AMD développe une stratégie d’infrastructure pour l’intelligence artificielle (IA) fondée sur trois principes essentiels : capacité d’adaptation, efficacité économique et écosystèmes ouverts. Par ailleurs, l’entreprise a présenté une technique de rendu utilisant des cages tétraédriques, qui, selon ses tests, permet de réduire drastiquement la mémoire nécessaire pour représenter une géométrie animée via le lancer de rayons.

Les points clés d’AMD en 30 secondes

• AMD prône une conception d’infrastructures IA modulable, capables de gérer des charges évolutives dans le temps.
• Elle met en avant la nécessité d’une flexibilité, d’une efficacité économique et d’une ouverture pour éviter des architectures trop rigides.
• La proposition combine CPU EPYC, GPU Instinct, Radeon et Ryzen AI sous le logiciel ROCm.
• En graphismes, AMD introduit des cages tétraédriques pour les animations complexes et le ray tracing.
• Dans une démonstration avec des plantes animées, la technique a utilisé environ 1,7 Go de mémoire BVH, contre jusqu’à 80 Go avec une géométrie conventionnelle.

Ces deux innovations proviennent de domaines distincts d’AMD, mais partagent une préoccupation commune : éviter que la croissance des charges de travail ne nécessite la maintenance d’architectures trop lourdes. En infrastructure IA, l’enjeu concerne l’intégration efficace de calcul, mémoire, réseau, stockage et logiciel face à l’évolution des besoins. En graphismes, la recherche vise à réduire la quantité d’informations à mettre à jour lors d’animations comportant une grande quantité de géométrie.

Forrest Norrod, d’AMD, a exposé cette vision lors du AI Infra Summit. Son raisonnement repose sur une incertitude difficile à éviter : il est complexe de déterminer quelles architectures de modèles prédomineront d’ici cinq ans, l’équilibre entre entraînement et inférence ou encore l’emplacement d’exécution des charges IA.

Selon AMD, cela implique qu’une architecture ne doit pas être conçue uniquement autour d’un accélérateur ou d’un réseau spécifique. Elle doit pouvoir évoluer en fonction des types de travaux qu’elle exécute.

L’infrastructure IA évolue avec les charges de travail

Au début de l’essor de l’IA générative, une grande partie de l’infrastructure était centrée sur de lourds entraînements en cluster. Aujourd’hui, cette charge coexiste avec l’inférence continue, les systèmes à agents et d’autres applications distribuées.

L’inférence introduit une nouvelle variable. Chaque requête possède des exigences en termes de latence et de coût, tandis qu’un système d’IA à agents peut transformer une seule demande en une chaîne d’opérations : collecte d’informations, utilisation d’outils, exécution de code, coordination avec d’autres agents et gestion d’état.

Pour AMD, cette évolution impacte l’architecture dans sa globalité. Il ne suffit pas d’ajouter plus de calculs si l’équilibre entre CPU, GPU, mémoire, stockage et réseau n’est pas optimisé.

La société résume sa vision en trois propriétés clés :

La première est l’adaptabilité. L’infrastructure doit permettre l’utilisation de configurations matérielles variées sans changer de fournisseur ni devoir tout reconstruire.

La seconde est l’efficience économique. AMD distingue le coût d’un entraînement unique, qui peut être une décision d’infrastructure ponctuelle, du coût cumulé de l’inférence, récurrent à chaque utilisation. Pour les systèmes à agents, elle recommande de se concentrer sur le coût de réalisation d’une tâche plutôt que sur celui de générer un token.

Enfin, la troisième propriété est l’ouverture. AMD associe ce concept aux standards ouverts d’interconnexion et de réseaux, permettant la compatibilité entre composants de différents fournisseurs.

CPU, GPU et ROCm : une approche cohérente

AMD illustre cette stratégie avec sa gamme de processeurs et d’accélérateurs. Les processeurs généralistes AMD EPYC occupent une place centrale, tandis que les plateformes Radeon et Ryzen AI couvrent diverses applications IA locales.

Pour l’inférence de modèles linguistiques ou leur ajustement, la société propose des accélérateurs AMD Instinct en format PCIe. Pour des charges distribuées, elle recommande des systèmes composés de huit GPU Instinct ou, pour des déploiements à plus grande échelle, la plateforme AMD Helios.

AMD soutient que disposer d’un large éventail de produits ne suffit pas si chaque plateforme nécessite une expérience logicielle distincte. C’est pourquoi elle considère ROCm comme la couche commune permettant le transfert de charges entre différentes configurations matérielles.

Ce positionnement stratégique n’est pas une garantie que toutes les applications puissent migrer sans modification entre ces produits, mais AMD souligne que cette flexibilité repose sur une base logicielle unifiée et l’adoption de standards ouverts.

