AMD introduceert een AI-infrastructuurstrategie gebaseerd op drie kernprincipes: aanpasbaarheid, kostenefficiëntie en open ecosystemen. Tegelijkertijd presenteert het bedrijf een techniek voor rasterisatie met tetraëdrische kooien die, volgens tests, de benodigde geheugenruimte voor het weergeven van geanimeerde geometrie via ray tracing drastisch vermindert.
De kernpunten van AMD in 30 seconden
- AMD pleit voor het ontwerpen van AI-infrastructuren die anticiperen op wisselende workloads in de komende jaren.
- De strategie benadrukt drie eigenschappen: flexibiliteit, kosten-efficiëntie en open standaarden, om starre architecturen te vermijden.
- De aanpak combineert CPU’s EPYC, GPU’s Instinct, Radeon en Ryzen AI onder de ROCm-softwarelaag.
- In grafische rendering introduceert AMD tetraëdrische kooien voor complexe geometrieën en ray tracing.
- Bij een demonstratie met geïllustreerde planten werd ongeveer 1,7 GB geheugen gebruikt voor BVH-structuren, tegenover maximaal 80 GB bij conventionele geometrie.
Deze twee initiatieven komen uit verschillende R&D-afdelingen van AMD maar delen eenzelfde technische zorg: voorkomen dat groei in workload leidt tot het onvermogen om zware structuren te onderhouden. In AI-infrastructuur gaat het om het combineren van rekenen, geheugen, netwerken, opslag en software, terwijl in grafisch rendering de focus ligt op het minimaliseren van de hoeveelheid te updaten informatie bij scènes met veel geanimeerde geometrie.
Forrest Norrod van AMD lichtte deze visie toe tijdens de AI Infrastructure Summit. Hij benadrukte de onzekerheid over welke modelarchitecturen binnen vijf jaar dominant zullen zijn, de verhouding tussen training en inferentie, en waar workloads zullen worden uitgevoerd.
Volgens AMD betekent dit dat een infrastructuur niet rond één enkele accelerators of netwerk moet worden ontworpen, maar flexibel moet blijven zodat deze zich kan aanpassen aan veranderende taken.
AI-infrastructuur evolueert met workloads
Aan het begin van de groei van generatieve AI lag de focus op grootschalige trainingsclusters. Nu worden die recursos gedeeld met continue inferentie, multi-agent systemen en andere gedistribueerde toepassingen.
Inferentie verschilt van training doordat elke aanvraag specifieke latency- en kostenvereisten heeft, en systemen zoals AI-agenten complexe ketens van bewerkingen kunnen uitvoeren: informatie ophalen, tools gebruiken, code uitvoeren, andere agenten coördineren én de status bewaren.
Voor AMD betekent dit dat de volledige architectuur afgestemd moet blijven op deze nieuwe eisen. Het toevoegen van meer rekenkracht volstaat niet; balans tussen CPU, GPU, geheugen, opslag en netwerk is essentieel.
De kerngedachten worden samengevat in drie eigenschappen:
Adaptiviteit: Infrastructuur moet verschillende hardwareconfiguraties mogelijk maken zonder dat dit voorstelt dat men van leverancier moet wisselen of het hele softwareplatform opnieuw opgebouwd wordt.
Kostenefficiëntie: AMD onderscheidt de kosten van training (eenmalig) van die van inferentie (miljoenen keer herhaald). Voor agentgebaseerde systemen ligt de focus op de kosten per uitgevoerde taak, niet enkel op het genereren van tokens.
Openheid: Dit principe koppelt AMD aan open standaarden voor connectiviteit en netwerken, waardoor componenten van verschillende leveranciers kunnen worden gecombineerd.
CPU’s, GPU’s en ROCm: één geïntegreerde strategie
AMD maakt gebruik van haar assortiment processoren en acceleratoren om haar strategie te illustreren. Op algemeen gebruiksniveau biedt de AMD EPYC-familie, terwijl de Radeon en Ryzen AI-platforms geschikt zijn voor uiteenlopende lokale AI-toepassingen.
