Meta ma dość dobry powód, by wydawać miliardy dolarów na własne układy AI zamiast po prostu zamawiać kolejne tysiące GPU Nvidii. Przy skali Facebooka, Instagrama, WhatsAppa i systemów reklamowych nawet niewielka poprawa efektywności jednego obliczenia, pomnożona przez miliardy operacji dziennie, zaczyna oznaczać realne oszczędności na energii, serwerach i całych centrach danych.
We wrześniu 2026 r. Meta planuje rozpocząć produkcję kolejnego własnego układu AI rozwijanego pod kryptonimem Iris. To kolejny etap programu MTIA – Meta Training and Inference Accelerator, który przestał być eksperymentem technologicznym, a stał się jednym z filarów infrastruktury firmy.
Nie oznacza to końca zakupów GPU. Wręcz przeciwnie. Meta nadal potrzebuje ogromnych ilości sprzętu Nvidii i innych dostawców. Własne chipy mają przejmować te zadania, w których uniwersalne GPU jest zwyczajnie zbyt kosztownym narzędziem.
Meta przyspiesza z MTIA. Nowe układy mają robić to, w czym GPU marnują zasoby
Pierwszy MTIA był stosunkowo wyspecjalizowanym akceleratorem przeznaczonym głównie do wnioskowania modeli rekomendacyjnych. To właśnie takie modele decydują, jakie posty, rolki, reklamy czy inne treści zostaną pokazane konkretnemu użytkownikowi.
Już druga generacja pokazała skalę zmian. Układ produkowany w procesie TSMC 5 nm pracował z częstotliwością 1,35 GHz, miał 128 GB pamięci LPDDR5, 256 MB pamięci SRAM na chipie i TDP wynoszące 90 W. W obliczeniach FP16/BF16 osiągał do 177 TFLOPS, a przy wykorzystaniu sparsity – 354 TFLOPS.
Dla porównania pierwsza generacja korzystała z procesu 7 nm, pracowała z częstotliwością 800 MHz i osiągała około 51,2 TFLOPS FP16/BF16 przy TDP 25 W.
Jeszcze ciekawszy jest zaprezentowany w sierpniu 2026 r. MTIA 300, bo Meta zaczęła projektować układ nie tylko z myślą o inferencji, ale również o trenowaniu ogromnych systemów rankingowych i rekomendacyjnych.
Tu problem nie polega wyłącznie na liczbie operacji zmiennoprzecinkowych. Modele rekomendacyjne posiadają olbrzymie tablice embeddingów. W największych systemach mogą one stanowić ponad 99 proc. parametrów modelu. Akceleratory muszą więc bardzo intensywnie przesyłać dane między sobą.
GPU potrafią wykonywać te zadania, ale komunikacja konkuruje wtedy o zasoby z właściwymi obliczeniami.
Meta zaprojektowała MTIA 300 inaczej. Układ zawiera:
- 216 GB pamięci HBM3E,
- macierz 12 × 6 elementów obliczeniowych,
- 16 dedykowanych jednostek komunikacyjnych,
- własne interfejsy sieciowe NIC,
- specjalne jednostki wykonujące redukcje danych bez angażowania głównej części obliczeniowej,
- oprogramowanie komunikacyjne HCCL, rozwijane równolegle ze sprzętem.
Efekt jest konkretny. Meta deklaruje do 940 GB/s przepustowości komunikacyjnej w obrębie jednej szafy serwerowej. Jednostki odpowiedzialne za operacje redukcji osiągają łącznie ponad 2,8 TB/s.
Na produkcyjnym modelu rekomendacyjnym liczącym 150 mld parametrów, uruchomionym na 40 akceleratorach, czas poświęcony na komunikację był w MTIA 300 około 3,9 raza krótszy niż w porównywalnym klastrze GPU.
