Apa arti target “20×2030”?

AMD menargetkan peningkatan 20× dalam efisiensi energi rack-scale untuk pelatihan dan inferensi AI pada 2030, dengan 2024 sebagai tahun dasar. Perusahaan memperkirakan ambisi itu hampir tiga kali lebih cepat daripada tren peningkatan efisiensi industri selama 2018–2025.

Dalam salah satu ilustrasi AMD, sekitar dua rack AI pada 2030 akan mampu memberikan kemampuan komputasi yang setara dengan 570 rack berbasis AMD Instinct MI300X pada 2024. Jika pekerjaan yang sama benar-benar dapat diselesaikan dengan energi 20 kali lebih sedikit, konsumsi listriknya secara matematis turun sekitar 95%.

Salah satu laporan sekunder juga menyebut proyeksi pengurangan intensitas karbon hingga 28×. Akan tetapi, angka emisi karbon tidak hanya ditentukan oleh efisiensi perangkat keras. Campuran listrik—misalnya porsi energi terbarukan dan bahan bakar fosil—serta kondisi operasional pusat data akan sangat memengaruhi hasil akhirnya. Karena itu, angka 28× sebaiknya dipahami sebagai skenario AMD, bukan hasil yang dapat digeneralisasi untuk semua pusat data.

Berbeda dari program 30x25

Target baru ini tidak sama dengan program 30x25 AMD. Program sebelumnya mengukur efisiensi pada tingkat node, yakni kombinasi CPU dan akselerator untuk AI atau komputasi kinerja tinggi. AMD mengatakan program 2020–2025 tersebut berhasil mencapai peningkatan efisiensi node sebesar 38×, yang setara dengan penggunaan energi 97% lebih rendah untuk kinerja yang sama.

Sementara itu, metrik rack-scale mencakup sistem yang lebih luas: akselerator, CPU, memori, jaringan, distribusi daya, pendinginan, serta pemanfaatan perangkat lunak. Pendekatan ini penting karena peningkatan angka FLOPS saja belum tentu berarti energi yang lebih rendah untuk menyelesaikan satu pekerjaan pelatihan atau inferensi.

Dari mana peningkatan efisiensi itu berasal?

AMD mengandalkan beberapa lapisan optimasi sekaligus:

• Arsitektur komputasi: desain yang lebih efisien dan format numerik berpresisi lebih rendah dapat meningkatkan jumlah operasi AI yang dikerjakan per watt.
• Memori HBM: kapasitas serta bandwidth HBM yang lebih besar membantu mengurangi hambatan memori dan perpindahan data yang boros energi.
• Interkoneksi: jaringan scale-up dan scale-out berbandwidth tinggi mengurangi waktu tunggu ketika banyak akselerator bekerja bersama.
• Perangkat lunak: optimasi kernel, penjadwalan, paralelisme model, serta pemanfaatan perangkat keras dapat meningkatkan pekerjaan berguna yang diselesaikan setiap watt.
• Desain tingkat sistem: CPU, GPU, memori, jaringan, daya, pendinginan, dan software dirancang sebagai satu kesatuan, bukan sekadar kumpulan komponen terpisah.

Helios menjadi kendaraan utama AMD

Helios adalah upaya AMD menjual sistem AI terintegrasi dalam bentuk rack, bukan hanya prosesor atau akselerator. Konfigurasinya mencakup 72 GPU Instinct MI455X, CPU EPYC “Venice”, dan jaringan Pensando. AMD mencantumkan hingga 1,4 exaFLOPS komputasi FP8, 31 TB HBM4, 260 TB/s bandwidth scale-up, serta 43 TB/s bandwidth scale-out.

Untuk presisi FP4, AMD mencantumkan hingga 2,9 exaFLOPS. Perusahaan juga mengklaim Helios menawarkan hingga 15% lebih banyak komputasi FP4, kapasitas HBM 50% lebih besar, dan bandwidth scale-out 50% lebih tinggi dibandingkan rack Nvidia Vera Rubin NVL72. Perbandingan tersebut tetap merupakan klaim vendor, bukan benchmark independen.

