Meta 的基础设施团队需要重塑文化

太长不看

1.Meta 基础设施部门的文化问题已演变为一系列代价高昂的硬件失误，包括以超过25亿美元收购Rivos后迅速拆解其团队并取消核心芯片项目，以及为AI服务器选择偏离行业标准的定制设计，导致数十亿美元的资本效率损失。

2.这些问题的根源在于臃肿的组织、短期绩效导向和内部政治。中层管理者为保住职位而推动过度工程化或“橱窗粉饰”项目，供应链团队对工程决策缺乏话语权，且频繁转向损害了供应商信心。具体案例包括Grand Teton服务器为增加无用存储而采用昂贵设计，以及为推荐系统优化的Ariel GB200定制机架，其每GPU成本远高于标准配置，却未被大语言模型团队有效利用。

Meta 基础设施部门的文化问题已演变为一系列代价高昂的硬件失误，包括以超过25亿美元收购Rivos后迅速拆解其团队并取消核心芯片项目，以及为AI服务器选择偏离行业标准的定制设计，导致数十亿美元的资本效率损失。

一、Meta 的基础设施团队需要重塑文化

Meta 基础设施部门已经变得臃肿，中层管理者将资源耗费在过度工程化的技术方案上，却忽视了组织更广泛的需求。

Myron Xie、Julien Martin-Prin 及另外 2 人。在近期有关 Meta 超级智能的订阅文章中，我们阐述了看好 Meta AI 的理由。MSL 如今已具备许多正确要素，有望追赶 Anthropic 和 OpenAI，重返前沿。不过，我们也简要提到了困扰 Meta 基础设施团队的文化问题。本文将深入探讨这些文化问题如何演变成代价高昂的失误，包括收购 Rivos，以及在硬件架构上做出的一些奇怪选择。

我们认为，Meta 基础设施部门需要重塑文化，以便更好地服务 Meta AI 组织，尤其是 MSL 的世界级研究人员。随着 Meta 开始向外部客户出售算力，而不再只是服务内部专属用户，这一点变得更加重要。

Meta 基础设施部门已经变得臃肿，中层管理者将资源耗费在过度工程化的技术方案上，却忽视了组织更广泛的需求。公司似乎背负着过多彼此割裂的团队，这些团队过度优化某些指标，而不是为整个公司交付可用的技术。为了保住自己在 Meta 的职位，中层管理者会想尽办法为自己的提案辩护，而 Meta 已经变成一个内部政治色彩极其浓厚的组织。

一个重大问题是 Meta 每 6 个月一次的绩效评估周期，每轮评估都会淘汰排名末尾的 10% 至 15%。结果是，员工会优化短期成果，而不是长期战略。一些管理者推动能够迅速交付、曝光度很高的项目，这种做法被称为“橱窗粉饰”，随后又立即转向或放弃这些项目。很少有人公开质疑领导层，导致错误决策无法得到纠正。整套制度抑制长期思考，并导致规避风险的行为。

在 Meta 基础设施部门内部，供应链团队对工程团队也几乎没有话语权。结果是，技术决策受到内部政治动机驱动，而不是基于面向公司整体的、经过深思熟虑的软硬件协同设计。

频繁转向也十分常见。由于 Meta 素来以砸钱解决问题和高速执行著称，与采取更有纪律或更保守方法的其他公司相比，这些急转弯最终会带来更高成本。当供应商赢得的设计项目随后被取消时，也会失去信心。这导致供应链降低了对新设计的优先级。由于 Meta 频繁调整，一些供应商更愿意专注于亚马逊或谷歌的设计项目。

Meta 的许多问题源于缺乏财务纪律：管理者不断创建新项目、扩充人员，以用满并证明 AI 等计划所获巨额预算的合理性。这是 Meta Reality Labs 部门往事的重演。该部门曾在工程师和研发上投入数十亿美元，直到公司部分由于转向 AI 而开始裁员，从 2022 年起一直持续到今年，大幅削减了该团队及其相关项目。

二、收购 Rivos

首先，Meta 最近的一项失误，是去年斥资超过 25亿美元收购芯片初创公司 Rivos。

Meta 芯片部门内部很少有人完全理解公司最初为何收购 Rivos，而那些曾在内部力推这笔交易的人此后也不再发声。主流推测是，Meta 手头有钱，定制芯片领域正在升温，而且公司已经在为一款未来芯片授权使用 Rivos 的 IP，因此领导层认为，与其让其他任何人获得 Rivos 的技术，不如直接将其收入囊中。

