Sariling AI chip ng Meta na "Iris" i-mass produce sa Setyembre: Dinisenyo ng Broadcom, ginawa ng TSMC, dodoble ang computing power sa loob ng dalawang taon

Sa mga pulong ng pinansyal na ulat ng Nvidia, ang pinakapaboritong itanong ng mga analista ay "ang banta ng mga sariling gawa ng mga kliyente na chip"; at ang kalahati ng sagot ay nakatago sa Hsinchu. Ayon sa isang panloob na memo ng Meta na nakuha ng Reuters noong nakaraang linggo, ang kumpanyang ito na may bilyun-bilyong gumagamit sa buong mundo ay ilalagay sa linya ng produksyon ang kanilang sariling gawa na AI accelerator na "Iris" sa darating na Setyembre — ang disenyo ay sa Broadcom, at ang pagmamanupaktura ay sa TSMC.

Kaligiran ng Kaganapan

Ang proyekto ng sariling gawa na chip ng Meta na MTIA (Meta Training and Inference Accelerators) ay ilang henerasyon na, at ang Iris ay isa sa apat na henerasyon na pinaplano. Ang mga detalyong ibinunyag ng memo ay medyo bihira: natapos ang debugging at pagsubok ng Iris sa loob ng humigit-kumulang anim na linggo at "walang malalaking isyu," isang bilis na matuturing na napakabilis at maayos para sa isang ASIC sa antas ng data center. Direkta rin ang isinulat na motibasyon — para pababain ang gastos sa lakas ng pag-compute at bawasan ang pag-asa sa Nvidia at AMD.

Mga Pangunahing Punto ng Pagkakataong Ito

• Magsisimula ang mass production ng Iris sa Setyembre 2026: Broadcom ang kasosyo sa disenyo, TSMC ang namamahala sa pagmamanupaktura
• Magiging online ang 7GW (gigawatts) ng kapangyarihan sa pag-compute ng Meta sa 2026, na may layuning doblehin ito sa 14GW sa 2027
• Ang posisyon ng Iris ay "pampuno" (supplement) sa halip na "pampalit" (replacement) sa mga GPU ng Nvidia at AMD
• Anim na linggo para matapos ang debugging at pagsubok, bihira at napakaayos ng progreso
• Ang pinagmulan ng balita ay ang panloob na memo na nakuha ng Reuters, at hindi pa pormal na naglabas ng press release ang Meta

Pagsusuri sa Epekto sa Merkado

Para sa mga gumagamit sa Taiwan: Hindi mo direktang bibilhin ang Iris, ngunit ang mga serbisyong ginagamit mo araw-araw ay mas magiging mura sa pagtakbo ng AI — pagkatapos mapabuti ang istraktura ng gastos ng mga tampok ng AI ng pamilya ng Meta (IG, FB, WhatsApp), ang kisame ng mga libreng tampok ng AI ay patuloy na tataas.

Para sa mga negosyo sa Taiwan: Ito ang pinaka-"Taiwan" na internasyonal na balita sa linggong ito. Sa proseso ng pag-alis sa Nvidia (de-Nvidianization) ng mga hyperscaler, ang bawat landas ay hindi maiiwasang dumaan sa Taiwan: ang ASIC ng Broadcom ay nangangailangan ng mga advanced na proseso ng TSMC, ang advanced packaging ay kumakain ng kapasidad ng CoWoS, at ang buong pagpapadala ng makina ay patuloy na sa mga AI server foundry ng Foxconn, Quanta, at Wistron. Ang 7GW hanggang 14GW ng Meta, kapag isinalin sa wikang Tsino (o kontekstong pang-industriya), ay nangangahulugan ng mga tiyak na order para sa supply chain ng Taiwan sa susunod na dalawang taon — at ito ay sa paraang hindi umaasa sa Nvidia.

Para sa mga developer: Sa panahon ng pagkapira-piraso ng mga sariling gawa na chip, ang abstraction sa antas ng balangkas (framework) ay nagiging mas mahalaga. Ang mga inhinyero na marunong gumamit ng mga compiler at cross-hardware tool chain (tulad ng Triton at XLA) ay tataas lamang ang kapangyarihan sa pakikipag-ayos; ang mga kasanayang nakatali lamang sa iisang ekosistema ng CUDA ay nag-iipon ng mga panganib.

