「20×2030」代表什麼？

AMD 的目標不是讓單一 GPU 的效能功耗比提升 20 倍，而是觀察整個機架完成實際 AI 工作的效率。評估範圍包括：

• AI 加速器與 CPU
• 高頻寬記憶體（HBM）
• 機架內與機架間網路
• 電源與散熱等系統開銷
• 軟體利用率與工作負載調度

AMD 提出的示意情境是：如果 2030 年的目標達成，約兩個 AMD 機架便可能提供相當於 570 個 2024 年 Instinct MI300X 機架的 AI 運算能力。

若同一項工作確實能以少 20 倍的能源完成，換算後就是相同工作量約減少 95% 的用電量。至於碳強度，現有資料不足以支持一個可獨立驗證的精確數字；實際結果還會取決於資料中心使用的電力來源與能源組合，而不只是硬體效率。 部分報導提到 28 倍碳強度改善，但目前不宜將其視為已獲充分獨立證實的結論。

為何從「節點」轉向「整個機架」？

AMD 先前的「30×25」計畫，主要針對由 CPU 與 GPU 組成的加速運算節點，目標是 2020 至 2025 年提升 30 倍能源效率。AMD 表示，該計畫最終達到約 38 倍的節點級改善，代表在相同性能下減少 97% 能源使用。

新的 20×2030 目標則把觀察範圍擴大到完整機架。這個轉變很重要，因為 AI 系統的耗電不只來自加速器本身：記憶體搬移、GPU 之間的通訊、CPU、交換器、電源轉換、液冷系統，以及軟體未能充分利用硬體的情況，都可能吞噬晶片層級的效率收益。

技術上靠什麼拉高每瓦效能？

AMD 列出的技術路徑，並非單靠製程或提高峰值運算量，而是多個系統層面的改進共同作用：

1. 更有效率的運算架構與低精度格式：FP8、FP4 等 AI 格式可在適合的訓練或推論工作中，以較低能耗完成更多有效運算。不過，峰值 FLOPS 增加不必然代表每個模型任務的實際耗電下降。
2. 更大、更快的 HBM：增加記憶體容量與頻寬，有助於減少資料等待、降低記憶體瓶頸，也能縮短資料在不同元件之間來回搬移的時間。
3. 高頻寬互連：更快的機架內 scale-up 與機架間 scale-out 網路，可減少加速器彼此等待資料的時間，讓更多運算單元保持工作狀態。
4. 軟體與系統協同設計：核心程式最佳化、工作排程、模型平行化，以及提高硬體利用率，都會影響每次訓練或推論任務的實際能源成本。

Helios：AMD 把競爭從晶片推向整個機架

AMD 的 Helios 是其機架級 AI 方案，核心配置包括 72 顆 Instinct MI455X GPU、EPYC「Venice」CPU，以及 Pensando 網路元件。 AMD 公布的規格包括：

• FP8 峰值運算能力最高 1.4 exaFLOPS
• HBM4 容量 31 TB
• 機架內 scale-up 頻寬 260 TB/s
• 機架間 scale-out 頻寬 43 TB/s

AMD 也表示，Helios 相較 Nvidia Vera Rubin NVL72，最高可提供 15% 更多 FP4 峰值運算、50% 更多 HBM 容量，以及 50% 更多 scale-out 頻寬。 這些數字是 AMD 的產品比較宣稱，並非獨立基準測試結果，因此不應直接解讀為所有實際工作負載下的固定優勢。

在時程方面，AMD 於 2026 年 7 月表示 Helios 已進入完整生產，首批出貨預定在 2026 年第三季末，之後再逐步擴大供貨。 現有資料沒有確立具體的 2027 年量產里程碑，因此更準確的說法是：Helios 預計自 2026 年下半年開始出貨並在後續擴大部署，而不是已有一個獲充分確認的「2026 至 2027 年」固定生產時程。

商業背景：AI 基礎設施需求升溫，競爭不再只是 GPU 對決

AMD 的資料中心業務正在快速擴張。報導顯示，2026 年第二季資料中心營收約 67 億美元，年增 107%；這項業務同時包含 EPYC 伺服器處理器與 Instinct 加速器，因此不能把整個數字視為純粹的 AI GPU 營收。

Helios 的意義，在於 AMD 嘗試銷售整合式機架，而不只是單獨供應 CPU 或 GPU。這使競爭焦點從晶片規格延伸到互連、記憶體、電源、散熱、軟體與供應鏈整合，也直接挑戰 Nvidia 在 AI 系統層面的主導地位。

至於 Nvidia 的融資策略，以及 Google TPU 系統的營收規模，現有資料不足以可靠量化或定性。兩者確實是 AI 基礎設施競爭的重要議題，但在缺乏獨立、直接來源的情況下，不宜把未獲充分佐證的說法當成既定事實。

AMD 這次宣示的真正看點

AMD 從 4 倍的 2026 年階段性成果，進一步把目標推向 2030 年 20 倍，反映 AI 資料中心面臨的核心問題已從「能不能提供更多算力」轉向「能不能以可負擔的電力完成更多工作」。

不過，20 倍仍是長期目標，570 個機架對比兩個機架則是建立在特定工作負載與效率假設上的示意情境。真正能否實現，還要看硬體能效、模型與軟體最佳化、互連效率、電力與散熱條件，以及實際部署時的利用率。換言之，AMD 已提出一條清晰的效率路線圖，但距離全面驗證仍有一段路要走。

