- Utvikling av Instinct MI350- og MI400-akseleratorer for å konkurrere i datasentre med høyere minnebåndbredde.
- Ryzen AI Max PRO lanseres med integrerte NPU-er for å kjøre komplekse språkmodeller lokalt.
- Sats på ROCm som et åpen kildekode-alternativ til NVIDIAs dominans i CUDA-økosystemet.
- Integrering av EPYC Venice-prosessorer med opptil 256 kjerner for å optimalisere AI-serverinfrastruktur.
Kappløpet om å dominere kunstig intelligens har gått fra et løfte til en full maskinvarekrig. På dette området akselererer AMD arbeidet med å tilby troverdige alternativer som lar bedrifter og sluttbrukere distribuere AI-modeller uten at kostnadene skyter i været eller at infrastrukturen blir foreldet i løpet av få dager.
Målet er klart: å gå fra enkle pilotprosjekter til reell, skalerbar produksjon . For å oppnå dette fokuserer selskapet ikke bare på råkraft, men også på å løse vanlige hodepiner, som energistyring, datastyring og den pågående kampen for å unngå avhengighet av én enkelt leverandør i markedet.
Instinct-akseleratorer: Den direkte utfordringen til NVIDIA
Når det gjelder datasentre, er ikke konvensjonelle GPU-er nok; akseleratorer er avgjørende. Det er her Instinct MI350 kommer inn i bildet , og lover et enormt sprang fremover, med opptil 35 ganger raskere inferensoppgaver enn forgjengerne. Disse beistene kan skryte av 288 GB HBM3E-minne, noe som lar dem håndtere massive arbeidsflyter med forbløffende letthet.
Men AMD stopper ikke der, og har allerede siktet seg inn på Instinct MI400 for 2026. Disse brikkene forventes å nå 40 PFLOPS i FP4-nøyaktighet og ha opptil 432 GB HBM4-minne. Alt dette vil bli integrert i Helios-rackene, en arkitektur designet for å konkurrere direkte med NVIDIA-løsninger, og tilbyr en virkelig svimlende båndbreddekapasitet .
På lang sikt inkluderer veikartet EPYC Verano og Instinct MI500X, som kan utnytte TSMCs 1,6nm produksjonsnode. Strategien er klar: å overgå konkurrentene i minnekapasitet og overføringshastighet, som er der den virkelige fordelen ligger når man trener massive språkmodeller.
Programvareøkosystemet og CUDA-veggen
Det handler ikke bare om kraftig maskinvare. AMDs største svakhet har historisk sett vært programvare. Mens NVIDIA dominerer med CUDA, standarden alle bruker, har AMD valgt ROCm . Versjon 7 av denne åpen kildekode-plattformen har som mål å lukke gapet, og til og med bli mer effektiv enn CUDA i spesifikke scenarier som DeepSeek R1-modellen.
Likevel er veien videre utfordrende fordi mange utviklere føler at AMDs programvare fortsatt har feil som kompliserer opplæringen . Nøkkelen til fremtidig suksess ligger ikke i å legge til flere kjerner, men i å sikre en smidig programmeringsopplevelse som ikke er en hodepine for ingeniører.
AI på stasjonære og bærbare datamaskiner: Ryzen AI og Radeon
For brukere uten et datasenter i kjelleren har AMD lansert Ryzen AI Max PRO- prosessorene . Disse brikkene integrerer en dedikert NPU som når 50 TOPS, slik at oppgaver som Llama 3.1 70B kan kjøres lokalt og offline – noe som virket som science fiction i en kompakt enhet for ikke lenge siden – noe som gjør det enklere å kjøre AI-modeller på PC-en.
Når det gjelder grafikk, er Radeon RX 9000-serien, spesielt RX 9070 med sine 16 GB VRAM, et tilgjengelig inngangspunkt for de som ønsker å bruke AI-inferens uten å bruke en formue. For de mest krevende brukerne hever Radeon AI PRO R9700 standarden til 32 GB, noe som eliminerer eventuelle flaskehalser i enheten.
Serverinfrastruktur: EPYC Venezia
Disse GPU-ene er avhengige av serverprosessorer. De kommende EPYC Venice-prosessorene , basert på Zen 6, lover varianter med opptil 256 kjerner. Denne ytelsesøkningen på 70 % i forhold til forrige generasjon er avgjørende for å forhindre at CPU-en blir en flaskehals for disse kraftige AI-akseleratorene.
Det er interessant å se hvordan markedet begynner å reagere. Personer som Sam Altman fra OpenAI har allerede erkjent at AMD-løsninger vil være fantastiske komponenter i datasentrene deres. Dette viser at selv om NVIDIA har den største markedsandelen, leter bransjen desperat etter et alternativ som er mer effektivt og fremfor alt billigere å implementere.
AMDs strategi kombinerer disruptiv maskinvare innen minne og prosessorkraft med en aggressiv innsats for å demokratisere AI-programvare. Ved å integrere dedikerte AI-motorer fra bærbare datamaskiner til de mest komplekse serverrackene, har selskapet som mål å gjøre AI ikke lenger til en dyr luksus, men et tilgjengelig og effektivt verktøy for alle typer profesjonelle eller bedrifter.
