Meta超级智能：领导力计算、人才与数据

Meta近期以约300亿美元估值收购Scale AI 49%股份，这一消息震惊业界，显示这家年现金流超过1000亿美元的广告巨头在资金上毫无顾虑。然而，尽管资源雄厚，Meta在模型性能上一直落后于OpenAI等前沿实验室。真正的警钟是Meta在开源模型领域的领先地位被中国的DeepSeek夺走。这促使首席执行官马克·扎克伯格进入“创始人模式”，亲自领导Meta的AI转型，并识别出两大核心短板：人才和算力。

扎克伯格不仅投入巨额资金，还从根本上重新思考Meta的生成式AI战略。他正在从零开始组建一个名为“超级智能”的新团队，并亲自挖角顶尖AI人才，提供高达四年2亿美元甚至10亿美元的薪酬方案，远超同行。这种做法不仅直接吸引了顶尖人才，还大幅提高了竞争对手的用人成本，从而削弱其竞争力。

在数据中心方面，扎克伯格抛弃了原有的计划，转而采用“帐篷式”快速建设方案，优先考虑速度而非冗余。Meta正在俄亥俄州建设名为“Prometheus”的1GW级AI训练集群，采用“多管齐下”的基础设施策略：包括自建园区、向第三方租赁、AI优化设计、多数据中心园区训练以及现场天然气发电。该集群使用Arista 7808交换机和Broadcom Jericho/Ramon ASIC构建超高速后端网络。当当地电网无法满足需求时，Meta甚至自行建设两座200MW的天然气发电厂，其设备包括Solar Turbines Titan 250燃气轮机、PGM 130燃气轮机、西门子能源SGT400燃气轮机和CAT 3520往复式发动机。

此外，路易斯安那州的“Hyperion”集群目标达到2GW，将成为全球最大的单体园区，一期IT功率超过1.5GW，计划在2027年底完工。Hyperion旨在缩小与OpenAI在计算能力上的差距。Meta还在建设其他多个数据中心，全部详情可在其数据中心行业模型中查阅。

然而，Meta的Llama 4模型遭遇了重大失败。技术上，分块注意力机制导致长距离推理困难，因为每个块的第一个token无法访问先前上下文，虽然有全局注意力层，但仍不足以支持链式推理。专家选择路由在训练和推理中存在缺陷，虽然保证了专家负载均衡，但某些热门token可能被多个专家处理，导致泛化能力下降，且推理时专家只能从少量token中选择，影响效果。Meta在训练中途从专家选择切换回token选择，但性能下降严重。数据质量方面，Meta中途转向内部爬虫，但清理和去重流程未经过大规模测试，且未使用YouTube数据（其他实验室如OpenAI和DeepSeek都使用），这可能影响了多模态模型的训练。此外，扩展实验管理不善，存在相互竞争的研究方向，缺乏统一领导，某些架构选择未经充分消融实验就直接采用。

尽管如此，Meta仍通过蒸馏技术将Llama 4的部分能力注入到较小的Maverick和Scout模型中，但这些模型仍受源模型限制，并非同尺寸最佳。

为了弥补人才和技术差距，扎克伯格亲自招募顶尖研究员，并收购了Scale AI，引入了前GitHub CEO Nat Friedman、前Scale AI CEO Alex Wang以及SSI的Daniel Gross。Scale AI的SEAL实验室专注于评估，开发了HLE基准，对Meta至关重要。这些举措旨在建立人才聚集的飞轮效应，结合无与伦比的算力和超过20亿日活用户，推动Meta在超级智能领域的竞争。

此外，美国政府的“一项美丽法案”（One Big Beautiful Bill）中针对超大规模数据中心的税收优惠进一步激励了Meta的巨额投资。扎克伯格选择了最佳时机启动这一支出狂潮，联邦政府资助的超级智能项目被视为现代的曼哈顿计划。

总之，Meta正在经历从计算到人才的全面重塑，尽管Llama 4失败，但其训练算力快速增长，预计将与OpenAI匹敌。扎克伯格的领导和战略调整可能使Meta在未来几年内重新夺回AI领域的领先地位。