Meta首款定製AI晶片「MTIA」來了！最快2025年推出、台積電7奈米助攻，四大特色一次看|數位時代 BusinessNext

Meta首款定製AI晶片「MTIA」來了！最快2025年推出、台積電7奈米助攻，四大特色一次看

Meta宣布重塑AI基礎項目，提及首款定製AI晶片、全新資料中心設計、進展至第二階段的超級電腦，以及AI程式碼助手CodeCompose等相關細節。

📺 人物訪談、產業分析、記者第一手觀察！別錯過每週三、四晚間上片的「塊轉Web3」節目
👉節目資訊一次看 https://reurl.cc/9VMNLX

Meta首款定製AI晶片「MTIA」

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：

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。

🍕「比特幣Pizza日」系列專題登場：鐵粉為何愛比特幣？「數位黃金」小故事有哪些？一起來看

亮點有哪些？

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。

🍕「比特幣Pizza日」系列專題登場：鐵粉為何愛比特幣？「數位黃金」小故事有哪些？一起來看

資料來源：TechCrunch、CNBC、Reuters、Meta

責任編輯：蘇祐萱

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。