AMD Helios macht die Herausforderung für Nvidia zu einem Kampf auf Rack-Ebene

AMD nutzte sein bislang größtes Advancing-AI-Event, um Helios in die Produktion zu überführen, und verlagerte damit die Herausforderung für Nvidia von einzelnen Beschleunigern auf vollständige KI-Racks. Diese AMD-ServeTheHome-Berichterstattung untersucht, was sich während der Keynote am 23. Juli verändert hat, welche Behauptungen noch ungetestet sind und warum Liefertermine inzwischen wichtiger sind als Folien.

Helios kombiniert 72 Instinct-MI455X-Beschleuniger, EPYC-Venice-Prozessoren, Pensando-Netzwerktechnik und AMDs ROCm-Software in einem Rack-Scale-Design. AMD erklärte, die Auslieferungen würden gegen Ende des dritten Quartals beginnen. OpenAI, Microsoft, Anthropic und Cerebras lieferten die Kundenverpflichtungen, die AMD benötigte, um diesen Zeitplan glaubwürdig zu machen.

Die Keynote offenbarte jedoch auch den schwierigeren Teil von AMDs Argumentation. Nvidia führt die KI-Infrastruktur nicht allein über GPU-Spezifikationen an. Sein Vorsprung erstreckt sich auf Netzwerke, Software, Implementierungserfahrung, Entwicklerunterstützung und jährliche Systemveröffentlichungen. AMD muss daher beweisen, dass eine offene Alternative pünktlich verfügbar sein und im Rechenzentrumsmaßstab zuverlässig betrieben werden kann.

AMD-ServeTheHome-Berichterstattung zeigt den Produktionsstart von Helios

Die wichtigste Veränderung der Keynote war einfach: Helios wandelte sich von einer künftigen Architektur zu einem Produkt, das AMD nach eigenen Angaben vollständig produziert.

AMD veranstaltete Advancing AI 2026 am 22. und 23. Juli im Moscone Center in San Francisco. CEO Lisa Su hielt die Keynote am zweiten Morgen. ServeTheHome beschrieb die erweiterte Konferenz als AMDs engstes Pendant zu Nvidias GTC – mit technischen Sessions, Produktausstellungen und zusätzlichen Sitzplätzen.

Der Keynote-Liveblog hielt den Übergang von der Vorschau zum Marktstart fest. AMD hatte Helios bereits vor dem Event vorgestellt, doch Produktionsstatus und Zeitpunkt der Kundenauslieferungen waren noch ungeklärt. Su erklärte, die Fertigung habe begonnen und die Auslieferungen würden Ende des dritten Quartals starten.

Dieser Zeitpunkt ist wichtig, weil ein Rack-Scale-System mehr ist als eine Ansammlung von Prozessoren. Es integriert Beschleuniger, Host-CPUs, Netzwerke, Speicher, Kühlung, Stromversorgung und Software zu einer einsatzbereiten Einheit. Kunden bewerten das Verhalten des vollständigen Racks, nicht die isolierte Spitzenleistung eines einzelnen Chips.

Jedes Helios-Rack enthält 72 MI455X-Beschleuniger mit 31 Terabyte HBM4, also Hochbandbreitenspeicher zur Versorgung großer KI-Workloads. AMD hat eine aggregierte Speicherbandbreite von 1,4 Petabyte pro Sekunde angegeben. Das Rack integriert außerdem EPYC-Venice-Prozessoren und Pensando-Vulcano-Netzwerkadapter.

Der MI455X verwendet laut AMD Compute-Chiplets, die in einem 2-Nanometer-Klasse-Prozess gefertigt werden. Andere Komponenten nutzen eine Fertigung der 3-Nanometer-Klasse. Jeder Beschleuniger umfasst 432 Gigabyte HBM4 und bietet AMD damit erhebliche Speicherkapazität für große Modelle, lange Kontexte und Inferenz-Workloads.

AMD erklärte, Helios biete 50 Prozent mehr Speicherkapazität und 15 Prozent mehr FP4-Leistung als das in seinem Vergleich verwendete Konkurrenzsystem. FP4 ist ein vierbitiges Zahlenformat, das den Speicher- und Rechenbedarf bei geeigneten KI-Workloads senkt. Geringere Präzision kann den Durchsatz erhöhen, doch Modellqualität und Workload-Kompatibilität beeinflussen weiterhin die realen Ergebnisse.

