AMD affirme avoir atteint, à la mi-2026, une amélioration estimée de quatre fois plus d’efficacité énergétique de ses systèmes d’intelligence artificielle à l’échelle des racks par rapport à sa référence de 2024. La société se positionne ainsi en avance sur l’objectif intermédiaire qu’elle avait initialement projeté et maintient son ambition d’atteindre, d’ici 2030, une amélioration de vingt fois le rendement par watt pour l’entraînement et l’inférence en IA.

Les clés de cet objectif énergétique en 30 secondes

• AMD prévoit une amélioration de quatre fois le rendement par watt depuis 2024, alors que l’avancement prévu à cette étape était de 3 fois.
• Son objectif à horizon 2030 est d’atteindre une efficacité vingt fois supérieure dans les systèmes d’IA à l’échelle des racks.
• La société évalue qu’environ deux racks futurs pourraient offrir une performance équivalente à celle de 570 racks de 2024 dans une charge représentative.
• Ces chiffres reposent en partie sur des projections et modèles d’AMD, et ne constituent pas des résultats mesurés de produits commerciaux à cette date.

La question de la consommation énergétique est devenue l’un des principaux facteurs limitant l’expansion des centres de données dédiés à l’intelligence artificielle. Il ne suffit plus de produire des accélérateurs plus puissants : il faut aussi alimenter ces GPU, déplacer d’énormes volumes de données depuis la mémoire, communiquer entre centaines ou milliers de processeurs, et évacuer la chaleur générée par l’ensemble du système.

AMD aborde cette problématique sous cet angle. Sa cible, baptisée 20×30, ne mesure pas uniquement l’efficacité d’un GPU isolé, mais concerne des configurations complètes de racks combinant calcul, mémoire et réseaux.

En prenant 2024 comme référence, la société calcule chaque année l’évolution du rendement par watt de ses configurations.

Néanmoins, l’indicateur de 2026 nécessite une précision importante. AMD explique que cette amélioration estimée de 4 fois résulte d’ une combinaison de données mesurées sur produits existants et d’estimations modélisées pour les cas où les données finales de performance n’étaient pas encore disponibles.

Il ne faut donc pas l’interpréter comme un benchmark indépendant attestant qu’un système AMD actuel consomme quatre fois moins d’électricité pour une tâche identique.

L’objectif : 20 fois plus de performance par watt en 2030

L’ambition fixée par AMD pour 2030 est nettement plus élevée.

La société vise une amélioration de vingt fois l’efficacité énergétique à l’échelle des racks pour l’entraînement et l’inférence en IA par rapport à 2024.

Selon AMD, sa progression jusqu’à la mi-2026 dépasse la trajectoire initialement envisagée : elle avait prévu une amélioration d’environ 3 fois, tandis que l’estimation actuelle s’établit à 4 fois.

De plus, la société affirme que ce rythme dépasse de plus du double la tendance historique de l’industrie, souvent utilisée comme référence pour l’amélioration de l’efficacité énergétique.

Ce qui est encore plus impressionnant, c’est la manière dont AMD transpose cette amélioration du rendement par watt à la capacité d’un centre de données.

En utilisant une charge d’entraînement IA représentative, AMD prévoit que environ deux racks en 2030 pourraient fournir la même capacité de calcul que 570 racks de 2024.

À première vue, cette comparaison semble incompatible avec une amélioration énergétique “seulement” de 20 fois, mais elle concerne des variables différentes. La réduction du nombre de racks reflète surtout le gain énorme attendu en performance globale par système, alors que l’objectif 20×30 concerne précisément le rendement en performance par unité d’énergie.

Pour la même charge de travail, AMD estime qu’il serait possible de réduire en moyenne la consommation électrique de 20 fois lors de l’usage, et également de diminuer de 28 fois l’empreinte carbone.

Une autre manière d’en exploiter le potentiel consiste à maintenir la même énergie disponible, tout en réalisant beaucoup plus de calculs.

Dans ce scénario, AMD prévoit que ses systèmes en 2030 pourraient offrir 20 fois plus d’opérations en virgule flottante par seconde (FLOPS) par watt que celles de 2024.

Toutes ces projections pour 2030 restent hypothétiques, dépendant des futures générations de processeurs, accélérateurs, mémoire, interconnexions, logiciels, et technologies de fabrication devant respecter les marges d’amélioration envisagées dans ses modèles.

L’enjeu ne se limite plus à la GPU

Un des aspects les plus innovants de l’approche d’AMD est de cesser de traiter l’efficacité énergétique uniquement comme un problème de CPU ou GPU isolés.

Dans les grands systèmes d’IA, au moins trois facteurs conditionnent directement la performance : capacité de calcul, bande passante mémoire et bande passante des interconnexions.

Une GPU peut disposer de ressources massives, mais passer une partie de son temps à attendre des données.

Les modèles modernes nécessitent de déplacer sans cesse des paramètres, des activations et d’autres données entre mémoire et processeurs. La croissance des contextes d’inférence, notamment avec des modèles de langage toujours plus volumineux, ajoute encore à cette pression via l’augmentation de la taille du cache KV utilisé.

