AMD hlásí čtyřnásobnou energetickou efektivitu AI racků. Do roku 2030 míří na 20×

Praktickou představu nabízí scénář AMD založený na reprezentativní trénovací úloze: přibližně dva racky z roku 2030 by mohly poskytnout stejnou výpočetní kapacitu jako 570 racků z roku 2024 využívajících Instinct MI300X. Pokud by se zároveň naplnilo dvacetinásobné snížení energie potřebné pro stejnou práci, znamenalo by to spotřebu nižší o 95 procent.

Některé zprávy připisují tomuto scénáři také až 28násobné snížení uhlíkové intenzity. Tento údaj však nelze chápat jako univerzální hodnotu pro každý datový sál: výsledná uhlíková stopa závisí nejen na hardwaru, ale i na energetickém mixu, z něhož datové centrum elektřinu odebírá.

Proč AMD přešlo z uzlu na celý rack

Předchozí program 30×25 sledoval energetickou efektivitu výpočetního uzlu tvořeného CPU a GPU akcelerátory. AMD oznámila, že tento cíl pro období 2020–2025 překonala a dosáhla zlepšení na úrovni uzlu o 38×, což podle firmy odpovídá 97% poklesu energie potřebné pro stejný výkon.

Nový cíl má širší záběr. Zahrnuje nejen akcelerátory a procesory, ale také paměti, síťovou infrastrukturu, přenos dat, spotřebu napájení a chlazení i skutečné využití hardwaru softwarem. To je podstatné, protože vyšší hodnota FLOPS sama o sobě ještě nezaručuje nižší spotřebu na dokončený trénink nebo inferenční úlohu.

Jak chce AMD efektivity dosáhnout

AMD počítá s kombinací několika vrstev optimalizace:

• Výpočetní architektura: efektivnější akcelerátory a práce s nižší přesností, například formáty FP4 a FP8, mohou zvýšit počet užitečných operací na watt.
• Paměť: větší a rychlejší HBM omezuje přesuny dat a snižuje energetické ztráty způsobené čekáním na data.
• Propojení: vysokorychlostní rozhraní pro komunikaci uvnitř racku i mezi racky zmenšují komunikační prodlevy při paralelním zpracování modelů.
• Software: optimalizace jader, plánování úloh, paralelizace modelů a lepší využití akcelerátorů pomáhají proměnit teoretický výkon v dokončenou práci.
• Návrh celého systému: AMD chce sladit čipy, paměť, síť, napájení, chlazení a software tak, aby se efektivita neposuzovala pouze podle jedné komponenty.

Helios: AMD prodává celý AI rack

Tuto strategii představuje platforma AMD Helios, která kombinuje:

• 72 akcelerátorů AMD Instinct MI455X,
• procesory EPYC s kódovým označením „Venice“,
• síťovou infrastrukturu Pensando,
• až 1,4 exaFLOPS výkonu ve formátu FP8,
• 31 TB paměti HBM4,
• až 260 TB/s propustnosti pro komunikaci uvnitř racku,
• až 43 TB/s propustnosti pro komunikaci mezi racky.

AMD uvádí také až 2,9 exaFLOPS ve FP4. Ve srovnání s rackem Nvidia Vera Rubin NVL72 firma tvrdí až o 15 procent vyšší špičkový výkon FP4, o 50 procent větší kapacitu HBM a o 50 procent vyšší propustnost pro škálování mimo rack. Jde o tvrzení výrobce, nikoli o výsledek nezávislého srovnávacího testu.

Helios je důležitý i obchodně: AMD se nesnaží prodávat pouze samostatné GPU a CPU, ale integrovaný systém na úrovni celého racku. Tím se staví proti systémové nabídce Nvidie, která si v AI infrastruktuře udržuje dominantní pozici.

Výroba začne v roce 2026, přesný plán pro rok 2027 chybí

AMD v červenci uvedla, že Helios je v plné výrobě. První dodávky mají začít na konci třetího čtvrtletí roku 2026 a širší náběh má následovat ve čtvrtém čtvrtletí.

Dostupné podklady ale nepotvrzují konkrétní výrobní milník pro rok 2027. Označení „2026–2027“ je proto přesnější chápat jako očekávané období náběhu a rozšiřování dodávek, nikoli jako pevně ověřený harmonogram.

Rychlý růst datacenter podporuje ambici

Energetická efektivita je pro AMD zároveň technologickou i obchodní otázkou. Reuters uvedl, že poptávku po jejích AI čipech podporuje rozsáhlé rozšiřování datacenter. Podle dalších zpráv dosáhly tržby datacentrové divize AMD ve druhém čtvrtletí 2026 přibližně 6,7 miliardy dolarů, meziročně o 107 procent více. Tato kategorie zahrnuje procesory EPYC i akcelerátory Instinct, nejde tedy čistě o příjmy z AI GPU.

AMD tak slibuje současně vyšší výkon, nižší spotřebu na jednotku práce a kompletnější infrastrukturu. Zda se její odhady naplní v reálných nasazeních, bude záviset na konkrétních modelech, vytížení, chlazení, síťové topologii i dostupnosti elektřiny.

Co zůstává neověřené

Dostupné zdroje neposkytují dostatečné podklady pro spolehlivé vyčíslení nebo charakteristiku finanční strategie Nvidie ani příjmů Googlu ze systémů TPU. Tyto faktory mohou být pro konkurenční prostředí kolem AI infrastruktury významné, nelze je však bez samostatně doložených zdrojů uvádět jako ověřená fakta.