通过收购 Rivos，Meta 还获得了绕过博通等合作伙伴、自行管理定制芯片制造和测试的能力，这种做法被称为客户自有工装。不过，为获得这项能力支付超过 25亿美元同样不太合理，因为从零组建一支 COT 团队，每年可能只需 1亿美元或更多。

尽管 Meta 只想要 Rivos 的加速器和 GPU 团队，但这家初创公司的创始人坚持交易必须全盘收购，否则免谈。Meta 最终买下整家公司，随后大幅裁减了其不需要的部门员工。

一些 Meta 芯片部门前员工表示，此次收购由 Meta 芯片业务负责人 Yee Jiun Song 主导。他不顾部分下属的反对推动了这笔交易，但此后已经失去兴趣。结果是，整个组织对这次移植产生了排斥反应，Rivos 员工只能困在其中自谋出路。Meta 原有的芯片管理者将此次收购视为一批可以免费取用的人员编制，纷纷抢走 Rivos 工程师来扩张自己的势力范围，并将原来的初创公司拆散到不同方向，最终几乎没有任何完整部分得以保留。

这笔交易背后的技术理由也同样迅速消失。Meta 最初感兴趣的部分原因是，Rivos 拥有 SIMT 核心 IP，其可编程性更接近英伟达式 GPU 架构，而 Meta 自有的 MTIA 采用 SIMD。然而，交易完成后，Meta 取消了原计划采用 Rivos GPU IP、代号为 Olympus 的芯片，因为其系统和封装架构设计过于激进，软件也远未准备就绪。Meta 转而决定在 MTIA 600 之前继续沿用现有芯片架构。

Meta 仍希望开发一款整合 Rivos 技术的芯片，并已创建一个名为 Phoebe 的新芯片项目，目前计划于 2028 年流片。但 Meta 内部并非所有人都看好该项目，一些人认为它最终也可能被取消。我们一直在向《Accelerator Model》的订阅用户更新各类定制芯片的不同架构、平面布局和出货量信息。

与此同时，新加入的 Rivos 员工迅速领教了 Meta 的内部文化。与苹果等更成熟的硬件组织不同，Meta 的硬件路线图变化速度可以和软件路线图一样快，方向不断调整，这意味着你现在从事的工作可能在 6 个月后就变得毫无意义。Meta 芯片部门的许多人表示，公司没有清晰的组织架构，没有明确的决策机制，也没有明确规定各团队分别负责什么。

一个即使不了解技术细节的人也能理解的荒唐例子是：Meta 不会为大多数员工分配固定工位。入职超过 1 年的人每天仍要四处寻找办公位置，有时工位上有显示器，有时显示器配错了线，有时则根本没有显示器。尽管到处都有空工位，员工正式申请固定工位后仍会遭到拒绝。

最后，收购 Rivos 还引发了 Meta 原有芯片团队的不满。许多 Rivos 工程师入职时获得了更高的薪酬和职级，却没有承担足以匹配这些待遇的职责，而且他们还被安排在 Meta 原有芯片员工之下。这导致原有团队士气下降，也让缺乏决策权的新 Rivos 员工感到不满。今年年初以来，多名 Meta 芯片工程师已离职，转投初创公司或 Arm、英伟达等成熟企业。

正如我们最早向客户报道的那样，在近期裁员中，因收购而加入 Meta 的 Rivos 工程师约有 30% 被裁。Rivos 联合创始人 Mark Hayter 已经离职。今年 5 月首批限制性股票单位归属后，多名前 Rivos 员工也已离开 Meta，加入 Gerard Williams 创办的新芯片初创公司 Nuvacore。我们认为，Rivos CEO 兼联合创始人 Puneet Kumar 也在考虑于 1 至 2 年后离职，届时他持有的 Meta 股票将全部归属。有猜测称，他可能加入 Rosaic Labs。这是一家由 Amarjit Gill 联合创办的新芯片初创公司；Amarjit Gill 是 Rivos 的投资者，也曾在 SiByte、P.A. Semi、苹果和 Agnilux 长期与 Puneet Kumar 合作。

三、Grand Teton

现在来谈谈 Meta 的 AI 服务器设计。Meta 的硬件决策主要由总体拥有成本分析驱动，该分析会建立工作负载矩阵，将排序推荐和生成式 AI 等负载，与英伟达、AMD 及其自有定制芯片方案进行比较。Meta CEO Mark Zuckerberg 已下令，所设计的系统必须适用于整个业务，也就是说，不仅要支持生成式 AI 工作负载，还必须支持核心排序和推荐系统。

