Meta 將 3,000 名員工轉化為強化學習數據工廠，全力追趕 OpenAI 與 Anthropic 的算力競賽
SemiAnalysis 針對 Meta Superintelligence Labs 的年度進度報告（2026 年 7 月 9 日發布）
在 Llama 4 慘遭市場冷遇，迫使 Mark Zuckerberg 徹底重組 Meta 整個 AI 部門的一年後，SemiAnalysis 發布了一份關於 Meta Superintelligence Labs (MSL) 的詳細進度報告。該報告重新定義了投資人看待 Meta 在前沿 AI 競賽中地位的視角。這份由 Max Kan、Julien Martin-Prin、Jeremie Eliahou Ontiveros 和 Dylan Patel 撰寫的報告指出，Meta 正悄悄打造出一套在構建前沿 AI 所需的三大關鍵要素——數據、人才與算力——方面皆達到世界級水準的架構，這在超大規模雲端服務供應商（hyperscalers）中是獨一無二的。最引人注目的發現並非某項基準測試分數，而是一項企業政策：Meta 已開始追蹤員工的螢幕、鍵盤及滑鼠操作，實際上將其員工隊伍轉化為專有的強化學習（reinforcement learning, RL）數據運作體系。
Meta 的員工監控計畫成為隱藏的 RL 金礦
SemiAnalysis 將這項內部追蹤計畫（該計畫曝光時曾引發員工強烈反彈與負面輿論）視為 Meta 今年所採取最有價值且被低估的舉措之一。其邏輯在於現代 AI 實驗室構建強化學習環境的方式。前沿實驗室不再僅透過預測下一個 token 來改進模型；他們訓練模型是為了完成完整任務，這需要真實的環境、工具和驗證器。報告指出，白領工作的螢幕錄影是該過程中極具價值的輸入資料，因為這些資料本質上代表了真實的經濟任務，而非像 OpenAI 的 GDPval 等基準測試中那樣「過度特定且不自然」的情境；作者直接批評了這些基準測試，指出其中一些任務附帶的提示詞是人類在實際工作中「絕不會寫出來的」。
報告認為，這對 Meta 而言是真正的結構性優勢，關鍵在於規模。Mercor、Surge 和 Handshake 等外部數據供應商，透過聘請專家承包商來構建這些環境，年經常性收入均已突破 10 億美元；其中 Mercor 僅在 2026 年第二季就記錄了 251.7 萬個專家工時，相當於約 4,800 名全職員工。報告指出，Meta 利用自身員工「已經達到同等水準」，且平均品質可能更高；若此方法奏效，Meta 還能從約 7 萬名額外員工的池中調度人力。5 月下旬，Meta 將此正式納入一個新的「應用 AI 工程組織」，重新指派約 3,000 名工程師（包括 70% 的應屆畢業生）全職投入構建 RL 任務與環境。SemiAnalysis 對此戰略意義直言不諱：「我們認為這是 MSL 極被低估的優勢。」
算力擴張：五座同步建設的吉瓦級巨型園區
除數據外，報告詳細描述了業內有史以來最激進的資料中心建設計畫。Meta 正同時建設五個超過 1 吉瓦（gigawatt）的叢集：位於俄亥俄州的 Prometheus、路易斯安那州的 Hyperion，以及位於艾爾帕索（El Paso）、愛荷華州和印第安納州的三個未命名園區。SemiAnalysis 指出，過去沒有公司能同時建設超過一座全吉瓦級園區，最接近的先例是 AWS 在印第安納州的 800 兆瓦（megawatt）Project Rainier。Meta 目前有兩座吉瓦級園區正在同步建設中。在 Hyperion，Meta 正在建造報告所稱全球最大的單體建築，每棟 400 兆瓦，目前在建規模達 1.5 吉瓦。在愛荷華州，報告引用的衛星影像顯示，Meta 在一年內就將一片空地建設成了一座完整的吉瓦級園區。
SemiAnalysis 的 Tokenomics 模型預測，到 2026 年底，Meta 的 AI 總算力將超越 OpenAI 和 Anthropic。該機構提醒，其中相當大一部分產能仍將用於推薦系統和生成式廣告，而非前沿模型訓練；但即使在保守假設下，僅將特定的高階資料中心園區劃歸 MSL 使用，Meta 的訓練算力在 2027 年前仍可與 OpenAI 和 Anthropic 並駕齊驅。與 Google 的財務對比非常明確：Meta 沒有雲端租賃業務來爭奪相同的 GPU，且 Zuckerberg 願意承受自由現金流負值的意願，賦予了 Meta 一種微軟和 Google 目前在內部模型訓練上無法行使的靈活性。
解決跨區域擴展：AI-Backbone 與 2,000 公里的網路
