Meta baut den MTIA 400 für zwei sehr verschiedene Aufgaben
Meta hat mit dem MTIA 400 einen eigenen Beschleuniger für das Training großer Sprachmodelle vorgestellt. Gleichzeitig soll der Chip die Empfehlungssysteme betreiben, mit denen der Konzern Werbung auswählt und ausliefert. MTIA steht für Meta Training and Inference Accelerator.
Diese Kombination ist technisch ungewöhnlich. KI-Training benötigt sehr viel Rechenleistung und wird auf großen Clustern mit Tausenden Beschleunigern verteilt. Werbeempfehlungen auf Basis sogenannter Deep Learning Recommender Models sind dagegen häufig durch den Zugriff auf den Speicher begrenzt.
Der MTIA 400 soll rechenintensives KI-Training übernehmen und zugleich die Systeme betreiben, die Metas Kerngeschäft mit Werbung unterstützen.
Für Meta kann die Doppelnutzung trotzdem wirtschaftlich sinnvoll sein. Selbst wenn beim Werbebetrieb ein Teil der Recheneinheiten ungenutzt bleibt, lässt sich die eigene Hardware über mehr Stunden auslasten. Der Chip reduziert zudem die Abhängigkeit von externen GPU-Anbietern bei klar definierten internen Aufgaben.
Aufbau und technische Daten des MTIA 400
Der MTIA 400 basiert auf einer heterogenen Multi-Die-Architektur. Dabei werden mehrere spezialisierte Chipteile in einem Gehäuse kombiniert. Das Paket enthält zwei Rechenchips, zwei Ein- und Ausgabechips sowie einen Systemchip für die Verbindung zum Host und die Steuerung der Arbeitslasten.
Die Rechenchips werden in einem 3-Nanometer-Verfahren gefertigt. Jeder enthält ein Raster aus 6 mal 8 Verarbeitungseinheiten. Zusammen erreicht der MTIA 400 bei 1,7 GHz eine Rechenleistung von 12 PetaFLOPS im Zahlenformat MXFP4, das Berechnungen mit sehr niedriger Präzision und entsprechend hoher Geschwindigkeit ermöglicht.
| Merkmal | MTIA 400 |
|---|---|
| Primäre Aufgabe | Training großer Sprachmodelle |
| Zweite Aufgabe | Inferenz für Werbeempfehlungen |
| Rechenchips | 2 Chiplets im 3-Nanometer-Verfahren |
| Rechenleistung | 12 PetaFLOPS MXFP4 bei 1,7 GHz |
| Speicher | 288 GB HBM3e |
| Speicheraufbau | 8 Stapel mit jeweils 36 GB |
| Speicherbandbreite | 9,2 TB/s |
| Chip-zu-Chip-Verbindung | 1,2 TB/s über RDMA |
| Beschleuniger pro Rack | 72 |
HBM3e ist direkt am Beschleuniger angebundener Hochleistungsspeicher. Die acht Speicherstapel liefern insgesamt 288 GB Kapazität und 9,2 TB/s Bandbreite. Für das Training ist das konkurrenzfähig, bei speicherintensiver Inferenz wird die Bandbreite jedoch schneller zum Engpass.
Für die Kommunikation zwischen den Chips stehen 1,2 TB/s zur Verfügung. Meta setzt dabei auf RDMA, einen direkten Speicherzugriff über das Netzwerk, der den Prozessor weitgehend umgeht. Welche konkrete Verbindungstechnik verwendet wird, hat der Konzern bislang nicht genannt.
Schneller als Blackwell, langsamer als Rubin und MI455X
Bei den für das Training üblichen Präzisionsstufen soll der MTIA 400 rund 20 % mehr Leistung als Nvidias leistungsstärkste Blackwell-Beschleuniger erreichen. Die Leistungsaufnahme liegt laut den vorgestellten Daten in einer ähnlichen Größenordnung. Solche Herstellervergleiche gelten allerdings nur für bestimmte Zahlenformate und Arbeitslasten.
