鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

高调挖人后,扎克伯格又出重拳:数千亿投入AI基建

编程导航
编程导航
2025-07-15 12:30
阅读 98
编程导航
2025-07-15 12:30
阅读 98

7月15日消息,在发动了一场AI史上最激进的“人才闪击战”后,Meta又对准了下一个目标:基础设施。

美国时间周一,Meta首席执行官马克·扎克伯格(Mark Zuckerberg)宣布,该公司将建造多个“吉瓦级”超大规模数据中心集群,其中首个命名为“普罗米修斯”(Prometheus)的数据中心将于2026年投入运营。

这个庞大的基础设施项目,与Meta激进的“收购或挖角”人才战略相辅相成。据悉,Meta已从OpenAI、苹果等竞争对手处成功挖角多位AI顶尖专家。如此大手笔的投入,彰显了Meta意图通过压倒性的算力扭转此前在AI领域的被动局面,重夺行业主导权的决心。

扎克伯格在声明中确认,Meta将为此项数据中心计划投入“数千亿美元”的巨资,并强调:“我们完全有能力通过现有业务产生的现金流来支撑这项投资。”这笔巨额投资预示着,Meta的战略重心已从渐进式AI优化,全面转向对超级智能的追求。

Meta的AI基建革命:“吉瓦级”数据中心的豪赌

为支撑其AI雄心,Meta正以激进的基建策略重塑竞赛格局。扎克伯格近日披露,“普罗米修斯”数据中心的规模将大到足以覆盖曼哈顿核心区,而这仅是其全球多个“超大规模算力集群”的开端。

与传统数据中心建设思路不同,Meta从马斯克的xAI处获得灵感,开创性地采用了“帐篷式”临时数据中心架构。这些看似简易的设施摒弃了传统建筑美学和冗余设计,转而专注于极速部署。其建设周期从行业平均的数年缩短至数月,并通过智能负载管理系统替代传统柴油发电机,利用动态电力调配技术应对电网波动,以确保计算机的持续运行。

为实现算力的快速扩张,Meta采取了独特的混合基建策略,将自建超级数据中心、租赁第三方算力资源以及帐篷式临时设施快速扩容三者相结合。这种创新架构使Meta能够构建全球响应最快的AI基础设施网络,即将建于俄亥俄州的“普罗米修斯”集群就是其最新例证。

在能源保障方面,Meta同样采取了非常规解决方案。为满足“普罗米修斯”集群的电力需求,Meta配套建设了两座200兆瓦的天然气发电厂,采用Solar Turbines Titan 250等工业级涡轮机组。据悉,在其未来规划中的路易斯安那州超级集群,甚至可能将探索核能供电方案。

通过由Arista交换机构建的超高速光纤网络,Meta正在将全球分散的算力节点编织成一个统一的“超级大脑”。这一网络支持跨洲际数据中心的协同训练,可动态调度全球的算力资源。每个地理上分散的设施通过高速互联,共同组成一个庞大的分布式超级计算机。

模型开发战略或将调整:从开源转向闭源

除了加大基础设施建设投入外,Meta新设的超级智能实验室也正在讨论对模型开发战略进行重大调整,包括放弃Meta目前最强大的开源AI模型“Behemoth”,转而开发一个封闭模型。

多年来,Meta始终选择将其AI模型开源,即将计算机代码公开供其他开发者使用和再开发。与此相对,封闭模型则保持其底层代码的私密性。Meta的高管们一直认为,开源有助于技术发展更快,并能使更多开发者参与其中。

如果Meta最终决定转向闭源,这不仅是技术路线的调整,更代表着其企业理念的深刻转变。Meta因开源其AI模型而获得了开发者的好评,其首席AI科学家杨立昆(Yann LeCun)曾表示:“最终的胜利者必将是开源平台。”

值得关注的是,超级智能实验室关于战略调整的讨论仍处于初步阶段。知情人士强调,任何最终决策都需要经过扎克伯格本人的批准。目前最可能的方案是采取“双轨并行”策略:在保持现有开源模型的同时,优先发展闭源模型技术。

在谷歌、OpenAI和Anthropic等竞争对手普遍采用闭源模式的背景下,Meta的这一动向可能将重塑整个AI产业的竞争格局。

危机催生的战略:Llama 4失败后的反思

Meta之所以采取如此激进的战略,可以追溯到2025年5月。当时,其内部遭遇了AI发展历程中的重大挫折——备受期待的Llama 4 Behemoth模型因在关键基准测试中表现不佳而被紧急叫停。

这一失败暴露了Meta在技术路线上的多重问题:分块注意力架构的设计缺陷、专家路由系统的频繁变更,以及训练数据集的质量问题。

面对内部研发的困境,Meta迅速调整了战略方向。在收购Runway AI等关键初创企业未果后,公司转向了更为激进的“收购或挖角”战略。这场行动由扎克伯格亲自挂帅,并在2025年7月1日达到高潮——Meta正式成立超级智能实验室(MSL),由其挖角而来的顶尖人才领衔,包括前Scale AI CEO汪韬和前GitHub CEO纳特·弗里德曼( Nat Friedman)。

Meta的人才争夺战主要瞄准了OpenAI。仅2025年6月最后一周,就有至少8名OpenAI核心研究人员转投Meta,传闻中的薪酬包总额高达上亿美元。这一大规模挖角行动在OpenAI内部引发了强烈反响。

一份泄露的备忘录显示,OpenAI首席研究官陈信翰将此事比作“家中遭窃”,并呼吁团队保持专注:“与Meta的竞争只是支线任务,我们的主线使命从未改变。”同时,为稳定军心,OpenAI已将股票激励总额提升至超过44亿美元。

这场人才争夺战的影响远超两家公司。当Meta挖走Safe Superintelligence(SSI)的CEO后,其联合创始人伊利亚·苏茨克维尔(Ilya Sutskever)不得不亲自接管公司运营。他在内部会议上表态:“我们拥有顶尖的算力、优秀的团队和明确的技术路线。我们将继续专注于构建安全的超级智能。”

Meta的AI霸权之路:金钱铺就的新赌注

在AI领域的激烈竞争中,Meta正采取“双管齐下”的战略布局。除了高调挖角顶尖人才外,该公司还通过精准收购来补足技术短板。例如,Meta出资4500万美元将语音AI初创公司PlayAI收入囊中,此举明显是为了增强其智能眼镜Ray-Ban和AI助手的能力。

归根结底,Meta的战略核心,是一场用金钱换时间的豪赌。扎克伯格似乎笃信,借助Meta庞大的广告业务提供的充足“弹药”,用压倒性的资本和不计代价的挖角,可以抹平其在AI技术上失去的时间。

然而,业界真正的疑问在于:在AI这场需要深厚积淀、考验长期主义的马拉松里,用百米冲刺的速度,真的能跑到终点吗?Meta用金钱铺就的霸权之路,究竟是通向王座的捷径,还是另一座技术泡沫的顶峰?

时间,终将给出答案。(小小)

原文链接: 高调挖人后,扎克伯格又出重拳:数千亿投入AI基建
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手