Das Unternehmen meldete zudem einen bis zu 34-mal höheren Token-Durchsatz für den MI455X gegenüber der vorherigen MI355X-Generation. AMD führte einen Teil dieser Steigerung auf Architekturänderungen und einen weiteren auf Softwareverbesserungen zurück. Ein solcher Vergleich zeigt Fortschritte zwischen Generationen, belegt jedoch nicht unabhängig die Leistung gegenüber Nvidias aktuellen Systemen.

Der Produktionsstatus verändert die Beweislast. Vor der Keynote konnte AMD Helios anhand von Architekturdiagrammen, Kundenabsichten und prognostizierter Leistung darstellen. Ab jetzt können Käufer ausgelieferte Racks, Softwarestabilität, Cluster-Verfügbarkeit, Stromverbrauch und die Wirtschaftlichkeit der Workloads bewerten.

AMDs breitere Ankündigungsseite bestätigt, dass das Event über Helios hinausging. Das Advancing-AI-Programm umfasste EPYC Venice, MI455X, ROCm.AI, Kria-Robotik-Hardware und mehrere Kundenkooperationen. Das Rack bleibt jedoch im Zentrum der Wettbewerbsgeschichte, weil es diese separaten Produkte verbindet.

Deshalb war das Event nicht bloß ein weiterer Beschleuniger-Launch. AMD präsentierte Helios als die Einheit, die Kunden kaufen, implementieren und skalieren sollen. Damit tritt das Unternehmen auf Systemebene direkt gegen Nvidia an, wo sich die Ausführungsrisiken vervielfachen.

OpenAI und Anthropic machen aus dem Launch einen Kapazitätstest

AMDs stärkster Beleg war kein Benchmark-Diagramm. Es war die Präsenz von Kunden, die sich darauf vorbereiten, mehrere Gigawatt seiner Infrastruktur zu nutzen.

OpenAI erklärte, Helios gegen Ende 2026 in großem Maßstab einsetzen und die Installationen dann im gesamten Jahr 2027 beschleunigen zu wollen. Das Unternehmen hatte Monate vor der Keynote ein Vorserien-Rack erhalten und arbeitete bereits mit AMD an Optimierungen.

Sachin Katti, Vizepräsident für Compute-Strategie bei OpenAI, fasste den Kundendruck mit einer direkten Forderung zusammen: „Ich brauche schneller mehr Rechenkapazität.“ Seine Aussage ist bedeutsam, weil sie den Grund benennt, weshalb alternative Infrastruktur attraktiv geworden ist. Entwickler großer Modelle benötigen mehr Kapazität, als ein einzelner Anbieter problemlos bereitstellen kann.

OpenAIs Beteiligung geht auch über die Beschaffung hinaus. AMD erklärte, die Unternehmen arbeiteten bei Hardware-Roadmaps, Systemdesign, Software und KI-generierten GPU-Kernels zusammen. Ein Kernel ist ein Low-Level-Programm, das steuert, wie eine bestimmte Berechnung auf einem Beschleuniger ausgeführt wird. Die Qualität der Kernels beeinflusst stark, welche Leistung Nutzer von der zugrunde liegenden Hardware erhalten.

Die Beziehung bedeutet nicht, dass OpenAI Nvidia aufgibt. Große KI-Entwickler diversifizieren ihre Infrastruktur routinemäßig und kaufen gleichzeitig weiter beim Marktführer. AMDs Chance besteht darin, zu einer glaubwürdigen zweiten Plattform mit ausreichender Leistung, Softwareunterstützung und Fertigungsvolumen zu werden.

Anthropic lieferte eine weitere bedeutende Verpflichtung. Die Unternehmen kündigten eine Vereinbarung über bis zu zwei Gigawatt Kapazität der MI450-Serie an, wobei das erste Gigawatt im Verlauf von 2027 erwartet wird. AMD erklärte außerdem, bis zu 5 Milliarden US-Dollar in Anthropic investieren zu wollen, laut der berichteten Vereinbarung.

Diese finanzielle Komponente verdient eine sorgfältige Einordnung. Sie bindet AMD an einen wichtigen Kunden, bedeutet aber auch, dass der Lieferant die Expansion des Käufers mit unterstützt. Die Vereinbarung schafft Transparenz über die Nachfrage, sendet jedoch nicht dasselbe Signal wie ein vollständig unabhängiger Kauf ohne strategische Finanzierung.

