一言で言うと
Metaは、自社開発のAI推論用チップ「MTIA」の4世代を発表し、今後2年間にわたる迅速な展開計画を明らかにしました。これは、AIモデルの推論処理に特化することで、NVIDIA製の画像処理装置（GPU: Graphics Processing Unit）への依存を減らし、コスト効率と性能を最適化する戦略の一環です。
何が起きているのか
Metaは、Broadcomと提携し、自社開発のAI推論用アクセラレータ、つまり特定の処理を速く動かすための専用チップである「MTIA（Meta Training and Inference Accelerator）」の4世代（MTIA 300、400、450、500）を発表しました。これらのチップは、AIモデルの推論（学習済みモデルを使って予測や判断を行う処理）をより効率的に実行するために設計されています。
MTIA 300はすでにランキングやレコメンデーションのトレーニングに投入されており、MTIA 400はデータセンター展開に向けてテスト中です。MTIA 450と500は、それぞれ2027年初頭と後半に大規模展開が予定されています。
Metaの技術ブログによると、MTIA 300からMTIA 500にかけて、HBM（High Bandwidth Memory: 広帯域幅メモリ）の帯域幅、つまりメモリと計算装置のあいだで一度にどれだけ多くのデータをやり取りできるかを示す性能は4.5倍、演算性能（FLOPs）は25倍に向上しています。
特にMTIA 450は、NVIDIAのH100やH200といった既存の主要商用製品よりも高いHBM帯域幅を持つとされ、MTIA 500ではさらに50%のHBM帯域幅と最大80%のHBM容量が追加されます。
Metaが言いたいのは、AIが答えを一つずつ作っていく推論処理では、FLOPsに表れる「1秒間にどれだけ多くの計算をこなせるか」という性能だけでなく、HBM帯域幅、つまり必要なデータをメモリからどれだけ素早く取り出せるかが、性能を大きく左右する場面が多いということです。そのため、幅広い用途に対応する汎用GPUよりも、この推論処理に合わせて設計した専用チップの方が、電力やコストを抑えながら効率よく動かせるという考え方です。
AI業界の文脈では
MetaのMTIA開発は、AI業界におけるNVIDIAのGPUに対する高い依存度を低減しようとする、大手テック企業の動きを象徴しています。大規模なAIモデルの運用には膨大な計算資源が必要であり、特に推論の段階はユーザーへのサービス提供に直結するため、効率性とコストが極めて重要です。
Metaのような巨大テック企業が自社でAIチップを開発することは、特定の用途に合わせたハードウェアを設計することで、汎用GPUでは達成しにくい性能とコスト効率を実現できるという明確なメリットがあります。また、PyTorchやvLLM（大規模言語モデル（LLM: Large Language Model）向けの推論エンジン）、Tritonといった業界標準のソフトウェア基盤をそのまま使いやすくすることで、既存のAI開発環境との連携を保ちつつ、開発者の移行負担を小さくしています。これは、AIインフラの多様化と、AIチップ市場における競争の激化を加速させる動きと言えるでしょう。
私の見立て
MetaによるMTIAチップの自社開発と迅速な展開は、AIインフラ戦略における重要な転換点を示しています。これは、AIモデルの学習と推論という異なるフェーズに最適なハードウェアを使い分けることで、運用コストを劇的に削減し、AIサービスの競争力を高めるという経営判断の表れです。
医療分野では、画像診断やゲノム解析、電子カルテからの情報抽出など、大規模なAIモデルがリアルタイムで推論を行う必要のある場面が増えています。このような環境で推論コストが削減されれば、より多くの医療機関がAI技術を導入しやすくなり、患者ケアの質向上に貢献するでしょう。
AIビルダーとしては、推論に特化したチップの登場は、作ったAIモデルを実際のサービスや現場でどう動かすかという設計に、新たな選択肢をもたらします。汎用GPUに加えて、特定の作業に最適化された専用チップを活用することで、より効率的で拡張しやすいAIシステムを構築できる可能性が広がります。
→ 何が変わるか: AIモデルの推論コストが大幅に削減され、特に大規模なAIサービスを提供する企業は、自社開発チップによる競争優位性を確立する動きが加速します。
→ 何をすべきか: AIを活用する企業は、自社のAI処理、特に推論がどのような特性を持つかを詳しく見極め、汎用GPUだけでなく、推論に特化した専用チップの導入も視野に入れたインフラ戦略を検討すべきです。