Meta AI的絕地大反擊：朱克伯格如何重建AI帝國？

• Meta過去不缺人才、數據或算力，但研究、模型、產品與基建團隊各自為政，令資源優勢無法轉化為模型能力
• 朱克伯格透過成立MSL、引入Scale AI團隊、重建強化學習體系及擴充Titan算力集群，推動Meta重返前沿
• 改革初見成效，但代價是2026年高達1,300億至1,450億美元的資本開支；AI回報能否抵消投入，仍待驗證

我們早前發文提到，Meta過去無論在模型架構還是硬件選擇上，都曾作出錯誤判斷。結果，Llama不但被中國開放模型超越，Meta亦失去原有的領先地位。此後，Meta展開大刀闊斧的內部改革。

沉寂一段時間後，Meta於今年8月推出Muse Spark 1.2，在多項推理、科學及AI代理任務上展現明顯進步，再次把Meta AI帶回公眾視野。

一年前，市場一度認為Meta已經退出前沿大模型的競逐。短短一年間，Meta公司內部如何絕地翻身？

延伸閱讀：〈拆解Meta的AI豪賭：數百億資本支出為何換不到領先地位？〉

Meta AI的絕地大反擊：先重建AI團隊

Llama 4失敗後，朱克伯格沒有急於啟動下一代大模型的訓練，而是先重組Meta的AI部門。因為他逐漸意識到，Meta缺少的並非資金、算力或人才，而是一套適合前沿AI競爭的組織架構。

Meta過去的AI研究、模型、產品及基建團隊各自為政。FAIR早在OpenAI發布o1前已研究長思維鏈，然而成果卻未能迅速轉化為Llama的核心能力；基建團隊採購硬件時，又要優先照顧Facebook及Instagram的廣告與推薦系統，最終選擇的硬件並不完全適合大型模型的訓練及推理。龐大的官僚架構，令Meta坐擁世界級資源，卻無法把研究、數據與算力有效整合。

朱克伯格首先從人才入手；Meta斥資143億美元取得Scale AI的49%股權，將創辦人汪滔（Alexandr Wang）及其核心團隊帶入公司；其後再花逾10億美元收購一間創投基金，並向頂尖研究員開出四年兩至三億美元的薪酬待遇，個別報價甚至超過10億美元。

Meta同步推進人才引入與組織重建；Meta成立Superintelligence Labs（MSL），並將最核心的前沿模型訓練交予規模更小、權力高度集中的TBD Lab。汪滔獲得的不只是高薪，還有重組AI部門的實權：核心研究由TBD Lab與FAIR承擔，應用研究團隊負責推動模型與產品整合，核心基建團隊則統一支援模型訓練及算力部署。研究、產品與基建負責人均向汪滔匯報，前沿模型所需的資源亦優先向TBD Lab傾斜。

TBD Lab最初僅有14人，其後陸續吸納來自OpenAI、Google DeepMind及Thinking Machines等公司的頂尖研究員，並獲得三年免考核安排，避免因短期績效評估而干擾長線研究。此部門以近似初創公司的精簡架構，同時掌握模型開發所需的人才、數據與算力，減少層層匯報及跨部門協調，從而加快決策。MSL真正的吸引力並非只在天價薪酬，而是在於公司提供充足算力、高人才密度、精簡架構，以及敢於押注高風險研究的文化。當優秀人才聚集，便會吸引更多頂尖研究員加入，形成自我強化的正循環。

表一：Meta AI重組後的核心成員

建立新權力中心的同時，Meta亦開始拆除舊有體系。公司一度削減逾600名AI員工；FAIR併入新架構後，論文發表亦須經TBD Lab審核，以犧牲部分研究自由，換取更快的模型開發、資源調配及產品決策。

楊立昆的離場，極具象徵意義。2013年加入Meta時，他曾堅持研究成果必須公開；重組後，他不但要向年僅28歲的汪滔匯報，部門重心亦由長線基礎研究轉向大模型開發及產品落地。

離開Meta後，楊立昆公開批評汪滔缺乏研究經驗，不懂如何吸引及留住研究員，更直言：「不會有人吩咐像我這樣的研究員該做什麼。」反映 Meta AI 內部經歷一場腥風血雨的權力鬥爭。