Anthropic-Mitgründer Tom Brown sagte, Claude habe AMDs KI-Server über ein Wochenende konfiguriert. Die Aussage verdeutlicht AMDs Softwareziel: Ein KI-Agent soll Entwicklern helfen, die Plattform zu installieren, abzustimmen und zu nutzen, ohne umfassendes hardwarespezifisches Fachwissen zu erfordern. Unabhängige Betreiber müssen weiterhin testen, ob sich diese Erfahrung über eine kontrollierte Zusammenarbeit hinaus verallgemeinern lässt.

Microsoft liefert eine andere Art der Bestätigung. AMD zufolge wird Microsoft Helios über eine erweiterte Infrastrukturpartnerschaft einsetzen, die auch Azure-Instanzen mit EPYC Venice umfasst. Microsoft betreibt bereits große heterogene Flotten, weshalb die Implementierungserfahrung für Unternehmenskunden besonders relevant ist.

Meta trug über das Open Compute Project zum zugrunde liegenden Rack-Design bei. Die Infrastrukturverantwortlichen des Unternehmens argumentieren, dass KI-Systeme ein Co-Design über das gesamte Rechenzentrum hinweg erfordern. Dieser Ansatz passt zu AMDs Bemühen, Helios als offene Rack-Architektur statt als geschlossenes Gerät zu positionieren, das an den vollständigen Netzwerk-Stack eines Lieferanten gebunden ist.

Diese Kundennamen setzen Nvidia auf zwei Arten unter Druck. Erstens zeigen sie, dass große Modellentwickler nach Lieferalternativen suchen. Zweitens verschaffen sie AMD Zugang zu realen Workloads, die Engpässe aufdecken können, bevor breitere Implementierungen beginnen.

Nvidia verfügt weiterhin über die stärkere installierte Basis und eine ausgereifte Implementierungspipeline. Seine Systeme laufen in großen Clouds, Modelllaboren und Unternehmensumgebungen. Eine Kundenankündigung für AMD beseitigt diesen Vorteil nicht.

Der unmittelbare Test betrifft daher die operative Kapazität. AMD muss MI455X-Beschleuniger fertigen, die HBM4-Versorgung sichern, Racks montieren, Netzwerke validieren und Softwareimplementierungen nach dem angekündigten Zeitplan unterstützen. Eine Verzögerung auf irgendeiner Ebene betrifft das gesamte Helios-Produkt.

Die Nachfrage ist nicht länger die zentrale Unsicherheit. OpenAI, Anthropic, Microsoft und Meta haben genügend Interesse gezeigt, um zu belegen, dass Käufer eine weitere Option wünschen. Die Frage ist, ob AMD dieses Interesse im versprochenen Tempo in funktionierende Kapazität umwandeln kann.

Nvidias Vorteil liegt im System, nicht nur in der GPU

AMD kann Nvidia nur herausfordern, wenn Helios wie ein abgestimmtes Produkt funktioniert und nicht wie ein Rack aus wettbewerbsfähigen Komponenten.

Nvidias Rack-Scale-Strategie verbindet Beschleuniger, CPUs, NVLink-Interconnects, Netzwerke, Kühlkonzepte und Software in einer gemeinsamen Roadmap. Kunden akzeptieren die daraus resultierende Lieferantenabhängigkeit, weil die Integration den Implementierungsaufwand und die Leistungsunsicherheit senken kann.

Helios folgt derselben grundlegenden Verschiebung hin zu Rack-Scale-Computing und macht Offenheit zugleich zu einem Wettbewerbsmerkmal. AMD kombiniert MI455X-Beschleuniger mit x86-EPYC-Prozessoren, Pensando-Netzwerken und Software, die gängige KI-Frameworks unterstützen soll. Das Unternehmen argumentiert, Kunden gewönnen dadurch mehr Flexibilität bei Komponenten und Bereitstellungsmodellen.

Dieses Argument spricht Cloud-Anbieter und große Modellentwickler mit erheblichen Engineering-Ressourcen an. Sie können offene Systeme anpassen, Softwareänderungen beitragen und mit mehreren Lieferanten verhandeln. Kleinere Organisationen könnten ein eng integriertes System höher bewerten, weil ihnen weniger Ingenieure für die Abstimmung zur Verfügung stehen.

