SemiAnalysis称Meta AI基础设施团队文化和定制硬件路线造成重大浪费

Semianalysis最新：
《Meta’s Infrastructure Team Needs A Culture Reset》完整详细总结
本文发布于2026年7月22日，来自SemiAnalysis付费专栏，核心观点：Meta基础设施团队内部文化、组织机制存在严重缺陷，催生大量耗资巨大、收益不达预期的硬件/芯片/网络项目失误；若Meta要支撑前沿AI研发、对外售卖算力业务，必须彻底重构基础设施团队文化。文章先剖析底层组织文化病根，再通过Rivos收购、Grand Teton服务器、Ariel GB200集群、AMD MI450X定制芯片、DSF自研网络五大典型失败案例佐证问题，最后对比亚马逊、谷歌、Oracle的稳健基建策略给出对照结论。
一、Meta基础设施团队核心组织文化弊病（所有失误的根源）
1. 组织臃肿、管理层政治化、本位主义严重
1. 中层管理者为保住岗位、扩张自身团队地盘，疯狂堆砌过度工程化方案，只追逐本团队局部指标，无视公司整体AI算力、研发需求；内部部门割裂、各自为政，缺乏统一协同目标。
2. 大量独立小团队各自优化细分指标，不做软硬件协同设计，决策优先考量内部政治博弈，而非技术、成本合理性；供应链团队话语权极低，无法约束工程团队激进方案。
3. 重复历史问题：和此前Reality Labs元宇宙部门一致——管理层为消化AI大额预算，无节制新建项目、扩招人头，最终项目大规模裁撤、巨额研发资金沉没。
2. 半年周期末位淘汰制度催生短期主义，拒绝长期规划
1. 每半年绩效淘汰底部10%-15%员工，员工与管理者被迫追逐短期可见成果（橱窗工程window washing），快速上线易展示的项目，做完立刻切换、废弃，无人深耕长期技术路线。
2. 全员风险规避，极少有人公开质疑高层错误决策，有缺陷的技术方案无法及时修正；整个组织排斥长线战略投入。
3. 战略频繁摇摆、资金粗放投放，损害供应链信任
1. Meta习惯“砸钱解决问题+快速迭代”，但频繁项目转向、方案推翻，相比谷歌、亚马逊保守严谨路线，资金损耗成倍放大。
2. 芯片、硬件供应商频繁遭遇设计订单中途取消，逐渐降低对Meta的合作优先级，转而优先服务亚马逊、谷歌，Meta供应链议价与资源倾斜能力持续下滑。
4. 内部管理混乱、权责边界模糊
1. 硬件路线频繁变动，无稳定硬件规划；团队分工、决策归属、项目负责人不清晰。
2. 基础办公配套都存在严重混乱：多数员工无固定工位，长期每日争抢工位，工位显示器、线缆配套缺失，员工申请固定工位被驳回但大量工位闲置，体现内部运营无序。
5. 人才引进与内部公平失衡
收购外部芯片公司后，外部工程师拿到更高薪酬、职级，但匹配的核心工作职责不足，却置于原有Meta芯片员工管理之下，打击原生硅团队士气。
二、五大典型耗资巨大的基建决策失误（文化问题具象化损失）
案例1：25亿美元收购芯片初创公司Rivos（重大战略失误）
1. 收购背景：Meta硅负责人Yee Jiun Song力推收购，无视下属反对；核心动因是手握充裕资金、自研芯片赛道火热，且已授权Rivos IP，意图买断技术避免竞品获取，同时实现自有芯片全流程制造（COT模式）。
2. 收购致命缺陷
◦ 交易为“全有或全无”条款：Meta仅需要加速器/GPU团队，却被迫收购整家公司，收购后大规模裁撤无关业务员工。
◦ 成本严重不合理：自建COT团队年成本仅约1亿美元，却花费超250亿美元完成收购，性价比极低。
◦ 技术目标快速作废：收购初衷是利用Rivos类NVIDIA SIMT GPU架构IP打造Olympus自研芯片，收购完成后直接砍掉该项目，技术价值完全落空。
◦ 内部组织撕裂：原有Meta芯片管理者将Rivos人员视作扩充团队的免费人力池，拆分初创团队资源，原始技术体系瓦解；Rivos员工无法适配Meta频繁变动的硬件路线，大量人员流失。
案例2：Grand Teton（Teton Grand）H100定制服务器，过度冗余存储设计被废弃
1. 架构设计：在标准HGX服务器基础上新增独立Switch Tray，搭载4片博通PCIe交换机、16块E1.S SSD、8张网卡，通过扩充PCIe通道提升单机SSD数量。
