AMD uppges ligga före planen för energieffektivare AI-rackar

En annan rapporterad AMD-projektion anger dessutom 28 gånger lägre koldioxidintensitet. Den siffran måste dock tolkas försiktigt: koldioxidutsläppen påverkas inte bara av hårdvarans effektivitet utan också av vilken elmix datacentret använder.

Varför racknivån spelar roll

AMD:s tidigare 30x25-program mätte effektivitet på nodnivå – alltså kombinationer av processorer och acceleratorer. Bolaget säger att det överträffade målet genom en 38-faldig förbättring av energieffektiviteten mellan 2020 och 2025, vilket enligt AMD motsvarar 97 procent lägre energianvändning för samma prestanda.

Det nya 20x2030-målet omfattar i stället hela racket. Där ingår bland annat:

• AI-acceleratorer och CPU:er
• HBM-minne och minnestrafik
• nätverk och kommunikation mellan beräkningsenheter
• strömförsörjning och kylning
• programvarans utnyttjande av hårdvaran

Det gör måttet mer relevant för ett faktiskt datacenter. Höga FLOPS-tal – antalet flyttalsoperationer per sekund – garanterar nämligen inte automatiskt lägre energiförbrukning per färdig tränings- eller inferensuppgift.

Så ska förbättringen uppnås

AMD pekar på flera delar av systemet som tillsammans ska ge vinsten:

• Effektivare beräkningsarkitekturer: Lägre precision i AI-format, exempelvis FP4 och FP8, kan öka antalet användbara beräkningar per watt när modellerna stöder det.
• Snabbare och större minne: Mer HBM med högre bandbredd minskar väntetider och behovet av att flytta data mellan olika delar av systemet.
• Snabbare sammankopplingar: Hög bandbredd för kommunikation inom och mellan rack minskar så kallade kommunikationsstopp när många acceleratorer arbetar tillsammans.
• Programvara: Optimerade kärnor, bättre schemaläggning, modellparallellism och högre hårdvaruutnyttjande kan minska energin som går åt till inaktivitet och onödiga dataförflyttningar.

Poängen är alltså att effektiviteten ska förbättras genom samdesign av chip, minne, nätverk, system och programvara – inte genom en enda ny komponent.

Helios ska göra AMD till rackleverantör

AMD:s Helios är ett försök att konkurrera på hela systemnivån, snarare än att enbart sälja separata processorer och acceleratorer. En Helios-konfiguration består enligt AMD av:

• 72 Instinct MI455X-acceleratorer
• EPYC-processorer med kodnamnet ”Venice”
• Pensando-nätverk
• upp till 1,4 exaflops FP8-beräkning
• 31 TB HBM4-minne
• 260 TB/s bandbredd för kommunikation inom racket
• 43 TB/s bandbredd för kommunikation mellan rack

AMD jämför också Helios med Nvidias Vera Rubin NVL72 och hävdar upp till 15 procent högre maximal FP4-prestanda, 50 procent mer HBM-kapacitet och 50 procent högre bandbredd mellan rack. Det är leverantörspåståenden, inte resultat från ett oberoende jämförande benchmark.

AMD uppgav i juli 2026 att Helios var i full produktion. De första leveranserna skulle enligt bolaget börja i slutet av tredje kvartalet, följt av en bredare uppskalning. Det tillgängliga underlaget bekräftar däremot ingen särskild produktionsmilstolpe under 2027, så en exakt tidslinje för 2026–2027 bör ses som en förväntad utrullning snarare än ett verifierat schema.

Starkare datacenteraffär – men hårdare konkurrens

Tillkännagivandet kommer när AMD:s datacenterverksamhet växer snabbt. Rapporterade siffror för andra kvartalet 2026 visar datacenterintäkter på omkring 6,7 miljarder dollar, en ökning med 107 procent på årsbasis. Tillväxten omfattar både EPYC-processorer och Instinct-acceleratorer och ska därför inte tolkas som ren GPU-försäljning.

Helios placerar samtidigt AMD tydligare i direkt konkurrens med Nvidia, som har en mycket stark position inom kompletta AI-system. Den bredare kapplöpningen handlar därför inte bara om vem som har snabbast accelerator, utan också om elförsörjning, kylning, minneskapacitet, nätverk, programvara och kostnad per färdig AI-uppgift.

Det tillgängliga källmaterialet ger däremot inte tillräckligt stöd för att kvantifiera Nvidias finansieringsstrategi eller Googles intäkter från TPU-system. De är relevanta konkurrensfaktorer, men bör inte beskrivas mer detaljerat utan separat och tillförlitligt källstöd.