Meta planeja quatro gerações do chip MTIA em dois anos, priorizando inferência

Um ritmo de lançamento de chips a cada seis meses, em vez de um a dois anos

A Meta diz que está desenvolvendo e lançando quatro novas gerações do MTIA em dois anos — MTIA 300, 400, 450 e 500. A empresa contrasta isso com o que chama de padrão da indústria, um novo chip de IA a cada um ou dois anos, afirmando que construiu capacidade para lançar um a cada seis meses ou menos.

O mecanismo por trás disso é a modularidade: designs reutilizáveis que permitem encaixar novos chips na infraestrutura de racks já existente. Esse detalhe importa mais do que o número de destaque, porque um ritmo rápido de fabricação só é útil se a implantação acompanhar o ritmo. Ao alinhar racks e sistemas aos padrões do Open Compute Project, a Meta busca eliminar a etapa de integração no data center que normalmente atrasa a entrada de novo silício em produção.

O MTIA 300 já está em produção para treinamento de ranqueamento e recomendações. Os outros três estão posicionados para inferência de IA generativa até 2027, então o plano de dois anos é, na prática, um cronograma de gerações que se sobrepõem, e não um único grande lançamento.

Projetando primeiro para inferência, não para treinamento

A afirmação arquitetural mais clara é uma inversão da ordem de prioridade usual. A Meta argumenta que os chips convencionais são feitos para a carga de trabalho mais exigente — pré-treinamento de IA generativa em grande escala — e depois reaproveitados, muitas vezes de forma menos econômica, para inferência.

Nós fazemos o caminho contrário: o MTIA 450 e o 500 são otimizados primeiro para inferência de IA generativa, e depois podem ser usados para apoiar outras cargas de trabalho conforme necessário, incluindo treinamento e inferência de ranqueamento e recomendações, além de treinamento de IA generativa.Montana Labs

É uma aposta em onde a demanda está crescendo. A Meta já usa centenas de milhares de chips MTIA para inferência em conteúdo orgânico e anúncios, então tem uma carga de trabalho grande e bem conhecida para calibrar. Otimizar primeiro para inferência significa que os chips se encaixam com precisão no volume de trabalho, tratando o treinamento como capacidade secundária, e não como o foco do design.

Um portfólio, não uma substituição para o silício de mercado

A Meta é clara ao dizer que o MTIA não substitui os chips que compra de outros fornecedores. A empresa descreve uma abordagem de portfólio — obtendo silício de vários líderes da indústria, mantendo o MTIA no centro — e afirma sem rodeios que nenhum chip único consegue atender todas as suas necessidades.

Esse posicionamento define uma barra de sucesso mais estreita para o programa personalizado. O MTIA não precisa superar aceleradores de uso geral em todas as cargas de trabalho; precisa ser mais eficiente em custo nas tarefas específicas de inferência de alto volume da Meta. A empresa atribui a vantagem de custo do MTIA ao fato de fazer parte de uma solução personalizada de ponta a ponta, e não ao desempenho bruto máximo.

Software padrão como alavanca de adoção

Para times que constroem sobre esse tipo de infraestrutura, o detalhe mais prático é que o MTIA já nasce construído sobre PyTorch, vLLM, Triton e OCP. Aceleradores personalizados costumam travar no software — cadeias de ferramentas proprietárias forçam times de modelos a reescrever código e reajustar kernels antes de adotar novo hardware.

Ao se comprometer com o ecossistema de frameworks já existente, a Meta busca tornar as trocas de hardware invisíveis para quem opera os modelos. É isso que torna um ritmo de seis meses realista internamente: se cada novo chip não exige esforço de portabilidade, as gerações podem se renovar rapidamente sem deixar cargas de trabalho travadas. O roteiro de chips e o compromisso com o software são duas partes da mesma estratégia — a velocidade só é real na medida em que remove o atrito da adoção.