Der Vergleich geht daher über Benchmark-Führung hinaus. Käufer müssen Implementierungszeit, Modellkompatibilität, Fehlerbehebung, Netzwerkverhalten, Energieverbrauch und Support berücksichtigen. Ein Rack mit höherer theoretischer Leistung kann dennoch verlieren, wenn die Auslastung niedrig bleibt oder Softwarefehler Produktions-Workloads unterbrechen.

AMD erklärt, Helios liefere in ausgewählten Vergleichen 10 bis 15 Prozent höhere Leistung und 30 Prozent mehr Tokens pro Dollar als konkurrierende Infrastruktur. Tokens sind die Texteinheiten, die KI-Modelle verarbeiten und erzeugen. Tokens pro Dollar ist nützlich, weil es Durchsatz mit Kosten verbindet, doch Berechnungen von Anbietern hängen stark von Modellwahl, Batch-Größe, Präzision, Annahmen zum Stromverbrauch und Auslastung ab.

Das Unternehmen hat nicht genügend unabhängige Produktionsdaten veröffentlicht, um diese Zahlen als gesichert zu betrachten. Tests durch Dritte müssen die Vergleiche mit weit verbreiteten Modellen und realistischen Nutzungsmustern reproduzieren. Training, Batch-Inferenz, interaktive Inferenz und agentische Workloads belasten Systeme unterschiedlich.

Auch die Stromversorgung ist ein begrenzender Faktor. Rechenzentren stehen zunehmend vor eingeschränkter elektrischer Kapazität, wodurch Leistung pro Watt ebenso wichtig wird wie reine Geschwindigkeit. AMD präsentierte Helios als Effizienzverbesserung, während Nvidia ähnliche Aussagen für seine Vera- und Rubin-Plattformen gemacht hat.

Der unabhängige Launch-Bericht stellte fest, dass Nvidia in derselben Woche neue Details zu seiner Vera-CPU veröffentlichte. Dieses Timing rahmte den Wettbewerb klar ein. Beide Unternehmen beschreiben KI-Leistung inzwischen im Maßstab von Racks und Rechenzentren, nicht einzelner Prozessoren.

AMD nutzte EPYC Venice außerdem, um Nvidias Einstieg in Server-CPUs anzugreifen. Venice verwendet die Zen-6-Architektur und umfasst Konfigurationen mit bis zu 256 Kernen pro Sockel. AMD erklärte, seine Konfiguration mit dem höchsten Durchsatz liefere im ausgewählten Test die 2,2-fache Leistung pro Sockel von Nvidias Vera CPU.

Dieses Ergebnis bleibt ein unternehmenseigener Vergleich, bis unabhängige Prüfer es reproduzieren können. Dennoch ist die CPU-Betonung strategisch wichtig. Agentic-AI-Systeme nutzen CPUs, um Tools zu koordinieren, Arbeit zu planen, Daten vorzubereiten, Speicher zu verwalten und Beschleuniger auszulasten.

AMD verfügt bereits über ein bedeutendes Server-CPU-Geschäft, was dem Unternehmen eine Grundlage verschafft, die Nvidia in der klassischen x86-Infrastruktur fehlt. Das Unternehmen erklärte, einen Umsatzanteil von 46 Prozent bei Server-CPUs erreicht zu haben, wobei diese Zahl jedoch AMDs eigene Marktdefinition widerspiegelt und mit Messungen Dritter verglichen werden muss.

Nvidia verfügt über die stärkere Softwareposition bei Beschleunigern. CUDA hat über Jahre hinweg Bibliotheken, Dokumentation, Integrationen, geschulte Entwickler und operatives Know-how aufgebaut. ROCm hat sich verbessert, doch jedes Kompatibilitätsproblem gibt Kunden einen weiteren Grund, bei Nvidia-Infrastruktur zu bleiben.

Helios vereint daher AMDs stärkste und schwächste Positionen in einem Paket. EPYC-Prozessoren, Chiplet-Engineering, Speicherkapazität und offene Standards bieten glaubwürdige Differenzierung. Software-Reife und die Umsetzung von Deployments bleiben die Bereiche, in denen Nvidia seinen Vorsprung verteidigen kann.

