【2026-07-17】Meta Iris AI 晶片 9 月量產　Broadcom 共同設計　目標 2H27 將 NVIDIA GPU 需求砍半　145B 美元資本支出佈局 AI 基礎設施

Reuters 獨家：Iris 9 月量產、2H27 目標砍半 NVIDIA GPU 採購

Reuters 7/9 引述 Meta 內部備忘錄與三位知情人士報導，Meta 將於 9 月正式啟動自有 AI 晶片「Iris」量產，由 Broadcom 共同設計、TSMC 3 奈米（N3P）製程代工，並採用 CoWoS-S 先進封裝。備忘錄目標：到 2027 H2 將 Meta 對 NVIDIA GPU 的採購量減少約 50%。Reuters 指出，這是 Meta 執行長 Mark Zuckerberg 親自推動的「AI 基礎設施自主化」戰略，目的是降低對 NVIDIA 的依賴、並控制 AI 訓練與推論成本。Meta 發言人雖未正面回應具體砍單幅度，但證實 Iris 將於 2026 年底前開始部署在 Meta 資料中心。

Broadcom 共同設計：Meta 強化 ASIC 供應鏈夥伴關係

Quartz 與 Bloomberg 同步報導，Meta Iris 由 Broadcom 共同設計，並採用 Broadcom 提供的 SerDes I/O、PCIe Gen 6 介面與 custom on-chip network 技術。這是 Meta 與 Broadcom 繼 MTIA v2/v3 之後第二次深度合作。Bloomberg 引述業界人士，Broadcom 為 Meta 提供「XPU 設計 + IP 授權 + 軟體整合」一站式服務，並負責 Iris 與 Meta 自有軟體堆疊（PyTorch + FAISS）的最佳化。National CIO Review 指出，Broadcom 2026 年 AI 相關在手訂單（backlog）達 730 億美元，其中 Meta 佔約 8%（58 億美元），包含 Iris、MTIA v3 與客製化網路晶片。 供應鏈各環節的因應策略，往往會在政策變動前後出現明顯的差異，這也是市場解讀時需要特別留意的訊號。

145B 美元資本支出：AI 晶片與資料中心佔 70%

HPCWire 與 Spheron Network 同步揭露 Meta 2026 年資本支出計畫：總額上看 1,450 億美元，其中 AI 晶片採購（Nvidia GPU + Meta Iris + MTIA v3）約 700 億美元、AI 資料中心建設約 320 億美元、網路與儲存設備約 230 億美元、其他（土地、研發、營運設備）約 200 億美元。Meta CFO Susan Li 於 2Q26 法說會表示：「這是有史以來最積極的資本支出年度，目的是為 AI 訓練與推論建立世界級基礎設施。」市場解讀，145B 美元資本支出較 2025 年的 96B 美元成長 51%，創 Meta 史上新高。 觀察過往幾次類似事件可以發現，技術規格的推進與地緣政治的拉扯經常呈現高度連動，企業的投資節奏亦受其左右。 此外，相關標準的制定過程往往牽涉多方利益協調，能在其中扮演積極角色的企業，將更有可能取得先發優勢。 從過往產業演進的軌跡來看，每一次重大技術突破背後，都伴隨著政策、資本與人才的高度整合。

Iris 規格：推論導向、節能設計、搭配 NVIDIA GPU 形成混合架構

Spheron Network 與 HPCWire 揭露 Iris 規格重點：(1) 採用 TSMC 3 奈米（N3P）製程，CoWoS-S 先進封裝；(2) 內建 8 顆 HBM3e 記憶體（單顆 24GB，總容量 192GB、頻寬 4.9 TB/s）；(3) FP8/BF16 算力約 5 PFlops（vs NVIDIA H100 的 4 PFlops）；(4) 功耗約 700W（vs NVIDIA H100 的 700W，但算力更高）；(5) 定位為「推論導向」晶片，搭配 NVIDIA H100/H200 GPU 形成「訓練用 GPU + 推論用 Iris」混合架構。Bloomberg 指出，Iris 並非要完全取代 NVIDIA，而是「降低對單一供應商的依賴」並「最佳化 AI 推論成本」。 專家指出，這類議題在短期內雖然難以達成共識，但對於建立更具韌性的產業結構仍具有指標意義。

