AMD vise une amélioration de 20x de l’efficacité énergétique pour l’IA d’ici 2030

AMD s’engage à rendre ses clusters d’IA en rack beaucoup plus énergéniques, visant à atteindre une augmentation de l’efficacité de 20 fois d’ici 2030. Cet objectif vise à rendre le calcul plus évolutif et durable.

Une Efficacité Énergétique Optimisée pour l’IA

[Communiqué de Presse]: Chez AMD, l’efficacité énergétique a toujours été un principe fondamental de conception. Depuis plus de dix ans, ils ont fixé des objectifs ambitieux pour augmenter considérablement l’efficacité de les produits, et ils ont constamment réussi à les dépasser. Aujourd’hui, nous annonçons ce nouvelle vision quinquennale pour le design économe en énergie.

Lors de l’événement Advancing AI, ils ont révélé que AMD a dépassé ce objectif de 30×25 établi en 2021, visant à améliorer l’efficacité énergétique des nœuds d’entraînement IA et de calcul haute performance (HPC) de 30 fois de 2020 à 2025. Bien que ce défi ait été important, nous ne comptons pas nous arrêter là.

À mesure que l’IA se développe, et dans la volonté de concevoir des systèmes IA complets, ce leadership en matière d’efficacité énergétique devient primordial. C’est pourquoi nous fixons aujourd’hui un nouvel objectif ambitieux : une amélioration de l’efficacité énergétique de 20 fois pour l’entraînement et l’inférence d’IA en rack d’ici 2030, en prenant comme base l’année 2024.

Un Nouvel Objectif pour l’IA

À mesure que les charges de travail augmentent, les gains d’efficacité au niveau des nœuds ne pourront suffire. La majorité de l’impact en matière d’efficacité se produira au niveau du système, où se concentre ce objectif de 2030.

Nous pensons pouvoir réaliser cette amélioration de 20 fois en matière d’efficacité énergétique des racks pour l’entraînement et l’inférence d’IA d’ici 2030, dépassant d’environ trois fois la tendance industrielle d’amélioration entre 2018 et 2025. Cela se traduit par des améliorations de performance par watt sur l’ensemble du rack, incluant les CPU, GPU, la mémoire, le réseau, le stockage et le co-design hardware-logiciel.

Implications Pratiques de ces Améliorations

Une amélioration de 20 fois de l’efficacité à l’échelle du rack, presque trois fois supérieure au taux précédent de l’industrie, a des conséquences considérables. En prenant comme référence l’entraînement d’un modèle IA typique en 2025, les gains pourraient permettre :

• La consolidation de racks de plus de 275 à moins d’un rack entièrement utilisé
• Une réduction de plus de 95 % de la consommation électrique opérationnelle
• Une réduction des émissions de carbone passant d’environ 3 000 à 100 tonnes métriques de CO2 pour l’entraînement des modèles

Nous sommes impatients de continuer à repousser les frontières, non seulement en termes de performance, mais aussi de ce qui est possible lorsque l’efficacité est au cœur de les préoccupations. Au fur et à mesure de l’avancement de les objectifs, nous partagerons des mises à jour sur les progrès et leurs répercussions sur l’écosystème.