不同部門往往各自為政。部門間因利益出現衝突，推薦系統與前沿大模型的硬件需求並不相同。前者重視CPU、記憶體、推理成本及長期穩定性，後者則更依賴高密度GPU、HBM容量及高速互連。若基建優先照顧既有業務，便可能沿用不利於大模型的設計；若全面轉向大模型，又會推高傳統業務成本，甚至打亂成熟的基建體系。Meta昔日建立的優勢，因而成為轉型時的負累。
事實上，谷歌亦同樣面對成熟企業的轉型難題。Google Brain與DeepMind曾孕育Transformer、AlphaGo等重要突破，但今日卻在模型方面相對落後，而且持續面對人才流失與架構調整。說明龐大的組織架構在如今的AI時代面臨挑戰。
OpenAI及Anthropic的處境則截然不同。公司的核心業務為發展大模型，一旦技術落後，整間公司在融資、客戶數量以致生存都會受到威脅。因此，它們更容易讓研究、數據、後訓練、算力及產品圍繞同一目標運作，並在技術路線轉變時迅速重新配置資源。
在AI時代，勝負並不只取決於誰擁有最多GPU、人才、數據或資本。科技史早已反覆證明，資源從來不是勝利的保證。谷歌與Meta當年也只是規模有限的新創團隊，卻憑藉更清晰的方向、更靈活的組織及更快的迭代，挑戰並超越昔日巨頭。
Meta AI的今生：改革開始見效，但考驗尚未結束？
朱克伯格顯然已意識到，Meta的問題不能單靠再買GPU或再招聘研究員解決，而是要重新搭建AI組織。過去一年，他重新進入「創業模式」，親自招募研究員，斥資143億美元取得Scale AI的49%股權，並把創辦人汪滔及部分團隊帶入Meta；最核心的前沿模型工作亦交由規模更小、權力更集中的團隊，試圖縮短研究、工程與最高決策層之間的距離。
改革已開始帶來正面效果。2026年中推出的Muse Spark系列較Llama 4明顯進步；Muse Spark 1.2在多項推理、科學及代理任務上重新接近前沿模型。證明Meta並未失去重返領先的能力。
圖七：Meta最新模型Muse Spark 1.2 可在前沿模型中佔有一席之地，但谷歌則相對落後
資料來源： Artificial Analysis
數據截至2026年8月11日
朱克伯格如何重組這套系統，讓Meta AI重返前沿？我們將在下篇拆解。
