川海智库

报告概述

本报告聚焦Meta旗下超级智能实验室（MSL）在Llama 4发布一年后的全面重建进展。报告从构建尖端模型的三大要素——数据、算力、人才出发，分析了MSL在强化学习（RL）环境创建上的创新（如利用员工屏幕录制、组建3000人RL任务团队）、史无前例的算力扩张（同步建设5个1GW+级Titan集群）以及通过高薪和收购组建的超级团队。报告还对比了OpenAI、Anthropic、Google等主要玩家的动态，并预测MSL的后续发展潜力。读者可借此理解Meta如何利用其独特优势追赶前沿AI实验室。

报告的核心结论

Meta在数据、算力和人才三方面具备追赶前沿的独特优势

Meta通过内部屏幕录制和3000名工程师全职创建强化学习任务，获得了高价值数据资源；同时利用其超大规模云厂商的资产负债表和扎克伯格愿意承受现金流为负的决心，积极建设多吉瓦级数据中心；并通过天价薪酬和收购整合顶尖AI人才。报告认为Meta是唯一有望在这三方面同时达到世界水平的公司，最有机会赶上Anthropic和OpenAI。

强化学习环境和任务数据是当前AI能力提升的关键

报告指出，强化学习（RL）是提升AI能力最重要的扩展法则，而高质量RL任务需要真实的、代表经济价值的工作环境。屏幕录制数据对于构建逼真任务和验证器至关重要，Meta通过内部员工录制和组建RL任务团队，直接获得了这一稀缺资源，相比依赖外部数据公司的竞争对手更具优势。

Meta的算力扩张规模史无前例，预计年底将超过OpenAI和Anthropic之和

Meta正在同步建设五个1GW+的Titan集群，包括俄亥俄州的Prometheus（超3GW）、路易斯安那州的Hyperion（1.5GW在建）等，其中Hyperion拥有全球最大的单体数据中心建筑（400MW）。新代币经济模型预测Meta的AI算力将在2026年底超过OpenAI和Anthropic的总和，这得益于其自建数据中心的高灵活性和激进投入。

MSL新模型Muse Spark尚未达到顶尖水平，但关键在于追赶斜率而非起点

报告指出，Muse Spark在大多数基准测试中落后于DeepSeek v4 Pro和Kimi K2.6等开源模型，但其重要性在于Meta已完成团队重建的债务偿还。未来6个月MSL的进步斜率比当前位置更重要，凭借数据、算力和人才优势，MSL有望在年底前与Anthropic/OpenAI持平甚至超越谷歌。

谷歌在AI竞赛中已落后，第三名争夺在Meta与SpaceX之间展开

报告分析谷歌将大部分新增算力用于IaaS和API业务而非DeepMind，导致其训练算力将不及OpenAI、Anthropic和MSL；同时RL人才流失严重且工作分散。相比之下，Meta展现出笃信AGI的决心：即使面对负面舆论和股价压力，仍将3000名工程师转入RL任务创建、快速扩张算力并给予顶级人才巨额股权。报告认为谷歌的心态是失败者，应立刻重新分配算力和人才。

报告回答的关键问题

Meta超级智能实验室（MSL）凭什么追赶OpenAI和Anthropic？

MSL在数据、算力和人才三方面具有独特优势。数据上，Meta通过内部员工屏幕录制和3000名工程师全职创建强化学习任务，获得高质量RL环境；算力上，Meta同步建设5个1GW+集群，预计年底AI算力将超过OpenAI和Anthropic之和；人才上，Meta以天价薪酬和收购挖来顶级AI研究员（如从OpenAI、Anthropic）。报告认为这是唯一同时具备这三项条件的大型公司。

为什么屏幕录制数据对AI训练如此重要？

屏幕录制能够真实反映白领工作流程，确保RL任务的代表性和难度恰当，避免像人工设计任务那样过于刻意。同时，录制数据可辅助构建验证器：通过收集多人执行同一任务的不同轨迹，能捕获完整动作空间，帮助LLM生成评分标准，降低人工成本。Meta直接跟踪员工屏幕、键盘和鼠标动作，正是获取这类高价值数据。