Mga Trend sa Hinaharap na Pag-unlad

Ang Google ay may TPU, ang Amazon ay may Trainium, at ang pakikipagtulungan ng OpenAI at Broadcom ay matagal nang naiulat nang publiko. Ang Iris ng Meta ay nagpapatunay lamang na ang palaisipan na "bawat hyperscaler ay may kanya-kanyang chip" ay nagiging mas kumpleto. May tatlong tagapagpahiwatig na dapat bantayan ng mga mamumuhunan at manggagawa sa Taiwan: ang pag-iskedyul ng mga advanced na proseso at CoWoS ng TSMC, ang mga pagtataya sa pananalapi ng negosyo ng ASIC ng Broadcom, at ang mga pagbabago sa istraktura ng pag-order ng mga tagagawa ng AI server foundry. Ang kumpetisyon na ito sa sariling gawa na chip, tulad ng ating naunang pagsusuri sa kontrol sa pag-export ng chip sa Taiwan, ay tumuturo sa iisang bagay: ang soberanya ng pag-compute ay nagiging isang karaniwang pagkabalisa para sa mga pangunahing bansa at malalaking kumpanya.

Buod at Komento ng TheAI Academy

Isang pangungusap na buod: Ang bawat hakbang ng mga malalaking kumpanya sa pag-alis sa Nvidia ay nagdaragdag ng mga order para sa supply chain ng Taiwan — ang Iris ay hindi ang kampana ng kamatayan ng Nvidia, kundi isa pang pangmatagalang kontrata para sa TSMC.

Mga tiyak na mungkahi para sa mga mambabasa: Ang mga propesyonal ay dapat mag-abangan sa mga bakanteng posisyon sa disenyo ng ASIC at mga advanced na packaging; pinaaalalahanan ang mga mamumuhunan na ang artikulong ito ay hindi payo sa pamumuhunan, at ang antas ng pakinabang ng supply chain ay dapat ibatay sa mga pinansyal na ulat at mga kumperensya ng bawat kumpanya.

Pinagmulan ng Impormasyon

• Reuters (sa pamamagitan ng US News): Meta to put AI chip into production in September
• CNBC: Meta to put AI chip into production in September

Ang nasa taas ay pinagsama-sama batay sa pampublikong impormasyon, at ang mga kasunod na opisyal na pahayag ang mangingibabaw; para sa mga desisyon sa pamumuhunan, mangyaring suriin nang mag-isa, at ang artikulong ito ay hindi bumubuo ng payo sa pamumuhunan.

Pag-alis sa Mito: Ang Sariling Gawa ba na Chip ay Nangangahulugang "Pag-iwan" sa Nvidia?

Sa mga ulat ng media sa teknolohiya, madalas makakita ng mga nakakaaliw na pamagat tulad ng "pag-alis sa Nvidia" o "paghamon sa hari," na madaling lumikha ng maling pagkaunawa sa mga mambabasa na kapag sinimulan ng Meta o iba pang mga higanteng cloud ang paggamit ng mga sariling gawa na chip, lubusan na nilang ititigil ang pagbili ng mga GPU ng Nvidia. Sa katunayan, ito ay isang maling pagkaunawa na "itim o puti."

Sa arkitektura ng mga data center, ang estratehiya sa paggamit ng chip ay karaniwang "tiered management." Ang mga pangkalahatang GPU (tulad ng mga produkto ng Nvidia) ay may napakataas na kakayahang umangkop, na angkop para sa paghawak ng iba't ibang hindi kilalang mga inobasyon sa algorithm at kumplikadong pangkalahatang pag-compute; samantalang ang mga sariling gawa na chip (tulad ng Iris) ay lubos na na-optimize para sa mga "tukoy na gawain," tulad ng espesyal na paghawak ng mga recommendation algorithm, modelo ng paglalagay ng ad, o inference ng mga malalaking modelo ng wika (Large Language Models). Para sa Meta, ang sariling gawa na chip ay para palayain ang mga mamahaling pangkalahatang mapagkukunan ng GPU upang harapin ang mas mapaghamong mga gawain sa pagsasanay (training), sa halip na ganap na palitan ito. Samakatuwid, ito ay mas katulad ng estratehiya ng "mixed formation" sa halip na isang simpleng relasyon ng pagpapalit.

Mga Pagkakaiba sa Papel ng Sariling Gawa na Chip at Pangkalahatang GPU

Upang mas maging malinaw sa mga mambabasa ang papel na ginagampanan ng mga chip na ito sa data center, inayos namin ang sumusunod na talahanayan ng paghahambing upang tulungan kang maunawaan kung bakit kailangan ng mga malalaking kumpanya ang parehong uri ng mga produkto:

Item ng Paghahambing	Pangkalahatang GPU (Tulad ng mga produkto ng Nvidia)	Sariling Gawa na AI Accelerator (Tulad ng Iris)
Pangunahing Bentahe	Kumpletong ekosistema, napakataas na suporta sa software, malakas na kakayahang umangkop	Na-optimize para sa mga tiyak na modelo, napakahusay na ratio ng kuryente at kapangyarihan, kontroladong gastos
Pangunahing Paggamit	Pagsasanay sa pinakamataas na antas ng modelo, pagsasaliksik at pagpapaunlad sa mga hindi kilalang larangan	Malawakang inference, paulit-ulit na mga sistema ng ad at rekomendasyon
Ekosistema ng Software	May hinog na ekosistema ng CUDA, mabilis matutunan ng mga developer	Kadalasang umaasa sa mga tiyak na compiler, mas mataas na hadlang sa pagbuo
Estratehiya sa Pagbili	Umaasa sa suplay ng tagapag-suplay, limitado ng presyo sa merkado at kapasidad	Malayang kinokontrol ang disenyo at kapasidad, binabawasan ang pangmatagalang gastos sa operasyon
Naaangkop na Senaryo	Mga gawang naghahangad ng sukdulang kapangyarihan sa pag-compute at bilis ng R&D	Mga gawang naghahangad ng sukdulang kahusayan sa gastos at matatag na output

Bakit ang "Maayos na Pag-debug" ay Susi na Tagapagpahiwatig ng Pagbuo ng Chip?

Binanggit sa artikulo na ang Iris ay nakumpleto ang debugging sa loob ng anim na linggo at "walang malalaking isyu." Para sa mga hindi eksperto, maaari lamang itong maging teknikal na detalye, ngunit para sa industriya ng semiconductors, ito ay isang napakahusay na tagapagpahiwatig.

Ang disenyo ng chip ay isang napakakomplikadong inhinyeriya, mula sa disenyo ng circuit, pagpapatunay ng lohika hanggang sa pisikal na layout, ang anumang maliit na pagkakamali ay maaaring humantong sa pagkasira ng chip, o maging sa pag-aaksaya ng ilang buwan upang muling mag-tape-out. Para sa isang kumpanya na hindi tradisyonal na taga-disenyo ng chip tulad ng Meta, ang kakayahang makumpleto ang debugging sa maikling panahon ay nangangahulugan na ang proseso ng pakikipagtulungan nito sa Broadcom ay naging lubhang mature, at ang mga advanced na tool sa simulation ay ipinakilala sa yugto ng pagpapatunay ng disenyo. Nangangahulugan ito na ang proyekto ng sariling gawa na chip ng Meta ay lumipat na mula sa "experimental nature" patungo sa pormal na yugto ng "matatag na mass production." Para sa supply chain, nangangahulugan ito na sa susunod na dalawang taon, ang pagpaplano ng kapasidad para sa chip na ito ay magiging napakatatag, at hindi maaantala ang mga order dahil sa mga depekto sa disenyo.

Mga Mungkahi sa Karera para sa mga Developer: Paano Harapin ang Pagkapira-piraso ng Hardware?

Sa sunud-sunod na paglulunsad ng mga sariling gawa na chip ng iba't ibang mga higanteng cloud, ang magiging kapaligiran ng pag-compute ng AI sa hinaharap ay magiging mas "pira-piraso." Noong nakaraan, basta't sanay ang isang inhinyero sa iisang ekosistema ng hardware (tulad ng CUDA), maaari na siyang magtrabaho kahit saan, ngunit ang modelong ito ay nahaharap sa mga hamon.

Para sa mga software engineer at mananaliksik ng AI, ang pangunahing kompetensiya sa hinaharap ay hindi na "pagtatali sa isang tiyak na hardware," kundi ang "kakayahang umangkop sa iba't ibang hardware." Iminumungkahi na ang mga developer ay magsimula sa tatlong direksyon na ito:

1. Master ang mababang antas ng teknolohiya ng compiler: Alamin kung paano i-convert ang mga modelo sa mga intermediate representation (IR) na maaaring patakbuhin ng iba't ibang hardware, tulad ng pamilyar sa MLIR o mga kaugnay na arkitektura ng compiler.
2. Yakapin ang mga bukas na pamantayan: Bigyang-pansin at lumahok sa mga open-source cross-hardware frameworks; ang mga tool na ito ay nagbibigay-daan sa iyo na sumulat ng code nang isang beses at patakbuhin ito sa mga chip ng iba't ibang tatak.
3. Unawain ang mga katangian ng arkitektura ng hardware: Hindi kailangang maging taga-disenyo ng chip, ngunit dapat unawain ang memory bandwidth, cache hierarchy, at mga bottleneck sa pag-compute, na makatutulong sa iyong magsulat ng mas mahusay na code na umaayon sa mga katangian ng hardware kapag nagsusulat ng mga modelo ng AI.

Sa panahon ng pamumulaklak ng hardware, ang sinumang makakatalos sa "tulay sa pagitan ng software at hardware" ay magkakaroon ng pinakamataas na kapangyarihan sa pakikipag-ayos sa industriya ng AI sa hinaharap.