「20×2030」代表什麼？

AMD 的目標不是讓單一 GPU 的效能功耗比提升 20 倍，而是觀察整個機架完成實際 AI 工作的效率。評估範圍包括：

• AI 加速器與 CPU
• 高頻寬記憶體（HBM）
• 機架內與機架間網路
• 電源與散熱等系統開銷
• 軟體利用率與工作負載調度

AMD 提出的示意情境是：如果 2030 年的目標達成，約兩個 AMD 機架便可能提供相當於 570 個 2024 年 Instinct MI300X 機架的 AI 運算能力。

若同一項工作確實能以少 20 倍的能源完成，換算後就是相同工作量約減少 95% 的用電量。至於碳強度，現有資料不足以支持一個可獨立驗證的精確數字；實際結果還會取決於資料中心使用的電力來源與能源組合，而不只是硬體效率。 部分報導提到 28 倍碳強度改善，但目前不宜將其視為已獲充分獨立證實的結論。

為何從「節點」轉向「整個機架」？

AMD 先前的「30×25」計畫，主要針對由 CPU 與 GPU 組成的加速運算節點，目標是 2020 至 2025 年提升 30 倍能源效率。AMD 表示，該計畫最終達到約 38 倍的節點級改善，代表在相同性能下減少 97% 能源使用。

新的 20×2030 目標則把觀察範圍擴大到完整機架。這個轉變很重要，因為 AI 系統的耗電不只來自加速器本身：記憶體搬移、GPU 之間的通訊、CPU、交換器、電源轉換、液冷系統，以及軟體未能充分利用硬體的情況，都可能吞噬晶片層級的效率收益。

技術上靠什麼拉高每瓦效能？

AMD 列出的技術路徑，並非單靠製程或提高峰值運算量，而是多個系統層面的改進共同作用：

1. 更有效率的運算架構與低精度格式：FP8、FP4 等 AI 格式可在適合的訓練或推論工作中，以較低能耗完成更多有效運算。不過，峰值 FLOPS 增加不必然代表每個模型任務的實際耗電下降。
2. 更大、更快的 HBM：增加記憶體容量與頻寬，有助於減少資料等待、降低記憶體瓶頸，也能縮短資料在不同元件之間來回搬移的時間。
3. 高頻寬互連：更快的機架內 scale-up 與機架間 scale-out 網路，可減少加速器彼此等待資料的時間，讓更多運算單元保持工作狀態。
4. 軟體與系統協同設計：核心程式最佳化、工作排程、模型平行化，以及提高硬體利用率，都會影響每次訓練或推論任務的實際能源成本。

Helios：AMD 把競爭從晶片推向整個機架

AMD 的 Helios 是其機架級 AI 方案，核心配置包括 72 顆 Instinct MI455X GPU、EPYC「Venice」CPU，以及 Pensando 網路元件。 AMD 公布的規格包括：

• FP8 峰值運算能力最高 1.4 exaFLOPS
• HBM4 容量 31 TB
• 機架內 scale-up 頻寬 260 TB/s
• 機架間 scale-out 頻寬 43 TB/s

AMD 也表示，Helios 相較 Nvidia Vera Rubin NVL72，最高可提供 15% 更多 FP4 峰值運算、50% 更多 HBM 容量，以及 50% 更多 scale-out 頻寬。 這些數字是 AMD 的產品比較宣稱，並非獨立基準測試結果，因此不應直接解讀為所有實際工作負載下的固定優勢。

在時程方面，AMD 於 2026 年 7 月表示 Helios 已進入完整生產，首批出貨預定在 2026 年第三季末，之後再逐步擴大供貨。 現有資料沒有確立具體的 2027 年量產里程碑，因此更準確的說法是：Helios 預計自 2026 年下半年開始出貨並在後續擴大部署，而不是已有一個獲充分確認的「2026 至 2027 年」固定生產時程。

商業背景：AI 基礎設施需求升溫，競爭不再只是 GPU 對決

AMD 的資料中心業務正在快速擴張。報導顯示，2026 年第二季資料中心營收約 67 億美元，年增 107%；這項業務同時包含 EPYC 伺服器處理器與 Instinct 加速器，因此不能把整個數字視為純粹的 AI GPU 營收。

Helios 的意義，在於 AMD 嘗試銷售整合式機架，而不只是單獨供應 CPU 或 GPU。這使競爭焦點從晶片規格延伸到互連、記憶體、電源、散熱、軟體與供應鏈整合，也直接挑戰 Nvidia 在 AI 系統層面的主導地位。

至於 Nvidia 的融資策略，以及 Google TPU 系統的營收規模，現有資料不足以可靠量化或定性。兩者確實是 AI 基礎設施競爭的重要議題，但在缺乏獨立、直接來源的情況下，不宜把未獲充分佐證的說法當成既定事實。

AMD 這次宣示的真正看點

AMD 從 4 倍的 2026 年階段性成果，進一步把目標推向 2030 年 20 倍，反映 AI 資料中心面臨的核心問題已從「能不能提供更多算力」轉向「能不能以可負擔的電力完成更多工作」。

不過，20 倍仍是長期目標，570 個機架對比兩個機架則是建立在特定工作負載與效率假設上的示意情境。真正能否實現，還要看硬體能效、模型與軟體最佳化、互連效率、電力與散熱條件，以及實際部署時的利用率。換言之，AMD 已提出一條清晰的效率路線圖，但距離全面驗證仍有一段路要走。