 Scale AI如何重建Meta的AI訓練體系？從Llama 4的部分缺陷看數據標註及強化學習的關鍵

Meta斥資143億美元取得Scale AI的49%股權，看中的不只是公司內的頂尖模型研究人才，也包括汪滔及團隊在數據標註與模型評測方面的經驗。

Meta入股Scale AI的背景：找出Llama 4訓練痛點

Meta訓練Llama 4時不但押錯部分模型架構，更因缺乏完善的長上下文評測工具，部分缺陷直到訓練中後段才被發現，修正空間所剩無幾。

Meta取得Scale AI 49%股權，正是對症下藥。旗下Scale Evaluation及SEAL實驗室透過專家設計的測試，評估模型在推理、編程及長上下文等任務上的表現，協助研究團隊更早找出模型弱點並修正模型架構。

不過，Scale AI的價值並不止於替模型「驗身」。隨着AI由聊天機械人走向AI代理，模型不再只是回答單一問題，而是要操作電腦、使用工具、跨系統搜集資料，甚至需要自主完成一連串工作，以幫助人類創造經濟價值。這些能力必須在貼近現實的環境中反覆執行任務，再根據結果持續改進。

這正是我們在〈CPU強勢回歸｜從GPU到CPU，誰是下一個贏家？〉中介紹過強化學習（Reinforcement Learning）的作用：讓模型嘗試完成整項任務，再根據結果給予獎勵，從反覆試錯中逐步提升能力。

強化學習（Reinforcement Learning）訓練，大致分為3個步驟：

1.     任務執行與解法生成：模型嘗試完成任務，並生成多種不同處理解決方法；

2.     多方面評分與反饋：評測系統按照既定準則評分，判斷哪些做法有效、哪些地方需要改進；

3.     獎勵訊號優化模型：評分結果轉化為獎勵訊號，用於微調模型參數，讓表現較好的解法在下一輪訓練更優先出現。

研究團隊亦會根據模型暴露的弱點，持續設計新的訓練任務及評分準則。透過反覆「解題、評分、改進」，模型逐步學會規劃、使用工具及處理更長時間的任務。

根據獨立研究機構METR的追蹤，前沿AI模型能夠可靠完成的任務時長，約每7個月翻一倍。隨着模型需要處理的任務愈來愈複雜，高質素的題庫與評分標準亦變得愈來愈重要：

o     如果評分機制含糊，模型便可能只學會迎合分數，而非真正提升能力。

o     Scale AI的核心價值：具備專業大規模地設計任務、制定評分準則及收集訓練數據，直接影響強化學習能否把算力與訓練時間轉化為實際能力。

圖一：強化學習示意圖，可見好的評分標準十分重要，直接決定模型的能力

資料來源：OpenAI

Meta AI絕地反擊｜結合Scale AI專家網絡

在Meta取得49%股權前，Scale AI已是這個領域的龍頭。

o     真人專家網絡：除了擁有大量數據，還建立了一個能夠按領域及任務難度快速調配網絡，涵蓋編程、數學、法律、科學及金融等範疇。這些專家負責把專業判斷轉化為模型可以學習的材料，包括設計不同難度的任務、制定評分準則（rubric）、標註優質答案，以及評價模型輸出。

o     建立模擬工作環境：透過模擬真實工作流程，令模型反覆執行任務，產生可供強化學習使用的回饋及獎勵訊號。

由此可見，Scale AI帶給Meta的不只是一批現成數據，更是一套持續生產高質素訓練數據的方法與系統。汪滔加入後，Meta在數據收集方面亦相當激進：

o     內部數據密集訓練：Meta調派約3,000名工程師，全職製作強化學習任務及訓練環境，據報更會記錄員工在電腦上的實際操作流程，將其轉化為模型訓練數據。

o     大量真實場景優勢：Meta內部涵蓋法律、財務、廣告及工程等工作流程，外部亦有數十億用戶每日與旗下產品互動。一般數據公司需要逐家企業收集白領工作的操作紀錄，Meta卻可以從自身組織及產品生態中，持續把真實流程轉化為訓練任務、回饋訊號及評分準則，再建立供AI代理反覆練習的模擬環境。