然而，Meta 仍然为其 GPU 服务器选择了多项“优化”，这些选择都很奇怪，而且往往不如其他超大规模云服务商采购的标准配置。部分问题源于该公司的服务器团队与网络团队隶属于完全不同的组织，双方有着不同的目标和观点。Meta 工程师也希望拥有自己的网络操作系统和硬件，而不是依赖其他公司。

简单回顾一下，Meta 的 H100 HGX 服务器名为“Teton Grand”，这一设计已贡献给 OCP。它与标准 HGX 服务器的主要区别是，除标准 GPU 和 CPU 头节点配置外，还增加了一个交换机托盘。该托盘装有 4 颗博通 PCIe 交换芯片、16 块 SSD 和 8 张 NIC。其作用是提供额外的 PCIe 通道，使 Grand Teton 能够在每台服务器中增加更多 SSD。

在 Hopper 一代，英伟达通过在 ConnectX-7 NIC 中实现 PCIe 交换功能，实际上已经从设计层面消除了对独立 PCIe 交换芯片的需求。

英特尔 Sapphire Rapids 主机 CPU 提供 80 条 PCIe 通道，Meta 原本可以设计一台设备：2 张 200G 前端 NIC 各使用 8 条通道，各类管理和控制功能使用 4 条通道，8 张 ConnectX-7 NIC 各使用 16 条通道。这样还能剩下 32 条通道，用于连接 8 块 E1.S SSD。因此，Grand Teton 最终只是让 Meta 在每台服务器中多塞入了 8 块 SSD，代价则是更高的服务器物料成本、更高的功耗和更复杂的集成。

Meta 为什么想要这么多额外的直连存储？基础设施团队配置这些存储，是因为他们认为训练任务保存检查点需要更多存储空间。然而在生产环境中，模型团队对这些存储的实际使用量远低于预期，因此这项设计最终被取消。这是缺乏软硬件协同设计造成资源浪费的多个例子之一。

Meta 给出的其他理由是，该设计更易于维护，并让公司可以灵活使用非英伟达 NIC。鉴于 Meta 已经高度依赖英伟达的 GPU，其工程师希望避免将更多业务交给英伟达，尤其是在网络领域。

但博通交换芯片实际上同样无法维修，而且 Meta 的软件栈仍依赖英伟达版本的 RoCE，也就是用于 GPU 流量的网络协议，因此 Meta 实际上从未真正有可能更换 NIC 供应商。最终，Meta 支付了更高成本，总体拥有成本表现更差，既没有降低对英伟达网络设备的依赖，反而增加了对博通的依赖。

四、Ariel

Grand Teton 并非服务器设计上的一次性失误。这一问题延续到了 Blackwell 世代，体现在 Meta 定制的 GB200 Catalina 机架，也就是“Ariel”上。Ariel 采用 1 颗 英伟达 B200 GPU 搭配 1 颗 Grace CPU，而非其他客户采购的标准 GB200 SKU 中 2 颗 B200 GPU 搭配 1 颗 Grace CPU 的配置。其实现方式很简单：Ariel 使用 GB200 的标准 Bianca 计算板，但每块板上少装 1 颗 GPU。

Meta 工程师担心单机架 GB200 NVL72 的稳定性。NVL72 系统非常复杂，涉及作为所有芯片连接中枢的铜背板、数英里长的密集铜缆，以及芯片与背板之间数以千计的连接。Meta 基础设施团队最初认为，NVL36x2 配置会比完全通过背板运行 NVL72 更稳定。

由于 Ariel 是单机架 36 颗 GPU，要达到 72 芯片的 scale up 规模，必须采用 36x2 格式。跨机架 ACC 连接了机架之间的交换托盘。这意味着交换机数量翻倍，同时也增加了一跳延迟。

Meta 是这款 Ariel SKU 的唯一客户，原因是 Meta 执着于为其推荐系统（“RecSys”，用于个性化广告和动态消息）提供更高的 CPU-GPU 配比。其逻辑在于，RecSys 使用大量 embedding 表来存储用户、广告和内容的表征，这需要大量 CPU 密集型处理，而每颗 Grace 提供的额外 LPDDR 内存可以存储那些读取分散且数据量小的 embedding，因此带宽的重要性不如服务大语言模型时那么关键。

