AMD procenjuje da njegovi serverski sistemi na nivou čitavog računarskog ormana sada pružaju četiri puta više AI performansi po utrošenom vatu nego 2024. godine. Tvrdnja je važna za ekonomiku budućih centara podataka, ali se delom zasniva na projekcijama za hardver čije konačne performanse još nisu potvrđene.
AMD je objavio da je između 2024. i 2026. ostvario procenjeno četvorostruko povećanje energetske efikasnosti sistema namenjenih treniranju i izvršavanju modela veštačke inteligencije. Kompanija time tvrdi da se nalazi ispred planirane putanje ka cilju da do 2030. godine poveća efikasnost kompletnih AI sistema 20 puta.
Reč je o AMD-ovoj internoj proceni, a ne o rezultatu nezavisnog uporednog testa. Ipak, objava je značajna jer pokazuje kako se merilo uspeha u industriji menja. Proizvođači više ne mogu da posmatraju samo potrošnju pojedinačnog procesora ili grafičkog akceleratora. Kod sistema koji povezuju desetine, stotine ili hiljade procesora, veliki deo energije odlazi na memoriju, prenos podataka, mrežnu infrastrukturu, napajanje i hlađenje.
AMD zato napredak meri na nivou kompletnog računarskog ormana, odnosno rack sistema. U računicu ulaze CPU i GPU procesori, memorija, mrežne komponente, skladištenje podataka, pumpe i ventilatori unutar ormana, kao i optimizacije softvera koji upravlja celim sistemom.
Prema podacima koje je objavio AMD, prvobitna putanja predviđala je da konfiguracija iz 2026. bude oko 3,2 puta efikasnija od početnog sistema iz 2024. godine, zasnovanog na akceleratorima Instinct MI300X. Nova procena pokazuje poboljšanje od četiri puta.
To, međutim, ne znači da je svaki novi AMD akcelerator četiri puta efikasniji od MI300X. Rezultat se odnosi na definisanu kombinaciju hardvera, mreže i softvera, kao i na reprezentativni odnos zadataka treniranja i izvršavanja modela.
Zašto više nije dovoljno meriti jedan čip
Veliki jezički i multimodalni modeli odavno ne rade na jednom akceleratoru. Njihovo treniranje zahteva raspodelu zadatka između velikog broja procesora, pri čemu podaci neprestano putuju između računskih jedinica i memorije.
U takvom okruženju najbrži GPU ne mora automatski proizvesti i najefikasniji sistem. Ako procesori čekaju podatke, ako mreža ne može dovoljno brzo da ih prenese ili ako softver ne raspoređuje zadatke ravnomerno, deo dostupnih računskih kapaciteta ostaje neiskorišćen, dok sistem i dalje troši energiju.
Zato se razvoj AI infrastrukture sve više usmerava na količinu korisnog rada koju ceo sistem može da obavi po utrošenom vatu. AMD u ovu računicu uključuje napredak u propusnom opsegu memorije, vezama između akceleratora, mrežnom prenosu između ormana, efikasnijim formatima podataka i optimizaciji softverskog paketa ROCm.
Važnu ulogu imaju i formati niže numeričke preciznosti, poput FP8 i FP4. Mnogi AI zadaci ne zahtevaju preciznost koja se koristi u klasičnim naučnim proračunima. Obrada podataka sa manjim brojem bitova omogućava veći broj operacija uz manju potrošnju energije, ali samo kada model i softver mogu da koriste takvu preciznost bez neprihvatljivog pada kvaliteta rezultata.
Efikasnost zato nije osobina jednog čipa, već posledica odnosa između hardvera, memorije, mreže, softvera i konkretnog modela koji se izvršava.
Helios kao osnova AMD-ovog rack pristupa
Najkonkretniji primer ove strategije jeste AMD Helios, referentna arhitektura koja u jednom dvostruko širokom ormanu povezuje 72 akceleratora Instinct MI455X, 18 procesora EPYC šeste generacije i mrežnu opremu AMD Pensando.
Helios koristi 18 računskih modula sa po četiri akceleratora. GPU jedinice su povezane u jedinstven domen, dok Pensando mrežna infrastruktura omogućava širenje sistema na veći broj ormana.