ROCm.AI Versucht, AMDs Hartnäckigste Lücke zu Schließen

ROCm.AI ist AMDs Versuch, Softwareoptimierung zu einem automatisierten Service zu machen, denn konkurrenzfähiges Silizium kann keine schwierige Entwicklererfahrung ausgleichen.

AMD stellte ROCm.AI als Sammlung von Tools vor, die Coding Agents einsetzen, um GPU-Software zu erstellen, zu portieren und zu optimieren. Die Plattform baut auf ROCm auf, AMDs offener Softwareumgebung für beschleunigtes Computing.

Das Unternehmen erklärte, ROCm folge nun einem sechswöchigen Release-Zyklus, statt alle paar Monate größere Updates herauszugeben. Schnellere Releases können die Hardware-Unterstützung und den Framework-Support verbessern. Sie können aber auch den Upgrade-Druck erhöhen, wenn Änderungen eintreffen, bevor Produktionsnutzer sie validiert haben.

ROCm.AI umfasst von AMD entwickelte Agent Skills und ein Performance-Tool namens Hyperloom. Während der Keynote demonstrierte AMD, wie Hyperloom Code veränderte und seine Token-Rate um 38 Prozent verbesserte. Das Beispiel stützt den Mechanismus, aber eine einzelne inszenierte Workload kann keine typischen Gewinne belegen.

AMD erklärte außerdem, seine neueste Software liefere eine 3,3-mal höhere Inference-Performance und eine 2,4-mal höhere Trainingsperformance als ROCm 7. Dabei handelt es sich um interne Generationsvergleiche. Sie zeigen, wie viel Leistung Software freisetzen kann, offenbaren aber auch, wie schnell ältere Konfigurationen zurückfallen können.

Die übergeordnete Idee ist glaubwürdig. Moderne Beschleuniger enthalten komplexe Speicherhierarchien, Matrix-Engines, Kommunikationspfade und Zahlenformate. Entwickler benötigen oft spezialisierte Kernel, um diese Funktionen effizient zu nutzen. AI Coding Agents können Optimierungsoptionen schneller durchsuchen als Menschen bei manueller Arbeit.

Philippe Tillet von OpenAI, der die Programmiersprache Triton entwickelt hat, nahm an der Keynote teil, um über AI-generierte Kernel zu sprechen. AMD und OpenAI wenden Modelle auf Code an, der auf AMD-Beschleuniger zielt. Bessere generierte Kernel können den Vorteil von Plattformen mit größeren Beständen handoptimierter Software verringern.

Automatisierung beseitigt Plattformunterschiede nicht. Generierter Code erfordert weiterhin Korrektheitstests, Performance-Validierung und Wartung über Hardware-Generationen hinweg. Ein Kernel, der für eine Tensorform oder Modellkonfiguration gut funktioniert, kann unter einer anderen schlecht abschneiden.

Entwickler müssen auch die Qualität des Debuggings bewerten. Wenn ein automatisiertes Tool eine Optimierung erzeugt, müssen Teams Fehler, numerische Veränderungen und Hardware-Abhängigkeiten verstehen. Eine intransparente Performanceverbesserung kann zur betrieblichen Belastung werden, wenn sich Workloads ändern.

Day-zero-Support stellt eine weitere Herausforderung dar. AMD sagt, ROCm.AI werde Software dabei helfen, neue Hardware ab dem ersten Tag der Markteinführung zu nutzen. Dieses Ziel ist wichtig, denn die Leistung von MI455X hat nur begrenzten Wert, wenn beliebte Frameworks, Bibliotheken und Modelle nicht sofort darauf zugreifen können.

Nvidias Softwarevorteil umfasst mehr als Kernel-Performance. Er erstreckt sich auf Profiling, Orchestrierung, Netzwerkbibliotheken, Inference-Server, Dokumentation, Community-Antworten und Enterprise-Support. AMD muss den gesamten Workflow verbessern und gleichzeitig die Rohleistung weiter steigern.

Der Open-Source-Ansatz kann diese Bemühungen beschleunigen. Kunden können Code prüfen, Änderungen vorschlagen und vermeiden, für jede Ebene von einem einzelnen Anbieter abhängig zu sein. Offene Entwicklung legt außerdem unfertige Bereiche offen, die ein geschlossenes System hinter unterstützten Konfigurationen verbergen kann.