這當然不代表Meta可以直接將所有內部資料或用戶數據用於模型訓練；私隱、授權及數據質素仍是重要限制。不過，Meta過去雖然坐擁龐大的數據與用戶基礎，卻一直缺乏一套把這些資源轉化為模型能力的完整機制。Scale AI帶來的評測方法、專家網絡及訓練環境，可能正是當中缺失的橋樑，讓Meta過去未能充分兌現的數據優勢，有望在AI代理時代轉化為真正的模型能力。

Meta AI的絕地大反擊｜打造全球最大的AI算力集群

除了軟件與數據，訓練前沿模型亦需要硬件配合。

Meta的基建擴張規模，已達到人類歷史上前所未見的水平。

1.     1GW級Titan算力集群布局：以下這些項目足以反映Meta擴充AI算力的決心

o     Titan算力園區：同時興建五個1GW級「Titan」算力集群；此前全球從未有完整的1GW園區同時施工，最接近的案例是AWS在印第安納州興建的800MW園區。

o     愛荷華州園區：在短短一年內，由一片空地變成全面動工的1GW項目

o     Hyperion數據中心：打造全球最大數據中心單體建築，每座容量達400MW。

o     算力獨家化：Meta沒有模型或算力大規模對外出租的計劃，也不像雲端服務商般急於利用新增容量賺取租金。因此，這批算力幾乎全部留作內部使用，其中大部分新增容量將撥予MSL。朱克伯格甚至願意承受自由現金流轉負的壓力，也要優先保障內部算力供應。

o     據SemiAnalysis預測，到2026年底，Meta的AI算力可能同時超越OpenAI及Anthropic；

即使只計算MSL的專屬園區，其2027年訓練算力亦可能與兩者相若。這種進取取態當然伴隨龐大的資本開支及執行風險，但亦清楚顯示，Meta在大模型競賽中已選擇全力進攻，沒有退縮。

另外，Meta前沿模型的開發不必再為傳統業務讓路。上集提到，Meta曾為遷就廣告推薦系統，而犧牲前沿模型的開發和訓練，把英偉達GB200 NVL72改成雙櫃Ariel方案，令總擁有成本增加約14%；向AMD採購MI450X時，又要求把運算晶片由八顆減至六顆，犧牲約25%的理論算力。

如今，前沿模型團隊在算力分配及硬件採購方面已取得更大的話語權。在GB300世代，Meta將重新採用英偉達的標準配置。雖然削減規格的MI450X訂單仍會繼續，但TBD Lab可以改用英偉達Vera Rubin，不必再為傳統業務而妥協硬件需求。

Muse Spark令Meta重回AI前沿

Meta重組組織架構，並補強數據與算力，但模型表現如何？

o     Muse Spark（4月推出）：首份成績表並不理想，表現落後於DeepSeek V4 Pro及Kimi K2.6，在28項基準測試中僅領先一項。

o     Muse Spark 1.1（7月9日推出）：大致追近Opus 4.6及GLM 5.2

o     Muse Spark 1.2（8月5日推出）：更在多項推理、科學及AI代理任務上重返前沿，並加入編程模型Muse Code，反映模型能力與發布節奏均明顯改善。

從公開評測來看，Muse Spark 1.2的整體能力已大致接近Opus 4.8的水平。相信Meta的下一代模型能交出更驚艷的表現。

圖二：Muse Spark 1.2表現出色，排名擠進前10

資料來源：Artificial Analysis；數據截至2026年8月18日

Meta vs. 谷歌算力比較：一個把算力留給模型，一個把算力賣給客戶

如果Meta選擇把算力留給前沿模型，谷歌則走向另一個方向：把TPU變成可以對外銷售的基礎設施。谷歌與Meta同樣很早布局AI，而且早期成績更加耀眼。今日大模型普遍採用的Transformer架構，正是由谷歌研究團隊提出。然而，谷歌同樣未能把技術上的先發優勢穩定轉化為模型領先，背後亦離不開龐大的組織架構與利益衝突。

谷歌和Meta一樣曾經歷內部改革，把Google Brain與DeepMind合併，希望集中研究、模型及產品力量，更有效地參與大模型競爭。但組織合併後，則需要面對另外一個問題：新增TPU究竟應該優先分配給Gemini，還是撥給快速增長的谷歌雲？

