6个月定胜负？SemiAnalysis：Meta或取代Google，加冕AI“第三极”

TL;DR

SemiAnalysis 押注 Meta 未来 6 个月可能超过 Google，成为 OpenAI 和 Anthropic 之后的最强追赶者。
这一判断建立在 143 亿美元 Scale AI 交易、RL 数据生产和多 GW 算力扩张三条线上。
Muse Spark 1.1 仍未追平前沿模型，Meta 能否追上 Google 还要看下一代模型表现。

SemiAnalysis 在最新报告中给出一个激进判断：Meta 超级智能实验室现在还不是前沿模型赢家，但如果人才、强化学习数据和算力扩张同时兑现，未来 6 个月有机会超过 Google，成为 OpenAI、Anthropic 之后最有竞争力的追赶者。

这不是在说 Meta 已经追上。Meta 4 月发布 Muse Spark，7 月 9 日据 Axios 报道，Muse Spark 1.1 已向开发者开放 API，价格为每百万输入 token 1.25 美元、输出 token 4.25 美元。Axios 称，这并不是 Meta 期待中的「大跃进」模型，代号 Watermelon 的更大模型仍在训练中。

SemiAnalysis 押注的是另一件事：Llama 4 受挫后，扎克伯格正在用更激进的方式重组 AI 组织，把钱、人才、内部工程资源和数据中心容量压到超级智能实验室。报告的核心分歧在于，Google 是否还能稳坐 AI 第三极。

当前模型还不强，报告押的是 6 个月追赶速度

Meta 超级智能实验室随 Muse Spark 亮相后，并没有重现 Llama 3、Llama 3.1 时期的开源领先感。按 SemiAnalysis 的测试和判断，Muse Spark 及其后续版本在多数基准测试和通用智能体场景中仍难称前沿。

这也是这份报告最需要加限定的地方。Muse Spark 1.1 大致相当于 Opus 4.6 或 GLM 5.2、内部 token 用量暂不迁移等细节，属于作者测试和模型判断，不是 Meta 官方口径。至少从公开信息看，Meta 还没有拿出可以直接挑战 OpenAI 和 Anthropic 的模型。

但 SemiAnalysis 关注的是斜率。Llama 4 失败后，Meta 超级智能团队完成大规模调整，短期组织混乱正在被消化。报告判断，如果下一轮模型训练和强化学习数据生产开始反映到产品上，Meta 的位置可能比当前排行榜显示得更靠前。

143 亿美元 Scale AI 交易，补的是前沿模型最稀缺的人

Meta 最显眼的一步，是对 Scale AI 的 143 亿美元投资。Fortune、Forbes、Reuters 等多家媒体此前报道，Meta 通过这笔交易引入 Scale AI 创始人 Alexandr Wang，并让其加入或领导超级智能相关团队。

在前沿模型竞争中，这笔交易不只是买数据标注公司，更像一次高强度挖人。Scale 旗下安全、评估和对齐团队 SEAL，被 SemiAnalysis 视为 Meta 补足评测、对齐和后训练能力的重要来源。

Reuters 还曾提到，Meta 为部分 AI 工程师提供数亿美元级薪酬包。这个数字说明，Meta 已经把超级智能放到公司级优先事项，而不是普通 AI 产品迭代。对一家大型科技公司来说，真正难的不是拿出预算，而是让研究、产品、基础设施和管理层都围绕同一个目标运行。

SemiAnalysis 引用 Alexandr Wang 近期在播客中的表述称，真正的前沿实验室往往先相信超级智能已经接近，之后商业决策服从这个判断。报告把 Meta 近期动作解读为向 OpenAI、Anthropic 式 AGI 优先级靠拢。

3000 名工程师转向 RL，Meta 想把内部工作变成训练数据

人才之外，强化学习任务和真实工作数据是第二条线。

今天模型能力提升已经不只靠预训练语料。更关键的是，模型能否在接近真实工作的环境里完成任务：理解上下文、调用工具、执行测试、修复错误，再根据结果迭代。代码库修复、产品分析、内部工具调用，都会比普通考试题更接近白领工作的真实难度。

SemiAnalysis 称，Meta 将约 3000 名工程师重新分配为全职 RL 任务创建者。这一数字尚需按报告口径理解，但如果执行到位，Meta 的优势会变得清楚：它不是单纯外包购买人工数据，而是把自己的工程组织变成训练任务生产线。

这类数据对智能体尤其重要。很多强化学习任务看起来难，实际提示词已经把步骤写得过细，和真实工作习惯不一致。屏幕录制、日常工作流、工具调用记录和内部评估体系，可能更适合训练可以自动化白领工作的模型。

这也是报告看好 Meta 追赶 Google 的原因之一。Google 有 DeepMind、Gemini、TPU 和云业务，但 Meta 正在把内部组织、数据和工程能力集中到同一个模型目标上。

多 GW 算力扩张，让 Meta 进入前沿牌桌

算力是第三条线。SemiAnalysis 在 7 月 2 日文章中称，Meta 今年上半年签约超过 5GW 容量，2024 年以来累计接近 10GW 交易，并判断增量容量大头仍将流向 Meta 超级智能实验室。

对普通投资者来说，重点不是具体数据中心设计，而是资本开支的方向。Meta 扩算力不是为了做常规云服务，而是为了内部模型训练、后训练和智能体循环准备更大规模集群。训练和强化学习越重，算力部署速度越会影响模型迭代速度。

报告还提到跨区域互联、快速部署数据中心等基础设施设想。这些细节仍属于 SemiAnalysis 模型推演，但方向很明确：Meta 正在用基础设施换时间。

Google 的争议不在于有没有算力，而在于算力如何分配。SemiAnalysis 预计，Google 新增数据中心容量中相当一部分会服务 IaaS 和第三方 API 业务，DeepMind 可用于前沿训练的资源集中度可能低于外界想象。即便 Google 通过外部融资或资本市场扩建更多 AI 基础设施，新增容量也可能被云客户消耗掉一部分。

因此，报告给出一个更有争议的判断：AI 第三名之争不再是 Google 稳坐其位，而可能变成 Meta、Google 乃至其他高算力玩家之间的重新排序。

最大问题仍是 Meta 还没拿出前沿模型

这份报告最有冲击力的地方，也是风险最大的地方：它押的是未来 6 个月，而不是已经发生的结果。

Meta 已经有 143 亿美元 Scale AI 交易、Alexandr Wang 加盟、数亿美元级薪酬包、多 GW 算力扩张，以及内部工程资源向 RL 任务倾斜。但这些仍是追赶条件，不是模型胜利本身。

Muse Spark 1.1 目前还不能证明 Meta 进入 OpenAI 和 Anthropic 所在的位置。Watermelon 等更大模型仍在训练中，实际能力、成本、可用性和开发者反馈都还没有接受市场检验。

Google 也没有退出牌桌。DeepMind、TPU、Gemini 和云业务仍是硬优势。真正的分歧在于，Google 的资源要同时服务搜索、云、API 客户和内部模型，而 Meta 正在把更多资源集中押向超级智能实验室。

如果 Meta 下一代模型没有明显进步，143 亿美元挖人和大规模算力投入会变成更重的资本开支压力。如果新模型和智能体产品兑现，AI 第三名的位置才会真正松动。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。