AMDs Software-Behauptungen benötigen breitere Belege von Organisationen ohne privilegierten Zugang zu Engineering-Ressourcen. OpenAI, Meta und Anthropic können Spezialisten für neue Infrastruktur einsetzen. Gewöhnliche Unternehmen benötigen zuverlässige Installationswege, vertraute Frameworks, vorhersehbare Updates und Unterstützung, wenn eine Optimierung fehlschlägt.

Diese Unterscheidung trennt strategische Partner vom breiteren Markt. Wenn ROCm.AI hauptsächlich für Kunden funktioniert, die Hardware gemeinsam mit AMD entwickeln, wird es mehrere enorme Deployments stärken, ohne Nvidias breiteren Softwarevorteil zu beseitigen. Wenn unabhängige Entwickler die Erfahrung reproduzieren können, erweitert sich AMDs adressierbarer Markt erheblich.

Hier wird Wissensmanagement auch operativ wichtig. Engineering-Teams, die eine neue Beschleunigerplattform bewerten, müssen Benchmarks, Konfigurationsänderungen, Fehler und Herstellerleitlinien bewahren. Eine durchsuchbare Engineering-Wissensdatenbank kann diese Belege während einer langen Migration zugänglich halten.

ROCm.AI ist daher mehr als eine Entwicklerankündigung. Es ist ein Versuch, die Softwarearbeit zu komprimieren, die die AMD-Adoption historisch gebremst hat. Die nächsten Monate werden zeigen, ob Automatisierung diese Lücke schließt oder lediglich ausgewählte Demonstrationen erleichtert.

Die Produkt-Roadmap Ist Breiter, Aber Die Belege Sind Uneinheitlich

AMD präsentierte ein stimmiges Portfolio von Rechenzentren bis zur Robotik, doch die stärksten Behauptungen hängen weiterhin von künftiger Lieferung und herstellerselektierten Tests ab.

EPYC Venice stellt die unmittelbarste Erweiterung über Helios hinaus dar. AMD beschrieb drei Hauptkonfigurationen: ein Hochfrequenzmodell für Helios, eine dichte Version mit 256 Kernen und eine Option mit 128 Kernen für allgemeine Rechenaufgaben. Laut Su befindet sich Venice zudem in voller Produktion.

Die Prozessorfamilie ist wichtig, weil AMD erwartet, dass agentische Workloads die CPU-Nachfrage erhöhen werden. Agents tun mehr, als Text zu generieren. Sie rufen Daten ab, nutzen Anwendungen, führen Code aus, koordinieren Aufgaben und überwachen Ergebnisse. Diese Schritte können erhebliche Arbeit auf Allzweckprozessoren verlagern.

AMD schätzte, dass der CPU-Markt bis 2030 ein Volumen von 220 Milliarden US-Dollar erreichen wird. Das Unternehmen ordnete diese Prognose in eine breitere Schätzung eines 2-Billionen-US-Dollar-Computing-Markts ein, davon 1,4 Billionen US-Dollar für AI-Beschleuniger. Diese Projektionen drücken AMDs Planungsannahmen aus und keinen unabhängigen Marktkonsens.

Das Unternehmen brachte außerdem den Instinct MI350P auf den Markt, einen PCIe-Beschleuniger, der in herkömmliche Server-Slots passt. MI350P bietet Unternehmen einen weniger anspruchsvollen Weg als die Installation eines vollständigen Helios-Racks. AMD hob interne Anwendungen hervor, darunter automatisierte Bedrohungserkennung und einen personalisierten AI-Assistenten.

AMD erklärte, intelligentes Model Routing habe die Token-Kosten im internen Deployment um 43 Prozent gesenkt. Routing leitet eine Anfrage an ein Modell weiter, das anhand seiner Komplexität, Latenz- oder Sicherheitsanforderungen ausgewählt wird. Die Praxis kann die unnötige Nutzung größerer Modelle reduzieren, wobei die Einsparungen jedoch von Anfrageprofilen und der Genauigkeit des Routings abhängen.

AT&T lieferte ein größeres Produktionsbeispiel. Der Netzbetreiber erklärte, monatlich etwa eine Billion AI-Tokens für Kundenservice, Transkription, Infrastrukturplanung und weitere Aufgaben zu verarbeiten. AT&T betonte Datensouveränität sowie die Möglichkeit, Workloads über Cloud-, On-Premises- und isolierte Umgebungen hinweg auszuführen.