雙軌晶片策略：Iris（推論）+ MTIA v3（推薦系統）

Quartz 與 Semicone 同步分析，Meta 將形成「Iris（AI 推論）+ MTIA v3（推薦系統與排序）」雙軌晶片策略。MTIA v3 已於 2Q26 量產並部署於 Meta 資料中心，負責 Facebook/Instagram 的推薦演算法、排序、廣告投放等傳統 ML workload；Iris 則負責生成式 AI（GenAI）訓練與推論，包含 Llama 系列大型語言模型的推論、Meta AI 助理、圖像/影片生成等新型 workload。Semicone 認為 Meta 的雙軌策略比 Google TPU（單一架構覆蓋訓練+推論）更靈活，但也帶來「軟體棧碎片化」的風險，Meta 內部已成立「Unified Compute Platform」團隊負責整合。

供應鏈：Broadcom、TSMC、SK Hynix、AMAT 同步受惠

Iris 量產將帶動半導體供應鏈同步受惠。DIGITIMES 與 Bloomberg 同步分析：(1) Broadcom：負責設計 + IP 授權 + SerDes 技術，是 Meta 在 ASIC 領域最重要的夥伴，Iris 量產後 Broadcom 將再取得至少 8 億美元設計服務收入；(2) TSMC：3 奈米產能與 CoWoS-S 先進封裝，2026 Q4 開始每月消化 Meta 約 1.2 萬片 3 奈米晶圓；(3) SK Hynix：HBM3e 24GB 記憶體獨家供應，2026 年 Meta 採購量約 800 萬顆 HBM3e；(4) Applied Materials：3 奈米沉積與蝕刻設備主要供應商。 從研發投入的角度觀察，相關企業在材料、製程與系統整合上的布局，已成為未來幾年觀察產業變化的重要切入點。

對 NVIDIA 的影響：超大規模客戶降規、但 Rubin 仍主導

Reuters 與 Bloomberg 同步指出，Meta 砍半 NVIDIA GPU 採購將對 NVIDIA 營收造成顯著影響。Meta 是 NVIDIA 第四大客戶（2025 年貢獻 NVIDIA 營收約 12%），若 2H27 砍單 50%，NVIDIA 年營收將減少約 12~15 億美元。然而市場認為，NVIDIA 受影響程度有限，因為 (1) Meta 砍單將由其他超大規模客戶（Microsoft、AWS、Google）補上；(2) NVIDIA Rubin 200/300 即將於 2H27 量產，屆時超大規模客戶將換機升級；(3) NVIDIA 也已強化「DGX Cloud」與 AI Enterprise 軟體營收，降低對單一硬體客戶的依賴。Yahoo Finance 引述摩根士丹利分析師：「Meta 砍單是 ASIC 趨勢的開始，但 NVIDIA 在通用 GPU 領域仍將主導未來 5 年。」

同業觀察：Google TPU、AWS Trainium、Microsoft Maia 並進

Semicone 與 Spheron Network 同步指出，超大規模客戶自研 AI 晶片已成趨勢：(1) Google TPU v7（Ironwood）已於 2Q26 量產，內建 8 顆 HBM4、TSMC 3 奈米製程；(2) AWS Trainium 3 已量產、Trainium 4 將於 4Q26 樣品；(3) Microsoft Maia 200 已於 1Q26 進入微軟 Azure 資料中心；(4) Apple M3 Ultra 已搭載於 Mac Studio，鎖定 AI 推論應用。這 4 家超大規模客戶的 ASIC 佈局，將共同瓜分 NVIDIA 在超大規模資料中心約 30~35% 的 GPU 市場。DIGITIMES Research 預估，2027 年超大規模客戶自研晶片將達 2.5~3.0 億顆，佔全球 AI 加速器市場 22~25%。 這樣的發展脈絡也意味著，企業若能在前期做好風險評估與替代方案準備，將更具備應對未來不確定性的能力。

結論：Meta 145B 美元押注 AI 自主化，Iris 與 NVIDIA 共築混合架構

Meta Iris 量產是 2026 年 AI 基礎設施自主化的關鍵指標。C.C. Wei（誤，應為 Mark Zuckerberg）親自推動的「145B 美元資本支出 + 自研 Iris + 砍半 NVIDIA 採購」組合，展現 Meta 對 AI 長期主導權的企圖。短期看，Iris 將與 NVIDIA GPU 形成「訓練用 GPU + 推論用 Iris」混合架構，預期 2H27 將降低 Meta 30~40% 的 AI 推論成本；長期看，Meta 將透過雙軌晶片策略（Iris + MTIA v3）擺脫對 NVIDIA 的單一依賴，並建立自有 AI 算力護城河。TechEveryday 將持續追蹤 Meta Iris 量產時程、實際部署數量、與 NVIDIA 後續 Rubin 平台的客戶結構變化。