Pour les développeurs
Recherchez le DPDK et d'autres téléchargements.
Un réseau réinventé pour les charges de travail d'IA
Plongez dans l'avenir des centres de données spécialement conçus pour les charges de travail d'IA avec les solutions de mise en réseau ouvertes AMD Pensando™, suite révolutionnaire de produits performants, programmables et ouverts qui améliorent et accélèrent le réseau de bout en bout.
Les DPU AMD Pensando™ alimentent le réseau front-end
Accélérez le déplacement des données et les services d'infrastructure à vitesse filaire, libérant ainsi des ressources CPU pour les charges de travail d'IA.
Mise en réseau scale-up pour les charges de travail d'IA en constante évolution
Les modèles d'IA modernes ont dépassé les capacités d'un seul GPU. La mise en réseau scale-up connecte plusieurs GPU au sein d'un système ou d'un rack pour former un domaine de calcul unique, fournissant ainsi la bande passante ultra-élevée et la faible latence que les charges de travail à grande échelle telles que l'IA agentique exigent.
Scale-out et scale-across avec les cartes réseau IA
Lorsque les charges de travail d'IA s’étendent sur des serveurs, des racks et des centres de données, une connectivité fluide entre GPU devient essentielle. La technologie AMD AI NIC™ fournit la synchronisation haut débit indispensable à l’IA à grande échelle.
AMD Helios : Performances de pointe des racks pour l'infrastructure d’IA hyperscale1
La conception de la solution AMD Helios Rackscale est une infrastructure d'IA entièrement intégrée, combinant les derniers GPU AMD Instinct™, les CPU pour serveur AMD EPYC™ et la mise en réseau AMD Pensando™, élaborée à l'aide de normes industrielles ouvertes permettant une inférence à grande échelle, un entraînement de modèles de pointe et un réglage précis.
Carte réseau AMD Pensando™ Vulcano 800 AI NIC
Exécutez des tâches d'IA jusqu'à 13 % plus rapidement2 grâce à la seule carte réseau d'IA du marché prenant en charge jusqu'à 2,4 Tbits/s de bande passante scale-out par GPU.
Mise en place d'une mise en réseau scale-out compatible IA pour les charges de travail d’IA
Découvrez comment la mise en réseau scale-out améliore l'utilisation des GPU, accélère les tâches d'IA et réduit le coût de l'évolutivité de l'infrastructure d'IA.
Adaptateurs et CPU
Les transactions boursières mondiales s'appuient sur les adaptateurs réseau à faible temps de latence AMD Solarflare™
Circuits intégrés, software et adaptateurs spécialement conçus pour les marchés financiers
9 bourses mondiales sur 10 utilisent les solutions Solarflare pour le trading3
Processeurs AMD x86 Embedded
Les processeurs AMD x86 Embedded offrent un débit de calcul élevé, des E/S robustes et une évolutivité pour les applications telles que les pare-feu, les routeurs et les appliances réseau, offrant des performances, une efficacité et une fiabilité à long terme à l'edge ou dans le centre de données.
Ressources
Nous concevons le réseau avec des normes ouvertes pour les performances à toutes les échelles
Notes de bas de page
- Calculs effectués par AMD Performance Labs en juin 2025, sur la base de la capacité mémoire/bande passante prévue et des spécifications de bande passante scale-up/out du rack IA AMD Instinct™ MI455X 72xGPU « Helios » par rapport au rack « Oberon » NVIDIA « Vera Rubin » 72xGPU annoncé publiquement. Les résultats peuvent varier en fonction des configurations créées par les fabricants de serveurs. MI350-045A
Calculs réalisés par AMD Performance Labs en septembre 2025, sur la base des types de données FP8/FP4 et des spécifications prévues pour le rack IA AMD Instinct™ MI455X 72xGPU « Helios » par rapport aux spécifications annoncées publiquement pour le rack IA « Oberon » NVIDIA « Vera Rubin » 72xGPU. Les résultats réels peuvent varier selon la production de silicium. Les résultats peuvent varier en fonction des configurations créées par les fabricants de serveurs. MI350-046B
- Basé sur la modélisation des puces réalisées par l’ingénierie AMD et sur la simulation de benchmark synthétique AMD, utilisant le test de benchmark MOE_4p5T hi_sparsity_ea9 pour estimer le gain de temps nécessaire à la résolution, en nombre de jours, à l'aide du type de données d’entraînement FP8 sur un système LLM simulé, modélisé avec 8 000 GPU AMD Instinct MI455X et (3) contre (2) cartes réseau AMD Pensando Vulcano.