報告針對 Meta 如何將這些園區聯網提供了罕見的技術細節，即業界所謂的「跨區域擴展」（scale-across）。Prometheus 並非單一站點，而是由分布在六個園區的 27 個資料中心組成的星系，其中五個叢集在 6 公里範圍內，第六個則位於約 75 至 80 公里外。Meta 的解決方案是一種稱為 AI-Backbone 的新架構，這是其現有 10X Backbone 網路的演進版，利用分層的超級主幹（superspine）和聚合集線器（aggregation hubs），在整個 Prometheus 叢集間提供約每秒 22 petabits 的雙向頻寬。園區間的連接則根據光纖距離，採用長距離光學元件與密集波分多工（DWDM）系統的組合。
這種架構並非沒有取捨。SemiAnalysis 指出，單一擴展區域內的延遲為 1 至 10 微秒，但由於光纖中光傳播的物理限制，連接 100 公里外的站點延遲無法低於約 500 微秒，這迫使 Meta 必須在單一區域內同步進行預訓練，同時在全球範圍內非同步分配強化學習工作負載。報告稱，未來的巨型園區將進一步推動此設計，連結最遠達 2,000 公里的園區。
組建與流失：超級團隊的兩面性
在人才方面，報告追蹤了繼去年斥資 143 億美元收購 Scale AI 並延攬 Alexandr Wang 後的持續高階招募行動，包括聘請 Thinking Machines 共同創辦人 Andrew Tulloch 及其部分創始團隊，以及前 OpenAI 研究員 Jason Wei、Hyung Won Chung 和 Zhiqing Sun。Meta 還聘請了 Dina Powell McCormick 擔任總裁兼副董事長，協助擴建其算力機隊，並於 4 月挖角了 OpenAI 的三名算力領導團隊成員。然而，報告指出其中一名成員已經離職，理由是 Meta 基礎設施組織內部的文化問題，這提醒了人們，在紙面上組建超級團隊並不保證實踐中的凝聚力。
SemiAnalysis 在樂觀中保持謹慎。作者寫道：「我們讚賞他們集結資源與勇氣，真正嘗試構建超人類智慧（RSI），但現在他們必須付諸實行。」並補充說，任何決心動搖的跡象，例如簽署沒有追回條款的長期算力銷售合約，或放任頂尖研究員離職，都將「等同於 MSL 的死刑判決」。
Muse Spark 1.1：追趕中，尚未超越
在產品方面，分析師在 Muse Spark 1.1 正式發布前已提前試用，評估其在通用代理（agentic）使用情境下，大致與 Anthropic 的 Opus 4.6 或智譜 AI 的 GLM 5.2 持平。這較 4 月份發布、在多數基準測試中落後於開源競爭對手 DeepSeek v4 Pro 和 Kimi K2.6 的初代 Muse Spark 有顯著進步。該機構認為，Meta 將模型定價略低於 GLM 5.2 可能是一種刻意的定位選擇。即便如此，報告仍指出了功能上的缺陷，包括傾向於忽略程式碼警告而非修正它們，以及對編輯工具的不當使用，並明確表示 SemiAnalysis 內部的 token 處理量不會轉移到 Muse Spark 1.1。該機構預計，即使在最樂觀的情況下，Meta 在 2026 年底前也無法達到與 Anthropic 或 OpenAI 同等的技術水準。
Google 的「失敗者心態」與第三名之爭
報告中語氣最尖銳的部分留給了 Google。儘管 Gemini 3 Pro 和 Nano Banana 曾讓 Google 短暫進入前沿 AI 的討論行列，但 SemiAnalysis 認為 DeepMind 在結構上正被剝奪競爭所需的算力，因為 Google 未來兩年大部分的增量資料中心產能，預計將用於服務其基礎設施即服務（IaaS）和第三方 API 業務，而非內部模型訓練。該機構指出，Google 最近發行了 850 億美元的股票以資助額外的 AI 基礎設施，但認為這些新增產能最終大多將租賃給包括 Anthropic 在內的客戶。作者寫道：「這是 Google 的失敗者心態。」並補充說，DeepMind 未來的訓練算力將少於 OpenAI、Anthropic 和 MSL，且由於其 RL 努力過於分散，Google 持續流失關鍵的強化學習研究員給 Anthropic。
報告引用 Alexandr Wang 最近在播客中的評論，即真正的前沿實驗室是建立在「超人類智慧即將來臨，且所有商業決策必須源於此信念」的基礎上，認為與 OpenAI 和 Anthropic 的創辦人驅動的急迫感不同，Google 的領導層並未真正持有這種信念。SemiAnalysis 給 Google（以及微軟 AI 和亞馬遜 AGI）的建議是：立即將更多算力轉向內部模型開發，並讓工程師投入生成 RL 任務，而非繼續補貼競爭對手的訓練支出。報告最後對競爭格局進行了明確的重新排序：在其看來，前沿 AI 第三名的爭奪戰現在是在 Meta 與 SpaceX 的 xAI 之間展開，而非 Google。