AMD informó que sus configuraciones de rack para inteligencia artificial alcanzaron una mejora estimada de 4x en eficiencia energética entre 2024 y 2026. El resultado supera el objetivo proyectado para esta etapa y mantiene a la compañía en ruta hacia su meta de aumentar 20x el rendimiento por watt para entrenamiento e inferencia de IA en 2030.
El indicador compara el rendimiento por watt a escala de rack respecto de una base de 2024, en lugar de medir únicamente la eficiencia de un procesador o acelerador. El cálculo considera CPU, GPU, memoria, redes, almacenamiento y diseño conjunto de hardware y software, mientras que el resultado de 2026 combina datos medidos con estimaciones modeladas.
AMD lleva la eficiencia energética al nivel de rack
La meta de AMD busca multiplicar por 20 el rendimiento por watt de sus sistemas de IA entre 2024 y 2030. La compañía plantea que este avance requiere optimizar de manera conjunta el cómputo, la memoria y las interconexiones, además del software y el diseño completo del sistema.
Sam Naffziger, vicepresidente sénior y Corporate Fellow de AMD, atribuyó el avance a una mayor integración entre los distintos componentes de la infraestructura y vinculó el resultado obtenido hasta 2026 con el ritmo previsto para alcanzar el objetivo de 2030.
“La próxima ola de eficiencia en IA dependerá de una cooptimización más estrecha entre cómputo, memoria, interconexiones, software y diseño a escala de rack [...]”.
Admin
El resultado de 2026 todavía incorpora estimaciones
La metodología utiliza como referencias configuraciones basadas en AMD Instinct MI300X para 2024, MI355X para 2025 y MI455X para 2026. AMD señala que, al momento de publicar los datos, todavía no disponía de valores completos de rendimiento del MI455X, por lo que empleó una combinación de resultados medidos y modelados y espera que la medición definitiva quede dentro de un 5% de la estimación.
Para 2030, AMD proyecta que la mejora permita obtener 20x más capacidad de cómputo por watt utilizando la misma cantidad de energía. La metodología considera el rendimiento de cómputo, el ancho de banda de memoria HBM y la interconexión scale-up para estimar la evolución del rendimiento energético en cargas de entrenamiento e inferencia.
Admin