Prema AMD-ovim specifikacijama, kompletan Helios sistem raspolaže sa do 31 terabajt HBM4 memorije i teorijskim propusnim opsegom memorije od 1,7 petabajta u sekundi. Veza između akceleratora omogućava do 260 terabajta u sekundi zbirnog internog protoka, dok je mrežni kapacitet za povezivanje sa drugim ormanima naveden na do 43 terabajta u sekundi.
Sve ove brojke potiču od proizvođača i deo njih predstavlja teorijske ili projektovane maksimalne vrednosti. Stvarne performanse zavisiće od konfiguracije koju proizvedu AMD-ovi partneri, verzije softvera, izabranog modela, iskorišćenosti sistema i načina hlađenja.
Važna razlika je i to što Helios nije jedan gotov proizvod koji AMD prodaje u nepromenljivoj konfiguraciji. Kompanija ga opisuje kao referentnu arhitekturu na osnovu koje proizvođači servera mogu da razvijaju sopstvene sisteme.
AMD pritom insistira na otvorenijem pristupu. Helios je zasnovan na Meta Open Rack Wide formatu, dok za povezivanje koristi standarde iz ekosistema UALink i Ultra Ethernet. Namena takvog pristupa je da kupci dobiju više mogućnosti pri izboru servera, mrežne opreme i softvera, umesto oslanjanja na jednu zatvorenu platformu.
Otvoren standard, ipak, ne garantuje automatski nižu cenu, jednostavnu migraciju ili potpunu kompatibilnost. Vrednost takvog pristupa moraće da se potvrdi dostupnošću opreme različitih proizvođača, kvalitetom ROCm softvera i pouzdanošću sistema u komercijalnim centrima podataka.
Šta je AMD zaista izmerio
Najvažnija ograda nalazi se u metodologiji. AMD navodi da je rezultat za 2026. dobijen kombinovanjem izmerenih podataka i modelovanih procena. Takav postupak primenjen je jer konačni podaci za sve komponente, uključujući Instinct MI455X, nisu bili dostupni u trenutku izračunavanja.
Kompanija očekuje da konačni rezultat odstupa manje od pet odsto od sadašnje procene. To očekivanje ne predstavlja isto što i merenje kompletne komercijalne instalacije pod opterećenjem.
AMD u energetsku računicu uključuje ventilatore i pumpe koji se nalaze unutar rack sistema. Nije, međutim, obuhvaćena sva energija potrebna za rad objekta, kao što su spoljni sistemi za proizvodnju i distribuciju rashlađene vode, gubici električne infrastrukture i klimatizacija samog centra podataka.
To je bitno zato što potrošnja serverske opreme predstavlja samo deo ukupne potrošnje objekta. Data centar sa efikasnim akceleratorima može imati loš ukupni rezultat ako njegovo napajanje i hlađenje zahtevaju nesrazmerno mnogo dodatne energije.
Metodologija zato može biti korisna za praćenje razvoja AMD-ovih generacija sistema, ali nije potpuna mera potrošnje buduće „AI fabrike“. Za takvo poređenje bili bi potrebni podaci iz instaliranih sistema, uz jasno definisano radno opterećenje, trajanje testa, iskorišćenost hardvera, temperaturu, način hlađenja i ukupnu energiju preuzetu iz elektroenergetske mreže.
Od 570 ormana do dva, uz nekoliko važnih pretpostavki
AMD koristi reprezentativni zadatak treniranja modela kako bi prikazao moguće posledice planiranog razvoja. Prema njegovoj projekciji, za zadatak koji bi zahtevao približno 570 rack sistema iz 2024. godine, 2030. bi bila dovoljna približno dva nova sistema.
Broj potrebnih ormana time bi se smanjio gotovo 300 puta. To na prvi pogled deluje nespojivo sa ciljem od 20 puta veće energetske efikasnosti, ali dve brojke ne mere istu stvar.
Smanjenje broja ormana uključuje rast ukupnih performansi i veći broj akceleratora u budućoj konfiguraciji, dok se cilj od 20 puta odnosi na količinu računskog rada po vatu. Sistem iz 2030. po AMD-ovoj pretpostavci nije samo efikasniji, već je i znatno gušće opremljen i ukupno snažniji.
Kompanija procenjuje da bi potrošnja potrebna za taj reprezentativni zadatak mogla da padne sa približno devet gigavat sati na oko 450 megavat sati. To predstavlja smanjenje od približno 95 odsto.