2. 设计初衷：基础设施团队预判大模型训练需要大量本地存储用于模型断点保存，同时降低对英伟达网络硬件依赖、支持第三方网卡。
3. 落地失败：生产环境中AI模型团队实际存储使用率远低于预期；该设计抬高整机物料成本、功耗、集成调试复杂度，最终方案被彻底取消，是软硬件脱节、缺乏协同设计的典型浪费。
案例3：Ariel GB200 NVL36×2跨机架集群方案，算力性能落后竞品、投入数百亿沉没
1. Meta自研架构选择：拒绝行业通用NVL72单机柜方案，采用双机柜NVL36跨机架互联设计，理由是判断单柜背板架构稳定性差，跨机架布线更可靠。
2. 实际严重缺陷
◦ 严重低估跨机架线缆带来的网络故障、可靠性、延迟问题，高估单机柜背板技术缺陷；后续NVL72背板成熟稳定，Meta判断完全错误。
◦ 双跳跨机架网络大幅提升集群复杂度，额外消耗海量CPU、DRAM资源，LLM训练团队无法充分利用硬件资源，算力性能弱于亚马逊、谷歌采购的标准NVL72机型。
◦ 巨额沉没成本：整套Ariel SKU覆盖Meta全部GB200算力集群，投入数十亿美金；下一代GB300服务器直接放弃该架构，回归行业标准方案。
案例4：AMD MI450X定制GPU（正在重演同类错误）
文章预判Meta为AMD定制MI450X GPU将复刻前面所有硬件设计问题，因内部本位主义、脱离模型团队实际需求的设计逻辑没有改变，大概率再次出现硬件规格与AI训练负载不匹配、成本冗余、性能不达预期的问题。
案例5：DSF自研AI数据中心网络，自研执念带来极高复杂度与成本压力
1. 研发背景：早年智能网卡拥塞控制能力不足，Meta为解决RoCE RDMA网络拥塞、丢包问题，自研DSF调度网络，配套自研操作系统FBOSS，拒绝商用Arista EOS。
2. DSF核心技术机制：VOQ虚拟输出队列+cell-spraying信元分片+信用调度机制，缓解AI大流量突发、链路热点、RDMA丢包问题。
3. 架构缺陷与遗留问题
◦ 硬件高度单一绑定：仅能采购Arista定制7700R4C/7720R4交换机，专用博通Jericho3-AI、Ramon3交换芯片，采购规模受限、成本居高不下。
◦ 双层集群架构极度复杂：L1单层4500卡GPU、L2聚合18000卡GPU需要多层交换平面，双独立调度网络叠加ECMP路由，控制平面运维难度陡增。
4. 路线迭代：新一代GB300服务器搭载英伟达智能网卡，改用英伟达NSF标准网络；仅搭载Meta自研MTIA加速器的集群继续使用DSF，两套网络体系长期并行维护，持续增加运维成本。
5. 行业对比缺陷：亚马逊采用成熟EFA网络、谷歌自研传输层协议、Oracle使用标准化硬件搭建网络，均不盲目从零重构底层网络，规避Meta式高额自研负担。
三、行业横向对比：Meta与其他云厂商基建策略差异
1. 亚马逊：极致成本导向，完全规避复杂RoCE，基于通用博通Tomahawk芯片搭建EFA RDMA网络，技术路线保守、投入可控。
2. 谷歌：将网络问题归为软件层优化，不定制专用硬件，自研传输协议复用标准化硬件。
3. Oracle：折中路线，依托通用硬件搭建大规模可用集群，不追求底层硬件全自研重构。
4. Meta独有短板：内部执念于自研全套底层硬件、网络系统，不计成本追求“行业顶尖自研方案”；但行业技术迭代速度快，高额投入的定制化硬件很快被新标准超越，前期投入全部浪费。
四、文章结论与核心诉求
1. Meta AI研究院MSL拥有追赶OpenAI、Anthropic的基础条件，但基础设施团队的文化缺陷持续拖累AI研发效率，大量算力、资金被低效定制硬件消耗。
2. Meta新增对外售卖算力的业务，基础设施不仅服务内部AI研究员，还要面向外部客户，现有混乱、高成本、不稳定的基建体系无法支撑商业化算力业务。
3. 根本解决方案：基础设施团队必须完成文化重置——修正短期考核导向、打破部门本位主义、建立软硬件联合评审机制、减少无节制激进自研、强化供应链话语权，杜绝重复出现数十亿级别的无效硬件投入。
4. 补充定性：DSF网络并非完全失败，是2024年当时最优技术选择；Meta具备及时切换NSF新标准的调整能力，但根源的组织文化问题不解决，同类巨额失误会持续反复出现。