AMD accelera sull’efficienza dell’AI: 4× in più entro metà 2026 e obiettivo 20× nel 2030

La stima di AMD: 4× in più in poco più di due anni

AMD afferma che, a metà del 2026, l’efficienza energetica dei suoi sistemi AI a livello di rack è aumentata di circa quattro volte rispetto alla base di riferimento del 2024. Il dato supera l’obiettivo intermedio precedentemente indicato dall’azienda: un miglioramento di 3× entro il 2026.

Il confronto misura quanta capacità di calcolo utile viene ottenuta per unità di energia, considerando configurazioni rack-scale rappresentative. È quindi importante leggere il numero con cautela: si tratta di una stima AMD, che combina dati di prodotto e modellazioni, non di una certificazione indipendente o di un benchmark universale valido per ogni carico di lavoro.

AMD sostiene inoltre che il ritmo raggiunto sia più rapido del trend storico del settore. Il nuovo percorso verso il 2030, secondo la società, procede a una velocità quasi tre volte superiore rispetto al miglioramento medio dell’industria tra il 2018 e il 2025.

Che cosa significa l’obiettivo “20×2030”

Il traguardo fissato da AMD è un miglioramento di 20 volte dell’efficienza energetica a livello di rack entro il 2030, rispetto al 2024, per i carichi di addestramento e inferenza dell’intelligenza artificiale. Non si tratta soltanto di rendere più efficiente una singola GPU: la metrica considera l’intero sistema.

Nel suo scenario illustrativo, AMD stima che due rack del 2030 potrebbero fornire la stessa capacità di calcolo di 570 rack basati su sistemi Instinct MI300X del 2024. Se il lavoro fosse davvero completato con un consumo energetico venti volte inferiore, l’elettricità necessaria per ottenere lo stesso risultato scenderebbe del 95%.

Una fonte riporta anche una possibile riduzione di 28× dell’intensità carbonica nello scenario AMD. Questo numero non equivale automaticamente a una riduzione delle emissioni in ogni data center: l’impatto climatico dipende anche dal mix elettrico utilizzato, dalle ore di funzionamento e dalle condizioni operative. Per questo, il dato va considerato una proiezione legata alle ipotesi dell’azienda, non una previsione garantita per ogni installazione.

Dal nodo al rack: perché la metrica cambia

Il precedente programma 30x25 riguardava l’efficienza a livello di nodo, cioè combinazioni di CPU e acceleratori impiegate per AI e calcolo ad alte prestazioni. AMD afferma di aver superato quel traguardo nel periodo 2020-2025, raggiungendo un miglioramento di circa 38×, equivalente a una riduzione del 97% dell’energia necessaria per lo stesso livello di prestazioni.

L’obiettivo più recente amplia il perimetro: include acceleratori, CPU, memoria, collegamenti di rete, alimentazione, raffreddamento, overhead del sistema e utilizzo del software. È una distinzione decisiva, perché un aumento dei FLOPS di picco non garantisce necessariamente un minor consumo per completare un addestramento o generare una risposta durante l’inferenza.

Come AMD conta di ottenere il miglioramento

Il percorso verso il 20× combina più leve tecnologiche:

• Architetture di calcolo più efficienti: nuovi acceleratori e formati numerici a bassa precisione possono aumentare il numero di operazioni utili per watt.
• Memoria HBM più ampia e veloce: una maggiore capacità e più banda riducono i colli di bottiglia e gli spostamenti di dati, spesso tra le attività più energivore nei carichi AI.
• Interconnessioni ad alta velocità: le connessioni scale-up all’interno del rack e scale-out tra rack limitano i tempi di attesa durante il coordinamento tra acceleratori.
• Software e co-progettazione del sistema: ottimizzazione dei kernel, gestione delle code, parallelismo dei modelli e migliore utilizzo dell’hardware possono aumentare la quantità di lavoro completata senza aggiungere proporzionalmente consumo.

In altre parole, il risultato dipende dall’interazione tra chip, memoria, rete e software, non da una sola specifica tecnica.

Helios: il rack con cui AMD sfida Nvidia

La piattaforma AMD Helios rappresenta il tentativo dell’azienda di vendere un sistema rack-scale integrato, anziché soltanto componenti separati. La configurazione comprende:

• 72 acceleratori AMD Instinct MI455X;
• processori server EPYC “Venice”;
• networking Pensando;
• fino a 2,9 exaFLOPS FP4 e 1,4 exaFLOPS FP8;
• 31 TB di memoria HBM4;
• fino a 260 TB/s di banda scale-up e 43 TB/s di banda scale-out.

Nel confronto con il rack Nvidia Vera Rubin NVL72, AMD dichiara per Helios fino al 15% in più di calcolo FP4 di picco, il 50% in più di capacità HBM e il 50% in più di banda scale-out. Sono però affermazioni del produttore, non risultati di un test indipendente tra sistemi equivalenti.

AMD ha dichiarato che Helios era in piena produzione nel luglio 2026, con le prime spedizioni previste verso la fine del terzo trimestre e un’accelerazione più ampia nel quarto trimestre. Le fonti disponibili non confermano una specifica tappa produttiva nel 2027: parlare di una traiettoria “2026-2027” descrive quindi un’aspettativa di diffusione, non un calendario verificato in ogni dettaglio.

La crescita del business AI fa da sfondo alla strategia

L’annuncio arriva mentre il business data center di AMD sta crescendo rapidamente. Nel secondo trimestre del 2026, le vendite del segmento sono state riportate a circa 6,7 miliardi di dollari, in aumento del 107% su base annua; il dato comprende sia i processori server EPYC sia gli acceleratori Instinct, e non rappresenta quindi esclusivamente i ricavi delle GPU AI.

Reuters ha inoltre collegato la crescita della domanda alle grandi espansioni di capacità dei data center necessarie per sostenere i carichi AI. In questo contesto, l’efficienza non è soltanto una questione ambientale: ridurre l’energia per unità di calcolo può aiutare gli operatori a contenere i costi e a ottenere più capacità dagli stessi vincoli di alimentazione e raffreddamento.

La competizione resta però aperta. Helios è la risposta di AMD alla posizione di Nvidia nell’infrastruttura AI integrata, mentre la disponibilità effettiva, le prestazioni sui carichi reali, il software e la capacità di consegnare sistemi su larga scala saranno determinanti quanto i numeri dichiarati. Le fonti disponibili non offrono invece elementi sufficienti per quantificare in modo affidabile una specifica strategia di finanziamento di Nvidia o i ricavi dei sistemi TPU di Google; questi aspetti non possono essere presentati come fatti sulla base del materiale esaminato.