AMD menyatakan Helios telah memasuki produksi penuh pada Juli 2026, dengan pengiriman awal dijadwalkan pada akhir kuartal III 2026 dan peningkatan volume setelahnya. Sumber yang tersedia belum membuktikan tonggak produksi spesifik pada 2027; maka, penyebutan jadwal “2026–2027” lebih tepat dipahami sebagai ekspektasi ramp-up, bukan jadwal terverifikasi.

Ambisi efisiensi datang ketika bisnis data center tumbuh cepat

Dorongan AMD untuk menawarkan rack-scale AI muncul ketika permintaan kapasitas pusat data untuk AI meningkat tajam. Reuters melaporkan bahwa AMD mengandalkan ekspansi besar-besaran kapasitas pusat data untuk mendorong permintaan AI.

Pada kuartal II 2026, pendapatan segmen data center AMD dilaporkan mencapai sekitar US$6,7 miliar, naik 107% secara tahunan. Angka tersebut mencakup bisnis CPU server EPYC dan akselerator Instinct, sehingga tidak dapat dianggap sebagai pendapatan GPU AI murni.

Helios menempatkan AMD lebih langsung dalam persaingan sistem dengan Nvidia. Meski demikian, informasi yang tersedia di sini belum cukup untuk mengukur atau menjelaskan secara andal strategi pembiayaan Nvidia maupun pendapatan sistem TPU Google. Keduanya merupakan dinamika kompetitif yang relevan, tetapi tidak seharusnya disimpulkan sebagai fakta tanpa pelaporan terpisah yang lebih kuat.

Intinya

Klaim peningkatan 4× menunjukkan AMD menilai kemajuan efisiensi rack-scale-nya berjalan lebih cepat dari target sementara 3×. Namun, lompatan menuju 20× pada 2030 akan bergantung pada kombinasi arsitektur komputasi, memori, interkoneksi, software, dan desain pusat data—bukan satu chip atau satu angka FLOPS saja. Proyeksi dua rack yang menggantikan 570 rack lama menggambarkan potensi penghematan listrik yang sangat besar, tetapi hasil nyata tetap bergantung pada beban kerja, konfigurasi, utilisasi, serta sumber listrik yang digunakan.

Apa arti target “20×2030”?

AMD menargetkan peningkatan 20× dalam efisiensi energi rack-scale untuk pelatihan dan inferensi AI pada 2030, dengan 2024 sebagai tahun dasar. Perusahaan memperkirakan ambisi itu hampir tiga kali lebih cepat daripada tren peningkatan efisiensi industri selama 2018–2025.

Dalam salah satu ilustrasi AMD, sekitar dua rack AI pada 2030 akan mampu memberikan kemampuan komputasi yang setara dengan 570 rack berbasis AMD Instinct MI300X pada 2024. Jika pekerjaan yang sama benar-benar dapat diselesaikan dengan energi 20 kali lebih sedikit, konsumsi listriknya secara matematis turun sekitar 95%.

Salah satu laporan sekunder juga menyebut proyeksi pengurangan intensitas karbon hingga 28×. Akan tetapi, angka emisi karbon tidak hanya ditentukan oleh efisiensi perangkat keras. Campuran listrik—misalnya porsi energi terbarukan dan bahan bakar fosil—serta kondisi operasional pusat data akan sangat memengaruhi hasil akhirnya. Karena itu, angka 28× sebaiknya dipahami sebagai skenario AMD, bukan hasil yang dapat digeneralisasi untuk semua pusat data.

Berbeda dari program 30x25

Target baru ini tidak sama dengan program 30x25 AMD. Program sebelumnya mengukur efisiensi pada tingkat node, yakni kombinasi CPU dan akselerator untuk AI atau komputasi kinerja tinggi. AMD mengatakan program 2020–2025 tersebut berhasil mencapai peningkatan efisiensi node sebesar 38×, yang setara dengan penggunaan energi 97% lebih rendah untuk kinerja yang sama.

Sementara itu, metrik rack-scale mencakup sistem yang lebih luas: akselerator, CPU, memori, jaringan, distribusi daya, pendinginan, serta pemanfaatan perangkat lunak. Pendekatan ini penting karena peningkatan angka FLOPS saja belum tentu berarti energi yang lebih rendah untuk menyelesaikan satu pekerjaan pelatihan atau inferensi.

