在俄亥俄州新奥尔巴尼，Meta 正在建造一台“机器”。它不是传统意义上的设备，而是由数十万块 GPU、数英里光纤和几栋建筑拼起来的超级集群——Prometheus。这台机器目前的第一阶段已经完成，训练出了 Muse 基础模型家族；而它的终局，是约 100 万块 GPU 在同一个网络里同步运转。
这不是一个关于“堆硬件”的故事。真正的问题是：当集群规模大到吉瓦级，任何一个主机出问题都会拖慢甚至中断整个训练任务，你怎么让这台机器不“散架”？
Meta 给出的答案是一组冷冰冰的数字：预训练 goodput 超过 85%，强化学习 goodput 超过 90%，平均中断间隔（MTBI）达到约 4.7 万 GPU 小时，固件修复后进一步拉到 5.4 万 GPU 小时以上。
这些数字背后，是 AI 基础设施竞争进入新阶段的信号：算力军备竞赛的下半场，比的不再是谁买到的 GPU 更多，而是谁能把百万块 GPU 真正变成一台可用的机器。
从普通数据中心到前沿模型训练基地
两年前，新奥尔巴尼还是一个跑 web 流量的常规数据中心。今天，它成了 Meta 迄今为止最雄心勃勃的 AI 基础设施项目所在地。
这种转变不是简单的“换显卡”。随着硬件、网络和建筑设计的进步，Meta 把这个站点重新改造成了前沿模型的训练基地。Prometheus 不是一次性建成的，而是分阶段推进。第一阶段已经完成，并且已经用于训练 Muse 基础模型，包括在个人和专业 agent 任务上达到最先进水平的 Muse Wonder。
第一阶段完成后，Meta 的目光已经转向下一代前沿模型。Prometheus 将继续扩容，为 Meta Superintelligence Labs 的后续模型做准备。
把这两件事放在一起看，冲击力在于：一个原本承载 web 流量的数据中心，在两年内变成了训练前沿模型的吉瓦级超级集群。这种速度本身，就是 AI 基础设施迭代节奏的缩影。
三代硬件同台，算力密度每代都在跳
Prometheus 目前部署了两个 NVIDIA GPU 平台，第三个基于 Vera Rubin NVL72 的平台即将通过 San Miguel 平台加入现有网络。这三代硬件，每一代都是一次性能和能效的代际跨越。
第一代 Catalina 基于 NVIDIA GB200 NVL72。Meta 部署的是 Ariel 变体——一个双机架配置，每个机架 36 块 GPU 通过 NVLink 互联，形成一个统一的 72-GPU 域。它的规格是：72 块 Blackwell GPU，13.4 TB HBM3e（每 GPU 192 GB），720 PFLOPS FP8 峰值训练算力（FP4 为 1440 PFLOPS），130 TB/s NVLink 带宽，576 TB/s 聚合内存带宽，双机架总功耗约 120 kW。
这里有一个容易被忽略的选择。GB200 NVL72 在 FLOPS、HBM 带宽、scale-up 带宽和 scale-up 域规模上都远超 H100，但每 GPU 的 scale-out 带宽却停留在 400G。Meta 预计这种不平衡会拖累性能，所以选择了 Ariel 配置：每 GPU 配 2 块 ConnectX-7 400G 网卡，以 1:1 的 CPU-GPU 比例提供 800G 的 I/O。这让 Meta 比行业更早部署了每 GPU 800G 的 scale-out 带宽。
第二代 Clemente 升级到 NVIDIA GB300 NVL72。HBM 容量从每 GPU 192 GB 提升到 288 GB，提升 1.5 倍；密集 FP4 吞吐量也提升相近幅度；注意力（softmax）加速大约翻倍。在平台层面，scale-out 不再是瓶颈：NVIDIA ConnectX-8 SuperNIC 原生提供每 GPU 800G，Ariel 上提前部署的能力成了基线。加上 2:1 的 GPU-CPU 比例，Clemente 可以把完整的 72-GPU 域塞进一个机架。它的规格是：72 块 Blackwell Ultra GPU，20.7 TB HBM3e，超过 1 exaFLOP 的 FP4 峰值算力，130 TB/s NVLink 带宽（每 GPU 1.8 TB/s 双向），机架功耗约 135 kW，性能比 GB200 NVL72 提升 5-10%。