另一方面，由于提高 CPU 配比以及 36x2 配置带来的额外 NVLink 网络内容，每 GPU 的服务器 capex 随之上升。结果是，$/FLOP 和 $/HBM 容量及带宽远高于标准 GB200。这些是大语言模型/生成式 AI 工作负载的关键指标，使得 Ariel 在大语言模型训练和推理上的表现远为逊色。综合计算显示，Ariel NVL36x2 服务器的 TCO 比标准 GB200 NVL72 高出 14%。如前所述，这笔额外支出用于了更多 CPU 和 DRAM 内容，而这些并未被大语言模型团队所利用。这一决策让 Meta 损失了数十亿美元。

更不用说，跨机架 ACC 带来的两跳 scale up 还增加了网络复杂性和可靠性挑战。正因这些挑战，GB200 仅为部分超大规模客户限量出货了 36x2 配置，而到 GB300 时，36x2 配置已被完全放弃。讽刺的是，Meta 基础设施团队最初认为 NVL36x2 配置会比完全通过背板的 NVL72 更稳定。虽然背板最初是可靠性的一个源头，但如今背板已成熟得多，并胜过了跨机架布线。该公司低估了 36x2 设计的跨机架布线问题，同时高估了让背板支持 NVL72 的难度。单机架 36 GPU 在背板可靠性方面并无优势。

据我们了解，Meta 的全部 GB200 机群均为这款 Ariel SKU，这一“优化”使 Meta 的大语言模型团队背负了一套劣于 Meta 竞争对手所购标准 SKU 的系统。考虑到 GB200 当时是生成式 AI 的旗舰系统，这一点尤为刺痛。不出所料，Meta 的 GB300 类型服务器不再有 Ariel，Meta 正在采购标准配置。

五、即将到来的 AMD 灾难性决策

然而，我们看到这一问题现在又在 AMD 的 MI450X 上重现。在 AMD 2026 年第一季度财报电话会议上，Lisa Su 确认 AMD 正在向 Meta 提供一款基于 MI450 的定制 GPU。我们已在《Accelerator Model》中对此进行了数月的报道。这款定制的 Meta MI450 是完整 MI450X 的缩减版，每个封装的 compute 硅片数量和 HBM 堆叠数量均减半。HBM4 也降级为 8-Hi HBM，而标准 SKU 为 12-Hi。鉴于 Meta 的 Helios 机架拥有相同数量的交换机，我们推测 I/O 数量相同。

通过将计算和内存硅片减半，其目标是像 Ariel 那样实现更高的 CPU 计算与 GPU 计算之比。就硅工程而言，AMD MI450 将是市面上最先进的 GPU：2nm、hybrid bonding、12 层 HBM 堆叠，并拥有市场上最大的 CoWoS 光罩尺寸。这带来了单芯片最高的计算和内存密度。

Meta 选择将这一工程奇迹减半，完全削弱了其价值主张。该芯片配置专为 Recsys 工作负载设计，是由 Recsys 基础设施团队决定的。然而，这一决策是在 TBD 实验室成立或能够发表意见之前做出的。鉴于其在 scale up 领域相对于 Rubin 存在显著的计算和 HBM 不足，TBD 对该系统毫无兴趣，对外部客户也缺乏吸引力。

这一决策将摧毁 AMD 在 Meta 的出货量，因为如果选定半规格 MI450 设计，TBD 将大幅倾向于 Rubin。AMD 需要站出来，拿出魄力，直接与 TBD 的团队合作，确保他们获得标准 MI450，而非对 GenAI 极为不利的阉割版 Meta 定制版本。标准 MI450 实际上将具备与 英伟达 Vera Rubin 竞争的实力。

这是我们公开呼吁 Meta 和 AMD 不要浪费硅片，并构建更好、更高效、更具成本效益的 AI 基础设施。如果做出这一改变，我们认为 TBD 实际上会考虑使用 MI450。

扎克伯格的指令不过如此。接下来，我们将剖析 Meta 精心设计且昂贵的 DSF 网络架构，以及 Meta 为何迅速转向。我们还将讨论如何修复这种文化。

六、网络过度工程化

接下来是 Meta 为其数据中心开发网络基础设施的方式。Meta 在 2024 年发布了其首个 AI 原生网络解决方案，名为 Disaggregated Scheduled Fabric（DSF）。其目标是更高效地处理模型训练产生的巨大流量，并防止数据在服务器之间来回传输时出现代价高昂的延迟。