Ove brojke ne treba čitati kao obećanje da će svaki budući AI model trošiti 95 odsto manje energije. One predstavljaju scenario zasnovan na određenom modelu, vremenu treniranja, projektovanim performansama budućeg hardvera i pretpostavljenom razvoju softvera.
Zašto je efikasnost postala infrastrukturno pitanje
Potreba za efikasnijim hardverom nije samo posledica želje tehnoloških kompanija da smanje račune za struju. Izgradnja velikih AI centara sve češće zavisi od toga da li na određenoj lokaciji uopšte postoji dovoljno električne energije, prenosnog kapaciteta i vode za hlađenje.
Prema najnovijoj proceni Međunarodne agencije za energiju, globalna potrošnja električne energije u centrima podataka mogla bi da poraste sa približno 485 teravat sati u 2025. na oko 950 teravat sati 2030. godine. Do kraja decenije centri podataka mogli bi da troše oko tri odsto svetske električne energije. IEA navodi da će potrošnja centara usmerenih na AI rasti znatno brže od ukupne potrošnje data centara.
Globalni procenat ne prikazuje u potpunosti lokalni problem. Centri podataka nisu ravnomerno raspoređeni, već su koncentrisani oko nekoliko infrastrukturnih čvorišta. Novi objekat snage nekoliko stotina megavata može zato predstavljati ozbiljan teret za lokalnu mrežu čak i kada je njegov doprinos globalnoj potrošnji mali.
Efikasniji računarski sistemi mogu da ublaže taj pritisak. Više rada po vatu omogućava operatoru da poveća kapacitet bez proporcionalnog povećanja priključne snage, broja ormana i rashladne infrastrukture.
To je neposredna ekonomska vrednost AMD-ovog cilja. Manji broj sistema znači manje prostora, kablova, mrežne opreme i komponenti koje treba instalirati, napajati, hladiti i održavati.
Veća efikasnost ne mora značiti manju ukupnu potrošnju
AMD-ova projekcija nudi dva moguća ishoda. Prvi je da isti AI zadatak bude obavljen uz znatno manje energije i opreme. Drugi je da operator zadrži isti energetski budžet, ali u njemu izvrši do 20 puta više računanja.
Tržište će verovatno češće birati drugu mogućnost.
Ako treniranje modela i generisanje tokena postanu jeftiniji, kompanije mogu pokrenuti više modela, povećati broj korisničkih upita i proširiti primenu AI agenata. Rast potražnje tada može da poništi deo ušteda ostvarenih efikasnijim hardverom.
Taj efekat poznat je i iz drugih tehnoloških oblasti. Niža cena jedinice računanja ne smanjuje nužno ukupnu potrošnju, već često podstiče novu upotrebu. Zbog toga efikasnost jeste neophodna za održiv razvoj AI infrastrukture, ali sama po sebi ne garantuje pad potrošnje električne energije.
Važan pravac razvoja, a ne završen dokaz
AMD-ova tvrdnja o četvorostrukom poboljšanju pokazuje da se konkurencija u AI industriji pomera sa specifikacija pojedinačnog akceleratora na projektovanje kompletnog sistema.
U tom okruženju odlučivaće performanse memorije, brzina komunikacije između akceleratora, mreža između ormana, kvalitet softvera, pouzdanost hlađenja i mogućnost održavanja opreme bez dugih prekida rada. Teorijski broj operacija u sekundi ostaje važan, ali ne govori koliko će tog kapaciteta stvarni model moći da koristi.
AMD je ponudio detaljniji cilj od uobičajene tvrdnje da je nova generacija čipova brža i štedljivija. Kompanija je objavila početnu konfiguraciju, planiranu putanju, obuhvat računice i deo njenih ograničenja. To omogućava da se napredak kasnije proverava.
Ipak, četvorostruko poboljšanje za sada ostaje procena samog proizvođača, zasnovana na kombinaciji merenja i projekcija. Ozbiljna potvrda stići će tek kada sistemi zasnovani na Helios arhitekturi budu radili u komercijalnim centrima podataka i kada nezavisni testovi uporede njihov učinak, potrošnju i troškove sa konkurentskim platformama.
Do tada je najvažnija poruka AMD-ove objave promena nivoa na kojem se vodi tehnološka utakmica. Narednu fazu razvoja AI infrastrukture neće određivati samo najbrži akcelerator, već sistem koji u realnim uslovima iz raspoložive energije, prostora i kapitala može da proizvede najviše korisnog računskog rada.
