Meta公開首款自研AI晶片「MTIA」，最快2025年推出！台積電7奈米助攻|數位時代 BusinessNext

ChatGPT橫空出世所帶來的爆炸式AI熱潮，恐怕短期之內還不會熄滅，相較Google、微軟等科技巨頭，Meta似乎在這場AI大戰中沉寂已久，因此近期頻頻出招，奮力追趕其他公司的腳步，於美東時間5月18日宣布重塑AI基礎計畫，內容談及目前公司所開發AI項目的細節，包括最引發外界關注的首款定製AI晶片等等。

為了迎接執行長祖克柏（Mark Zuckerberg）口中的「效率年」，Meta逐步將重心移向AI技術領域，在上週宣布的新計畫中，重申「AI是公司基礎設施的核心」，並推進多個AI項目，包括：

Meta首款定製AI晶片「MTIA」

MTIA（Meta Training and Inference Accelerator）是Meta推出的首款定製AI晶片，將不同電路組合在同一塊電路板上，目的為執行各式AI任務，包括加速AI模型的訓練過程等，主要針對「推理/推論」工作（Inference，對以訓練過的模型進行運作或預測的過程），並預計於2025年正式推出。雖然高層並未透露這款AI晶片將由哪家業者代工，不過有消息指出，MTIA將採用台積電的7奈米製程技術。

到2022年為止，Meta仍使用CPU（中央處理器）來運行AI工作負載，但相較CPU而言，GPU（圖形處理器）更加適合處理AI項目，因為它能夠同時執行大量任務，縮減處理龐大數據資料所需的時間，不過價格也比較高昂。在Meta於2022年開始花費數十億美元訂購Nvidia GPU後，發現為了和GPU相容，需要對多個數據中心進行重新改良設計，同時考量到成本因素、其他競爭對手遙遙領先的發展（Google早在2015年就開始使用內部開發的定製晶片，稱為TPU），因此重新制定了內部計劃，這正是MTIA將大規模問世的契機。

Meta表示，MTIA會提供比CPU更強大的運算能力，並且是為了公司內部工作而量身訂製，能夠大幅提升工作效率；另一方面，由於該晶片致力於處理跟演算系統相關的任務，可以幫助用戶找出最佳貼文內容，並且更快速地呈現在瀏覽頁面。

延伸閱讀：Meta又開源AI模型，算盤打的是「AI元宇宙」！ImageBind如何帶來多感官體驗？

影音轉碼器MSVP

除了MTIA外，為了處理持續增長的影音工作需求，Meta還開發了另一個稱為MSVP（Meta Scalable Video Processor）的晶片，主要用來傳送影片給使用者，並且達到降低能源需求的目標。

「沒有任何產品能夠達成我們的需求，幫助我們每天高效率的處理和交付將近40億個影片。」Meta基礎建設副總裁Alexis Bijorlin表示。為了適應不同筆記型電腦、移動裝置、電視等設備，上傳至Facebook和Instagram的影片被轉碼成多種位元流（bitstreams），只要擁有MSVP的協助，就能提高處理速度，同時盡可能維持影片品質。

另一方面，這款晶片還將被應用於虛擬實境（VR）、擴增實境（AR）和生成式AI技術，顯示出Meta尚未放棄對於元宇宙的野心。

新一代資料中心

官方表示，會依據可將數千個AI晶片連接在一起的高性能AI網路，及液體冷卻系統（liquid-cooled AI hardware）重新設計資料中心，除了能夠支援現有產品外，還會協助未來幾代的AI硬體設備展開訓練和推理，最主要就是為了優化AI技術，預計可將成本降低31%，速度比當前版本快兩倍。

RSC（Research SuperCluster）AI超級電腦

RSC於2022年一月首次亮相，號稱世界上最快的AI超級電腦之一，目前已經完成第二階段的建構，主要用來訓練下一代大型的AI模型，以支援新的AR工具、內容理解系統（Content Understanding）和即時翻譯技術等。

該款超級電腦一共配備了1.6萬個Nvidia A100 GPU，並且逐漸開始參與各項開發計畫，包括訓練Meta在今年初公布的LLaMA（Large Language Model Meta AI）語言模型；官方表示，規模最大的LLaMA模型擁有650億個參數（Parameter，是模型從歷史訓練數據中學習到的部分，能夠定義該模型在特定方面的技能，例如：生成文本等），需要在 2,048 個 A100 GPU 上進行訓練，一共花費21天。而有了RSC的協助，就能夠提高構建新的AI模型的速度，推進Meta整體在AI領域上的發展。

AI程式碼助手CodeCompose

Meta創建了一個類似GitHub Copilot的生成式AI工具，幫助使用者撰寫程式碼，希望能提高開發人員在軟體開發週期的工作效率。在其訓練的數個CodeCompose模型中，最大的一個擁有67億個參數，但比起擁有120億個參數的Copilot仍有所不足。

CodeCompose目前仍處於測試階段，但已經根據Meta內部使用方式和程式數據庫進行調整，能夠將CodeCompose整合至該公司開發人員所使用的任何跟程式碼相關的介面，不僅可以在用戶鍵入程式碼時提供註釋或建議，也可以依照上下文生成新程式碼。Meta表示，每週有數千名員工使用並接收來自CodeCompose的輔助。

生成式AI成為全新轉機？Meta還沒要放棄元宇宙

根據Meta新公布的計畫，不難看出他們在AI領域──特別是生成式AI技術方面的野心，不過這並不代表他們已經遺忘了元宇宙。今年2月，執行長祖克柏宣布組建一個全新的「頂級」生成式AI團隊，根據該公司研發人員的說法，Meta計畫透過部署生成式AI工具，協助在虛擬實境中構建新項目。

專家預測，生成式AI產品的總潛在市場可能高達1500億美元（約新台幣4.6兆元），因此，只要Meta能夠在生成式AI領域獲得一小筆紅利，對於消除該公司在VR、AR等元宇宙技術投資中所損失的數十億美元，可能會有極大助益。根據Meta在2023年第一季度，主要負責元宇宙計畫的部門Reality Labs淨虧損達到40億美元（約新台幣1224億元），Meta目前的當務之急，也許是盡快從其他領域獲得收益，來填補元宇宙計畫的資金空洞。

延伸閱讀：只見AI笑，不見元宇宙哭！微軟與迪士尼開鍘、祖克柏隻字不提⋯泡沫破裂了？

資料來源：TechCrunch、CNBC、Reuters、Meta

責任編輯：蘇祐萱

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。