AMD predstavlja vodeći portfolio Data Centar AI rešenja sa AMD Instinct MI300 serijom

AMD najavljuje dostupnost AMD Instinct™ MI300X akseleratora, sa najboljim protokom memorije u industriji za generativni AI¹ i izuzetnim performansama za treniranje i rad sa velikim jezičkim modelima (LLM). Takođe, tu je i AMD Instinct™ MI300A APU jedinica koja kombinuje najnoviju AMD CDNA™ 3 arhitekturu i Zen 4 procesore, pružajući izvanredne performanse za rad sa HPC i AI.

AMD Instinct™ MI300 serija akceleratora je dizajnirana sa našim najnaprednijim tehnologijama, donoseći liderske performanse, i biće široko primenjena u Cloud-u i preduzećima," rekao je Viktor Peng, predsednik AMD-a. "Koristeći naš liderski hardver, softver i pristup otvorenom ekosistemu, dobavljači Cloud rešenja, OEM i ODM donose na tržište tehnologije koje osnažuju preduzeća da usvoje i primene rešenja zasnovana na veštačkoj inteligenciji.

AMD Instinct MI300X

AMD Instinct™ MI300X akceleratore pokreće nova AMD CDNA 3 arhitektura. U poređenju sa prethodnom generacijom AMD Instinct™ MI250X akceleratora, MI300X donosi skoro 40% više računarske snage², 1,5 puta veći kapacitet memorije, 1,7 puta veći teorijski pik memorijskog protoka podataka³, kao i podršku za nove matematičke formate kao što su FP8 i "sparsity", usmerene na AI i HPC radna opterećenja.

Današnji LLM-ovi nastavljaju da se povećavaju u veličini i složenosti, zahtevajući ogromne količine memorije i računarske snage. AMD Instinct™ MI300X akceleratori poseduju najbolji u klasi kapacitet HBM3 memorije od 192 GB, kao i 5,3 TB/s pik protok podataka², kako bi dostavili performanse potrebne za sve zahtevnija radna opterećenja. AMD Instinct™ platforma je vodeća generativna AI platforma izgrađena na industrijskom standardnom OCP dizajnu sa osam MI300Ks akceleratora, kako bi ponudila vodeći u industriji kapacitet memorije od 1,5 TB HBM3. Standardni dizajn AMD Instinct™ Platforme omogućava OEM partnerima da pridodaju MI300Ks akceleratore u postojeća AI rešenja i pojednostave primenu, ubrzajući usvajanje servera zasnovanih na AMD Instinct™ akceleratorima.

U poređenju sa Nvidia H100 HGKS, AMD Instinct™ Platforma može ponuditi povećanje propusnosti do 1,6k kada se izvodi zaključivanje na LLM-ovima kao što je BLOOM 176B⁴ i jedina je opcija na tržištu koja može izvesti zaključak za model parametara od 70B, kao što je Llama, na jednom MI300Ks akceleratoru, pojednostavljivanjem LLM implementacije na nivou preduzeća i omogućavanjem izvanredne ukupne vrednosti vlasništva.

AMD Instinct MI300A

AMD Instinct™ MI300A APU-i, prvi APU u svetu podataka za HPC i AI, koriste 3D pakovanje i 4. generaciju AMD Infiniti arhitekture za pružanje liderskih performansi u kritičnim radnim opterećenjima koja se nalaze na konvergenciji HPC-a i AI. MI300A APU kombinuju AMD CDNA 3 GPU jezgra visokih performansi, najnovija AMD „Zen 4“ x86 bazirana CPU jezgra i 128 GB HBM3 memorije sledeće generacije, da bi isporučili ~1,9k performanse po vatu na FP32 HPC i AI radnim opterećenjima, u poređenju sa modelom prethodne generacije AMD Instinct™ MI250X^5.

Energetska efikasnost je od najveće važnosti za HPC i AI zajednice, međutim ova radna opterećenja su izuzetno intenzivna za podatke i resurse. AMD Instinct™ MI300A APU-i imaju koristi od integracije CPU i GPU jezgara u jednom paketu koji isporučuje visoko efikasnu platformu, a istovremeno pruža i računarsku snagu za ubrzavanje obuke najnovijih AI modela. AMD postavlja tempo inovacija u energetskoj efikasnosti sa ciljem kompanije 30×25, gde je cilj isporučiti 30k poboljšane energetske efikasnosti u serverskim procesorima i akceleratorima za obuku veštačke inteligencije i HPC od 2020-2025.

