Az AI-versenyben ma nem csak a jobb modell számít, hanem az is, kinek jut elég számítási kapacitás. Az AMD–Anthropic megállapodás azért érdekes, mert egyszerre szól pénzről és „áramnyi” GPU-ról – és ez közvetlenül befolyásolja, milyen gyorsan fejlődhetnek a nagy nyelvi modellek.

Mi történt

Az AMD bejelentette, hogy legfeljebb 5 milliárd dollárt fektet az Anthropicba, és ezzel párhuzamosan segít bővíteni a cég számítási infrastruktúráját. A partnerség részeként az Anthropic akár 2 gigawattnyi AMD Instinct MI450 AI GPU-t (AI-gyorsítót) telepíthet az AMD új, Helios nevű „rack-scale” rendszerével.

A „gigawattnyi GPU” elsőre szokatlan mértékegység, de jó kapaszkodó: itt nem darabszámról beszélnek, hanem arról, mekkora teljesítményfelvételű adatközponti kapacitást foglal le a cég. Gondolj rá úgy, mint egy gyár energiaigényére: minél nagyobb a rendelkezésre álló „áramkeret”, annál több gépet lehet egyszerre járatni – az AI-nál ez több párhuzamos tanítást és kiszolgálást jelent.

A tervek szerint az első 1 gigawattnyi telepítés 2027 első felében jöhet. Ez illeszkedik abba a trendbe, hogy az Anthropic az utóbbi időben több adatközponti és infrastruktúra-megállapodást is kötött (például SpaceX-szel és TeraWulffal), illetve más nagy szereplőkkel is vannak AI-infrastruktúra együttműködései.

Miért fontos

Ez a lépés két dolgot jelez egyszerre. Egyrészt az AMD komolyan be akar kerülni az AI-infrastruktúra „első vonalába”, ahol eddig az Nvidia dominanciája volt a meghatározó. Másrészt az Anthropic számára a számítási kapacitás nem egyszerűen költség, hanem stratégiai szűk keresztmetszet: ha nincs elég GPU, akkor lassabb a modelltréning (tanítás), és drágább vagy korlátozottabb lehet a modell „servingje”, vagyis a felhasználói kérések kiszolgálása. A nagy nyelvi modelleknél ez olyan, mintha egyszerre kéne több ezer ügyfélszolgálati hívást fogadni: a vonalak száma (GPU-kapacitás) meghatározza, mennyi ügyfelet tudsz jó minőségben kiszolgálni.

Mire figyelj

  1. A 2027-es ütemterv tartása: az első 1 GW 2027 első felére van belőve; az ilyen volumenű adatközponti projektek csúszása gyakori, és a késés közvetlenül hat a modellfejlesztési tempóra.
  2. A Helios „rack-scale” rendszer valós előnyei: a rack-scale lényegében azt jelenti, hogy nem egyes szerverekben gondolkodnak, hanem komplett racksorok szintjén optimalizálnak (hálózat, hűtés, energiaellátás). Itt dől el, hogy az MI450-ek mennyire tudnak hatékonyan együtt dolgozni nagy tréningeknél.
  3. Szoftveres együttműködés és Claude használat az AMD-nél: a többéves mérnöki kollaborációban az AMD a Claude-ot beépítené saját fejlesztési folyamataiba. Ez azért számít, mert az AI-gyorsítók versenyében nem csak a chip, hanem a szoftveres ökoszisztéma (eszközök, fordítók, könyvtárak, driverek) dönti el, mennyire „könnyű” egy modelltrénert átköltöztetni egyik platformról a másikra.

Ha a megállapodás a tervezett volumenben és ütemben megvalósul, az AMD-nek ez nem csak egy befektetés, hanem egy nagy tétű kísérlet arra, hogy az AI-számítási kapacitás újraelosztásában érdemi szereplővé váljon.