AI支出高企倒逼内部创新 在AI基础设施投入持续飙升的背景下，Meta正转向组织内部挖掘效率空间。面对日益沉重的推理成本压力，公司启动了一项聚焦‘智能分流’的底层技术探索——由内部AI孵化器AAI Labs主导开发的模型路由工具Switchboard。 Switchboard的核心逻辑：让每个任务匹配恰如其分的模型 该工具并非追求更强性能，而是强调‘精准匹配’：通过实时评估编程请求的复杂度，自动将简单任务（如变量重命名、基础语法纠错）路由至轻量级模型，仅将真正需要强推理能力的任务交由前沿大模型处理。这一机制直指当前普遍存在的资源错配问题——即‘用火箭打蚊子’式的成本浪费。 不只是省钱，更是新能力的基建起点 Switchboard目前处于早期验证阶段，但其设计目标已超越单纯的成本优化。内部文件明确指出，它既可作为Meta全公司AI服务的统一调度层，也可作为独立产品向外部开发者和AI智能体运营方开放。这意味着，它既是内部效率引擎，也预留了商业化接口——未来或以API服务、托管平台或企业级部署方案形式产生收入。 推理成本已成为规模化落地的最大瓶颈 Meta内部将推理开销明确定义为‘限制大规模运行AI智能体的首要障碍’。一份被多次引用的内部表述直白指出：‘我们为每一个编程请求支付顶级模型的价格，包括那些简单的请求。’现状是，无论任务难易，所有请求都涌向同一套高成本模型集群，结果是简单任务过度付费，复杂任务又可能因资源争抢而响应延迟。Switchboard正是对这一结构性失衡的技术回应。 AAI Labs：扎克伯格推动的AI产品加速器 Switchboard隶属AAI Labs——Meta Applied AI Engineering团队于今年3月设立的内部孵化机制。该机制允许一线员工提交AI产品构想，经快速评审后组建微型团队进行原型开发，并具备对外发布的通道。截至7月，已有约200个项目获批，覆盖消费者应用、开发者工具与基础设施三大类。这一机制体现的是扎克伯格所倡导的‘小团队+AI=快速创新’范式，也是Meta试图将AI投资从成本中心转向能力中心的关键组织设计。 模型路由正成为巨头竞逐的新赛道 Switchboard并非孤例。OpenRouter已凭借多模型路由能力在开发者中建立影响力；OpenAI在GPT-5中内置了自动降级路由逻辑；Databricks与Palantir亦推出类似调度方案。Meta此时入场，既是应对自身成本焦虑的务实选择，也是在AI中间件层构建自主技术栈的战略落子。 更大的图景：从千亿级投入中长出新业务 Meta预计2024年AI相关资本支出将达1450亿美元，较上年翻倍。如此规模的投入，必须匹配清晰的回报路径。Switchboard之外，AAI Labs同期还在推进面向车载场景的AI导览应用，计划打通CarPlay/Android Auto，并延伸至Instagram地图、本地Reels与Ray-Ban智能眼镜生态。这些项目共同指向一个方向：以员工驱动的轻量创新为起点，快速验证AI原生体验，再择机产品化、平台化、商业化——在广告基本盘之外，开辟基于AI服务、工具与终端的新收入曲线。