AMD gab bekannt , die Energieeffizienz seiner KI-Systeme von 2024 bis Mitte 2026 schätzungsweise vervierfacht zu haben und damit das für diesen Zeitraum geplante Ziel einer Verdreifachung übertroffen zu haben. Bis 2030 strebt das Unternehmen eine zwanzigfache Verbesserung der Effizienz von KI-Training und -Inferenz im Rack-Bereich an – ein Ziel, das es sich im Juni 2025 gesetzt hatte.
Das Unternehmen misst den Fortschritt anhand eines Basisjahres von 2024 mithilfe von Leistungskennzahlen pro Watt für repräsentative AMD-Rack-Konfigurationen. AMD merkte an, dass die Ergebnisse für 2026 gemessene Produktdaten mit Modellschätzungen kombinieren, sofern keine endgültigen Leistungsdaten vorlagen. Als AMD das Ziel einer 20-fachen Steigerung festlegte, erklärte das Unternehmen, dass dieses Ziel den branchenweiten Verbesserungstrend von 2018 bis 2025 um fast das Dreifache übertroffen habe; das Zwischenergebnis einer 4-fachen Steigerung liegt sogar noch über diesem beschleunigten Anstieg.
Der Supercomputer Lux wird derzeit im Oak Ridge National Laboratory in Tennessee gebaut. Lux basiert auf AMD-Technologie und ist als erste operationelle Plattform der Genesis Mission konzipiert. Er soll die KI-Führungsrolle des US-Energieministeriums stärken und Fortschritte und Innovationen in der Energieforschung, den Materialwissenschaften, der Medizin und der fortgeschrittenen Fertigung beschleunigen. (Bildnachweis: Oak Ridge National Laboratory)
Rack-Ebene, nicht Komponentenebene
AMDs Initiative „20x30“ zielt auf Leistungssteigerungen im Rack-Maßstab ab, anstatt sich nur auf Komponenten zu konzentrieren. Das Unternehmen setzt dabei auf koordinierte Fortschritte in den Bereichen Rechenchip, Prozesstechnologie, Speicher- und Verbindungsbandbreite, Software und Systemdesign. Dies spiegelt die wachsende Bedeutung der Full-Stack-Optimierung wider, da sich die KI-Infrastruktur von einzelnen Beschleunigern hin zu hochintegrierten Racks verlagert. „Die nächste Welle der KI-Effizienz wird von einer engeren gemeinsamen Optimierung von Rechenchip, Speicher, Verbindungen, Software und Rack-Systemdesign abhängen“, sagte Sam Naffziger, Senior Vice President und Corporate Fellow von AMD, in der Ankündigung. Derselbe Full-Stack-Ansatz steckt auch hinter Lux, dem AMD-basierten System, das als erster Supercomputer der Genesis-Mission im Oak Ridge National Laboratory eingesetzt wurde.
Das Unternehmen erwartet, dass die höhere Energieeffizienz bis 2030 zwei Ergebnisse liefern wird, je nachdem, wie die Kunden die verfügbare Leistung nutzen. In einem Szenario prognostiziert AMD, dass etwa zwei zukünftige Racks die gleiche Rechenleistung wie 570 Racks ab 2024 erbringen könnten, wodurch der Stromverbrauch in der Nutzungsphase um das 20-Fache und die CO₂-Intensität um das 28-Fache reduziert würden. Alternativ könnten die prognostizierten Verbesserungen bei gleichem Energieverbrauch die 20-fache Rechenleistung ermöglichen, gemessen in Gleitkommaoperationen pro Sekunde und Watt.
Speicher- und Verbindungstechnologien spielen dabei eine zentrale Rolle. AMD hat Speicher mit hoher Bandbreite, größere Caches und eine engere Integration von Speicher und Rechenleistung als Mechanismen identifiziert, um die Rechenressourcen optimal zu versorgen und gleichzeitig energieintensive Datenbewegungen zu reduzieren. Hochgeschwindigkeits-Scale-up-Verbindungen , das Herzstück des AMD MI455X Helios Racks mit 72 GPUs, werden voraussichtlich ebenfalls zunehmend an Bedeutung gewinnen, da größere KI-Workloads eine effizientere Kommunikation zwischen GPUs, CPUs, Speicher und anderen Rack-Komponenten erfordern.
Software könnte es um das 100-fache steigern
Software bleibt ein weiterer wichtiger Bestandteil der Effizienzstrategie des Unternehmens. AMD erklärte, dass der ROCm-Software-Stack, offene Standards und Optimierungsbemühungen für Kunden darauf abzielen, den Durchsatz beim KI-Training und der Inferenz zu verbessern und gleichzeitig den Energieverbrauch pro generiertem Token zu senken. Das Unternehmen erwartet, dass Fortschritte auf Software-, Algorithmen- und Modellebene die Hardware- und Systemverbesserungen verstärken und bis 2030 potenziell eine bis zu 100-fache Steigerung der KI-Energieeffizienz ermöglichen werden.
Der Fokus liegt zunehmend auf der nutzbaren Rechenleistung pro verfügbarem Watt. Da Stromversorgung, Kühlkapazität und physische Infrastruktur die KI-Expansion einschränken, könnten Verbesserungen der Rack-Leistung pro Watt den Stromverbrauch senken und die Infrastrukturauslastung verbessern, ohne dass der Stromverbrauch linear mit dem Rechenbedarf skalieren muss.
Amazon