Meta prepara cuatro generaciones de chips MTIA para reducir su dependencia de Nvidia y AMD

Meta está acelerando drásticamente su propio programa de chips: la empresa ya ha lanzado el MTIA 300 en producción y planea lanzar tres generaciones más de aceleradores antes del final de 2027. El objetivo es sencillo — reducir la dependencia solo de Nvidia y AMD en la carrera por potencia de cálculo para recomendaciones, publicidad e IA generativa.

Por qué Meta necesita sus propios chips

La carga de infraestructura de Meta está creciendo en múltiples direcciones. La empresa necesita capacidad tanto para los tradicionales sistemas de clasificación de contenido en Facebook e Instagram, como para la IA generativa que responde consultas, crea imágenes y respalda otros productos de su ecosistema. Comprar todo esto solo a proveedores externos es demasiado caro y arriesgado: la demanda de aceleradores es alta, los tiempos de entrega son largos y los márgenes dependen fuertemente de los precios del hardware de terceros.

Por eso Meta apuesta por su propia línea MTIA — Meta Training and Inference Accelerator. No ha abandonado sus socios y ya ha firmado acuerdos multimillonarios con Nvidia y AMD, pero en paralelo intenta resolver algunas tareas con su propio silicio. La lógica es que los chips internos no necesitan ser universales como las GPU comerciales.

Pueden adaptarse más precisamente a los escenarios específicos de Meta y reducir así los costos de inferencia.

Hoja de ruta del MTIA

Meta ahora tiene un plan bastante claro para varias generaciones. La empresa dice que puede lanzar un nuevo chip aproximadamente cada seis meses — notablemente más rápido que el ciclo habitual de la industria, donde frecuentemente pasan uno o dos años entre generaciones. Una arquitectura modular ayuda: los nuevos aceleradores pueden insertarse en bastidores ya preparados e infraestructura de red de los centros de datos.

• MTIA 300 ya está funcionando en producción y se utiliza para entrenar modelos de clasificación y recomendación.
• MTIA 400 ha pasado pruebas de laboratorio y se prepara para su despliegue en centros de datos.
• MTIA 450 se diseña principalmente para inferencia de IA y debería lanzarse en volumen a principios de 2027.
• MTIA 500 está planeado para la segunda mitad de 2027 como el siguiente paso en la misma línea.

Según Meta, la transición de MTIA 300 a MTIA 500 debe entregar aproximadamente 4,5x de crecimiento en el rendimiento de la memoria HBM y 25x de crecimiento en el rendimiento computacional. La empresa enfatiza especialmente la inferencia: esta etapa, cuando el modelo ya está respondiendo al usuario, se está convirtiendo en el escenario más caro y más extendido para servicios con una audiencia de miles de millones de usuarios.

"En los últimos dos o tres meses, el ritmo del desarrollo de IA se ha

acelerado nuevamente, y los programas de silicio deben seguir la evolución de las cargas de trabajo."

Dónde están los cuellos de botella

El problema es que desarrollar chips propios no es solo caro, sino muy lento y arriesgado. Del diseño a la producción en fábrica típicamente tardan alrededor de dos años, y el refinamiento real del producto cuesta miles de millones de dólares. Un proyecto así solo se rentabiliza si la empresa puede cargar el hardware a escala masiva y entiende claramente qué tareas serán relevantes en el momento del lanzamiento.

Anteriormente se reportó que Meta abandonó su chip de entrenamiento más avanzado, Olympus, después de problemas de diseño y cambió el enfoque a una versión más simple. Para acelerar el programa, Meta intentó comprar la startup surcoreana FuriosaAI por 800 millones de dólares, y tras ese fracaso, adquirió Rivos junto con más de 400 empleados. Esto muestra que la escasez en esta carrera no solo está en GPU, sino también en ingenieros que saben cómo construir silicio complejo de centros de datos.

Lo que esto significa

Meta no está construyendo un reemplazo de Nvidia como "un chip grande", sino un modelo híbrido: seguirá comprando parte de su infraestructura externamente, mientras traslada gradualmente parte del trabajo a su propio MTIA. Si la empresa mantiene el ritmo de lanzamientos y realmente logra reducir los costos de inferencia, obtendrá una ventaja importante en la carrera de IA: mayor control sobre costos, cronogramas y el lanzamiento de nuevas características para miles de millones de usuarios.