Norrod insiste aussi sur le fait qu’une infrastructure conçue pour durer 5 ou 7 ans doit anticiper une évolution des charges, en restant flexible plutôt qu’en cherchant à prédire une technologie dominante spécifique.

AMD réduit la consommation mémoire du ray tracing avec des cages tétraédriques

La seconde recherche d’AMD aborde un autre problème, tout aussi lié à l’efficacité des ressources.

En démonstration à grande échelle, AMD a simulé environ 25 000 plantes animées indépendamment par ray tracing. La scène la plus détaillée comprenait environ 2,8 milliards de triangles, avec une sélection de niveau de détail ramenant le nombre de triangles animés à environ 500 millions par image.

L’expérience a été réalisée sur une Radeon RX 9070 XT en 1080p, avec AMD affirmant atteindre plus de 60 images par seconde en utilisant le ray tracing primaire et d’ombres.

Ce que AMD met en avant, ce n’est pas seulement le nombre de triangles, mais la mémoire occupée par l’accélération du ray tracing.

Grâce à sa technique de jaules tétraédriques, AMD indique que la scène n’utilise qu’environ 1,7 Go de mémoire pour les structures BVH, et qu’il faut seulement environ 3,3 millisecondes pour mettre à jour ces structures à chaque image. En comparaison, avec une représentation classique basée sur des objets en triangles très denses, la mémoire nécessaire pourrait atteindre 80 Go de GPU et plus de 300 ms pour mettre à jour la BVH.

La différence réside dans la façon dont la géométrie est représentée.

Au lieu de déplacer des millions de vertices, on déplace une cage

Dans un système traditionnel, chaque objet animé doit gérer ses propres positions de vertices et ses structures d’accélération, qui doivent être mises à jour lorsque la géométrie change.

La technique d’AMD consiste à entourer la géométrie dense d’une structure plus petite composée de tétraèdres. La géométrie originale et sa structure BVH peuvent rester statiques et être réutilisées. Seule la cage est modifiée lors de l’animation.

Les rayons sont ensuite transformés vers le système de référence statique avant de vérifier l’intersection avec la géométrie dense.

Ainsi, le coût de l’animation dépend de la complexité de la cage, non de celle de l’ensemble des triangles. Cependant, cette méthode impose une limitation : elle ne permet pas un contrôle individuel de chaque vertex. AMD indique que cette restriction peut être acceptable selon le type d’animation.

La société compare aussi cette technique aux structures d’accélération à l’échelle du cluster. Ces dernières peuvent réduire la mémoire utilisée et accélérer les mises à jour de géométries dynamiques, mais nécessitent toujours la gestion de structures spécifiques à la géométrie modifiée.

Les cages tétraédriques apportent une avancée en maintenant la structure dense statique et en animant uniquement une représentation plus petite.

Ce travail est particulièrement adapté aux scènes avec de nombreux objets animés. Par exemple, un environnement végétal réagissant individuellement à un champ de vent a été testé par AMD.

Ces techniques peuvent être combinées avec Microsoft DirectX Raytracing (DXR), selon la documentation technique publiée par AMD. La société a également présenté ses travaux lors du congrès High-Performance Graphics 2026.

Ces deux projets illustrent deux enjeux distincts de l’informatique moderne : en IA, l’obstacle est de créer des systèmes capables de s’adapter à des charges en constante évolution ; en graphismes, il s’agit de limiter la croissance du coût de représentation d’une scène à mesure que sa complexité augmente. Dans les deux cas, AMD mise sur une approche globale visant à réduire la consommation de ressources inutiles, même lorsque la charge de travail croît.

Questions fréquentes

Que propose AMD pour l’infrastructure IA ?

AMD recommande une conception modulaire des systèmes, centrée sur trois propriétés : adaptabilité, efficience économique et ouverture. Sa stratégie exploite une palette variée de processeurs et d’accélérateurs, unifiés par une couche logicielle commune basée sur ROCm.

Qu’est-ce qu’une cage tétraédrique ?

Il s’agit d’une structure composée de tétraèdres entourant une géométrie plus complexe. Selon AMD, lors de l’animation, seule la cage se déforme, tandis que la géométrie dense et sa structure BVH restent statiques.

Combien de mémoire la technique d’AMD permet-elle d’économiser ?

Lors du test publié, l’utilisation de cages tétraédriques a permis de réduire l’usage de la mémoire BVH à environ 1,7 Go, contre jusqu’à 80 Go pour des structures géométriques classiques nécessitant une mise à jour complète.

Cette technique est-elle adaptée à tous types d’animation ?

Pas forcément. AMD souligne que le contrôle individuel des vertices est compromis avec cette méthode. Son intérêt dépend donc du type d’animation et des exigences spécifiques en termes de qualité ou de fidélité visuelle.

Sources : newsroom.amd et gpuopen