Reuters 7 月 9 日引述 Meta 內部備忘錄報導，Meta 計畫在 9 月開始製造代號 Iris 的 AI 晶片，並希望把整體運算能力從今年約 7GW 拉高到明年 14GW。這是一項仍以內部文件為主要依據的時程消息，不等於晶片已完成公開量產，也不能直接視為 Meta 將停止採購外部 GPU。
Iris 的意義在於，Meta 正把自研加速器和外部供應商放在同一個資料中心擴張計畫裡。當 AI 推理與訓練需求繼續增加，雲端公司和大型平台都在思考哪些工作適合用自有晶片處理，哪些工作仍需要 NVIDIA 或 AMD 的通用 GPU。自研晶片的目的通常是針對自己的模型、服務和資料中心設計更合適的成本與功耗，而不是一個版本就全面取代 GPU。
Meta 把 Iris 交給 Broadcom 設計、TSMC 製造
根據 Reuters 的報導，Meta 與 Broadcom 合作設計 Iris，再交由台積電負責製造。這種分工讓 Meta 保留產品需求和系統整合的主導權，同時使用 Broadcom 的客製晶片設計能力，以及 TSMC 的先進製程與量產經驗。
對台灣供應鏈來說，這類 ASIC 計畫的影響不只在晶圓代工。晶片要進資料中心，還需要高頻寬記憶體或其他記憶體、封裝、基板、伺服器、網路與散熱配套。只要量產時程與規模成立，訂單就會沿著多個環節傳遞；但在內部備忘錄轉成公開訂單前，仍不能把預計時程當成已確認的出貨量。
Iris 牽動記憶體、儲存與光纖設備供應商
TechCrunch 轉述 Reuters 報導指出，Meta 除了與 Broadcom、TSMC 合作，也向 Samsung 採購記憶體、向 Sandisk 採購儲存裝置，並向 Sumitomo Electric 採購光纖設備。這份供應商名單顯示，AI 加速器不是單獨安裝在伺服器上的一顆晶片，而是資料中心計算、資料搬移與儲存系統的一部分。
對 AI 資料中心來說，運算能力增加後，記憶體頻寬、儲存容量和伺服器之間的網路連線都會變成限制。自研晶片能不能真正降低每次推理成本，還要看編譯器、軟體框架、模型移植與整機部署是否跟得上。硬體設計完成，不代表資料中心就能立刻得到同等的可用算力。
Meta 的 14GW 目標讓晶片選擇和資本支出綁在一起
若 Meta 真的要在明年把總運算能力提高到 14GW，Iris 只是整體計畫中的一個環節。Meta 還需要建置或租用資料中心、取得電力、配置網路和冷卻設備，並把不同類型的加速器放進可管理的軟體環境。這也是為什麼一顆自研晶片的新聞，會同時牽涉製程、記憶體、設備、能源與資料中心資本支出。
從供應鏈角度看，平台公司自己設計 ASIC，可能把更多價值分配到客製晶片設計與先進製造，也可能讓不同加速器之間的競爭更複雜。Broadcom、TSMC 與相關記憶體供應商的實際受益程度，仍要看 Meta 後續的採購規模、產品良率和部署速度。
Iris 量產時程仍要等公開文件與後續出貨驗證
目前最明確的訊息是 Reuters 取得內部備忘錄後所報導的 9 月製造計畫，以及 Meta、Broadcom、TSMC 的分工。新聞也提到至少一款晶片在約六週內通過測試，但這仍屬備忘錄內容的轉述。外界還不知道 Iris 的實際規格、採用的製程節點、封裝安排、部署數量和每瓦效能。
因此，後續應觀察 Meta 的財報、供應商公告、伺服器出貨與資料中心部署是否互相對得上。若 Iris 如期進入製造，代表大型 AI 平台對客製晶片的投入進一步從設計計畫走向供應鏈執行；若時程延後，也能反映 ASIC 從測試走到穩定量產仍有不少工程與供應鏈風險。
另外，Iris 的推出時間也不等於 Meta 立刻能把全部工作負載移到自研晶片。AI 平台通常要先挑選適合的推論服務，建立驅動與編譯工具，再逐步比較每瓦效能、故障率和維護成本。這些系統結果往往要經過幾個季度才會反映在資料中心的實際使用比例，不能只看晶片開始生產的月份。
消息來源：Reuters、TechCrunch。
