Instinct MI350X 288GB

Tekniset tiedot selitettynä

Käyttökohteet: AI training, inference ja HPC

1. 01288 GB HBM3E-muistia

   VRAM

   288 GB

   Muistityyppi

   HBM3E

   Muistin kaistanleveys

   8 TB/s

   HBM (High Bandwidth Memory) on pinottu kerroksiin ja sijaitsee aivan suorittimen vieressä samassa paketissa. Tämä lyhyt ja leveä väylä antaa HBM-muistilla varustetuille kiihdyttimille niiden muistin kaistanleveyden, minkä vuoksi ne valitaan yleensä töihin, joita rajoittaa se, kuinka nopeasti data pääsee ytimille, kuten suurten mallien inferenssiin ja HPC-simulaatioon.

   VRAM on kortin työtila. Mallin painojen, aktivaatioiden ja datajoukkojen on mahduttava siihen, tai ne on jaettava usealle GPU:lle. Nyrkkisääntö pelkille painoille 16 bitin tarkkuudella (noin 2 GB miljardia parametria kohti): enintään noin 144 miljardia parametria, ennen aktivaatioita ja välimuistia. Tämä on kirjatun VRAM-muistin laskutoimitus, ei vertailuarvo.

2. 02CDNA 4-arkkitehtuuri

   Arkkitehtuuri

   CDNA 4

   Sukupolvi

   Instinct MI350

   Julkaisuvuosi

   2025

   Elinkaaren tila

   Current

   CDNA on AMD:n laskentaan keskittyvä arkkitehtuuri Instinct-kiihdyttimille, erillään yhtiön RDNA-grafiikkasarjasta. (Yleistä taustaa arkkitehtuurista, ei väite tästä nimenomaisesta kortista.)

   Lanseerattu vuonna 2025. Kovara-alustan tietueissa se on kirjattu nykyisen sukupolven komponentiksi.

3. 03Muotokerroin ja sähkönsyöttö

   Muotokerroin

   OAM Module

   TDP

   1000 W

   Kiihdytinmoduulit asennetaan kantalevylle eikä korttipaikkoihin kortteina; tätä rakennetta käytetään tiheissä usean kiihdyttimen palvelimissa.

   TDP on nimellinen lämpösuunnitteluteho: palvelimen sähkönsyötön ja jäähdytyksen mitoituksessa käytettävä suunnitteluarvo.

4. 04Mihin sitä käytetään

   Pääasiallinen käyttö (kirjattu)

   AI training / inference / HPC

   Nämä ovat käyttötarkoitukset, jotka Kovara on kirjannut tälle komponentille. Huomautukset selittävät työkuorman yleisellä tasolla; ne eivät ole suorituskykyväitteitä.

   • AI trainingMallin opettaminen datasta. Yleensä eniten laskentakapasiteettia ja muistia vaativa vaihe, joka on usein jaettu monelle GPU:lle.
   • inferenceKoulutetun mallin ajaminen pyyntöihin vastaamiseksi. Yleensä keskeisiä seikkoja ovat muistikapasiteetti, viive ja kustannus pyyntöä kohti.
   • HPCTieteellinen ja tekninen simulaatio, jossa numeerinen tarkkuus ja muistin kaistanleveys ovat tärkeitä.

Luvut ovat Kovara-alustan perustietoja, viimeksi varmennettu 03.9.2026. Selitykset kuvaavat teknologiaa yleisesti; ne eivät ole vertailuarvoja eivätkä kerro mitään hinnasta tai saatavuudesta.