要更好理解 DSF 架构背后的逻辑，我们必须先回到 Meta 试图解决的问题。在大型 AI 训练集群中，存在三个主要问题：大象流、低熵和次优 fabric 利用率。

大象流：AI 工作负载往往会产生持续时间长、流量大的数据流，这可能会堵塞网络并降低训练批次的整体性能。低熵：取决于训练任务，IP 流的数量可能有限，仅堵塞少数几条链路，而整体 fabric 仍有大量容量。次优 fabric 利用率：最终，作为大象流和低熵的共同影响，fabric 链路的带宽利用率会出现严重偏差，这决定了 fabric 需要超额配置多少才能平稳运行。

这些问题在传统以太网 fabric 上也存在，但使用 RoCE（RDMA over Converged Ethernet）的网络正将它们从低效率转变为故障模式。事实上，RDMA 对数据包丢失高度敏感，而 RoCE 建立在以太网（一种本质上有损的协议）和 UDP（比 TCP 快但不提供丢包恢复）之上。软件必须通过拥塞机制进行精细调优，才能使以太网 fabric 实现无损。

在传统网络中，RDMA 是锦上添花，但在 AI 网络中却成为必需品，因为 AI 工作负载对延迟敏感，使用传统 TCP 以太网会导致高昂的 CPU 开销。

当 Meta 设计 DSF 时，网络接口卡（NIC）还不够智能，无法处理拥塞控制，因此 Meta 决定在 fabric 层面解决该问题。为实现这一点，Meta 不得不采用两套不同的 DSF 交换机，即 7700R4C 和 7720R4，这些交换机仅由一家供应商 Arista 提供，且 Meta 实际上是唯一的锚定买家，因此在成本结构上很可能缺乏规模效应。

这些交换机还需要使用专门的交换芯片，即 Broadcom 的 Jericho3-AI（提供深度缓冲区以吸收这些大流量和突发流量）以及 Ramon3 芯片（作为 spine 交换机转发 Jericho3-AI 芯片发送的流量）。

在数据平面层面，DSF 的两个主要特征是依赖 Virtual Output Queuing（VOQ）和 cell-spraying。在简单的交换机中，每个输入只有一个队列。如果队头的数据包目的地是拥塞的输出端口，其后的所有数据包都会停滞，即使它们的目的地是空闲端口。VOQ 通过为每个入口针对每个出口分配独立的虚拟队列来解决这一问题。在 DSF 中，这意味着如果某条链路拥塞，数据包在其专用队列中等待，而目的地为其他链路的数据包则继续流动。DSF 的另一部分，cell-spraying，是一种将数据包分解为固定大小的小信元，并将其分散到多条链路上的机制。数据包在另一端重新组合后再发送至 GPU 或 XPU。Cell-spraying 确保没有单条链路成为热点。

然而，仅靠 VOQ 和 cell-spraying 不足以维持稳定的调度 fabric。在虚拟队列之上，需要一个信用调度器来决定何时排空队列。缓冲发生在入口，入口队列仅在出口授予信用（基本等同于告知“我有空间接收 N 字节”）时才传输数据包。这样，出口端口永远不会被压垮，因为它授予信用的速度不会超过自身速率。拥塞无法在出口侧形成，只会因缓冲出现在入口侧（这正是 Jericho3-AI 芯片需要大缓冲区的原因）。这整套信用机制就是 DSF 中“scheduled”的部分。

对当时的 Meta 而言，控制平面和数据平面的复杂性是可以接受的权衡，因为他们拥有自己的网络操作系统（NOS），名为 FBOSS（Facebook Open Switching System）。他们本可以选择 Arista EOS，但 FBOSS 提供了更大的灵活性，尤其是在将 DSF 与 Meta 既有系统（包括网络侧和软件侧）集成时。

回到硬件方面，同时使用 Jericho3-AI 和 Ramon3 ASIC 使得网络设计本质上就很复杂。对于 L1 DSF 区域（互连约 4,500 个 XPU），需要两层，7700R4C 交换机作为 leaf，7720R4 交换机作为 spine。L2 区域（互连约 18,000 个 XPU）仅需额外一层 7720R4 交换机即可聚合最多 4 个 L1 DSF 区域。由于 Jericho3-AI 仅具有 14.4Tbps 的网络面向带宽，它需要两个独立的 fabric，因为单个平面的 fabric 只能扩展到一定数量的交换机，之后 Ramon3 的连接能力就会耗尽。为在单个 AI 区域内达到目标 GPU 数量和每 GPU 带宽，每个 NIC/GPU 连接到两个平面，流量在主机/NIC 层面在平面之间分配，这完全像是在端点处使用普通的 ECMP 路径选择，坐落在两个分离的调度 fabric 之上，为本已复杂的控制平面又增加了复杂性。