Gegen die neueren Generationen fällt der Abstand deutlicher aus. Nvidia Rubin soll etwa dreimal schneller sein. AMDs Instinct MI455X erreicht demnach ungefähr die 3,3-fache Rechenleistung.
| Vergleich | Einordnung des MTIA 400 |
|---|---|
| Nvidia Blackwell | Rund 20 % schneller bei höheren Trainingspräzisionen |
| Nvidia Rubin | MTIA 400 etwa dreimal langsamer |
| AMD Instinct MI455X | MTIA 400 etwa 3,3-mal langsamer |
| Neueste Nvidia und AMD GPUs | Weniger als die Hälfte der Speicherbandbreite |
Der MTIA 400 ersetzt damit vorerst keine universellen GPUs. Nvidia und AMD bieten ein breiteres Software-Ökosystem und sind für wechselnde Modelle sowie generative Inferenz flexibler. Anwendungsspezifische Beschleuniger spielen ihre Vorteile vor allem bei stabilen und gut verstandenen Arbeitslasten aus.
Meta verfolgt damit einen anderen Ansatz als der OpenAI Jalapeño für besonders schnelle Inferenz. Auch Google und Alibaba investieren in eigene Hardware, darunter Googles gemeinsam mit Chippartnern entwickelte KI-Beschleuniger. Der Trend zeigt, dass große KI-Anbieter ihre Kosten und Lieferketten zunehmend durch eigenes Silizium kontrollieren wollen.
72 Beschleuniger arbeiten in einem Rack
Ein Recheneinschub enthält vier MTIA-400-Beschleuniger. Diese sind über einen PCIe-Switch mit einer x86-CPU und einer Netzwerkkarte verbunden. Ein vollständiges Rack kombiniert 18 Recheneinschübe und acht Switch-Einschübe zu einer gemeinsamen Einheit mit 72 Beschleunigern.
Meta gibt an, dass die Architektur auf mehrere Tausend Beschleuniger skalieren kann. Wie groß ein produktiver Cluster tatsächlich wird und welche Effizienz er beim Training realer Modelle erreicht, ist noch offen. Gerade bei großen Clustern entscheiden Netzwerk, Software und Auslastung ebenso stark über die Kosten wie die theoretische Rechenleistung einzelner Chips.
Metas Modellstrategie passt zu dieser vertikalen Integration. Das Unternehmen entwickelt mit Muse Glimmer bereits Modelle für die eigene Hardware. Wenn Modelle, Laufzeitumgebung und Beschleuniger gemeinsam optimiert werden, lassen sich ungenutzte Ressourcen reduzieren.
MTIA 450 und MTIA 500 sollen 2027 folgen
Für 2027 plant Meta bereits zwei weitere Generationen. Der MTIA 450 soll für Inferenz optimiert werden und die Speicherbandbreite des MTIA 400 verdoppeln. Möglich wäre der Wechsel von HBM3e zu HBM4, bestätigt ist die konkrete Speichertechnik bislang nicht.
Der MTIA 500 soll die Bandbreite nochmals um 50 % erhöhen und doppelt so viele Rechenchips enthalten. Damit würde Meta sowohl die Inferenzleistung als auch die Trainingskapazität deutlich ausbauen.
| Chip | Ausrichtung | Geplante Änderung |
|---|---|---|
| MTIA 400 | Training und Werbeempfehlungen | 288 GB HBM3e, 9,2 TB/s |
| MTIA 450 | Optimierte Inferenz | Doppelte Speicherbandbreite |
| MTIA 500 | Training und größere Modelle | Weitere 50 % Bandbreite, doppelte Zahl an Rechenchips |
Was eigene KI-Chips für Unternehmen bedeuten
Der MTIA 400 wird voraussichtlich keine frei erhältliche Alternative zu Nvidia oder AMD. Für Unternehmen im DACH-Raum wirkt sich der Chip daher vor allem indirekt aus. Eigene Beschleuniger können Metas Betriebskosten senken und dem Konzern mehr Kontrolle über Kapazitäten, Lieferzeiten und Modelloptimierung geben.
Gleichzeitig wächst die vertikale Abhängigkeit. Wer KI-Dienste eines Plattformanbieters nutzt, bezieht zunehmend Modell, Software, Rechenzentrum und Chip aus demselben Ökosystem. Ein späterer Anbieterwechsel kann dadurch aufwendiger werden, selbst wenn die Schnittstellen zunächst austauschbar erscheinen.
Für betriebliche KI-Projekte bleibt deshalb eine Trennung von Modellzugriff, Datenhaltung und Anwendungslogik sinnvoll. Offene Modelle und eigene Infrastruktur erreichen nicht immer die Effizienz hoch spezialisierter Chips. Sie bieten dafür mehr Kontrolle über Datenschutz, Kostenentwicklung und Vendor-Lock-in.