Dari mana peningkatan efisiensi itu berasal?

AMD mengandalkan beberapa lapisan optimasi sekaligus:

• Arsitektur komputasi: desain yang lebih efisien dan format numerik berpresisi lebih rendah dapat meningkatkan jumlah operasi AI yang dikerjakan per watt.
• Memori HBM: kapasitas serta bandwidth HBM yang lebih besar membantu mengurangi hambatan memori dan perpindahan data yang boros energi.
• Interkoneksi: jaringan scale-up dan scale-out berbandwidth tinggi mengurangi waktu tunggu ketika banyak akselerator bekerja bersama.
• Perangkat lunak: optimasi kernel, penjadwalan, paralelisme model, serta pemanfaatan perangkat keras dapat meningkatkan pekerjaan berguna yang diselesaikan setiap watt.
• Desain tingkat sistem: CPU, GPU, memori, jaringan, daya, pendinginan, dan software dirancang sebagai satu kesatuan, bukan sekadar kumpulan komponen terpisah.

Helios menjadi kendaraan utama AMD

Helios adalah upaya AMD menjual sistem AI terintegrasi dalam bentuk rack, bukan hanya prosesor atau akselerator. Konfigurasinya mencakup 72 GPU Instinct MI455X, CPU EPYC “Venice”, dan jaringan Pensando. AMD mencantumkan hingga 1,4 exaFLOPS komputasi FP8, 31 TB HBM4, 260 TB/s bandwidth scale-up, serta 43 TB/s bandwidth scale-out.

Untuk presisi FP4, AMD mencantumkan hingga 2,9 exaFLOPS. Perusahaan juga mengklaim Helios menawarkan hingga 15% lebih banyak komputasi FP4, kapasitas HBM 50% lebih besar, dan bandwidth scale-out 50% lebih tinggi dibandingkan rack Nvidia Vera Rubin NVL72. Perbandingan tersebut tetap merupakan klaim vendor, bukan benchmark independen.

AMD menyatakan Helios telah memasuki produksi penuh pada Juli 2026, dengan pengiriman awal dijadwalkan pada akhir kuartal III 2026 dan peningkatan volume setelahnya. Sumber yang tersedia belum membuktikan tonggak produksi spesifik pada 2027; maka, penyebutan jadwal “2026–2027” lebih tepat dipahami sebagai ekspektasi ramp-up, bukan jadwal terverifikasi.

Ambisi efisiensi datang ketika bisnis data center tumbuh cepat

Dorongan AMD untuk menawarkan rack-scale AI muncul ketika permintaan kapasitas pusat data untuk AI meningkat tajam. Reuters melaporkan bahwa AMD mengandalkan ekspansi besar-besaran kapasitas pusat data untuk mendorong permintaan AI.

Pada kuartal II 2026, pendapatan segmen data center AMD dilaporkan mencapai sekitar US$6,7 miliar, naik 107% secara tahunan. Angka tersebut mencakup bisnis CPU server EPYC dan akselerator Instinct, sehingga tidak dapat dianggap sebagai pendapatan GPU AI murni.

Helios menempatkan AMD lebih langsung dalam persaingan sistem dengan Nvidia. Meski demikian, informasi yang tersedia di sini belum cukup untuk mengukur atau menjelaskan secara andal strategi pembiayaan Nvidia maupun pendapatan sistem TPU Google. Keduanya merupakan dinamika kompetitif yang relevan, tetapi tidak seharusnya disimpulkan sebagai fakta tanpa pelaporan terpisah yang lebih kuat.

Intinya

Klaim peningkatan 4× menunjukkan AMD menilai kemajuan efisiensi rack-scale-nya berjalan lebih cepat dari target sementara 3×. Namun, lompatan menuju 20× pada 2030 akan bergantung pada kombinasi arsitektur komputasi, memori, interkoneksi, software, dan desain pusat data—bukan satu chip atau satu angka FLOPS saja. Proyeksi dua rack yang menggantikan 570 rack lama menggambarkan potensi penghematan listrik yang sangat besar, tetapi hasil nyata tetap bergantung pada beban kerja, konfigurasi, utilisasi, serta sumber listrik yang digunakan.