Meta anunció la implementación operativa de su nueva generación de chips personalizados para inteligencia artificial, denominada serie MTIA (Meta Training and Inference Accelerator), que incluye los modelos MTIA 300, 400 y 500, con el objetivo de optimizar el procesamiento en sus centros de datos.
Estos procesadores están diseñados para gestionar cargas de trabajo asociadas a modelos de IA generativa y motores de recomendación, funciones clave en plataformas como sus redes sociales. La compañía busca con esta estrategia reducir su dependencia de proveedores externos como Nvidia.
Según la información presentada, los chips MTIA están enfocados principalmente en tareas de inferencia, es decir, la ejecución diaria de modelos ya entrenados, especialmente en sistemas de recomendación y procesamiento de lenguaje. Aunque Nvidia continuará siendo el principal proveedor para el entrenamiento de modelos de gran escala, los chips propios ya gestionan una parte significativa de estas operaciones en los centros de datos de Meta.
La compañía identificó tres objetivos principales con el desarrollo de esta tecnología: reducción de costos, mayor eficiencia energética y control sobre la integración entre hardware y software. En términos de costos, los chips propios permitirían disminuir el gasto asociado a GPUs comerciales, cuyo precio oscila entre 25.000 y 40.000 dólares por unidad. En contraste, el costo estimado de los MTIA se sitúa entre 2.000 y 3.000 dólares por tarjeta.
En cuanto a eficiencia energética, el modelo más reciente de la serie, MTIA v2 o serie 500, alcanza hasta 7.8 TOPS por vatio, frente a los aproximadamente 5.65 TOPS por vatio de la GPU Nvidia H100, lo que representa una mayor eficiencia en tareas específicas de inferencia.
A diferencia de las GPUs de propósito general como la H100, los chips MTIA están diseñados para tareas específicas que se ejecutan de forma masiva en las plataformas de Meta, lo que permite optimizar el rendimiento en escenarios concretos en lugar de competir en capacidad de cómputo general.
La implementación de esta tecnología se enmarca en una estrategia más amplia de la compañía para escalar su infraestructura de inteligencia artificial de manera más eficiente, trasladando parte de la carga operativa a hardware propio diseñado para sus necesidades específicas.