Ce déplacement constant de données consomme énormément d’énergie.

C’est pourquoi des technologies telles que la mémoire HBM (High Bandwidth Memory), des caches de capacité accrue et une intégration plus poussée entre mémoire et processeur sont essentielles, non seulement pour augmenter le rendement, mais aussi pour réduire ces déplacements inutiles.

Les interconnexions sont confrontées à un défi similaire.

Les systèmes modernes d’IA répartissent la charge entre de nombreux accélérateurs. Plus le modèle est volumineux et l’étendue du cluster grande, plus il est crucial que GPU, CPU et autres composants puissent communiquer rapidement sans que cela ne devienne un goulet d’étranglement énergétique.

AMD considère que pour atteindre ses objectifs 2030, les interconnexions haute vitesse pour systèmes scale-up seront indispensables.

Un aperçu global : CPU, GPU, mémoire, réseau, logiciel et refroidissement, un seul enjeu

Ce changement reflète une évolution plus large des infrastructures d’IA, qui ne peut plus se résumer à une focalisation sur le processeur seul.

Pendant longtemps, on évaluait la performance d’un serveur en se concentrant sur le processeur, puis sur la GPU. Avec des systèmes complets, occupant des racks entiers, cette approche devient de moins en moins pertinente.

L’efficacité finale dépend désormais de la synergie entre CPU, GPU, mémoire, interconnexions, réseau, stockage, logiciels, alimentation électrique et refroidissement.

AMD parle d’un design intégré au niveau du système entier.

Les nouvelles technologies de fabrication permettent d’augmenter le nombre de transistors et d’améliorer le rendement par watt. Les architectures GPU peuvent en tirer parti, et une mémoire à bande passante élevée ainsi que des interconnexions rapides réduisent le temps consacré au déplacement des données.

Le logiciel complète cette équation.

AMD met en avant ROCm, sa plateforme logicielle GPU, comme un élément stratégique. Améliorer les compilateurs, bibliothèques et la gestion des modèles permet d’optimiser l’exploitation du hardware sans en augmenter proportionnellement la consommation.

En inference, cela a aussi une traduction directe sur le plan économique : l’énergie consommée par token généré.

Lorsque des services traitent des millions de requêtes, de petites améliorations sur ce point peuvent entraîner des différences notables en termes de consommation électrique et de coûts opérationnels.

Plus de performance, dans un réseau électrique qui ne progresse pas au même rythme

L’objectif d’AMD intervient alors que les grands centres de données IA voient leurs besoins électriques croître rapidement.

Pour les opérateurs, la limite ne réside pas seulement dans l’ajout de serveurs : la puissance électrique disponible, la capacité de connexion au réseau et la capacité de refroidissement imposent des contraintes d’installation concrètes.

Augmenter le rendement par watt permet donc d’utiliser autrement une infrastructure électrique limitée.

Un centre de données pourrait, par exemple, exécuter une charge donnée avec moins de serveurs et d’électricité, ou bien utiliser la même puissance pour effectuer davantage de calculs.

C’est précisément cette interprétation qui sous-tend l’objectif 20×30 d’AMD.

La société ne promet pas une réduction de 95 % de la consommation électrique des systèmes d’IA en termes absolus. Si la demande en puissance augmente plus vite que les gains d’efficacité, la consommation totale pourra continuer à croître.

Ce qu’AMD espère, c’est que chaque watt permette d’effectuer bien plus d’opérations IA.

Les projections d’une amélioration de 4 fois à la mi-2026, selon la méthode de la société, indiquent que cette avancée dépasse déjà la trajectoire initialement estimée. Il reste encore quatre ans pour voir si les prochaines générations de processeurs, mémoire, interconnexions et logiciel permettront de maintenir cet élan et de multiplier par 20 cette efficacité par rapport à 2024.

Questions fréquentes

Quelle est l’amélioration de l’efficacité énergétique de AMD pour ses systèmes IA ?

AMD prévoit qu’à la mi-2026, ses systèmes atteindront une amélioration de quatre fois l’efficacité énergétique à l’échelle des racks par rapport à 2024. Ce calcul combine données mesurées et estimations modélisées.

Que signifie l’objectif AMD 20×30 ?

L’entreprise vise une amélioration de vingt fois le rendement par watt en IA d’ici 2030 par rapport à 2024, pour des configurations complètes de racks dédiés à l’entraînement et à l’inférence.

AMD affirme-t-elle que deux racks pourraient remplacer 570 racks actuels ?

C’est une projection pour 2030 basée sur une charge représentative et sur les améliorations prévues pour ses systèmes. Il ne s’agit pas d’une comparaison en condition réelle ou d’un hardware disponible aujourd’hui.

Une efficacité 20 fois supérieure réduira-t-elle la consommation totale en IA ?

Pas nécessairement. Elle permettra d’effectuer plus de calculs par watt consommé, mais la consommation globale dépendra aussi de l’évolution de la demande en entraînement et inférence IA.

vía : newsroom.amd