Meta erweitert Pläne zur Nutzung eigener KI-Chips

11:32

Meta bereitet sich darauf vor, die Nutzung intern entwickelter KI-Chips zu erhöhen, da das Unternehmen die steigenden Kosten für den Betrieb fortschrittlicher KI-Systeme kontrollieren und die Effizienz seiner Rechenzentrumsinfrastruktur verbessern möchte.

Das Unternehmen testet die dritte Generation seiner maßgeschneiderten KI-Beschleuniger, bekannt als MTIA 450 und angeblich mit dem Codenamen „Artemis“. Gleichzeitig steht Meta kurz vor dem Abschluss des Designs einer nachfolgenden Generation, die als MTIA 500 oder „Astrea“ bezeichnet wird, gemäß Informationen, die von Bloomberg zitiert wurden.

Die neueren Chips sollen in der ersten Hälfte des Jahres 2027 in den Rechenzentren von Meta eingesetzt werden. Ihre Nutzung wird voraussichtlich schrittweise zunehmen, da die Nachfrage des Unternehmens nach Rechenleistung mit der Entwicklung und dem Betrieb zunehmend komplexer KI-Modelle wächst.

Metas Schritt spiegelt einen breiteren Trend unter großen Technologieunternehmen wider, spezialisierte Prozessoren für ihre eigenen Arbeitslasten zu entwerfen. Anstatt sich ausschließlich auf kommerziell verfügbare Chips zu verlassen, entwickeln Unternehmen maßgeschneiderte Hardware, die für spezifische KI-Anwendungen und Anforderungen von Rechenzentren optimiert werden kann.

Yi-Jiun Song, ein Vizepräsident für Technik bei Meta, sagte, dass das Unternehmen kontinuierliche Verbesserungen der Chip-Effizienz anstrebt. Ziel ist es, dass jede neue Generation eine höhere Rechenleistung pro verbrauchter Energieeinheit und investiertem Dollar liefert.

Laut Song erwartet Meta, dass der Einsatz dieser intern entwickelten Prozessoren über einen Zeitraum von 12 Monaten eine Gigawatt überschreiten wird. Das Tempo könnte weiter steigen, wenn die Nachfrage nach KI-Rechenkapazität stark bleibt, was die Größe der Infrastruktur verdeutlicht, die erforderlich ist, um die wachsenden KI-Operationen des Unternehmens zu unterstützen.

Der Energieverbrauch ist zu einem wichtigen Aspekt für Technologieunternehmen geworden, die große KI-Systeme aufbauen. Das Training und der Betrieb fortschrittlicher Modelle erfordern leistungsstarke Recheninfrastrukturen, während Rechenzentren auch erhebliche Mengen an Strom für Prozessoren und Kühlsysteme benötigen.

Maßgeschneiderte KI-Chips können Unternehmen eine größere Kontrolle darüber bieten, wie Rechenressourcen zugewiesen werden. Durch die Anpassung der Hardware an spezifische Arbeitslasten können Technologieunternehmen Verbesserungen in der Energieeffizienz, der Verarbeitungsleistung und den Betriebskosten im Vergleich zu allgemeineren Lösungen anstreben.

Für Meta ist die Strategie auch mit der schnellen Expansion seiner KI-Ambitionen über seine sozialen Medienplattformen, Empfehlungssysteme, generative KI-Produkte und andere Dienstleistungen verbunden. Diese Anwendungen erfordern zunehmend große Mengen an Rechenleistung, während das Unternehmen seine Nutzung von künstlicher Intelligenz ausweitet.

Die Entwicklung eigener Prozessoren bedeutet nicht unbedingt, dass Meta externe Chip-Lieferanten aufgibt. Spezialisierte interne Hardware kann stattdessen kommerziell verfügbare Prozessoren ergänzen, sodass das Unternehmen unterschiedliche Arbeitslasten auf mehrere Arten von Rechensystemen verteilen kann.

Metas Investition in maßgeschneiderte Siliziumchips verdeutlicht auch die wachsende Bedeutung von Hardware im globalen KI-Rennen. Während Softwaremodelle und Algorithmen nach wie vor zentral für die Entwicklung künstlicher Intelligenz sind, ist der Zugang zu effizienter und skalierbarer Recheninfrastruktur zu einem zunehmend wichtigen Faktor für Unternehmen geworden, die ihre KI-Fähigkeiten erweitern möchten.

Der geplante Einsatz neuer MTIA-Prozessoren im Jahr 2027 wird daher einen weiteren Schritt in Metas Bemühungen darstellen, eine diversifiziertere Recheninfrastruktur aufzubauen. Wenn die Nachfrage nach KI-Diensten weiterhin wächst, könnten intern entworfene Chips einen zunehmend bedeutenden Teil der langfristigen Strategie des Unternehmens zur Verwaltung des Energieverbrauchs und der Infrastrukturkosten darstellen.