مسرّعات Meta الداخلية MTIA 450 و 500: الجدول الزمني، التكلفة، واستهلاك الطاقة

تعلن Meta عن اختبار شريحة MTIA 450، التي تحمل الاسم الرمزي "Arke"، وتخطط لنشرها في مراكز البيانات خلال النصف الأول من عام 2027. تم تصنيع هذه الشريحة بالتعاون مع Broadcom وTSMC، بهدف تقليل الاعتماد على معالجات Nvidia وتوفير حل مخصص لتشغيل أعباء الاستدلال (inference) الخاصة بـ Meta.

الشريحة MTIA 500، التي تُعرف داخليًا باسم "Astrid"، من المقرر أن تنتهي من مرحلة التصميم حوالي شهر بعد 15 سبتمبر 2026، وتدخل مراكز البيانات بحلول نهاية 2027. تعتمد كل من MTIA 450 و500 على بنية رَك (rack) معيارية مشتركة، وتدعم أطر عمل مثل PyTorch وvLLM وTriton، وفقًا لمواصفات Open Compute Project.

تحسين الكفاءة حسب الوات وال دولار Meta تؤكد أن شريحتها المخصصة توفر كفاءة أعلى في استهلاك الوات وتكلفة التشغيل مقارنةً بالمعالجات العامة. تجدر الإشارة إلى أن هذه المقارنة لم تُجرَ من قبل طرف مستقل، بل تستند إلى بيانات داخلية للشركة.

حجم الإنتاج وخطط التوسع Meta صرّحت بأنها قد استثمرت أكثر من غيغاواط من شريحة MTIA خلال اثني عشر شهرًا، مع نية تسريع الإنتاج إذا استمرت طلبات الذكاء الاصطناعي في النمو. في 1 سبتمبر، استلمت الشركة 12 شريحة MTIA 450 من TSMC، وأظهرت هذه الشرائح أداءً يتراوح بين 2% و3% من نتائج المحاكاة، وتم تشغيل نماذج Meta وDeepSeek وAlibaba فور استلامها.

حدود الأداء والقرارات الإستراتيجية على عكس ما كان مخططًا في مشروع Olympus، الذي كان يدمج قدرات التدريب والاستدلال، قررت Meta إلغاء المشروع بسبب ارتفاع محتمل في التكلفة بنسبة 30%، وهو ما كان غير مقبول على مستوى غيغاواط من الطاقة. وبالتالي، تم توجيه MTIA 450 و500 لتكون مخصصة للاستدلال العام للذكاء الاصطناعي، وليس للسرعة الفائقة.

العوامل التي تؤثر على استهلاك الطاقة الكلي من المهم أن نذكر أن تقليل الطاقة المستهلكة لكل طلب لا يضمن بالضرورة انخفاض الاستهلاك الكلي إذا ارتفع حجم الاستخدام بسرعة أكبر. هذا المبدأ يُظهر أن تحسين الكفاءة الفردية قد يُقابل بزيادة الطلب الكلي، مما قد يُعقّد أهداف خفض الطاقة.

قائمة النقاط الرئيسية

اختبار MTIA 450 (Arke) مع جدول نشر في النصف الأول من 2027.

إكمال تصميم MTIA 500 (Astrid) بحلول أواخر 2027.

التعاون مع Broadcom وTSMC لتقليل الاعتماد على Nvidia.

استثمار أكثر من غيغاواط من الشرائح خلال سنة واحدة.

إلغاء مشروع Olympus لتفادي زيادة تكلفة الطاقة بنسبة 30%.

التحديات المستقبلية تواجه Meta تحديًا في موازنة بين تحسين الكفاءة وتقليل التكلفة من جهة، وزيادة الطلب على خدمات الذكاء الاصطناعي من جهة أخرى. سيعتمد نجاح استراتيجية MTIA على قدرة الشركة على توجيه الطلبات إلى البنية التحتية المخصصة دون أن يتسبب ذلك في استهلاك طاقة إجمالي أعلى.

