Dari Penalaran ke Pelatihan: Meta(META.US) Mengumumkan Peningkatan Strategi Chip Buatan Sendiri, CFO menyebut chip kustom sebagai "pilar inti"

Menurut laporan dari APP Caijing Zhitong, meskipun Meta Platforms Inc. (META.US) baru-baru ini mencapai kesepakatan besar dengan produsen chip terkemuka, Chief Financial Officer Susan Li tetap menyatakan dengan tegas pada hari Rabu bahwa perusahaan sedang berupaya memperluas batas aplikasi chip kustom. Dia menunjukkan bahwa karena sebagian beban kerja Meta memiliki tingkat kustomisasi yang sangat tinggi, chip buatan sendiri dapat lebih baik menyesuaikan dengan kebutuhan algoritma internal tertentu. Saat ini, Meta telah melakukan penerapan massal chip kustom di bidang inti sistem peringkat dan rekomendasi, dan fokus strategis ke depan adalah secara bertahap memperluas kemampuan ini ke bidang pelatihan model kecerdasan buatan.

Meskipun bukan penyedia layanan cloud tradisional, Meta adalah salah satu operator pusat data terbesar di dunia yang digunakan untuk melatih dan menjalankan model kecerdasan buatan. Dalam beberapa minggu terakhir, perusahaan ini telah mencapai beberapa kesepakatan besar dengan pemimpin industri NVIDIA (NVDA.US) dan pesaing AMD (AMD.US), untuk membeli chip dan perangkat yang mendukung beban kerja AI. Sementara itu, induk perusahaan media sosial ini terus mendorong proses pengembangan prosesor AI internalnya.

Dalam pernyataannya, Susan Li menekankan bahwa Meta sedang mengadaptasi berbagai jenis chip melalui pengadaan untuk memenuhi beragam kebutuhan tugas. “Berdasarkan pemahaman dan kebutuhan saat ini, kami secara sistematis mengevaluasi solusi chip yang paling sesuai untuk setiap skenario aplikasi,” katanya, “dan chip kustom selalu menjadi pilar utama dalam strategi ini.”

Pernyataan ini menandai bahwa proyek chip internal Meta (MTIA) telah memasuki tahap penting. Sejak pertama kali mengumumkan rencana MTIA pada tahun 2023, fokus awal pengembangan Meta terutama terpusat pada tahap inferensi, dengan tujuan meningkatkan efisiensi komputasi sistem rekomendasi Facebook dan Instagram serta mengurangi ketergantungan pada GPU umum NVIDIA.

Seiring meledaknya gelombang AI generatif, kebutuhan daya komputasi Meta meningkat secara eksponensial, dan hanya memenuhi tahap inferensi tidak lagi cukup untuk mendukung strategi model besar mereka. Pernyataan terbaru Susan Li mengirimkan sinyal yang jelas ke pasar: meskipun saat ini ada keraguan tentang hambatan pengembangan chip pelatihan AI tingkat atas, Meta tetap teguh memandang “chip pelatihan buatan sendiri” sebagai tujuan utama transformasi infrastruktur mereka.

Namun, jalan menuju otonomi daya komputasi tidaklah mulus. Baru-baru ini, ada kabar bahwa Meta menghadapi hambatan teknis dalam pengembangan chip pelatihan terdepan, bahkan ada rumor bahwa beberapa proyek berkinerja tinggi mereka mungkin mengalami penyesuaian ritme. Untuk menyeimbangkan kekurangan daya komputasi berkinerja tinggi secara langsung dan tujuan pengembangan internal jangka panjang, Meta saat ini mengadopsi strategi pasokan yang fleksibel dan beragam.

Di satu sisi, terungkap bahwa Meta telah mencapai kesepakatan dengan Google untuk menyewa sumber daya TPU Google guna mempercepat pengembangan model besar saat ini; di sisi lain, perusahaan tetap mempertahankan hubungan pengadaan yang mendalam dengan NVIDIA. Penekanan Susan Li pada “perlahan-lahan memperluas seiring waktu” menunjukkan bahwa Meta akan mengambil pendekatan transisi yang stabil, yaitu terlebih dahulu mencapai terobosan dalam tugas kustom tertentu, kemudian akhirnya menaklukkan puncak daya pelatihan model umum.

Dari sudut pandang industri, proses pembuatan chip Meta mencerminkan logika umum dari perusahaan cloud skala besar di era AI—pengembangan lengkap secara mandiri. Dengan mengintegrasikan arsitektur chip secara mendalam dengan model-model milik sendiri seperti Llama, Meta tidak hanya berpotensi secara signifikan mengurangi biaya pembelian perangkat keras dan konsumsi energi dalam operasi jangka panjang, tetapi juga menghindari ketergantungan terhadap gangguan rantai pasokan.

Meskipun melangkah dari inferensi sistem rekomendasi ke pelatihan model yang kompleks menghadapi tantangan arsitektur yang besar, Meta dengan basis aplikasi yang luas dan arus kas yang melimpah berusaha mendefinisikan ulang keseimbangan kekuasaan antara raksasa internet dan pemasok perangkat keras.