2亿美元起价挖人，个别还出过上10亿美元，百倍于行业水平，扎克伯格出手把硅谷搅翻了天。

他不仅要打造一支，而且要走别人的路，让别人无路可走：如果最好的AI企业是OpenAI，那就让OpenAI成为骨干人才流失的重灾区；如果中国出了个最好的开源模型DeepSeek，那就挖一批说普通话的。

扎克伯格这次要彻底推倒重来。Meta从Llama1到3，一直高举开源模型的大旗，但是，年初被DeepSeek一举超越，之后推出的Llama4 贻笑硅谷，旗舰模型Behemoth甚至不敢见人。Meta大模型已经落后于对手整整一代。

扎克伯格深知，还必须采取比马斯克在孟菲斯打造超级算力集群更快更狠的做法，才能赢得这场超级智能的“笼中角斗”。

电力：Meta已经不把本地电网放到眼里了，而是在俄亥俄的数据中心直接建了两个200MW的天然气发电厂，15台涡轮机发电，15台往复式发动机（备用电源）。

算力：为了让数据中心尽快上线，Meta直接搭起类似帐篷的轻结构，在里面堆起成千上万的G200/300GPU。不是为了美观，也不是为了省钱，只是为了更快。Meta在俄亥俄州打造的世界上最大的算力集群名叫普罗米修斯（Prometheus)。位于路易斯安那州建数据中心集群，预计将在 2027 年底成为全球最大的独立园区，第一阶段的 IT 电力将超过 1.5 GW。该数据中心内部名为 Hyperion。

数据：300亿美元直接收购AI数据处理独角兽公司Scale AI股权的49%，因为数据质量决定模型上限。

人才：除了开出高于足球巨星级别的“转会费”，Meta超级智能实验实（MSL）每位研究人员拥有无与伦比的算力，用来构建最佳开源模型家族，并有机会接触超过 20 亿的日活跃用户。这次挖来的每位研究人员，包括现金、签约奖金、股票，4年累积可达2亿美元起。据说Meta还出价超过十亿美元，要挖OpenAI的研究/工程的高层，目前还没有成功。

扎克伯格不仅要在人力上打击OpenAI，还要在算力上压倒OpenAI，Meta即将上线的1.5GW的超级集群，规模已经超过了“星际之门”在德州阿比林1.2GW的集群。

Semianalysis认为，Meta从统治开源AI，直到最近开始处于下风，被OpenAI、Anthropic、DeepSeek和xAI甩到身后，因为它采取了“渐进主义”的做法，即它的AI主要是为了服务其业务，如内容推荐、广告服务、内部效率工具等等，它能为现有的业务带来增长，只能带来财务收获，但是，Meta还缺乏对超级智能的真正追求，尤其是在人才和算力基础设施方面，短板越来越明显，与其他巨头相比，可能有错失AI的风险。

不过，做为一家上市企业，扎克伯格也需要经常向股东和投资者交待他在AI上砸钱，对业务和财务带来哪些回报。

据Semianalysis分析，在训练Llama4的过程中，Meta也犯下了一些技术错误：

1，分块注意力：

Behemoth 在实现分块注意力以追求效率时，产生了盲点，尤其是块与块之间出现了割裂。这影响了模型在思维链（chain of thought）超出单个块长度时发展推理能力。模型在长程推理上表现不佳。虽然事后看起来似乎显而易见，但Meta 当时甚至没有建立起合适的长上下文评估和测试基础设施，来判断分块注意力是否适合用来开发推理模型。

2，专家选择路由

在运行过程中， Meta 从专家选择切换到token选择路由， 这导致专家无法很好地专业化。

3，预训练数据质量

在 Llama 4 Behemoth 之前，Meta 一直在使用公共数据（例如 Common Crawl），但中途切换到了自己构建的内部网络爬虫。虽然这通常效果更佳，但也带来了一些问题。团队在清理和删除新数据流时遇到了困难。这些流程尚未经过大规模压力测试。

此外，与OpenAI和Deepseek等不同，Meta不使用YouTube数据，里面的讲座记录和其他视频是宝贵的数据来源，如果没有这些数据，Meta可能很难构建多模态模型。

4，扩展策略和协调

Llama 4 团队把研究实验扩展为完整的训练，运行中遇到了困难。研究方向之间存在竞争，缺乏领导力来决定哪条路径是最效的。有些模型架构的选择甚至没有经过适当的消融实验，就直接被塞进了模型里，导致扩展的梯度管理混乱。Meta如此重要的一次大规模的预训练运行，缺乏严谨性和充分准备。

上述几点暴露了Meta在人才方面的短板，才让扎克伯格痛下决心，采取了极端重赏的措施。

One More Thing

扎克伯格这次赶上了特朗普的“大漂亮法案”的好处。人工智能企业在研发和设备方面采购的费用，可以用来税收抵免。所以，扎克伯格算得很精：买得越多，省得越多！

参考文章：

https://semianalysis.com/2025/07/11/meta-superintelligence-leadership-compute-talent-and-data/