To dobry przykład, dlaczego porównywanie chipów AI wyłącznie za pomocą TFLOPS jest mylące. Najszybszy procesor teoretycznie nie musi być najszybszym rozwiązaniem dla konkretnego modelu. Jeżeli procesory czekają na dane, kolejne teraflopy niewiele pomagają.
Meta próbuje wykorzystać dokładnie tę różnicę.
Firma zapowiedziała w 2026 r. rozwój i wdrożenie czterech nowych generacji MTIA w ciągu dwóch lat. To niezwykle agresywne tempo jak na projektowanie półprzewodników. W praktyce układy mają coraz szerzej obsługiwać rekomendacje, ranking oraz zadania związane z generatywną AI.
Projektowanie nie odbywa się przy tym całkowicie „własnymi rękami”. Meta współpracuje m.in. z Broadcomem, a produkcję układów powierza TSMC. To typowy model działania hyperscalerów: firma kontroluje architekturę i dostosowanie procesora do własnego oprogramowania, ale nie buduje fabryki półprzewodników za kilkadziesiąt miliardów dolarów.
Po co wydawać miliardy na własny procesor, skoro Nvidia sprzedaje gotowy?
Odpowiedź brzmi: koszt jednego użytecznego obliczenia, a nie cena pojedynczego chipu.
GPU jest konstrukcją stosunkowo uniwersalną. Ten sam rodzaj akceleratora może trenować duży model językowy, generować obrazy, wykonywać symulacje, przetwarzać wideo albo obsługiwać system rekomendacyjny. Ta elastyczność ma jednak swoją cenę.
Jeżeli firma dokładnie wie, że przez następne pięć lat będzie wykonywała miliardy razy podobny rodzaj operacji, może zaprojektować ASIC, czyli układ scalony przeznaczony do konkretnych zastosowań, który wykorzysta tranzystory, pamięć i przepustowość dokładnie tam, gdzie są potrzebne.
Przy skali Meta rachunek zmienia się dramatycznie.
Firma zakłada, że w 2026 r. jej wydatki związane z infrastrukturą AI mogą sięgnąć około 145 mld dolarów. Jednocześnie Meta chce zwiększyć dostępną moc infrastruktury obliczeniowej do około 14 GW w 2027 r.
Przy takich wartościach nawet kilkuprocentowa poprawa efektywności staje się ogromną kwotą.
Liczy się nie tylko zakup serwera. TCO, czyli całkowity koszt posiadania infrastruktury, obejmuje również:
- energię elektryczną potrzebną do zasilania procesorów,
- energię potrzebną do chłodzenia,
- procesory CPU i pamięć RAM serwerów,
- sieć między serwerami,
- liczbę wymaganych szaf,
- miejsce w centrum danych,
- zasilacze i infrastrukturę energetyczną,
- utrzymanie sprzętu,
- personel,
- oprogramowanie,
- a w coraz większym stopniu także dostępność odpowiedniej mocy przyłączeniowej.
To ostatnie ograniczenie jest szczególnie istotne także z europejskiej perspektywy. Problemem nowych centrów danych coraz częściej nie jest samo znalezienie pieniędzy na procesory, lecz uzyskanie dostępu do setek megawatów energii oraz odpowiedniej infrastruktury sieciowej.
Jeśli zadanie można wykonać na układzie wymagającym mniejszej liczby serwerów lub pobierającym mniej energii, korzyść nie kończy się więc na rachunku za prąd.
Jest jeszcze druga sprawa: Nvidia ma wyjątkowo mocną pozycję rynkową. Hyperscaler, który posiada własny procesor, zyskuje alternatywę podczas negocjowania dostaw.
Nie musi zastępować wszystkich GPU. Wystarczy, że potrafi przenieść kilkanaście czy kilkadziesiąt procent własnego zapotrzebowania na inną architekturę. To ogranicza ryzyko związane z brakami sprzętu, cenami i zależnością od jednego dostawcy.
