从阶段目标到“20×2030”

AMD在2025年提出的“20×2030”计划，是以2024年为基准，到2030年将AI训练和推理的机架级能效提升20倍。AMD称，这一目标所要求的改善速度约为2018年至2025年行业能效趋势的近3倍。

机架级指标与过去只看单个计算节点不同。它试图把加速器、CPU、内存、网络互连，以及供电、散热和软件利用率等因素放在同一个系统里衡量。对大型AI集群而言，真正的瓶颈往往不只是芯片能做多少次浮点运算，还包括数据搬运、通信等待和硬件闲置。

“两台对570台”意味着什么？

AMD给出的一个示例是：如果2030年目标实现，约两台AMD机架可能提供与2024年基于Instinct MI300X的570台机架相当的AI计算能力。

从20倍能效提升换算，在完成同等工作的前提下，理论上意味着用电量减少95%。这是一种基于代表性工作负载和统一测量口径的情景推演，并不等同于所有数据中心部署都能达到这一结果。

至于碳排放或碳强度，不能仅凭硬件能效直接得出一个适用于所有地区的固定数字，因为结果还取决于电力来源、数据中心位置、利用率和运行方式。现有材料中的“碳强度提升28倍”等说法来自二手报道，缺少足够的主要来源支撑，不宜视为已独立验证的普遍结论。

能效提升从何而来？

AMD所描述的路线并非依靠单一组件，而是计算、内存、互连和软件的协同设计：

• 计算架构： 更高效的加速器设计和更低精度的AI数据格式，可以在可接受的精度范围内提高每瓦有效运算量。
• 内存系统： 更大、更快的高带宽内存（HBM）能够减少内存瓶颈，降低模型参数和中间数据在不同层级之间反复搬运的成本。
• 互连网络： 高带宽的机架内扩展和跨机架扩展网络，可以减少多加速器协同训练时的通信等待，让更多时间用于有效计算。
• 软件栈： 内核优化、任务调度、模型并行、数据布局和资源分配，会直接影响GPU、CPU及内存的实际利用率。
• 系统级协同： 只有把芯片、内存、网络、供电、散热和软件作为一个整体优化，峰值FLOPS才更可能转化为“完成一次训练或推理任务所需的更低能耗”。

Helios：AMD从卖部件转向卖整机架

AMD的Helios是其首个重点推出的机架级AI参考方案，核心配置包括72颗Instinct MI455X GPU、EPYC“Venice”CPU和Pensando网络设备。

AMD公布的主要规格包括：

• FP4峰值算力最高2.9 exaFLOPS；
• FP8峰值算力最高1.4 exaFLOPS；
• 机架搭载31 TB HBM4；
• 机架内扩展带宽最高260 TB/s；
• 跨机架扩展带宽最高43 TB/s。

这意味着AMD的竞争重点不再只是单独出售GPU或CPU，而是提供包含计算、内存、互连、网络和软件在内的完整机架。AMD宣称，与英伟达Vera Rubin NVL72相比，Helios最高可提供15%的FP4峰值算力优势、50%更大的HBM容量和50%更高的跨机架扩展带宽；这些仍属于AMD的厂商对比声明，并非独立基准测试结果。

生产节奏：2026年下半年开始发货

AMD在2026年7月表示，Helios已经进入全面生产，首批出货安排在2026年第三季度末，随后将在第四季度扩大部署。

现有材料能够支持的是“2026年下半年开始出货并逐步放量”。它们并未确立一个具体、已验证的2027年生产节点，因此“2026年至2027年量产”更适合表述为市场预计的爬坡阶段，而不是确定的官方时间表。

为什么这对AMD很重要？

AMD的数据中心业务正在成为增长核心。报道显示，公司2026年第二季度数据中心收入约为67亿美元，同比增长107%；这一数字包含EPYC服务器处理器和Instinct加速器，并不能简单等同于纯AI GPU收入。

在AI训练和推理需求持续扩张的背景下，客户关注的也从单颗芯片性能转向整套系统的部署效率：需要多少机架、占用多少电力、产生多少热量，以及每美元能够输出多少有效Token。Helios正是AMD试图在这一系统级市场中缩小与英伟达差距的产品。

不过，英伟达的融资策略、以及谷歌TPU系统收入等竞争变量，在现有材料中没有足够可靠的证据进行量化或定性判断。它们确实会影响AI基础设施市场格局，但不应在没有独立来源的情况下被当作已证实事实。

还要注意：38倍节点能效不等于20倍机架能效

AMD此前的“30×25”计划，衡量的是AI训练和高性能计算节点层面的CPU/GPU能效。AMD称，该计划在2025年实现了约38倍的节点级提升，相当于在完成相同任务时减少97%的能耗。

新的“20×2030”目标则把测量范围扩大到了完整机架。两者的基准年份、系统边界和工作负载口径并不完全相同，因此不能把38倍节点级成绩直接与20倍机架级目标进行简单相加或比较。真正决定2030年目标能否落地的，将是硬件进步、内存与互连效率、软件利用率，以及客户部署时的实际运行条件。

