Ang sariling AI chip ng Meta ay ilulunsad sa susunod na kalahating taon, layuning pababain ang gastos at bawasan ang pagdepende sa Nvidia.

Pinapabilis ng Meta ang deployment ng sarili nitong AI chips upang mabawasan ang pag-asa sa NVIDIA at mapababa ang gastos sa pagpapatakbo ng data center.

Ayon sa kumpanya, ang ikatlong henerasyong chip na sariling gawa, ang MTIA 450 (codename Arke), ay magsisimula nang gamitin sa mga data center sa unang kalahati ng susunod na taon. Ang ika-apat na henerasyong produkto, MTIA 500 (codename Astrid), ay matatapos ang disenyo sa loob ng humigit-kumulang isang buwan, at inaasahang ilulunsad sa mga data center sa pagtatapos ng 2027, na may mas malawak na deployment.

Ang roadmap ng chip na ito ay isang mahalagang pagsulong ng Meta sa pagbawas ng gastos sa AI infrastructure.

Ayon kay Meta Engineering Vice President Yee Jiun Song, mas mahusay umano ang sariling chip kapag nagpapatakbo ng AI models kumpara sa kasalukuyang produkto ng NVIDIA, "dahil kami mismo ang gumawa ng maraming gawaing pang-inhinyero."

Sa loob ng susunod na 12 buwan, nangangako ang Meta ng higit sa 1 gigawatt na katumbas ng kuryente para sa deployment ng sariling chips. Ayon kay Yee Jiun Song, aasahan pang bibilis ang expansion pagkatapos, basta’t hindi bibiguin ng AI market o demand.

Sa oras ng pagsulat, tumaas ng 0.18% ang Meta at tumaas ng 0.74% ang NVIDIA sa kalakalan ngayong Martes.

Kumakatuwang ang Meta sa Broadcom para sa disenyo ng chip, at sa TSMC para sa manufacturing, na may layuning mabawasan ang pag-asa sa nangingibabaw na posisyon ng NVIDIA sa industriya.

Unang inanunsyo ng Meta noong 2023 ang plano nitong bumuo ng sarili nitong chips. Ang kasalukuyang ikatlong henerasyong produkto ay natanggap na ang unang 12 sample mula sa TSMC noong Setyembre 1, na may performance na may error margin lamang na 2% hanggang 3% kumpara sa simulation results. Sa unang araw ng testing, matagumpay na pinatakbo ng engineering team ang sariling model ng Meta gamit ang chip na ito.

Ayon kay Yee Jiun Song, lumabas sa testing na walang pangunahing depekto sa disenyo ng chip, ngunit kinakailangan pa ng ilang buwang tuning at optimisasyon, habang patuloy na tumataas ang production yield mula sa TSMC.

Binigyang-diin niya na ang serye ng chip na ito ay umaasa sa high bandwidth memory at nakatuon sa mga general inference scenarios, hindi para sa napakabilis na merkadong nangangailangan ng ultra low-latency inference. "Ito ang pangunahing chip namin para sa general inference," aniya.

Dati nang plano ng Meta na bumuo ng chip na may codename na Olympus, na susuporta sana sa parehong training at inference stages ng AI models, at orihinal na ipapalabas sa pagitan ng 2028 at 2029.

Ngunit ayon kay Yee Jiun Song, kanselado na ang proyekto, at nakapokus na lamang ang kumpanya sa inference chips, dahil sa isyu ng gastos.

"Kapag nagsimula ka nang mag-expand nang malaki hanggang ilang gigawatts na kapasidad, ang gastos ay napakahalaga," ani niya. Itinuro niya na kung ang isang chip ay sabay na ginagamit para sa training at inference at mas mahal ng humigit-kumulang 30%, ito ay "lubos na hindi katanggap-tanggap" para sa malawakang deployment.

Ang Meta Superintelligence Labs ay tumutulong sa optimization ng chips gamit ang impormasyon sa pangangailangan ng mga susunod na AI models, para mapabuti ang efficiency sa inference stage.

Matapos makumpleto ang development ng Astrid, sinabi ng Meta na ang mga susunod na chip ay magpupokus sa pagpapaunlad ng bilis ng computing at throughput, ibig sabihin, ang dami ng AI tasks na mapoproseso kada unit ng oras. Asahan din ang pagpasok ng fiber optic technology para sa pagpapahusay ng performance ng chip.

"Mayroon kaming napakatibay na roadmap," ani Yee Jiun Song. "Sa mga darating na taon, asahan naming makakabuo kami ng chips na kayang makipagkompetensiya sa mga produkto ng mga supplier."

Ipinapahiwatig ng pahayag na ito ang layunin ng Meta na unti-unting kuhanin ang pangunahing teknolohiya sa AI infrastructure sa pamamagitan ng sariling silicon chips, habang nagtatayo ng pangmatagalang competitive advantage sa gastos at energy efficiency.