Podobną drogą idą inni giganci. Google od lat rozwija TPU, Amazon posiada rodzinę Trainium i Inferentia, Microsoft stworzył akcelerator Maia, a również OpenAI pracuje nad własnymi układami.
To nie przypadek. Najwięksi odbiorcy procesorów AI doszli do punktu, w którym sami są wystarczająco dużym rynkiem dla wyspecjalizowanego procesora.
Własny chip nie jest automatycznie tańszy. Największym problemem jest oprogramowanie
Na papierze projekt wygląda kusząco: usuń niepotrzebne elementy GPU, zoptymalizuj architekturę pod własny model i zmniejsz koszt.
W praktyce można na tym również bardzo drogo przegrać.
Stworzenie nowoczesnego układu ASIC oznacza wieloletnią pracę zespołów zajmujących się architekturą procesorów, pamięcią, interkonektem, płytami serwerowymi, firmware’em, kompilatorami oraz narzędziami programistycznymi. Później dochodzą kosztowne maski produkcyjne, walidacja oraz ryzyko, że pierwsza wersja krzemu będzie wymagała poprawek.
Najgorszy scenariusz jest prosty: firma projektuje procesor pod obciążenie, które dwa lata później przestaje być najważniejsze.
AI rozwija się wystarczająco szybko, aby było to realne ryzyko.
GPU Nvidii wygrywają tu elastycznością oraz dojrzałością stosu programistycznego. CUDA, biblioteki matematyczne, narzędzia do profilowania, frameworki i ogromna liczba gotowych implementacji sprawiają, że uruchomienie nowego modelu na GPU jest zazwyczaj znacznie prostsze niż na autorskim ASIC-u.
Dlatego sam dobry chip nie wystarczy.
Meta ma pod tym względem przewagę, bo jest twórcą PyTorch i może rozwijać hardware, kompilator oraz modele równolegle. MTIA jest integrowany z mechanizmami PyTorch 2.x, takimi jak TorchDynamo i TorchInductor. Dzięki temu programista nie powinien być zmuszony do pisania całego modelu od początku tylko dlatego, że został przeniesiony z GPU na własny akcelerator.
To właśnie oprogramowanie jest jednym z najbardziej niedocenianych kosztów własnego układu.
Jeżeli migracja modelu wymaga kilku miesięcy pracy zespołu inżynierów, potencjalna oszczędność na sprzęcie szybko znika. Jeśli natomiast tysiące modeli uruchamiają się na nowej architekturze niemal automatycznie, ekonomia zaczyna działać.
Dlatego Meta nie zastępuje GPU jeden do jednego.
Podział jest znacznie bardziej praktyczny:
GPU nadal mają przewagę, gdy:
- rozwijany jest nowy model i często zmienia się jego architektura,
- potrzeba najwyższej elastyczności,
- liczy się szybkie wdrożenie,
- wymagany jest dostęp do bardzo dojrzałego ekosystemu narzędzi,
- trenowane są ogromne modele generatywne korzystające z operacji dobrze zoptymalizowanych pod GPU.
ASIC ma przewagę, gdy:
- obciążenie jest dobrze poznane,
- wykonywane jest na olbrzymią skalę,
- model będzie działał przez lata,
- koszt energii i komunikacji staje się istotną częścią TCO,
- wykorzystanie uniwersalnego GPU jest niskie,
- firma może utrzymywać własny stos programistyczny.
To również odpowiedź dla polskich firm zastanawiających się nad własnym sprzętem AI: praktycznie żadna typowa firma nie powinna zaczynać od projektowania własnego procesora.
Próg wejścia jest absurdalnie wysoki. Najpierw należy zoptymalizować sam model, dobrać precyzję obliczeń, batching, pamięć, kompilację i wykorzystanie istniejących GPU lub akceleratorów oferowanych przez chmurę. Dopiero hyperscaler wydający rocznie dziesiątki miliardów dolarów na infrastrukturę ma skalę, przy której stworzenie ASIC-u może być ekonomicznie racjonalne.