نقاط إضافية للتحقق

إنّ الاعتماد على شريحة MTIA 450 في مرحلة الاستدلال يفتح بابًا لتقليل الاعتماد على معالجات الرسوميات التقليدية، ما قد يتيح مرونة أكبر في توزيع الأحمال داخل مراكز البيانات، خاصةً عندما تتطلب نماذج الذكاء الاصطناعي الحديثة زمن استجابة منخفض وتوافرًا مستمرًا. وعلى الرغم من أن الأداء المبدئي يُظهر تحسينًا ملحوظًا في استهلاك الطاقة لكل عملية، فإنّ الفوائد الفعلية ستعتمد على قدرة أنظمة إدارة الموارد على توجيه الطلبات بفعالية إلى هذه الشرائح المخصصة دون إحداث اختناقات أو تأخير في سير العمل.

تُظهر الخطة الزمنية لإطلاق MTIA 500 أن الشركة تستهدف إكمال مرحلة التصميم قبل نهاية عام 2026، ما يستلزم اختبارًا دقيقًا للتأكد من توافق التصميم مع المتطلبات المتزايدة لتدريب النماذج الضخمة. إذا نجحت هذه المرحلة، فإنّ القدرة على دمج الشرائح في بنية رَك المعيارية سيسمح بتوسيع السعة بسرعة، لكنه يفرض أيضًا ضرورة مراجعة سياسات الصيانة وتحديث البرمجيات لضمان استقرار الأداء عبر مختلف أطر العمل المدعومة.

من الناحية الاقتصادية، يُعَدّ تحسين الكفاءة في استهلاك الوات والدولار خطوة استراتيجية لتقليل التكاليف التشغيلية، لكن الاعتماد على بيانات داخلية لتقييم هذه الكفاءة يطرح سؤالًا حول شفافية النتائج. إنّ إجراء مراجعات مستقلة أو مشاركة نتائج الاختبارات مع جهات خارجية قد يضيف مصداقية أكبر للتقارير، ويمنح المستثمرين والعملاء صورة أوضح عن الفوائد المتوقعة من الانتقال إلى الشرائح الداخلية.

عند النظر إلى حجم الإنتاج المخطط له، فإنّ استثمار أكثر من غيغاواط من الشرائح خلال عام واحد يتطلب بنية إمداد قوية وتنسيقًا محكمًا مع موردي التصنيع. هذا المستوى من الإنتاج قد يخلق فرصًا لتقليل تكلفة الوحدة، لكنه يضع أيضًا ضغطًا على سلاسل الإمداد لضمان جودة ثابتة وعدم حدوث تأخيرات قد تؤثر على الجدول الزمني للنشر في مراكز البيانات.

إلغاء مشروع Olympus كان قرارًا استراتيجيًا لتفادي ارتفاع تكلفة الطاقة المحتمل، وهو ما يبرز أهمية موازنة طموحات الابتكار مع القيود العملية. تركيز الجهود الآن على استدلال عام بدلاً من دمج التدريب قد يحد من القدرة على تشغيل أعباء تدريبية داخلية، مما قد يستلزم الاعتماد المستمر على حلول سحابية خارجية لتلك المراحل، وهو ما قد يؤثر على التكلفة الكلية للمشروع.

أخيرًا، يبقى التحدي الأكبر هو تحقيق توازن بين تحسين الكفاءة الفردية للمعالجة وزيادة الطلب الكلي على خدمات الذكاء الاصطناعي. إذا ارتفعت الطلبات بسرعة تفوق تحسينات الكفاءة، فقد يُصبح من الصعب تحقيق خفض حقيقي في استهلاك الطاقة الكلي. لذا، فإنّ تطوير آليات مراقبة وتحكم ذكية لتوجيه الأحمال وتحديد أوقات الذروة يصبح أمرًا أساسيًا لضمان أن الاستثمارات في الشرائح المخصصة تترجم إلى فوائد بيئية واقتصادية مستدامة.

في الختام، تُظهر مسار تطوير شرائح MTIA 450 و500 التزام Meta بتقليل الاعتماد على الموردين الخارجيين وتعزيز كفاءة الطاقة في مراكز البيانات. يبقى السؤال ما إذا كان هذا النهج سيؤدي إلى خفض حقيقي في استهلاك الطاقة الكلي عندما يتصاعد الطلب على خدمات الذكاء الاصطناعي.