Meta 还没赢，但正在换赛道 SemiAnalysis 并未宣称 Meta 已超越 Google，而是指出：如果未来 6 个月内三条关键路径同时兑现——143 亿美元收购 Scale AI 带来的人才与对齐能力、约 3000 名工程师转向强化学习任务生产、以及超 10GW 新增算力集中投向超级智能实验室——那么 Meta 有望成为 OpenAI 和 Anthropic 之后最具追赶势能的玩家，甚至短暂超越 Google，动摇当前 AI「第三极」的格局。 模型尚弱，但组织已在加速重构 Muse Spark 1.1 已开放 API，定价清晰（输入 1.25 美元/百万 token，输出 4.25 美元/百万 token），但它并非突破性产品。测试显示，其综合能力仍落后于当前前沿闭源模型，尚未达到可直接对标 Opus 或 GLM 最新版本的水平。Llama 4 的阶段性受挫，反而触发了扎克伯格主导的深度重组：超级智能实验室被赋予更高优先级，工程资源、数据中心配额、跨部门协作机制全面向其倾斜。这不是渐进式迭代，而是一次目标明确的「AGI 优先」转向。 143 亿美元买来的不是公司，是人和判断力 这笔交易的核心价值不在 Scale AI 的标注流水线，而在其创始人 Alexandr Wang 及其核心团队——尤其是 SEAL（Safety, Evaluation & Alignment Lab）。该团队具备模型评测、红队对抗、对齐验证与后训练策略设计等稀缺能力。Wang 在播客中强调：真正领先的 AGI 实验室，首先相信超级智能临近，再据此配置一切。Meta 正在用行动呼应这一逻辑：数亿美元级薪酬包、快速决策通道、独立基建权限，都表明超级智能已升格为公司级战略中枢，而非 AI 产品线的一环。 把 3000 名工程师变成 RL 数据工厂 预训练语料红利见顶，模型跃迁的关键正转向真实工作流中的强化学习数据。Meta 不再依赖外包标注或合成提示，而是将内部工程师重新定义为「任务创建者」：他们日常修复的代码库、调试的产品分析报告、调用的内部工具链、甚至屏幕操作录屏，都被系统化采集、脱敏、结构化，构成高保真 RL 训练信号。这类数据天然适配智能体场景——理解模糊需求、自主拆解步骤、调用多工具、容错并迭代。当整个工程组织变成数据生产线，Meta 就拥有了其他公司难以复制的「白领工作语料护城河」。 算力不是数字，是时间杠杆 Meta 2024 年已签约近 10GW 新增算力，其中大比例明确流向超级智能实验室。这不是为云服务扩容，而是为千卡级 RL 循环、万亿 token 级后训练、多智能体协同仿真预留基础设施。更关键的是部署节奏：跨区域高速互联、模块化数据中心、快速上电能力，都在压缩从模型构想到实测反馈的周期。相比之下，Google 的算力需兼顾搜索推荐、Gemini 多端部署、TPU 云出租与第三方 API，DeepMind 实际可独占的前沿训练带宽可能被稀释。算力集中度，正在成为模型迭代速度的决定性变量。 胜负手不在今天，而在下一代模型 所有押注终将回归一个结果：代号 Watermelon 的下一代模型能否如期交付？它是否具备显著更强的推理纵深、更低的推理成本、更自然的智能体行为，以及开发者愿意长期集成的 API 体验？目前没有公开基准能证明 Meta 已站上第一梯队，也没有市场反馈验证其产品化路径。真正的风险点恰恰在于：若 Watermelon 表现平庸，前期巨额投入将转化为沉重的成本负担；而一旦兑现，AI 格局的第三名之争，将不再是守擂与挑战的关系，而是资源聚焦度与执行密度的重新排序。