关键结论

• SemiAnalysis 看好 Meta 未来 6 个月可能超越 Google，成为 OpenAI 和 Anthropic 之后最具竞争力的追赶者。
• 这一判断依据为 143 亿美元的 Scale AI 交易、强化学习数据生产以及多吉瓦（GW）级算力扩张这三条路径。
• Muse Spark 1.1 尚未达到前沿模型水准，Meta 能否超越 Google 仍需观察下一代模型的表现。

SemiAnalysis 在一份最新报告中提出了一个相当大胆的判断：Meta 的超级智能实验室目前尚未跻身前沿模型之列，但如果人才、强化学习数据以及算力扩张这三条路径能够同步实现，那么在未来六个月内，它有望超越 Google，成为继 OpenAI 与 Anthropic 之后最具竞争力的挑战者。

当然，这并不意味着 Meta 已经追平了差距。Meta 于 4 月推出了 Muse Spark，7 月 9 日 Axios 亦报道称，Muse Spark 1.1 已向开发者开放 API 接口，定价为每百万输入 token 1.25 美元，输出 token 4.25 美元。但 Axios 同时指出，这并非 Meta 所期待的“大跃进”式模型，代号为 Watermelon 的更大规模模型仍在训练之中。

SemiAnalysis 真正看好的，其实是另一件事：在 Llama 4 遭遇挫折后，扎克伯格正以更激进的方式重组 AI 组织，将资金、人才、内部工程资源以及数据中心容量，集中投入至超级智能实验室。该报告的核心分歧在于，Google 是否还能稳固占据 AI 第三极的地位。

当前模型实力尚不突出，报告押注的是未来 6 个月的追赶速度

Meta 超级智能实验室随着 Muse Spark 的亮相而进入公众视野，但并未重现 Llama 3 与 Llama 3.1 时期那种开源领先的优势。根据 SemiAnalysis 的测试与判断，Muse Spark 及其后续版本在多数基准测试和通用智能体场景中，仍难以被称为“前沿”模型。

这也是该报告最需要补充限定条件的地方。Muse Spark 1.1 在性能上大致相当于 Opus 4.6 或 GLM 5.2，内部 token 用量暂未迁移等细节，均属于作者自测与模型推演，并非 Meta 官方数据。至少从公开信息来看，Meta 尚未推出能够直接挑战 OpenAI 与 Anthropic 的模型。

然而，SemiAnalysis 关注的是增长斜率。Llama 4 失败后，Meta 超级智能团队经历了一次大规模调整，短期的组织混乱正在逐步消化。报告判断，如果下一轮模型训练与强化学习数据生产的效果开始体现在产品中，那么 Meta 的实际位置，可能比当前排行榜所显示的要靠前得多。

143 亿美元 Scale AI 交易，补齐前沿模型最稀缺的人才

Meta 最引人注目的一步，是对 Scale AI 的 143 亿美元投资。据 Fortune、Forbes、Reuters 等多家媒体报道，Meta 通过这笔交易引入了 Scale AI 创始人 Alexandr Wang，并让其加入或领导超级智能相关团队。

在前沿模型的竞争中，这笔交易绝不仅仅是购买一家数据标注公司那么简单，它更像是一次高强度的核心人才引进。Scale 旗下的安全、评估与对齐团队 SEAL，被 SemiAnalysis 视为 Meta 补齐评测、对齐及后训练能力的关键来源。

Reuters 还提到，Meta 为部分 AI 工程师提供了数亿美元级别的薪酬包。这一数字表明，Meta 已将超级智能提升至公司级优先事项，而非普通的 AI 产品迭代。对一家大型科技公司而言，真正的难点并非拿出预算，而是让研究、产品、基础设施和管理层都围绕同一个目标协同运作。

SemiAnalysis 引用 Alexandr Wang 在播客中的表述称，真正的前沿实验室往往先相信超级智能已接近实现，随后所有商业决策都服从于这一判断。报告将 Meta 近期的一系列动作，解读为向 OpenAI、Anthropic 那种 AGI 优先级方向靠拢。