第三代 San Miguel 将引入 NVIDIA Vera Rubin NVL72，直接接入 Prometheus 现有网络。这代平台的数字更夸张：72 块 Vera Rubin GPU，每 GPU 288 GB HBM4 和 19.2 TB/s 带宽，每机架 2.52 exaFLOPS FP4 训练算力、1.26 exaFLOPS FP8，216 TB/s NVLink 带宽（每 GPU 3 TB/s 双向），约 1500 TB/s 聚合内存带宽，全液冷计算托盘，每机架功耗超过 170 kW，能效比 GB300 NVL72 提升 10-20%。
从 120 kW 到 135 kW 再到超过 170 kW 每机架，功耗密度在持续爬升。这意味着，光有芯片不够，你得有能“喂饱”并“冷却”它们的系统。
吉瓦级集群的真正难题是“不散架”
大型训练任务要求一切都要最优运转才能维持性能。一个主机出问题，就可能拖慢甚至停止整个任务，降低“goodput”（有效产出率）。
这就是吉瓦级集群的真正难题：规模越大，故障概率越高；而一次故障可能让整个集群停下来等你。所以 Meta 把重点放在提高系统的稳定性和可靠性上。
结果是：Muse Wonder 的预训练 goodput 超过 85%，强化学习 goodput 超过 90%。在这些训练过程中，整体挂钟 MTBI 达到约 4.7 万 GPU 小时。此后 Meta 在整个集群范围落地了更多改动，包括固件修复，把 MTBI 提升到 5.4 万 GPU 小时以上。
4.7 万 GPU 小时是什么概念？做一个粗略估算：如果集群有 10 万块 GPU，相当于平均每 28 分钟左右就会发生一次中断。但通过快速恢复和容错机制，训练任务不会因此前功尽弃。goodput 超过 85% 意味着，大部分 GPU 时间都花在了实际计算上，而不是浪费在故障恢复上。
这背后是一整套系统工程：从固件修复到网络容错，从稳定性设计到可靠性优化。这些工作不性感，但决定了百万块 GPU 是资产还是负担。
液冷、光纤和“单一机器”幻觉
Prometheus 由横跨多栋互联建筑的数十万块 GPU 组成，包括传统数据中心建筑、AI 优化建筑和快速部署结构。它们通过数英里光纤紧密连接，作为一台机器运转。
这种“单一机器”的幻觉，是超级集群设计的核心。对训练任务来说，它不关心 GPU 在哪栋楼里，只关心能不能像在同一个机箱里那样通信。
冷却是另一个关键。因为 Prometheus 是在自由通风的数据中心、快速部署结构、租赁容量和一个自建 AI 建筑上快速组装起来的，不同建筑的冷却方式不同。老旧空间使用模块化空气辅助液冷；AI 优化建筑使用闭环设施液冷。Meta 称闭环液冷是冷却 GPU 服务器最高效、也是最节水的方式。
Meta 还通过开放计算项目（OCP）开源了 IcePack 液冷网络机架等设计。这符合它一贯的打法：把基础设施设计开源，换取行业生态的跟随和供应链的成熟。
能源方面，Meta 称在两个站点支付全额能源成本，并用新的清洁和可再生能源项目匹配消耗。不过，Meta 没有公布站点级的 PUE 或用水量数据。
Hyperion 在下一站，竞争进入“系统工程”阶段
Prometheus 的经验正在流向下一个项目。Hyperion 是 Meta 在路易斯安那州 Richland Parish 从零设计的超级集群，采用闭环液冷、通过 Entergy 实现完整电网连接，以及下一代网络设计。
这意味着，AI 基础设施的竞争已经从“抢 GPU”进入“系统工程”阶段。谁能把百万块 GPU 稳定地拧成一台机器，谁才有资格谈下一代模型。
这也意味着，代际硬件的快速混部成为常态。GB200、GB300、Vera Rubin 三代同堂，要求网络、冷却、调度都能兼容不同代际的硬件。这对系统设计能力提出了更高要求。
更重要的是，能源和冷却成了硬约束。每机架功耗从 120 kW 爬到 170 kW 以上，吉瓦级集群的选址、电网连接、冷却方案，成了和芯片采购同等重要的战略决策。
对于行业观察者来说，接下来要关注的不是 Meta 又买了多少 GPU，而是这些数字：goodput 能不能再往上走，MTBI 能不能继续拉长，以及 Hyperion 能不能把 Prometheus 的经验复制并放大。
算力军备竞赛的上半场，赢家是下单最快的人；下半场，赢家是能让 100 万块 GPU 像一块芯片那样同步运转的人。Prometheus 只是第一座里程碑，真正的比赛，现在才开始。
快报