Metas motivering, enligt uppgift, är att optimera CPU-till-GPU-beräkningsförhållandet på racknivå och förbättra kostnadseffektiviteten för minnesbandbredd för sina RecSys-arbetsflöden, som kör miljarder inferenser per dag .
Standardversionen, Instinct MI455X, som driver AMD:s Helios-racksystem, är en ingenjörsmässig flaggskeppsprodukt byggd på CDNA 5-arkitekturen. Den använder 8 beräkningsenheter på TSMC:s N2-process (2 nm) och 12 HBM4 12-Hi-staplar för att leverera 432 GB minne . Metas anpassade version halverar beräkningsenheterna – till 4 – och minskar till 6 HBM4 8-Hi-staplar, vilket ger endast 144 GB minne
. Det är i praktiken halva beräkningskraften och en tredjedel av minnesbandbredden jämfört med den fullfjädrade MI455X. Eftersom chippet använder färre enheter och HBM-staplar är Metas variant också fysiskt mindre och kräver mindre ström och mindre komplex förpackning, vilket sänker kostnaden per accelerator
.
SemiAnalysis har riktat skarp kritik mot Metas beslut:
Kärnan i kritiken är att Meta, genom att skala ner chippet, offrar mångsidighet och framtidssäkring för snäv kortsiktig kostnadsoptimering. Detta kan potentiellt låsa in företaget i en äldre hårdvara som inte klarar av de mest avancerade AI-arbetsbelastningarna .
Alla håller dock inte med. Vissa försvarare av strategin påpekar att rekommendationssystem inte behöver samma kapacitet som de mest avancerade stora språkmodellerna (LLM). Vad de behöver är bandbredd per krona för en uppgift som körs miljarder gånger om dagen, vilket gör det nedbantade chippet till en rationell specialisering snarare än ett misstag .
Den 24 februari 2026 meddelade Meta och AMD ett femårigt strategiskt partnerskap värt 60 miljarder dollar för att installera upp till 6 gigawatt AMD Instinct-processorer i Metas AI-infrastruktur . Nyckelvillkoren inkluderar:
Det anpassade ”Half-MI450”-chippet är den första konkreta produkten som kommer ur detta jätteavtal: ett chip specifikt utformat för Metas behov inom rekommendationssystem, med målet att maximera kostnads- och energieffektivitet per inferens i massiv rackskala .