Firma ogłosiła właśnie jeden z najbardziej ambitnych planów w historii swojego działu infrastruktury – w ciągu zaledwie dwóch lat zamierza wdrożyć cztery nowe generacje autorskich układów scalonych MTIA, czyli Meta Training and Inference Accelerator.
Jeśli chcesz otrzymać raport przed oficjalną premierą oraz zobaczyć nazwę swojej firmy wśród uczestników badania – zostaw adres email na końcu ankiety.
Koniec zależności od Nvidii?
Nie do końca – ale Meta wyraźnie zmierza w stronę większej niezależności sprzętowej. Od 2023 roku firma rozwija własną rodzinę chipów MTIA, zaprojektowanych specjalnie pod kątem swoich potrzeb: rankingowania treści, systemów rekomendacji i – coraz ważniejszej – inferencji modeli generatywnej AI. Setki tysięcy układów MTIA pracują już dziś w centrach danych firmy, obsługując zarówno organiczne treści w aplikacjach, jak i reklamy.
Nowy plan jest jednak znacznie bardziej agresywny niż dotychczas. Branża chipów AI rządzi się zwyczajowym rytmem – nowa generacja co rok, góra dwa. Meta chce wydawać nowe wersje co sześć miesięcy lub częściej. To tempo niemal bezprecedensowe w tym segmencie.
Cztery chipy, jeden cel
Roadmapa wygląda następująco:
- MTIA 300 – już w produkcji, dedykowany głównie do trenowania modeli rankingujących i systemów rekomendacji
- MTIA 400 – kolejny krok, z myślą o pełniejszym pokryciu zadań AI
- MTIA 450 – zoptymalizowany przede wszystkim pod kątem inferencji modeli generatywnych
- MTIA 500 – docelowy układ do obsługi produkcyjnych obciążeń GenAI do 2027 roku
Ważny szczegół techniczny: wszystkie nowe generacje mają być kompatybilne z istniejącą infrastrukturą rack, co skraca czas wdrożenia i obniża koszty wymiany sprzętu.
Strategia „inference-first”
Tu kryje się sedno różnicy między podejściem Mety a mainstreamem. Większość układów AI projektuje się pod kątem najbardziej wymagającego zadania – czyli trenowania ogromnych modeli od zera. Potem te same chipy trafiają do inferencji, często ze stratą efektywności. Meta odwraca tę logikę: MTIA 450 i 500 są projektowane przede wszystkim pod inferencję, a dopiero potem dostosowywane do innych zadań.
To ma sens, bo inferencja – czyli uruchamianie gotowych modeli dla miliardów użytkowników – stanowi dziś lwią część realnych kosztów AI w firmach tej skali.
Komentarz: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Strategia Mety robi wrażenie i rozumiem entuzjazm komentatorów technologicznych. Własny silicon to realna przewaga – niższe koszty, lepsza kontrola nad stosem, mniejsza zależność od jednego dostawcy. Z drugiej strony warto pamiętać, że podobnych zapowiedzi w branży nie brakowało, a przepaść między roadmapą a produkcją bywa ogromna. Google od lat rozwija TPU, ale nadal kupuje od Nvidii. Amazon inwestuje w Trainium i Inferentia, a mimo to AWS to jeden z największych klientów Nvidii na świecie.
Pytanie, które mnie nurtuje: czy tempo sześciu miesięcy na generację to realna wydajność inżynierska, czy raczej marketingowa narracja dla inwestorów i opinii publicznej? I drugie: jak ta strategia wpłynie na dostawców zewnętrznych – czy Meta staje się konkurentem dla firm, które dotychczas dostarczały jej sprzęt?
Ekosystem, nie monokultura
Meta podkreśla, że nie rezygnuje z chipów zewnętrznych dostawców. Firma wprost mówi o „podejściu portfelowym” – różne układy do różnych zadań. Ostatnio ogłoszono też długoterminową umowę partnerską z AMD, co wyraźnie wskazuje, że relacja z Nvidią przestaje być wyłączna.
MTIA budowany jest na otwartych standardach – PyTorch, vLLM, Triton, Open Compute Project. To świadomy wybór: ułatwia adopcję przez wewnętrzne zespoły i eliminuje konieczność tworzenia zamkniętego ekosystemu od zera. Analogia do tego, co Apple robi z układami M-series, jest tu częściowo trafna – z tą różnicą, że Meta gra na zupełnie innym boisku skali i otwartości.
Co to oznacza dla rynku?
Kilka rzeczy naraz. Przede wszystkim kolejny sygnał, że wielkie platformy technologiczne coraz poważniej traktują inwestycje w własną infrastrukturę obliczeniową. Google, Amazon, Microsoft, Apple, a teraz Meta – wszyscy idą w tym kierunku. Nvidia pozostaje dominantem, ale coraz wyraźniej widać, że jej klienci nie zamierzają być od niej zależni wiecznie.
Dla rynku AI oznacza to też coś innego: firmy, które nie mają zasobów Mety, Amazona czy Google’a, będą miały coraz trudniej. Koszt infrastruktury AI rośnie, a zdolność do budowania własnego sprzętu staje się jednym z kluczowych wyróżników konkurencyjnych w długim terminie.
Meta zapowiedziała, że więcej szczegółów technicznych dotyczących roadmapy MTIA znajdzie się na blogu Meta AI. Będziemy śledzić.