Prednost APU-a znači da AMD Instinct™ MI300A APU-ovi imaju objedinjene memorijske i keš resurse, dajući korisnicima GPU platformu koja se lako programira, visoko efikasne računare, brzu AI obuku i impresivnu energetsku efikasnost za napajanje najzahtevnijih HPC i AI radnih opterećenja

Specifikacije proizvoda

^{1 MI300-05A: Calculations conducted by AMD Performance Labs as of November 17, 2023, for the AMD Instinct™ MI300X OAM accelerator 750W (192 GB HBM3) designed with AMD CDNA™ 3 5nm FinFet process technology resulted in 192 GB HBM3 memory capacity and 5.325 TFLOPS peak theoretical memory bandwidth performance. MI300X memory bus interface is 8,192 and memory data rate is 5.2 Gbps for total peak memory bandwidth of 5.325 TB/s (8,192 bits memory bus interface * 5.2 Gbps memory data rate/8).The highest published results on the NVidia Hopper H200 (141GB) SXM GPU accelerator resulted in 141GB HBM3e memory capacity and 4.8 TB/s GPU memory bandwidth performance.The highest published results on the NVidia Hopper H100 (80GB) SXM5 GPU accelerator resulted in 80GB HBM3 memory capacity and 3.35 TB/s GPU memory bandwidth performance.}

^{2 MI300-15: The AMD Instinct™ MI300X (750W) accelerator has 304 compute units (CUs), 19,456 stream cores, and 1,216 Matrix cores.
The AMD Instinct™ MI250 (560W) accelerators have 208 compute units (CUs), 13,312 stream cores, and 832 Matrix cores.
The AMD Instinct™ MI250X (500W/560W) accelerators have 220 compute units (CUs), 14,080 stream cores, and 880 Matrix cores.}

^{3 MI300-13: Calculations conducted by AMD Performance Labs as of November 7, 2023, for the AMD Instinct™ MI300X OAM accelerator 750W (192 GB HBM3) designed with AMD CDNA™ 3 5nm FinFet process technology resulted in 192 GB HBM3 memory capacity and 5.325 TFLOPS peak theoretical memory bandwidth performance. MI300X memory bus interface is 8,192 (1024 bits x 8 die) and memory data rate is 5.2 Gbps for total peak memory bandwidth of 5.325 TB/s (8,192 bits memory bus interface * 5.2 Gbps memory data rate/8).The AMD Instinct™ MI250 (500W) / MI250X (560W) OAM accelerators (128 GB HBM2e) designed with AMD CDNA™ 2 6nm FinFet process technology resulted in 128 GB HBM3 memory capacity and 3.277 TFLOPS peak theoretical memory bandwidth performance. MI250/MI250X memory bus interface is 8,192 (4,096 bits times 2 die) and memory data rate is 3.20 Gbps for total memory bandwidth of 3.277 TB/s ((3.20 Gbps*(4,096 bits*2))/8).}

^{4 MI300-34: Token generation throughput using DeepSpeed Inference with the Bloom-176b model with an input sequence length of 1948 tokens, and output sequence length of 100 tokens, and a batch size tuned to yield the highest throughput on each system comparison based on AMD internal testing using custom docker container for each system as of 11/17/2023.
Configurations:
2P Intel Xeon Platinum 8480C CPU powered server with 8x AMD Instinct™ MI300X 192GB 750W GPUs, pre-release build of ROCm™ 6.0, Ubuntu 22.04.2.
Vs.
An Nvidia DGX H100 with 2x Intel Xeon Platinum 8480CL Processors, 8x Nvidia H100 80GB 700W GPUs, CUDA 12.0, Ubuntu 22.04.3.
8 GPUs on each system were used in this test.
Server manufacturers may vary configurations, yielding different results. Performance may vary based on use of latest drivers and optimizations.}

^{5 MI300-23: Calculations conducted by AMD Performance Labs as of Nov 16, 2023, for the AMD Instinct™ MI300X (192GB HBM3 OAM Module) 750W accelerator designed with AMD CDNA™ 3 5nm | 6nm FinFET process technology at 2,100 MHz peak boost engine clock resulted in 163.43 TFLOPS peak theoretical single precision (FP32) floating-point performance.
The AMD Instinct™ MI300A (128GB HBM3 APU) 760W accelerator designed with AMD CDNA™ 3 5nm | 6nm FinFET process technology at 2,100 MHz peak boost engine clock resulted in 122.573 TFLOPS peak theoretical single precision (FP32) floating-point performance.
The AMD Instinct™ MI250X (128GB HBM2e OAM module) 560W accelerator designed with AMD CDNA™ 2 6nm FinFET process technology at 1,700 MHz peak boost engine clock resulted in 47.9 TFLOPS peak theoretical single precision (FP32) floating-point performance.}

^{6 Includes AMD high-performance CPU and GPU accelerators used for AI training and high-performance computing in a 4-Accelerator, CPU-hosted configuration. Goal calculations are based on performance scores as measured by standard performance metrics (HPC: Linpack DGEMM kernel FLOPS with 4k matrix size. AI training: lower precision training-focused floating-point math GEMM kernels such as FP16 or BF16 FLOPS operating on 4k matrices) divided by the rated power consumption of a representative accelerated compute node, including the CPU host + memory and 4 GPU accelerators.}