Meta beginnt diesen September mit der Produktion eigener KI-Chips
Meta beschleunigt sein Streben nach Unabhängigkeit bei Halbleitern mit Plänen, diesen September die Produktion seiner neuesten KI-spezifischen Chips aufzunehmen. Durch die Entwicklung eigener Hardware will der Social-Media-Riese die Abhängigkeit von hochpreisigen GPUs von Nvidia und AMD verringern und gleichzeitig seine massive Infrastruktur für KI-Workloads der nächsten Generation optimieren.
Skalierung des Meta Training and Inference Accelerator (MTIA)
Die bevorstehende Produktion markiert einen bedeutenden Meilenstein für das Meta Training and Inference Accelerator (MTIA)-Programm. Im Gegensatz zu herkömmlichen monolithischen Chip-Designs setzt Meta auf einen modularen „Chiplet“-Ansatz. Diese Strategie ermöglicht es dem Unternehmen, schneller zu iterieren und die neuesten Erkenntnisse aus KI-Workloads sowie Hardware-Technologien in kürzeren Entwicklungszyklen zu integrieren. Diese Modularität ist in einer Landschaft entscheidend, in der sich die Anforderungen an KI-Modelle fast monatlich ändern.
Internen Berichten zufolge hat mindestens einer dieser neuen Chips die Testphase in nur sechs Wochen erfolgreich durchlaufen. Meta arbeitet bei der Designarchitektur mit Broadcom zusammen und nutzt die Taiwan Semiconductor Manufacturing Company (TSMC) für die High-End-Fertigung. Die Lieferkette für diese Chips ist bereits robust und umfasst Samsung für RAM, Sandisk für Speicher und Sumitomo Electric für Glasfaser-Equipment.
Verringerung der Abhängigkeit von Nvidia und AMD
Da die Komplexität von KI-Modellen rasant zunimmt, sind die Kosten für spezialisierte Hardware zu einer massiven Kapitalbelastung geworden. Meta hat eine aggressive Ausgabenplanung signalisiert und prognostiziert für dieses Jahr Investitionsausgaben zwischen 125 und 145 Milliarden US-Dollar. Ein erheblicher Teil dieses Budgets ist für die Sicherung der Rechenkapazität reserviert, die zum Trainieren und Bereitstellen der Muse Spark-Serie von KI-Modellen erforderlich ist.
Obwohl Meta weiterhin AMD Instinct GPUs und andere Hardware von Drittanbietern im Wert von mehreren Milliarden Dollar beziehen wird, sind die MTIA-Chips für spezifische, volumenintensive Aufgaben konzipiert. Dazu gehören das Training von Ranking- und Empfehlungsalgorithmen – dem Rückgrat von Instagram und Facebook – sowie allgemeine KI-Inferenz für verschiedene Consumer-Anwendungen.
Das umfassendere Rennen um die Halbleiter-Souveränität
Metas Schritt ist Teil eines größeren Branchenwandels hin zur „Halbleiter-Souveränität“. Die Ära eines einzelnen dominierenden Chipherstellers wird sowohl von Hyperscalern als auch von KI-Laboren infrage gestellt. Google und Amazon haben bereits erfolgreiche Programme für maßgeschneiderte Silizium-Chips etabliert, und Berichten zufolge erkunden nun auch OpenAI und Anthropic ähnliche Wege mit Partnern wie Broadcom und Samsung.
Um diese Hardware zu unterstützen, skaliert Meta auch seine physische Infrastruktur in einem beispiellosen Tempo. Das Unternehmen plant, in diesem Jahr 7 Gigawatt an Rechenkapazität bereitzustellen, mit dem Ziel, diese Zahl im nächsten Jahr zu verdoppeln. Diese massiven Investitionen sowohl in maßgeschneiderte Chips als auch in die Energieversorgung von Rechenzentren unterstreichen die Realität, dass die Zukunft der KI durch die Effizienz der zugrunde liegenden Hardware entschieden wird.
Wichtigste Erkenntnisse
- Modulare Hardware-Strategie: Meta nutzt ein Chiplet-basiertes Design für sein MTIA-Programm, um schnellere Iterationen und die Anpassung an sich entwickelnde KI-Workloads zu ermöglichen.
- Strategische Lieferkette: Der Produktionsstart umfasst ein leistungsstarkes Partner-Ökosystem, einschließlich Broadcom für das Design, TSMC für die Fertigung und Samsung für den Speicher.
- Massive Infrastrukturinvestitionen: Meta positioniert sich für eine langfristige KI-Dominanz, indem es Investitionsausgaben von bis zu 145 Milliarden US-Dollar prognostiziert und plant, seinen Einsatz von Rechenkapazität auf 14 Gigawatt zu verdoppeln.