Instinct MI350X 288GB

Specifiche spiegate

Utilizzato per AI training, inference e HPC

1. 01288 GB di memoria HBM3E

   VRAM

   288 GB

   Tipo di memoria

   HBM3E

   Larghezza di banda della memoria

   8 TB/s

   L’HBM (High Bandwidth Memory) è impilata a strati e si trova accanto al processore, nello stesso package. Questo percorso breve e ampio è ciò che dà agli acceleratori con HBM la loro larghezza di banda di memoria, per cui di solito vengono scelti per i carichi limitati dalla velocità con cui i dati raggiungono i core, come l’inferenza di modelli di grandi dimensioni e la simulazione HPC.

   La VRAM è lo spazio di lavoro sulla scheda. Pesi del modello, attivazioni e dataset devono entrarci, oppure essere suddivisi su più GPU. Regola empirica per i soli pesi con precisione a 16 bit (circa 2 GB per miliardo di parametri): fino a circa 144 miliardi di parametri, prima di attivazioni e cache. È un calcolo aritmetico sulla VRAM registrata, non un benchmark.

2. 02Architettura CDNA 4

   Architettura

   CDNA 4

   Generazione

   Instinct MI350

   Anno di lancio

   2025

   Stato del ciclo di vita

   Current

   CDNA è l’architettura di AMD orientata al calcolo per gli acceleratori Instinct, distinta dalla sua linea grafica RDNA. (Contesto generale sull’architettura, non un’affermazione su questa scheda specifica.)

   Lanciato nel 2025. I record di Kovara lo indicano come un componente di generazione attuale.

3. 03Form factor e alimentazione

   Form factor

   OAM Module

   TDP

   1000 W

   I moduli acceleratore sono montati su una baseboard anziché inseriti come schede, il layout usato per i server multi-acceleratore ad alta densità.

   Il TDP è la potenza termica di progetto nominale: il valore di riferimento per l’alimentazione e il raffreddamento in un server.

4. 04A cosa serve

   Utilizzo principale (registrato)

   AI training / inference / HPC

   Questi sono gli utilizzi che Kovara ha registrato per questo componente. Le note spiegano il carico di lavoro in termini generali; non sono dichiarazioni sulle prestazioni.

   • AI trainingL’addestramento di un modello a partire dai dati. Di solito la fase più esigente in termini di capacità di calcolo e di memoria, spesso distribuita su molte GPU.
   • inferenceL’esecuzione di un modello addestrato per rispondere alle richieste. Le preoccupazioni abituali sono la capacità di memoria, la latenza e il costo per richiesta.
   • HPCSimulazione scientifica e ingegneristica, dove contano la precisione numerica e la larghezza di banda della memoria.

Le cifre sono dati anagrafici di Kovara, ultima verifica: 03 set 2026. Le spiegazioni descrivono la tecnologia in generale; non sono benchmark e non dicono nulla su prezzo o disponibilità.