AMD brugte IFA Berlin 2026 til at vise Threadripper Halo Station: en væskekølet prototype-workstation, der skal gøre datacenterlignende AI-kapacitet mulig i én maskine ved skrivebordet. Målgruppen er udviklere, forskere og organisationer med behov for at køre og udvikle meget store AI-modeller lokalt.
AMD's centrale påstand er, at platformen i den mest hukommelsesstærke udgave kan køre modeller med mere end én billion parametre uden forbindelse til en cloudtjeneste. Det er AMD's egen kapacitets- og positioneringspåstand; den praktiske anvendelighed afhænger fortsat af blandt andet modelarkitektur, præcision eller kvantisering, opgaven og softwareunderstøttelsen.
4
7
96 kerner og op til fire Instinct-acceleratorer
Kernen i systemet er en AMD Ryzen Threadripper PRO 9995WX med 96 kerner og 192 tråde. Platformen understøtter op til 2 TB DDR5 RDIMM-systemhukommelse.
4
11
AI-arbejdet skal håndteres af op til fire AMD Instinct MI350P-acceleratorer. Hver MI350P har 144 GB HBM3e-hukommelse, hvilket giver op til 576 GB acceleratormemory i en konfiguration med fire kort.
4
24
AMD angiver følgende maksimumtal for platformen:
- Op til 2,6 TB samlet hukommelse
- Op til 16,4 TB/s samlet hukommelsesbåndbredde
- Op til fire Instinct-acceleratorer med HBM-hukommelse
7
Netop hukommelsen er en afgørende del af argumentet. Store sprog- og AI-modeller kræver ikke blot høj regnekraft, men også tilstrækkeligt hurtig hukommelse til modelvægte og arbejdsdata lokalt.
Det AMD faktisk viste i Berlin
Maskinen på IFA var en væskekølet prototype med to MI350P-acceleratorer og dermed 288 GB HBM3e. Det er væsentligt at skelne den viste maskine fra den planlagte topkonfiguration med fire acceleratorer og op til 576 GB HBM3e.
3
14
AMD omtaler Halo Station som en prototype og ikke som en færdig standardmaskine, der kan bestilles nu. Virksomhedens produktside beskriver den som et system, der for første gang blev vist på IFA 2026, og som samler AI-regnekraft i datacenterklassen i en enkelt workstation ved skrivebordet.
7
Et modsvar til Nvidia DGX Station
Halo Station rammer samme overordnede kategori som Nvidias DGX Station: workstation-lignende systemer, der skal give organisationer betydelig AI-kapacitet uden at skulle opstille en hel rackserver. AMD fremhæver især brugen af Instinct-acceleratorer fra datacentersegmentet i et skrivebordsegnet format.
7
12
AMD sammenligner selv topudgaven af Halo Station fordelagtigt med Nvidias DGX Station på samlet hukommelseskapacitet. Det er dog AMD's egen sammenligning af de respektive konfigurationer – ikke en uafhængig ydelsestest.
25
Hukommelsesmængde er heller ikke alene afgørende. Softwaremiljø, kompatibilitet med frameworks og modeller, optimering af arbejdsbelastninger, support samt krav til strøm og køling vil få stor betydning for potentielle købere.
Lokal AI og ROCm
Tanken bag lokal AI er kontrol: Organisationer kan holde følsomme prompts, datasæt og modelarbejdsgange i deres egen infrastruktur frem for at sende dem til en ekstern cloudtjeneste. AMD positionerer specifikt Halo Station til lokal træning og afvikling af massive modeller.
16
Systemet er tænkt til AMD's ROCm-softwareøkosystem for AI og højtydende databehandling. ROCm er AMD's alternativ til Nvidias CUDA-orienterede udviklingsplatform, og købere bør derfor vurdere, hvor godt deres konkrete værktøjer og modeller understøttes.
27
Det er med andre ord ikke en almindelig desktop-pc, men et specialsystem for institutioner og professionelle med usædvanligt tunge AI-arbejdsbelastninger.
Pris og endelige specifikationer er stadig ukendte
AMD havde ved lanceringen ikke oplyst endelig pris, færdige systemkonfigurationer eller navngivne OEM-partnere.
26
28 AMD-relateret omtale peger på en forventet lancering i 2027, men den præcise salgsmodel og de endelige systemer er endnu ikke beskrevet.
25
Medieestimater har placeret en passende udstyret maskine omkring 100.000-150.000 dollar, men der er ikke tale om AMD-bekræftede priser. Tallene bør derfor læses som skøn – ikke som en købspris.
23
Halo Station er således mest interessant som et signal om AMD's ambition: at skabe en ny klasse af lokale AI-workstations med nok CPU-kerner, acceleratormemory og båndbredde til at flytte nogle af de største modelarbejdsbelastninger ud af skyen og ind i organisationens egen infrastruktur.