當DeepMind與雲端客戶競逐算力，谷歌便要在模型競爭力與雲收入之間取捨。從目前的資源分配來看，雲業務顯然佔了上風。谷歌雲行政總裁Thomas Kurian表示，希望把TPU發展成服務不同客戶的通用基礎設施；即使客戶與Gemini直接競爭，對平台公司而言，出售算力仍符合商業邏輯。

Anthropic正是谷歌雲的主要客戶之一。雙方不僅把原有合作擴大至最多100萬顆TPU，更於2026年4月簽訂新協議，由2027年起額外提供數GW的下一代TPU容量。SemiAnalysis估算，2026年第三季至2027年第四季，谷歌逾20%的TPU出貨量將透過長期合約供應Anthropic，部分系統更屬直接出售，不設收回條款。這批算力一旦交付，即使Gemini需求上升，亦無法重新調回DeepMind。相比之下，DeepMind在2026年第二季獲分配的算力不足谷歌整體的40%。

面對龐大的短期經濟利益，據SemiAnalysis估算，Gemini於2026年第二季的年度經常性收入約為120億美元；相比之下，到2027年底，谷歌雲來自第三方AI服務的年度經常性收入可能超過730億美元，TPU系統銷售亦可能再貢獻約1,200億美元，兩者合計接近2,000億美元，遠高於Gemini目前能夠創造的收入。

與此同時，谷歌的組織與人才亦開始流失。Jeff Dean等多名資深研究員相繼離職，共同成立新實驗室Discovery Loop；DeepMind共同創辦人Demis Hassabis則退出日常管理，轉任Google DeepMind主席兼Alphabet首席科學家。更早之前，DeepMind已有不少強化學習骨幹轉投Anthropic。

這正好與Meta構成鮮明的對照。兩家公司都很早投入AI，也同樣受到龐大組織與成熟業務牽制；但在算力分配上，兩者作出了相反決定。Meta寧願承受自由現金流轉負的壓力，也要把新增算力留給MSL；谷歌則選擇把TPU推向外部市場，甚至供應Gemini最直接的競爭對手。前者押注模型能力最終能夠創造新的平台，後者則先把AI基建轉化為眼前可見的收入。

哪一條路更正確仍未有答案，但至少顯示Meta願意承擔更多的風險，取態也更進取。

Meta重返AI牌桌的代價：1,450億美元CapEx與廣告現金流護城河

Meta為了重返AI前沿競爭力，付出了極其高昂的資本開支。公司2026年資本開支指引達1,300億至1,450億美元，較2025年約700億美元接近翻倍，相當於收入約54%。不僅是四大科技巨企之首，Meta更是當中唯一缺乏大型雲端業務收入的公司。

不過，Meta的AI投資並非只能依靠出售模型或出租算力回本。

核心業務：Meta的AI相關基建同樣可以支援推薦系統及廣告模型，提升用戶互動、廣告轉化率與投放效率，並已在Meta最成熟的業務中帶來可量化的回報，所產生的龐大現金流便能繼續支撐前沿模型的高額投入。

企業其他付費服務：除了廣告以外，面向企業的Business Agents、消費者AI訂閱及其他付費服務亦開始萌芽，但現階段規模仍然有限，短期內難以抵銷龐大的資本開支。

出租雲端服務：若內部算力最終出現剩餘，Meta亦可以考慮向外出租，為基建開闢另一條變現途徑。

曾經，Meta不缺資金、人才或算力，卻因研究、模型、基建與產品團隊各自為政，一度跌出前沿AI競賽。

過去一年，Meta大刀闊斧重整AI部門。雖然市場仍未看到足以改寫競爭格局的產品，但新一代模型已重回公眾視野，改革似乎開始見效。

然而，AI部門重返牌桌，不代表Meta股票便值得買入。組織改革能否轉化為持續增長？AI為廣告業務帶來的回報，能否抵消前沿模型不斷上升的投入？在自由現金流受壓之際，目前估值又是否已充分反映AI復甦的預期？

下一集，我們將從Meta最新財報出發，拆解這些疑問。