Cerebras stellte ein weiteres Inference-Modell vor. Der geplante Dienst trennt Prompt-Verarbeitung von Token-Generierung und weist unterschiedliche Phasen Helios- und Wafer-Scale-Systemen zu. Die Unternehmen behaupten, die Kombination könne die fünffache Leistung eines Cerebras-Systems allein liefern.

Der Plan für hybride Inference soll später im Jahr 2026 in der Cerebras Cloud verfügbar werden. Er ähnelt einer breiteren Branchenbewegung hin zu spezialisierten Prozessoren für unterschiedliche Phasen der Inference. Diese Spezialisierung kann die Effizienz erhöhen, während sie die Orchestrierung komplexer macht.

AMD stieg außerdem mit einem Kria System-on-Module und einer Entwicklerplattform für Robotik in Physical AI ein. Ein System-on-Module bündelt Rechenleistung, Speicher und Schnittstellen auf einer kompakten Platine für Embedded-Produkte. AMD positionierte Kria gegenüber Nvidia-Jetson-Systemen, die in Robotern und Edge-Geräten eingesetzt werden.

Dieser Teil der Keynote erweiterte die Geschichte, schwächte jedoch ihren Fokus. Rechenzentrumskunden können Helios gegenüber einem klaren Wettbewerber und einem konkreten Deployment-Zeitplan bewerten. Robotikentwickler stehen vor anderen Anforderungen an Software, Energie, Sicherheit und Hardware.

Die Roadmap reichte noch weiter. AMD erklärte, Florence, seine Zen-7-EPYC-Generation, werde 2028 erscheinen. Ravenna, basierend auf Zen 8, befinde sich für 2030 in Entwicklung. Das Unternehmen plant außerdem jährliche Instinct- und Rack-Scale-Releases, wobei MI600 für 2028 erwartet wird.

AMD beschrieb MI500 als die größte Änderung einer Instinct-Generation und prognostizierte über vier Jahre mehr als den 2.000-fachen Inference-Durchsatz. Die Prozessor-Roadmap verschafft Kunden Planungssicherheit, doch derart weitreichende Performance-Behauptungen beinhalten erhebliche Unsicherheit.

Software, Zahlenformate, Rack-Größe und Messmethodik können alle zu einem mehrjährigen Durchsatzvergleich beitragen. Die Schlagzeilenzahl sollte nicht als direkte Schätzung gelesen werden, wonach ein einzelner Chip 2.000-mal schneller wird.

Das Risiko besteht nicht darin, dass AMD keine glaubwürdige Technologie besitzt. Das Risiko besteht darin, dass ein breites Portfolio mehr Ausführungsflächen schafft, als das Unternehmen gleichermaßen gut unterstützen kann. Helios, Venice, ROCm.AI, Enterprise-Beschleuniger, Client-Systeme und Robotikprodukte erfordern jeweils kontinuierliches Engineering.

Nvidia steht unter demselben Druck, jährliche Hardware- und Software-Releases umzusetzen. Seine größere AI-Umsatzbasis, installierte Präsenz und sein Ökosystem bieten mehr Spielraum, Verzögerungen aufzufangen. AMD muss Vertrauen aufbauen, während es expandiert.

Die Keynote machte AMDs Richtung ungewöhnlich deutlich. Das Unternehmen will über das vollständige AI-System hinweg konkurrieren und dabei Komponentenwahl sowie offene Software bewahren. Käufer sollten diese stimmige Strategie von einzelnen Behauptungen trennen, die weiterhin unbestätigt sind.

Drei Signale Werden Entscheiden, Ob Helios Den Markt Verändert

Die nächste Beurteilung sollte anhand ausgelieferter Systeme, gemessener Workloads und Folgeaufträge erfolgen, statt anhand einer weiteren Runde architektonischer Versprechen.

Das erste Signal ist das Auslieferungsziel zum Ende des dritten Quartals. AMD erklärte, Helios befinde sich in voller Produktion und werde voraussichtlich nahe diesem Termin ausgeliefert. Das Erreichen dieses Ziels würde die Behauptung stärken, dass das Rack über die Sampling-Phase hinausgegangen ist. Jede wesentliche Verzögerung würde die Kundenanläufe näher an Nvidias nächsten Produktzyklus rücken.

