AMD fordert NVIDIA Grace- und Intel Granite Rapids Xeon-CPUs mit einer EPYC-Leistungsdemonstration der 5. Generation heraus und erreicht eine bis zu 2,75-fache Energieeffizienz

AMD hat mit seinen EPYC-CPUs der 5. Generation bedeutende Fortschritte gemacht und eine beeindruckende x86-Rechenzentrumsleistung erreicht, die sowohl Intels Xeon- als auch NVIDIAs Grace-CPUs in den Schatten stellt.

Eine umfassende Leistungsschau: AMDs EPYC-CPUs der 5. Generation zielen auf NVIDIA und Intel ab

Pressemitteilung: Die Integration künstlicher Intelligenz in traditionelle Unternehmensanwendungen – wie Echtzeit-Empfehlungsmaschinen, vorausschauende Wartung und Sprachverarbeitung – hat die Rechenzentrumslandschaft verändert. Unternehmensinfrastrukturen müssen heute eine Vielzahl von Anforderungen erfüllen, von KI-gesteuerten Lösungen über konventionelle Anwendungen bis hin zu umfangreichen beschleunigten KI-Workloads.

Die AMD EPYC-Prozessoren haben sich als Top-Kandidaten für Enterprise-KI und Host-Node-Performance in GPU-basierten Clustern etabliert und nutzen die weit verbreitete x86-Architektur. Diese Architektur bietet außergewöhnliche Leistungsfähigkeit und Kompatibilität mit mehreren Workloads und steht damit im starken Kontrast zu Arm-basierten Alternativen.

Leistungsvergleich von AMD EPYC vs. NVIDIA Grace

Um den steigenden Anforderungen moderner Computertechnik gerecht zu werden, sind AMD EPYC CPUs so konzipiert, dass sie sowohl bei traditionellen als auch bei KI-fokussierten Workloads hervorragende Ergebnisse erzielen. Sie treiben ein umfangreiches und vielfältiges Portfolio an Systemen vertrauenswürdiger globaler Serverlösungsanbieter und führender Cloud-Service-Anbieter an und erfüllen selbst höchste Geschäftsanforderungen. Zu den wichtigsten Funktionen gehören:

Unübertroffene x86-Kerndichte: Bis zu 192 Kerne pro Sockel mit verschiedenen CPU-Modellen, die eine leistungsstarke Ausführung sowohl für KI-Inferenz als auch für allgemeine Rechenaufgaben gewährleisten.
Außergewöhnliche Speicherkapazität und Bandbreite: Unterstützt Terabyte an hochmodernem DDR5-Speicher nach Industriestandard, der für skalierbare traditionelle Workloads sowie KI-Anwendungen, die umfangreiche Datensätze verwalten, unerlässlich ist.
Nahtlose Skalierbarkeit: Die weithin unterstützte x86-Architektur ermöglicht eine einfache Übernahme von KI-Technologien, sodass keine komplexen Code-Neuschreibungen oder teure Software-Portierungen von alternativen Architekturen erforderlich sind.
Verbesserte Energieeffizienz: Die AMD EPYC-CPUs bieten einen bemerkenswerten Energieeffizienzvorteil gegenüber dem Grace CPU-Superchip von NVIDIA und überzeugen mit einer bis zu 2, 75-mal höheren Leistung.

Wichtige Vergleiche: AMD EPYC vs. NVIDIA Grace

2, 75-mal höhere Energieeffizienz in Dual-Socket-Konfigurationen (laut SPECpower-Test)
2, 17-mal höhere Leistung bei Datenbankaufgaben (MySQL TPROC-C)
2, 90-mal höherer Durchsatz bei Videokodierungsvorgängen (FFmpeg VP9-Codec)
Verbesserte Ressourcennutzung dank Simultaneous Multithreading-Technologie (SMT)
Bis zu 20 % verbesserter Durchsatz für GPU-beschleunigte Workloads im Vergleich zu anderen x86-Lösungen
Taktraten von bis zu 5 GHz übertreffen die 3, 1 GHz Basisfrequenz von NVIDIA Grace deutlich

Maximieren Sie die GPU-Leistung mit der richtigen CPU

Es ist allgemein anerkannt, dass umfangreiche KI-Aufgaben mit geringer Latenz erheblich von der GPU-Beschleunigung profitieren. Die Bedeutung der Auswahl der richtigen Host-CPU für diese GPU-abhängigen Workloads wird jedoch oft unterschätzt. Die AMD EPYC-Prozessoren der 5. Generation sind für die Maximierung der Leistung von GPU-fähigen Clustern optimiert und erreichen bis zu 20 % mehr Durchsatz als konkurrierende x86-Optionen.

Hochfrequenzverarbeitung für optimierte KI-Beschleunigung

Die AMD EPYC CPUs der 5. Generation erreichen Taktraten von bis zu 5 GHz. Das sind 16 % mehr als beim kürzlich eingeführten Intel Xeon 6745P mit einer Turbofrequenz von 4, 3 GHz und deutlich mehr als bei NVIDIA Grace mit seiner Basisfrequenz von 3, 1 GHz. Diese höhere Taktfrequenz ermöglicht eine schnellere Datenverarbeitung, effektives Aufgabenmanagement und eine verbesserte GPU-Kommunikation – alles entscheidend für KI-Trainings- und Inferenzaufgaben mit hohem Volumen und geringer Latenz.

Quelle & Bilder