Meta为啥死磕芯片？

公众号记得加星标⭐️，第一时间看推送不会错过。

Meta公司宣布，将从9月起开始生产一款新型定制AI芯片，这是其将整体计算能力提升至14GW计划的一部分。这是该公司减少对外部芯片供应商依赖目标的一个重要里程碑。

这款代号为 Iris 的新芯片已顺利完成测试阶段，未出现任何重大问题，表明其已准备好投入生产。该芯片有望更高效地支持 Meta 的 AI 推理工作负载，同时帮助降低基础设施成本。这将使 Meta 能够更好地控制其快速扩展的 AI 基础设施。

推出自主定制芯片的意义远不止于芯片本身。在 BigDATAWire，我们一直关注着一个更广泛的行业趋势：超大规模数据中心运营商正试图更多地掌控自身的人工智能基础设施。许多人认为这是一个重要的战略优势，而 Meta 似乎也认同这一点。

拥有自主芯片的最大优势或许在于降低运营成本。Meta 每天在 Facebook、Instagram、WhatsApp 和 Meta AI 等平台上执行数十亿次推理请求。即使每瓦性能或每次推理成本仅提升 10% 到 15%，每年也能节省数亿美元。

另一个关键优势在于对英伟达的依赖程度较低，这意味着Meta无需根据芯片制造商的产品路线图、定价或供应链波动来调整其战略。这些都是Meta无法控制的因素，而拥有内部研发能力则能带来更大的灵活性。反过来，这也使得Meta在与英伟达等供应商谈判时拥有更大的筹码。

Meta 还能使用针对自身工作负载优化的芯片。与旨在支持各种 AI 应用的通用 GPU 不同，Iris 可以专门针对驱动 Meta 平台的推荐系统、排名模型、广告算法和 GenAI 服务进行定制。

Meta的另一优势在于，它不仅可以优化芯片本身，还可以同时构建软件、网络和数据中心，从而使各个组件更高效地协同工作。在Meta的规模下，即使是整个系统中微小的改进也能产生显著的影响。

打造定制人工智能芯片并非易事。设计一款新芯片需要数年时间，成本可能高达数十亿美元。正因如此，只有少数公司拥有足够的资金和工程技术人才来尝试这项技术。

Meta还必须与英伟达竞争，这绝非易事。英伟达不仅制造了强大的GPU，还花费数年时间开发了使这些芯片发挥作用的软件、网络技术和开发者工具。构建这样一个生态系统比制造芯片本身更具挑战性。

值得注意的是，Meta 并非试图为所有人打造芯片。Iris 是专为 Meta 自身的基础设施和工作负载而设计的。Nvidia 的 GPU 仍然提供更大的灵活性，并且很可能继续承担 Meta 许多最大型的 AI 训练任务。Meta 的理念很简单，就是将更多的推理工作负载转移到 Meta 自有且可控的硬件上。

这并非Meta首次涉足定制芯片领域。该公司此前已公布了其Meta训练与推理加速器（MTIA）路线图，其中包括为其自身基础设施开发的数代AI芯片。Meta尚未确认Iris是否属于该系列，但显然遵循了相同的战略。

Meta 在最近的一篇工程博客中强调了这一挑战：“每天，Meta 平台上的数十亿用户都能享受到各种各样的 AI 驱动体验，从个性化推荐到 AI 助手，应有尽有。”

“与此同时，定义下一代计算的人工智能模型的发展速度远超任何单一硬件世代的预期。在全球范围内服务于各种各样的人工智能模型，同时保持尽可能低的成本，是业内最具挑战性的基础设施难题之一。”

Meta计划在2027年之前大约每六个月推出一款新的AI芯片。这比传统的每年或每两年推出一款新芯片的速度要快得多。

为了支持这一扩张，该公司已与三星电子签署了内存芯片长期供应协议，与闪迪签署了闪存长期供应协议，并与住友电工签署了光纤设备长期供应协议。预计仅在2026年，Meta就将在人工智能基础设施方面投入高达1450亿美元。这充分凸显了其在人工智能领域的雄心壮志。

Meta并非唯一一家力推定制芯片的公司。谷歌有自己的TPU，亚马逊有Trainium和Inferentia，微软有Maia。它们都在为各自的AI工作负载打造芯片，而不是完全依赖英伟达的GPU。

但这并不意味着英伟达会退出市场。它的GPU几乎肯定仍将是训练大型AI模型的首选。然而，随着AI对这些公司的重要性日益凸显，拥有更多支撑AI的硬件可以帮助它们降低成本，并更好地掌控AI基础设施的构建和扩展。

（来源：编译自hpcwired ）

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

今天是《半导体行业观察》为您分享的第4464内容，欢迎关注。

加星标⭐️第一时间看推送

求推荐