Meta avduker fire nye brikker for å drive sine AI- og anbefalingssystemer

Meta har avduket fire nye brikker de har designet for å håndtere oppgaver som trening og kjøring av AI-modeller og servering av anbefalinger på tvers av sosiale medieplattformer og andre tjenester.

De nye brikkene er en del av Metas Meta Training and Inference Accelerator (MTIA)-familie og er designet for bruk i datasentre. Meta har designet sitt eget silisium i noen år nå, hovedsakelig som en måte å kutte kostnadene ved å drive sine AI- og anbefalingssystemer. Selskapet sier at de trenger tilpassede brikker for å holde tritt med etterspørselen etter AI-drevne tjenester.

Google, Amazon og Microsoft har også designet sine egne AI-brikker som en måte å unngå å måtte stole på komponenter fra andre selskaper og for å optimalisere datasentrene sine for maskinlæring. En fersk artikkel om den globale mangelen på AI-brikker understreker poenget, og forklarer at «teknologiselskaper har et febrilsk jag etter datakraft for å holde tritt med de økende kravene til kunstig intelligens-modeller.» Konsekvensen av alt dette er at den som har den beste AI-infrastrukturen kan ende opp med å eie fremtiden til AI.

Hva chipsene gjør

MTIA-brikkene er bygget for å utføre to hovedfunksjoner. Trening er den beregningsintensive oppgaven med å trene en AI-modell på et datasett. Inferens er prosessen med å bruke en trent modell til å lage forutsigelser i sanntid. Metas tilpassede brikker er optimalisert for inferens, noe som ikke er overraskende gitt at selskapets kjerneprodukter dreier seg om anbefalingsalgoritmer.

Hver gang du liker eller kommenterer et innlegg eller blar forbi en video, lager en AI-modell forutsigelser om hva du kanskje vil se videre. Analytikere sier ofte at anbefalinger er blant de mest intensive bruksområdene for AI i verden. For en titt på hvordan de fungerer på tvers av sosiale medieplattformer, sjekk ut denne nylige artikkelen om AI-anbefalingsalgoritmerOptimalisering av disse arbeidsbelastningene kan være forskjellen mellom en rask app og en treg en.

Hvorfor det betyr noe

På en måte er imidlertid detaljene rundt brikkene sekundære i forhold til en viktigere trend: AI handler ikke lenger bare om programvare, det handler om datakraft. For å bygge banebrytende AI-modeller trenger du spesialbygde brikker, enorme mengder energi og enorme datasentre. Selskaper som kan få kontroll over den infrastrukturen, får en stor fordel over alle andre.

Metas innsats innen spesialtilpassede brikker er et tegn på at neste fase av AI-krigene kan bli ført ikke bare innen AI-forskning, men også innen halvlederdesign. Noen analytikere tror at hvis selskaper kan utvikle sine egne optimaliserte maskinvarestabler, vil de kunne kutte kostnadene betydelig og øke hastigheten på utrullingen av AI på tvers av et bredt spekter av applikasjoner, fra anbefalinger til stemmeassistenter til de oppslukende digitale verdenene i metaverset.

Akkurat nå kan Metas kunngjøring av fire nye brikker virke som en liten detalj i den episke historien om AI. Men spør de som jobber med dette, og de vil fortelle deg noe annet: Noen ganger ligger ikke nøkkelen til å låse opp AI i algoritmene, den er etset inn i selve silisiumet.