AMD’nin 72 GPU’lu Helios Sistemi Yapay Zekâ Enerji Tüketimini Değiştirebilir

AMD, yapay zekâ sistemlerinin enerji verimliliğini 2030’a kadar 2024 seviyesine göre 20 kat artırma hedefinde ilerlediğini açıkladı. Şirket, 2026 itibarıyla yapay zekâ sistemlerinde iki yıl öncesine kıyasla yaklaşık dört kat daha yüksek verimlilik elde ettiğini tahmin ederken yeni nesil Helios platformu bu hedefin merkezinde yer alıyor. 72 MI455X GPU’yu tek bir raf ölçekli sistemde bir araya getiren Helios’un ilk müşterilere bu çeyrekte gönderilmesi beklenirken AMD, aynı enerji bütçesiyle gelecekte 20 kat daha fazla hesaplama kapasitesi sunmayı hedefliyor.

AMD Verimlilik Artışını GPU’dan Tüm Sisteme Taşıyor

AMD’nin 2024’te MI300X’i yüksek hacimli üretime alması, şirketin yapay zekâ veri merkezi GPU pazarındaki mevcut yaklaşımının başlangıç noktalarından birini oluşturdu. 750 watt güç tüketen MI300X, yoğun FP8 hesaplamalarında 2,6 petaFLOPS performans sunarken AMD sonraki dönemde yalnızca GPU işlem gücünü değil bellek, bağlantı teknolojileri ile yazılım katmanını da geliştirmeye yöneldi.

AMD, daha düşük bit genişliğine sahip 4 bitlik kayan nokta veri türlerini destekleyerek yapay zekâ hesaplamalarında veri başına gereken işlem yükünü azaltmaya çalıştı. Şirket ayrıca daha yeni bellek teknolojileri, daha hızlı GPU bağlantıları ve klasik sunucu tasarımından raf ölçekli bütünleşik sistemlere geçiş kullanarak performansın watt başına düşen kısmını artırmayı hedefledi.

AMD’nin kıdemli yöneticisi Sam Naffziger, şirketin yaklaşımında daha büyük sistemlerin bazı durumlarda daha verimli çalışabileceğini savunmuştu. Raf ölçekli mimariler, GPU’ların yalnızca işlem gücünü değil bellek ile GPU’lar arasındaki veri aktarımını da ortak bir sistem olarak optimize ettiği için yapay zekâ iş yüklerinde toplam verimliliği artırabiliyor.

AMD’nin geçen ay tanıttığı Helios platformu, 72 adet MI455X GPU’yu tek bir raf ölçekli hesaplama sistemi içerisinde bir araya getiriyor. MI455X, MI300X’e kıyasla 7,7 ila 15,4 kat daha yüksek kayan nokta performansı, 2,25 kat daha fazla HBM belleği, 4,4 kat daha hızlı bellek erişimi ve dört kat daha yüksek yonga-yonga bağlantı bant genişliği sunuyor.

MI455X’in tek başına performansı yükselirken güç tüketimi de MI300X’in üç katından fazla seviyeye çıkıyor. AMD’nin verimlilik iddiasının temelinde yalnızca daha güçlü GPU üretimi değil 72 hızlandırıcının aynı yapay zekâ iş yükünde ne kadar etkin biçimde birlikte çalıştırılabildiği bulunuyor.

Helios’un ilk sistemlerinin 2026’nın üçüncü çeyreğinde müşterilere gönderilmesi planlanıyor. AMD’nin gerçek dünya performansının MLPerf ile InferenceX gibi bağımsız veya sektörel kıyaslamalarda ölçülmesi, şirketin laboratuvar tahminlerinin üretim ortamında ne kadar karşılık bulduğunu gösterecek.

Nvidia, raf ölçekli yapay zekâ sistemlerine AMD’den önce geçerek 2024 sonunda Grace Blackwell tabanlı GB200 NVL72 platformunu tanıtmıştı. Nvidia’nın 72 GPU içeren sistemi, Hopper tabanlı eşdeğer GPU yapılarına kıyasla eğitim performansında dört kata, çıkarım performansında ise 30 kata kadar artış sunduğu iddiasıyla tanıtılmıştı.

AMD ile Nvidia arasındaki verimlilik rakamları doğrudan karşılaştırılamıyor çünkü iki şirket hesaplamalarını aynı yöntemle yapmıyor. AMD, eğitim ile çıkarım senaryolarında maksimum FLOPS, bellek kapasitesi ve bağlantı bant genişliğine farklı ağırlıklar verirken Nvidia’nın önceki performans iddiaları gerçek uygulama sonuçlarına dayalı farklı metriklerle açıklanmıştı.

AMD’nin 2026 için açıkladığı dört katlık verimlilik artışı da henüz tamamen bağımsız bir performans sonucu olarak değerlendirilmiyor. Şirket söz konusu rakamı tahmin olarak sunarken Helios’un gerçek müşterilerde çalışmaya başlaması, enerji tüketimi ile hesaplama çıktısı arasındaki ilişkinin daha somut biçimde ölçülmesini sağlayacak.

AMD’nin uzun vadeli hesabına göre iki Helios rafı, 2024 yılında aynı iş yükünü çalıştırmak için gereken 570 raflık altyapının gerçekleştirdiği hesaplamayı karşılayabilecek. Şirketin daha pratik hedefi ise aynı enerji bütçesiyle 2030’a doğru 20 kat daha fazla yapay zekâ hesaplama kapasitesi sunmak olarak öne çıkıyor.

Yapay zekâ modellerinin büyümesi veri merkezi elektrik tüketimini önemli bir altyapı maliyetine dönüştürürken GPU performansındaki artış tek başına yeterli olmuyor. AMD’nin yaklaşımı, işlem gücü artışını HBM kapasitesi, veri aktarımı, ağ bağlantıları, yazılım optimizasyonu ve raf ölçekli mimariyle birlikte ele alarak watt başına hesaplamayı yükseltmeye dayanıyor.

Helios’un saha sonuçları, AMD’nin enerji verimliliği hedefinin ne kadar gerçekçi olduğunu belirleyecek temel aşama olacak. Şirket hedefini tutturursa yapay zekâ veri merkezleri aynı elektrik kapasitesiyle daha fazla model eğitimi ile çıkarımı gerçekleştirebilirken artan enerji talebinin donanım yatırımları üzerindeki baskısı da kısmen azalabilir.