Meta 2 年內推四代 MTIA 自研 AI 晶片 主攻推論優先降成本

Meta 宣布將在 2027 年前推出 MTIA 300、400、450 與 500 四代晶片，採超高速迭代策略與推論優先設計，目標透過自研硬體降低龐大推論成本。
面對旗下數十億用戶每日龐大的AI生成與推薦運算需求，Meta決定將硬體命運進一步掌握在自己手中。Meta揭曉其客製化晶片Meta Training and Inference Accelerator (MTIA)的最新發展藍圖。有別於傳統晶片廠一至兩年的產品週期，Meta宣示將在短短兩年內 (至2027年)將接續推出包含MTIA 300、400、450與500總計四代新晶片。

透過獨特的「模組化小晶片」 (Chiplet)設計與「推論優先」 (Inference-First)的戰略，Meta試圖在高度依賴NVIDIA等商用GPU的現狀下，走出一條兼具極致效能與成本效益的自研道路。

打破摩爾定律節奏：半年一更的「超高速迭代」

在傳統半導體業界，開發、推出一款全新的AI晶片通常需要一到兩年的時間。然而，AI模型的演進速度早已把硬體開發週期遠遠甩在後頭。

為了不讓硬體落後於軟體，Meta採取了極度激進的「超高速迭代」 (High Velocity)策略——將推出新晶片的週期縮短至大約每六個月一次。這種近乎「軟體敏捷開發」的速度，歸功於其高度模組化的設計思維。從MTIA 400到500，Meta都採用了相同的機箱、機架與網路基礎設施 (並且符合OCP開放運算計畫標準)，這意味新一代的晶片可以直接「隨插即用」 (Drop-in)替換到現有的伺服器機架中，大幅縮短從晶片出廠到資料中心上線的時間。

兩年四代戰力解析：劍指高頻寬記憶體 (HBM)

根據Meta公布的時程與規格，這四款MTIA晶片各自肩負著不同階段的戰略任務：

• MTIA 300 (已量產)：作為高性價比的基石，主要針對Meta傳統的「排序與推薦」 (R&R)系統進行最佳化，同時也為後續的GenAI晶片打下網路與通訊架構的底層基礎。

• MTIA 400 (即將佈署)：這是Meta首款具備與市售頂級商業晶片 (如NVIDIA系列)正面對決實力的產品。除了維持推薦系統的運算外，大幅強化GenAI的支援能力，其FP8算力相比前代提升400%，HBM記憶體頻寬也提升51%。

• MTIA 450 (預計2027年初)：專為「GenAI 推論」量身打造。由於大型語言模型 (LLM)的推論速度極度依賴記憶體頻寬，MTIA 450直接將HBM頻寬翻倍，並且導入專為推論設計的低精度資料格式 (如MX4)，效能甚至超越市面領先的商業產品。

• MTIA 500 (預計2027年)：進一步挑戰極限，在450的基礎上再將HBM頻寬提升50%、MX4算力提升43%，並且採用更先進的2×2小型運算小晶片 (Chiplet)配置，實現以最低成本輸出最大規模的AI推論能力。

「推論優先」與無痛轉移的軟體生態圈

目前市場上的主流GPU幾乎都是為了最吃重算力的大規模生成式AI「預訓練」 (Pre-training)而設計，隨後才被「降維」拿來做推論使用。Meta認為這種做法在成本上極度不划算。

因此，MTIA 450與500採取完全相反的「推論優先」 (Inference-First)策略，從一開始就是為解碼生成 (Decode)與專家混合模型 (Mixture-of-Experts,MoE)架構最佳化，確保在應付數十億用戶日常呼叫Meta AI助理時，能將每單位的算力成本壓到最低。

更重要的是，身為全球最受歡迎AI框架PyTorch的發明者，Meta讓MTIA從一開始就做到「原生支援PyTorch」。開發者無需重新編寫程式碼，就能讓模型在商業GPU與MTIA之間無縫遷移，徹底消除了導入新硬體的陣痛期。

分析觀點

Meta這次一口氣攤牌未來兩年的MTIA設計路線圖，實際上傳遞一個作法：「買卡訓練模型可以，但拿高價GPU來服務免費用戶，門都沒有」。

訓練一個像Llama 4，或未來的Llama 5此類超級模型，的確需要數以萬計的頂規商用GPU (這也是為何Meta依然是NVIDIA的大型客戶)。但訓練是一次性的支出；當模型上線後，每天面對Facebook、Instagram與WhatsApp上動輒30億名活躍用戶的海量「推論」請求，將是一筆沒有盡頭的無底洞營運成本。

如果Meta每生成一段文字、每推薦一支Reels都要繳納高昂的「GPU硬體稅與耗電稅」，這家公司的毛利率將會被迅速吞噬。MTIA家族的誕生與光速迭代，本質上就是Meta為了保護自身獲利模式所築起的硬體護城河。

透過將開源軟體 (PyTorch、vLLM)與開放硬體 (OCP)深度綁定，Meta不僅在擺脫單一硬體供應商的束縛，更向業界證明：在特定的巨量應用場景中，量身訂做的ASIC (特殊應用積體電路)將遠比GPU來得有用且高效。