Meta explique la différence entre GPU, CPU et ses puces maison MTIA dans son infrastructure IA

Meta lance une série pédagogique, « L'infrastructure expliquée ». L'entreprise y détaille publiquement ce qu'est la puissance de calcul et comment les GPU, les CPU et ses puces maison MTIA font tourner ses systèmes d'IA à l'échelle de plusieurs milliards d'utilisateurs.

Pourquoi Meta explique les fondamentaux

L'initiative s'inscrit dans une stratégie de transparence plus large : Meta publie régulièrement des contenus sur les coulisses de ses systèmes d'IA, de l'architecture de ses data centers au fonctionnement de ses algorithmes de recommandation. La puissance de calcul revient de plus en plus souvent dans les déclarations des CEO et les rapports trimestriels destinés aux investisseurs, mais on l'explique rarement en termes simples au grand public.

Au sens le plus basique, la compute power désigne la vitesse globale à laquelle un système exécute des opérations mathématiques. Plus elle est élevée, plus on peut entraîner des modèles complexes, et plus ceux-ci tournent vite en production. Pour une entreprise d'IA, c'est littéralement la fondation : sans puissance de calcul suffisante, impossible de sortir de nouveaux modèles, de répondre instantanément aux utilisateurs ou d'alimenter des fils de recommandation en temps réel.

Le contexte de cette publication compte : les plus grands groupes technologiques mondiaux se livrent aujourd'hui une concurrence acharnée précisément sur les capacités de calcul. Meta prévoit de consacrer 60–65 milliards de dollars à son infrastructure IA rien qu'en 2025. Justifier de telles sommes est devenu une nécessité.

Trois types de processeurs dans l'arsenal de Meta

Meta bâtit son infrastructure IA sur la combinaison de trois architectures, chacune avec son propre rôle :

• GPU (processeurs graphiques) : le principal cheval de trait pour l'entraînement des réseaux de neurones. Leurs milliers de cœurs parallèles traitent les calculs matriciels sur lesquels reposent la plupart des algorithmes d'IA. Toutes les versions du modèle ouvert Llama ont été entraînées sur GPU.
• CPU (processeurs centraux) : ils gèrent la logique des systèmes, coordonnent les tâches et traitent les données qui ne nécessitent pas de parallélisme massif.
• MTIA (Meta Training and Inference Accelerator) : la puce maison, conçue spécifiquement pour les charges de travail de Meta, à savoir les systèmes de recommandation, le classement des contenus sur Facebook et Instagram et l'inférence des modèles Llama.

En combinant ces trois architectures, Meta répartit la charge de façon optimale : inutile de mobiliser de coûteux GPU là où un CPU suffit, et MTIA prend le relais là où il faut une vitesse spécialisée avec une consommation d'énergie moindre.

Pourquoi Meta conçoit ses propres puces

La dépendance aux fournisseurs externes, NVIDIA en tête, crée des risques sur les chaînes d'approvisionnement et limite les possibilités d'optimisation fine pour les besoins spécifiques de l'entreprise. Depuis deux ans, le marché des GPU vit sous le régime d'une pénurie sévère : les files d'attente pour les nouvelles séries Hopper et Blackwell s'étiraient sur des mois.

Par ailleurs, les puces généralistes doivent prendre en charge un large éventail de tâches, ce qui implique inévitablement des compromis en matière de performances. MTIA a été conçu pour les modèles et les schémas de calcul propres à Meta, ce qui lui donne un avantage en efficacité et en coût par opération.

Une puce maison permet à Meta de :

• réduire le coût de l'inférence grâce à une architecture taillée pour des modèles précis ;
• accélérer ses cycles de développement sans dépendre de la roadmap de fabricants tiers ;
• augmenter ses capacités sans se disputer des puces tierces en pénurie ;
• optimiser la consommation d'énergie selon la nature de ses charges de travail.

«

Nous sommes convaincus qu'il s'agit de l'un des investissements les plus importants que nous réalisons en ce moment », déclarait Mark Zuckerberg en annonçant son intention d'investir 60–65 milliards de dollars dans l'infrastructure IA en 2025.

Ce que cela signifie

Ces contenus pédagogiques de Meta ne relèvent pas du simple PR d'entreprise. Une société capable de rendre accessible un sujet complexe gagne sur plusieurs fronts : elle attire des talents en ingénierie, façonne le récit auprès des régulateurs et renforce la confiance des développeurs partenaires.

Pour l'utilisateur lambda, ces contenus rappellent que derrière chaque réponse d'un assistant IA ou chaque recommandation dans un fil se cachent des tonnes de matériel physique et des milliards de dollars d'investissement.

Pour l'ensemble du secteur, le signal est plus large : le silicium sur mesure n'est plus l'apanage d'Apple ou de Google. Désormais, chaque grand acteur de l'IA conçoit son propre matériel, et c'est sa puissance qui déterminera qui donnera le tempo de la prochaine génération de systèmes d'IA.

*Meta est reconnue comme organisation extrémiste et interdite en Russie.