Les résultats reflètent une analyse de calcul dédiée exclusivement à l’entraînement (couches de décodage uniquement). Configuration évaluée avec une taille de lot globale de 4096 et une longueur de séquence de 4K, à l'aide de l'activation SwiGLU. Les résultats excluent les surcoûts liés à l'évaluation et aux points de contrôle. FlashAttention v3 avec chevauchement des opérations matmul et softmax supposé. Les coûts de communication des opérations AllReduce et All2All sont entièrement pris en compte et ne sont pas masqués par un chevauchement en tuile entre les calculs et la communication. La synchronisation de gradient et le préchargement de poids FSDP sont évalués selon différents niveaux de chevauchement afin d'analyser la sensibilité de scale-out. Les résultats reposent sur l’hypothèse d’un comportement idéal, non entièrement optimisé en conditions réelles, et peuvent varier lorsque les produits concernés seront commercialisés. MI400-018
- https://focus.world-exchanges.org/issue/june-2025/market-statistics, données de vente internes AMD
Notes de bas de page
- Calculs effectués par AMD Performance Labs en juin 2025, sur la base de la capacité mémoire/bande passante prévue et des spécifications de bande passante scale-up/out du rack IA AMD Instinct™ MI455X 72xGPU « Helios » par rapport au rack « Oberon » NVIDIA « Vera Rubin » 72xGPU annoncé publiquement. Les résultats peuvent varier en fonction des configurations créées par les fabricants de serveurs. MI350-045A
Calculs réalisés par AMD Performance Labs en septembre 2025, sur la base des types de données FP8/FP4 et des spécifications prévues pour le rack IA AMD Instinct™ MI455X 72xGPU « Helios » par rapport aux spécifications annoncées publiquement pour le rack IA « Oberon » NVIDIA « Vera Rubin » 72xGPU. Les résultats réels peuvent varier selon la production de silicium. Les résultats peuvent varier en fonction des configurations créées par les fabricants de serveurs. MI350-046B - Basé sur la modélisation des puces réalisées par l’ingénierie AMD et sur la simulation de benchmark synthétique AMD, utilisant le test de benchmark MOE_4p5T hi_sparsity_ea9 pour estimer le gain de temps nécessaire à la résolution, en nombre de jours, à l'aide du type de données d’entraînement FP8 sur un système LLM simulé, modélisé avec 8 000 GPU AMD Instinct MI455X et (3) contre (2) cartes réseau AMD Pensando Vulcano.
Les résultats reflètent une analyse de calcul dédiée exclusivement à l’entraînement (couches de décodage uniquement). Configuration évaluée avec une taille de lot globale de 4096 et une longueur de séquence de 4K, à l'aide de l'activation SwiGLU. Les résultats excluent les surcoûts liés à l'évaluation et aux points de contrôle. FlashAttention v3 avec chevauchement des opérations matmul et softmax supposé. Les coûts de communication des opérations AllReduce et All2All sont entièrement pris en compte et ne sont pas masqués par un chevauchement en tuile entre les calculs et la communication. La synchronisation de gradient et le préchargement de poids FSDP sont évalués selon différents niveaux de chevauchement afin d'analyser la sensibilité de scale-out. Les résultats reposent sur l’hypothèse d’un comportement idéal, non entièrement optimisé en conditions réelles, et peuvent varier lorsque les produits concernés seront commercialisés. MI400-018 - https://focus.world-exchanges.org/issue/june-2025/market-statistics, données de vente internes AMD