从阶段目标到“20×2030”

AMD在2025年提出的“20×2030”计划，是以2024年为基准，到2030年将AI训练和推理的机架级能效提升20倍。AMD称，这一目标所要求的改善速度约为2018年至2025年行业能效趋势的近3倍。

机架级指标与过去只看单个计算节点不同。它试图把加速器、CPU、内存、网络互连，以及供电、散热和软件利用率等因素放在同一个系统里衡量。对大型AI集群而言，真正的瓶颈往往不只是芯片能做多少次浮点运算，还包括数据搬运、通信等待和硬件闲置。

“两台对570台”意味着什么？

AMD给出的一个示例是：如果2030年目标实现，约两台AMD机架可能提供与2024年基于Instinct MI300X的570台机架相当的AI计算能力。

从20倍能效提升换算，在完成同等工作的前提下，理论上意味着用电量减少95%。这是一种基于代表性工作负载和统一测量口径的情景推演，并不等同于所有数据中心部署都能达到这一结果。

至于碳排放或碳强度，不能仅凭硬件能效直接得出一个适用于所有地区的固定数字，因为结果还取决于电力来源、数据中心位置、利用率和运行方式。现有材料中的“碳强度提升28倍”等说法来自二手报道，缺少足够的主要来源支撑，不宜视为已独立验证的普遍结论。

能效提升从何而来？

AMD所描述的路线并非依靠单一组件，而是计算、内存、互连和软件的协同设计：

• 计算架构： 更高效的加速器设计和更低精度的AI数据格式，可以在可接受的精度范围内提高每瓦有效运算量。
• 内存系统： 更大、更快的高带宽内存（HBM）能够减少内存瓶颈，降低模型参数和中间数据在不同层级之间反复搬运的成本。
• 互连网络： 高带宽的机架内扩展和跨机架扩展网络，可以减少多加速器协同训练时的通信等待，让更多时间用于有效计算。
• 软件栈： 内核优化、任务调度、模型并行、数据布局和资源分配，会直接影响GPU、CPU及内存的实际利用率。
• 系统级协同： 只有把芯片、内存、网络、供电、散热和软件作为一个整体优化，峰值FLOPS才更可能转化为“完成一次训练或推理任务所需的更低能耗”。

Helios：AMD从卖部件转向卖整机架

AMD的Helios是其首个重点推出的机架级AI参考方案，核心配置包括72颗Instinct MI455X GPU、EPYC“Venice”CPU和Pensando网络设备。

AMD公布的主要规格包括：

• FP4峰值算力最高2.9 exaFLOPS；
• FP8峰值算力最高1.4 exaFLOPS；
• 机架搭载31 TB HBM4；
• 机架内扩展带宽最高260 TB/s；
• 跨机架扩展带宽最高43 TB/s。

这意味着AMD的竞争重点不再只是单独出售GPU或CPU，而是提供包含计算、内存、互连、网络和软件在内的完整机架。AMD宣称，与英伟达Vera Rubin NVL72相比，Helios最高可提供15%的FP4峰值算力优势、50%更大的HBM容量和50%更高的跨机架扩展带宽；这些仍属于AMD的厂商对比声明，并非独立基准测试结果。

生产节奏：2026年下半年开始发货

AMD在2026年7月表示，Helios已经进入全面生产，首批出货安排在2026年第三季度末，随后将在第四季度扩大部署。

现有材料能够支持的是“2026年下半年开始出货并逐步放量”。它们并未确立一个具体、已验证的2027年生产节点，因此“2026年至2027年量产”更适合表述为市场预计的爬坡阶段，而不是确定的官方时间表。

为什么这对AMD很重要？

AMD的数据中心业务正在成为增长核心。报道显示，公司2026年第二季度数据中心收入约为67亿美元，同比增长107%；这一数字包含EPYC服务器处理器和Instinct加速器，并不能简单等同于纯AI GPU收入。

在AI训练和推理需求持续扩张的背景下，客户关注的也从单颗芯片性能转向整套系统的部署效率：需要多少机架、占用多少电力、产生多少热量，以及每美元能够输出多少有效Token。Helios正是AMD试图在这一系统级市场中缩小与英伟达差距的产品。

不过，英伟达的融资策略、以及谷歌TPU系统收入等竞争变量，在现有材料中没有足够可靠的证据进行量化或定性判断。它们确实会影响AI基础设施市场格局，但不应在没有独立来源的情况下被当作已证实事实。

还要注意：38倍节点能效不等于20倍机架能效

AMD此前的“30×25”计划，衡量的是AI训练和高性能计算节点层面的CPU/GPU能效。AMD称，该计划在2025年实现了约38倍的节点级提升，相当于在完成相同任务时减少97%的能耗。

新的“20×2030”目标则把测量范围扩大到了完整机架。两者的基准年份、系统边界和工作负载口径并不完全相同，因此不能把38倍节点级成绩直接与20倍机架级目标进行简单相加或比较。真正决定2030年目标能否落地的，将是硬件进步、内存与互连效率、软件利用率，以及客户部署时的实际运行条件。