I nawet wtedy nie ma gwarancji sukcesu.
Największym błędem byłoby więc interpretowanie MTIA jako dowodu na to, że GPU są przestarzałe. Jest dokładnie odwrotnie. GPU stały się tak istotne i tak drogie w całkowitym budżecie infrastruktury, że ich najwięksi odbiorcy zaczęli projektować wyspecjalizowane alternatywy dla konkretnych fragmentów obciążenia.
Dla Meta priorytet jest jasny: najpierw przenosić na MTIA te zadania, które są ogromne, powtarzalne i dobrze poznane. Eksperymentalne modele oraz obciążenia wymagające elastyczności nadal opłaca się zostawić na GPU.
To jest granica, od której zaczyna się ekonomiczny sens własnego krzemu.
FAQ – własne chipy AI Meta i konkurencja z GPU
Czy Meta całkowicie zrezygnuje z procesorów Nvidia?
Nie. MTIA jest uzupełnieniem infrastruktury GPU, a nie jej pełnym zamiennikiem. Meta nadal potrzebuje uniwersalnych akceleratorów przede wszystkim do trenowania nowych, szybko zmieniających się modeli AI.
Co oznacza MTIA?
MTIA to Meta Training and Inference Accelerator – rodzina zaprojektowanych dla Meta akceleratorów przeznaczonych do trenowania i uruchamiania modeli sztucznej inteligencji.
Czym MTIA różni się od GPU?
GPU jest uniwersalnym procesorem równoległym obsługującym bardzo różne rodzaje modeli. MTIA jest projektowany pod konkretne obciążenia Meta, dlatego może wykorzystać powierzchnię chipu, pamięć i komunikację efektywniej w zadaniach, do których został stworzony.
Czy MTIA 300 jest przeznaczony tylko do inferencji?
Nie. MTIA 300 został zoptymalizowany także pod trening dużych modeli rankingowych i rekomendacyjnych, gdzie szczególnie istotna jest komunikacja pomiędzy akceleratorami.
Ile pamięci ma MTIA 300?
Układ wyposażono w 216 GB pamięci HBM3E, co pozwala zwiększać lokalne partie danych i ograniczać część komunikacji pomiędzy akceleratorami.
Czy własny procesor AI zawsze jest tańszy od GPU?
Nie. Własny ASIC opłaca się dopiero przy ogromnej i przewidywalnej skali wykorzystania. Koszt projektu, oprogramowania, produkcji i utrzymania może być wyższy niż zakup GPU, jeśli chip nie będzie intensywnie wykorzystywany.
Dlaczego firmy nie zamawiają po prostu tańszych GPU od AMD?
AMD jest realną alternatywą, ale nadal oferuje procesory ogólnego zastosowania. Własny ASIC pozwala zmienić samą architekturę procesora pod charakter konkretnego obciążenia, czego nie daje zwykła zmiana dostawcy GPU.
Czy polskiej firmie opłaca się stworzyć własny chip AI?
W zdecydowanej większości przypadków nie. Najpierw opłaca się zoptymalizować wykorzystanie dostępnych GPU lub skorzystać ze specjalizowanych akceleratorów oferowanych przez dostawców chmury. Projekt własnego ASIC-u zaczyna mieć sens dopiero przy skali obliczeń porównywalnej z największymi globalnymi platformami technologicznych.
Co jest najważniejsze przy wyborze GPU lub specjalizowanego akceleratora?
Nie liczba TFLOPS, lecz koszt wykonania konkretnego zadania przy wymaganej wydajności i jakości. Trzeba policzyć wykorzystanie procesora, pamięć, przepustowość sieciową, energię, liczbę serwerów, koszty programistyczne oraz czas potrzebny na wdrożenie. Chip szybszy w tabeli specyfikacji może być droższy w realnym centrum danych.