Meta的算力扩张计划有多激进？

Meta正在同步建设五个1GW+的Titan集群：Prometheus（俄亥俄州，超3GW）、Hyperion（路易斯安那州，1.5GW在建，含400MW单体建筑）、以及埃尔帕索等三个未命名园区。其中爱荷华州园区一年内从零建成1GW。Prometheus集群采用帐篷式设计，由27个数据中心分布在6个园区，通过AI-Backbone实现跨尺度互联。这是人类历史上从未见过的算力建设速度。

MSL当前模型Muse Spark 1.1性能如何？

报告测试显示Muse Spark 1.1在通用智能体用例上大致与Opus 4.6或GLM 5.2相当，但存在忽略警告、不正确使用编辑工具等问题。Meta将其定价略低于GLM 5.2可能是有意。报告预计至少在年底前MSL模型不会达到Anthropic或OpenAI的水平，但强调关键在于进步速度而非当前表现。

谷歌在AI竞赛中犯了什么错误？

报告认为谷歌的“失败者心态”体现在：将大部分新增算力用于IaaS和第三方API业务，而非分配给DeepMind；RL人才流失至Anthropic且内部工作分散。尽管发行850亿美元股票建设基础设施，但多数算力被出租给客户（如Anthropic）。相比Meta全力投入AGI，谷歌缺乏将超级智能作为核心信念的执行力。报告建议谷歌立刻让软件工程师制作RL任务并转移更多算力给DeepMind。

报告中的代表性数据

2,517,000小时

Mercor专家工时记录

2026年第二季度，Mercor在2026年第二季度于其平台上记录的总专家工时，相当于约4800人每周工作40小时。Meta的RL任务团队规模与该量级相当，且平均质量可能更高。

1.5GW

Hyperion在建算力规模

2026年7月，Meta的路易斯安那州Hyperion集群当前在建功率，包括3座400MW单体建筑和3座100MW标准建筑。这是全球最大的单个数据中心建筑群之一。

超3GW

Prometheus集群扩展规模

2026年7月（两年内从1GW扩张至此），Meta的Prometheus集群在两年内从约1GW扩展到超过3GW，采用灵活的帐篷式数据中心设计，由27个数据中心分布在6个园区，并通过AI-Backbone实现跨园区互联。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • SemiAnalysis Tokenomics模型：详细展示了Meta、OpenAI、Anthropic等公司的AI算力预测对比图表，以及训练算力分配结构。
  • SemiAnalysis数据中心模型：覆盖Meta所有五大Titan集群的建筑级追踪，包含精确的月度扩建时间表、表后供电系统类型及许可风险提示。
  • AI网络架构解析：深度解释Meta的AI-Backbone（AIBB）方案，包括L3/L4超级脊柱交换机、DWDM光互联、跨2000公里集群的异步训练策略。
  • 强化学习任务创建方法论：详述如何利用屏幕录制构建真实RL任务、生成验证器（rubric），以及任务难度校准的工程挑战。
  • MSL人才收购与招聘清单：除已知明星研究员外，还列出了从Thinking Machines、OpenAI等挖来的关键人物，以及计算团队和商业领导的招募动态。
  • Muse Spark 1.1实测评估：内部测试结果，包括与其他模型的对比、具体缺陷（如忽略警告、编辑工具使用不当）、以及定价策略分析。
  • 对谷歌的深度竞争分析：通过算力分配预测、RL人才流失案例、组织文化对比，论证谷歌为何在第三名争夺中落后于Meta和SpaceX。
  • 付费内容扩展：完整的代币经济模型数据、更详细的算力租赁分析（如SpaceXAI出售GPU给Anthropic）、以及Meta可能的风险因素（如计算变现策略对MSL的潜在威胁）。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告