3000 名工程师转向强化学习，Meta 将内部工作流程转化为训练数据

除人才之外，强化学习任务与真实工作数据是第二条关键路径。

如今模型能力的提升，早已不单纯依赖预训练语料。更关键的是，模型能否在接近真实工作的环境中完成任务：理解上下文、调用工具、执行测试、修复错误，并根据结果进行迭代。代码库修复、产品分析、内部工具调用这类任务，比普通考试题更接近白领工作的实际难度。

SemiAnalysis 称，Meta 已将大约 3000 名工程师重新分配为全职的强化学习（RL）任务创建者。这一数字虽需按报告口径来理解，但如果执行到位，Meta 的优势将变得非常清晰：它不是单纯外包购买人工数据，而是将自己的工程组织变成了一条训练任务的生产线。

这类数据对智能体训练尤其重要。许多强化学习任务看似复杂，但实际提示词已将步骤分解得过于细致，与真实工作习惯不符。屏幕录制、日常工作流、工具调用记录以及内部评估体系，可能更适合训练能够自动化白领工作的模型。

这也是报告看好 Meta 追赶 Google 的原因之一。Google 拥有 DeepMind、Gemini、TPU 和云业务，但 Meta 正在将内部组织、数据和工程能力，集中到同一个模型目标上。

多吉瓦级算力扩张，让 Meta 进入前沿牌桌

算力是第三条路径。SemiAnalysis 在 7 月 2 日的文章中称，Meta 今年上半年签约了超过 5GW 的容量，自 2024 年以来累计接近 10GW 的交易，并判断增量容量的大部分仍将流向 Meta 超级智能实验室。

对于普通投资者而言，重点并非具体的数据中心设计，而是资本开支的方向。Meta 扩张算力并非为了常规的云服务，而是为了内部模型训练、后训练以及智能体循环，准备更大规模的集群。训练和强化学习的任务越重，算力部署速度就越会影响模型迭代速度。

报告还提到了跨区域互联、快速部署数据中心等基础设施设想。这些细节虽仍属于 SemiAnalysis 的模型推演，但方向十分明确：Meta 正在用基础设施换取时间。

Google 的争议不在于有没有算力，而在于算力如何分配。SemiAnalysis 预计，Google 新增数据中心容量中，相当一部分将服务于 IaaS 和第三方 API 业务，DeepMind 可用于前沿训练的资源集中度可能低于外界想象。即便 Google 通过外部融资或资本市场扩建更多 AI 基础设施，新增容量也可能被云客户消耗掉一部分。

因此，报告给出了一个更具争议的判断：AI 第三名的争夺，不再是 Google 稳坐其位，而可能演变为 Meta、Google 乃至其他高算力玩家之间的重新排序。

最大问题仍是 Meta 尚未推出前沿模型

这份报告最具冲击力之处，也恰是其风险最大的地方：它押注于未来六个月的前景，而非已取得的成果。

Meta 已拥有 143 亿美元的 Scale AI 交易、Alexandr Wang 的加盟、数亿美元级别的薪酬包、多吉瓦级的算力扩张，以及内部工程资源向强化学习任务的倾斜。但这些都只是追赶的条件，并非模型胜利本身。

Muse Spark 1.1 目前尚不能证明 Meta 已进入 OpenAI 与 Anthropic 所在的位置。Watermelon 等更大规模模型仍在训练中，其实际能力、成本、可用性以及开发者反馈，都还有待市场的检验。

Google 也并未退出牌桌。DeepMind、TPU、Gemini 和云业务，依然是其坚实的硬优势。真正的分歧在于，Google 的资源需要同时服务于搜索、云、API 客户和内部模型，而 Meta 正在将更多资源集中押注于超级智能实验室。

如果 Meta 的下一代模型没有明显进步，那么 143 亿美元的人才引进和大规模算力投入，就会转化为更沉重的资本开支压力。但如果新模型和智能体产品能够兑现预期，那么 AI 第三名的位置，才可能真正开始松动。