Auslieferungsankündigungen allein werden nicht ausreichen. Käufer sollten auf installierte Kapazitäten bei OpenAI, Microsoft und anderen genannten Kunden achten. Ein Rack in einem Validierungslabor liefert weniger Belege als Cluster, die Produktionsmodelle bedienen.

Das zweite Signal sind unabhängige Workload-Daten. Prüfer und Kunden müssen Training, Batch-Inferenz, interaktive Inferenz und agentische Anwendungen testen. Die Ergebnisse sollten Leistungsaufnahme, Rack-Auslastung, Latenz, Softwarezuverlässigkeit und Tokens pro Dollar umfassen.

Helios verfügt über Spezifikationen, die eine ernsthafte Herausforderung für Nvidia stützen können. Seine 72 Beschleuniger, 31 Terabyte HBM4, Venice-CPUs und das Netzwerk auf Rack-Ebene schaffen eine glaubwürdige Hardwarebasis. Reale Deployments werden zeigen, wie viel dieser Kapazität Anwendungen dauerhaft nutzen können.

Unabhängige Softwaretests sind ebenso wichtig. Entwickler sollten Installationszeit, Framework-Kompatibilität, Kernel-Qualität, Debugging und Upgrade-Verhalten messen. ROCm.AI muss Teams außerhalb von AMDs engsten Partnerschaften unterstützen, bevor es das allgemeine Kaufverhalten verändern kann.

Das dritte Signal ist wiederholte Nachfrage im Verlauf von 2027. Die geplante Beschleunigung von OpenAI, Anthropics erstes Gigawatt, Microsofts Azure-Deployments und die Verfügbarkeit von Cerebras Cloud liefern konkrete Kontrollpunkte. Eine Ausweitung über die anfänglichen Zusagen hinaus würde darauf hindeuten, dass Kunden Leistung und Betrieb vertrauen.

Wiederholte Bestellungen würden auch AMDs Argument für eine offene Plattform auf die Probe stellen. Käufer nehmen häufig einen zweiten Lieferanten hinzu, um ihre Verhandlungsposition zu verbessern oder Lieferkettenrisiken zu verringern. Sie bauen diesen Lieferanten nur aus, wenn die Plattform akzeptable Wirtschaftlichkeit und Zuverlässigkeit bietet.

Nvidias Reaktion wird jedes dieser Signale prägen. Das Unternehmen kann Preise anpassen, die Verfügbarkeit von Systemen beschleunigen, die Effizienz verbessern und die Kundenintegration vertiefen. Seine Roadmaps für Vera und Rubin zielen auf dieselben energiebegrenzten Rechenzentren, die AMD bedienen will.

Deshalb reicht die AMD-ServeTheHome-Geschichte über eine einzelne Keynote hinaus. Die Veranstaltung markierte den Zeitpunkt, an dem AMD seine Strategie auf Rack-Ebene mit einer Aussage zur Produktionsreife und einem kurzfristigen Liefertermin verband. Zudem stellte das Unternehmen wichtige Kunden auf die Bühne, um den vorgesehenen Einsatz zu erläutern.

Die Keynote klärte nicht abschließend, ob Helios tatsächlich das beste KI-Rack ist, wie Su behauptete. Sie formulierte jedoch eine überprüfbare These. AMD sagt, ein offenes System könne mit der Leistung der Konkurrenz mithalten, die Wirtschaftlichkeit verbessern und in großem Maßstab produktionsreif werden.

Infrastrukturverantwortliche sollten nun drei direkte Fragen stellen. Wurden die Racks wie versprochen geliefert? Konnten unabhängige Workloads AMDs wirtschaftliche Behauptungen nachvollziehen? Haben Kunden ihre Deployments nach dem Betrieb der ersten Systeme ausgeweitet?

Die Antworten werden bestimmen, ob Helios zu einer dauerhaften zweiten Plattform wird oder eine strategisch nützliche Alternative mit begrenztem Marktanteil bleibt. Verfolgen Sie die Deployments, dokumentieren Sie die betrieblichen Belege und vergleichen Sie vollständige Systeme. Die nächste Phase von AMDs Herausforderung für Nvidia wird in Rechenzentren gemessen werden, nicht auf einer Keynote-Bühne.