Meta 複用拆機內存：3:1 搭配 DDR5/DDR4，推理 AI 所需服務器最多減少 25%
重點摘要
科技媒體 The Register 昨日（6 月 29 日）發佈博文，報道稱 Meta 公司為減少採購新硬件需求，發佈自研 Vistara 定製芯片方案，讓新服務器複用拆機 DDR4 內存。
Meta 近期通过发布自研 Vistara 定制芯片方案，实现了在新型服务器中复用拆机的 DDR4 内存，从而降低硬件采购成本。这一举措由科技媒体 The Register 率先披露，意在缓解不断增长的人工智能算力需求带来的财务压力。通过巧妙搭配不同类型的内存，Meta 希望在保证推理性能的前提下，最大化利用库存中的旧款内存颗粒，减少对新硬件的依赖。
根据该方案，新款服务器将按照 3:1 的比例混合配置 DDR5 与 DDR4 内存。具体而言，每台服务器可能采用三部分高速 DDR5 内存搭配一部分旧款 DDR4 内存，或者按容量进行 3:1 配比。这种异构内存设计充分利用了 Meta 自身积累的大量拆机内存资源，同时借助 DDR5 的高带宽满足 AI 推理对数据吞吐量的关键需求，而 DDR4 则可用作容量补充或冷数据缓存。
通过这项定制化方案，Meta 预计部署用于推理 AI 的服务器数量最多可减少 25%。这得益于混合内存架构优化了每台服务器的有效内存容量与带宽利用率，使得单机能够承载更多的推理任务，从而在整体算力不变的前提下压缩服务器规模。同时，复用拆机内存也显著降低了单台服务器的物料成本，使得整体基础设施投入更加经济。
此次 Vistara 芯片的推出，是 Meta 长期以来在数据中心硬件自研领域持续投入的成果。该芯片专门负责内存控制和调度，能够智能识别并动态管理不同代际的内存模块，确保 DDR5 与 DDR4 协同工作时不会因时序差异造成性能瓶颈。这种灵活的异构支持能力，让旧硬件在新的 AI 工作负载中重新发挥价值。
从更宏观的视角看，Meta 的做法反映了大型科技企业在硬件资源紧张和环保压力下的新思路。直接采购全新服务器不仅成本高昂，而且供应链周期长；复用拆机内存则有助于延长硬件生命周期，减少电子废弃物。尤其是在 AI 推理场景中，内存容量往往比极致速度更为敏感，因此混合使用不同代内存成为切实可行的折中方案。
对于行业而言，Meta 的实践可能
Related
相關文章
百億估值只是起點，跨維智能的物理AGI之路
這篇消息聚焦「百億估值只是起點，跨維智能的物理AGI之路」。目前來源未提供完整摘要。 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
AGI倒計時，OpenAI首席研究官重磅表態：留給人類的窗口“很小”
OpenAI首席研究官Mark Chen釋放了一個強烈信號：OpenAI 並不認為scaling laws已經失效，恰恰相反，預訓練、數據工程、推理訓練和更長任務鏈條，仍是通向AGI的主幹道路。
AI 輔助數字化復原約 2000 年曆史古卷，讀取出約 1.5 米長希臘文文本
維蘇威挑戰賽（Vesuvius Challenge）於 6 月 25 日發佈博文，在 AI 輔助下，研究人員在不展開卷軸的情況下，虛擬讀取了 2 份被維蘇威火山灰掩埋的古卷。
AI 老闆 500 天模擬經營：多數模型虧慘，Claude Fable 5 獨佔鰲頭
這篇消息聚焦「AI 老闆 500 天模擬經營：多數模型虧慘，Claude Fable 5 獨佔鰲頭」。原始導語提到：普林斯頓大學本月發佈基準測試 CEO-Bench，模擬創業公司，評估 AI 模型擔任企業首席執行官（CEO）的能力，結果多數模型破產。 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
優艾智合具身智能系列新品全球首發：3年賦能10000個工業現場
這篇消息聚焦「優艾智合具身智能系列新品全球首發：3年賦能10000個工業現場」。原始導語提到：優艾智合通過具身智能系統全棧佈局，率先跑通“技術－產品－商業”的閉環，將為行業規模化落地提供成熟範式。 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
讓機器人動作流暢絲滑如「連音」，千尋智能高陽團隊提出Legato，入選RSS 2026
來源：公眾號“機器之心”鏈接：https://mp.weixin.qq.com/s/SmpQ7MKd2R_z9oqkMngGWw在音樂術語中，Legato（連音）意味著音符之間平滑過渡、毫無間斷，演奏出流暢優美的旋律。鋼琴家的手指在琴鍵上滑動，小提琴家的弓在琴絃上連貫運行 —— 這種 "連音" 技巧讓音樂充滿生命力。一位真正掌握連音技巧的演奏者，不需要靠後期剪輯來彌補斷點，而是能夠知道如何讓每一個音符自然地流向下一個。機器人領域同樣在追求這樣的 "連音" 效果：讓機器人的動作像音樂一樣流暢自然，沒有猶豫和停頓。然而，要讓一臺機器人真正做到這一點，遠比想象中困難。近日，千尋智能高陽團隊的研究成果 《Learning Native Continuation for Action Chunking Flow Policies》 被機器人頂會 RSS 2026 接收！這項工作從訓練機製出發，讓機器人動作天然具有連續性，實現了 "連音" 般的流暢執行，在五個真實世界操作任務上超越了現有方法，為具身智能領域的動作生成研究提供了新的思路。論文標題：Learning Native Continuation for Action Chunking Flow Policies論文鏈接：https://arxiv.org/pdf/2602.12978項目主頁：https://lyfeng001.github.io/Legato/1. 機器人為什麼會 "猶豫"？想象一下，你讓機器人倒水、疊碗或折毛巾，它卻在執行過程中頻繁停頓、猶豫不決，甚至突然改變主意 —— 比如原本計劃用左手抓取物體，執行到一半卻又想換成右手，結果兩隻手都沒抓到，白白浪費了時間。這種 "猶豫" 不僅讓動作看起來彆扭，還會直接拖慢任務完成的速度，在需要精準配合的場景下甚至會導致任務失敗。這背後的根源，要從當前主流的機器人基礎模型的