虽然 DSF 是 Meta 针对 AI 集群问题的即时解决方案，但非调度方法很快迎头赶上。这一转变的驱动力在于 NIC 本身变得更智能：随着 AI 集群在 2023 年和 2024 年不断扩展，NIC 供应商开始将 RoCE 拥塞处理直接构建到其硅片中。一旦 NIC 能够消化这种复杂性，fabric 就不再需要承担这一任务。Non-Scheduled Fabric（NSF）采用更简单的浅缓冲区交换芯片，如 Tomahawk 5 ASIC。几乎所有主要交换机供应商（如 Arista）以及白盒供应商（如 Celestica）都销售围绕 Tomahawk 5 构建的交换机，这意味着更好的成本优化和解决方案的多样性。

随着 Meta 的 GPU 集群规模扩大，DSF 的扩展限制变得显而易见。但当 Meta 工程师意识到 NSF 是更好的实现方式时，由于其迫切的容量需求，已没有时间进行开发。DSF 是在工程师明知其为次优且临时解决方案的情况下部署的。

根据我们的模型测算，DSF 比 NSF 贵约 11%。DSF 还迫使 Meta 仅依赖单一供应商，而 NSF 则带来了供应商多样性。以上所有解释了为何 NSF 现在是 Meta 的首选，Prometheus 和 Hyperion 部署了绝大多数 NSF 实例。即便如此，DSF 并未完全消失：一个集群最终采用哪种 fabric，归根结底取决于其使用的 NIC。GB300 部署运行在 英伟达 的 NIC 上并使用 NSF，而围绕 MTIA（Meta 自研加速器，其 NIC 直接集成在芯片上）构建的系统则回归 DSF。在可预见的未来，这两种方法将在 Meta 共存。

这并不意味着 DSF 是一个失误。它是 2024 年当时可用的最佳方案，而当更好的方案出现时，Meta 足够明智地进行了转向。

但 Meta 的本能是砸钱解决问题，不计成本地打造技术上同类最佳的解决方案；相比之下，更为保守的超大规模云服务商选择了更稳妥的路线，因此当行业转向更智能的 NIC 时，受到的冲击也更小。始终以成本为导向的亚马逊凭借其弹性网络适配器（EFA），完全避开了 RoCE；EFA 运行在通用 Tomahawk 芯片上，并提供 RDMA 语义。谷歌将网络视为一个软件问题，因此选择自研传输协议，而不是从外部采购。甲骨文介于两者之间，使用更简单的硬件构建大规模、功能完备的网络，而不试图重新发明网络架构。Meta 为同类最佳付出了代价，随后“同类最佳”的定义却发生了变化。

七、修正文化

这些不同问题呈现出的模式是一致的。Rivos、DSF、Grand Teton、Ariel，以及精简版 MI450X，在 Meta 基础设施部门内部某个团队所优化的狭窄指标上或许都说得过去，但对公司整体而言，每一项都是糟糕的决策。Meta 的模型团队接手的硬件不如竞争对手直接采购的现成产品，而 Meta 为这些解决方案付出的成本也超过了实际所需。

硬件决策需要明确的责任归属，并与实际使用这些基础设施的团队开展真正的软硬件协同设计，尤其是 MSL 和 TBD Lab。对于自己未来将用于训练和提供服务的系统，这些团队应当拥有比推荐系统团队更大的话语权；目前的情况往往仍是本末倒置。

定制 SKU 和专用网络架构必须达到很高的门槛，才能胜过受益于全行业规模效应的标准配置。人员编制和预算也应受到更严格的约束，哪怕只是为了促使团队在工程资源投向方面更具创造性，也更加审慎。

如果 Meta 确实打算向外部客户出售其算力，这一点将随着时间推移变得更加重要，因为这些客户很可能不愿为此类过度工程化的设计买单。如果 Meta 希望其基础设施从成本中心转变为一种产品，那么造就这些失误的文化就必须改变。