Voor inferentie van taalmodellen en tuning beschikt AMD over PCIe-gebaseerde Instinct-accelerators. Grootschalige gedistribueerde workloads kunnen draaien op systemen met acht GPU’s Instinct, of op grotere implementaties via het platform AMD Helios.
Belangrijk is dat meerdere producten niet automatisch betekent dat de software-ervaring ook universeel is. Daarom ontwikkelt AMD ROCm als een gemeenschappelijke laag voor het overbrengen van workloads tussen verschillende hardwareconfiguraties.
Deze aanpak is een strategisch standpunt van AMD. Het waarborgt niet dat alle applicaties zonder aanpassingen kunnen worden gemigreerd, maar de fundering bestaat uit een gemeenschappelijke softwarebasis gebaseerd op open standaarden en gestandaardiseerde interfaces.
Norrod onderstreept verder dat een infrastructuur ontworpen voor 5 tot 7 jaar moet uitgaan van voortdurende veranderingen in workload types. Het is minder belangrijk om te voorspellen welke technologie de overhand krijgt, en meer om opties open te houden voor toekomstige aanpassingen.
AMD reduceert geheugenvereisten voor ray tracing met tetraëdrische kooien
De tweede onderzoekslijn van AMD richt zich op een ander, maar eveneens resource-efficiëntie-gerelateerd probleem.
In een grootschalige demo worden ca. 25.000 geïllustreerde, onafhankelijk bewegende planten weergegeven via ray tracing. Bij maximal detail bevat de scène circa 2,8 miljard driehoeken. Met level of detail (LOD)-selectie daalt dit tot ongeveer 500 miljoen per frame dat wordt gerenderd.
De test werd uitgevoerd op een Radeon RX 9070 XT bij 1080p, en AMD claimt meer dan 60 frames per seconde te halen met primaire en schaduwstralen.
De opvallende parameter is echter niet het aantal driehoeken, maar het geheugen dat nodig is voor de datastructuren van ray tracing, de BVH-structuren.
Door de toepassing van jaars tetraëdrische kooien zegt AMD dat de scène slechts ca. 1,7 GB geheugen nodig heeft voor BVH en dat het bijwerken hiervan slechts ongeveer 3,3 milliseconden duurt per frame. In vergelijking vereist een conventioneel systeem met dense triangle objects tot wel 80 GB GPU-geheugen en meer dan 300 milliseconden per frame voor BVH-updates.
De onderlinge verschillen worden veroorzaakt door de manier waarop de geometrische animatie wordt gerepresenteerd.
In plaats van miljoenen vertices te verplaatsen, wordt een kooitje bewogen
In een standaard systeem moeten voor elke geanimeerde objecten de vertices en bijbehorende datastructuren worden geüpdatet bij bewegingen.
AMD’s methode omringt de dense geometrie met een kleine tetraëdrische structuur (de kooi). De oorspronkelijke geometrie en haar BVH kunnen ongewijzigd blijven, en enkel de kooi wordt aangepast tijdens de animatie.
Raystralen worden vervolgens getransformeerd naar de statische referentie van de scène, waarna de intersecties worden bepaald met de onderliggende geometrie.
Het resultaat is dat de kosten van animatie afhangen van de complexiteit van de kooi, niet van het totale aantal driehoeken. Een beperking is dat je niet meer elk vertex individueel kunt controleren. AMD geeft aan dat deze beperking acceptabel kan zijn voor bepaalde animatietypen.
Deze techniek biedt een alternatief voor cluster-gebaseerde acceleration structures, die wel minder geheugen vereisen en snellere updates mogelijk maken, maar nog steeds afhankelijk zijn van het onderhouden van deformeerbare structuren.
De tetraëdrische kooien blijven stevig, terwijl de geometrie zelf statisch blijft, en alleen de kleine omhullende kooistructuur wordt gemanipuleerd.
Deze aanpak is vooral nuttig voor scènes met veel geanimeerde voorwerpen, zoals vegetatie die reageert op wind, en kan worden gecombineerd met technieken zoals Microsoft DirectX Raytracing (DXR). AMD heeft deze techniek gepresenteerd op High-Performance Graphics 2026.
Beide initiatieven onderstrepen de hoofdvraagstukken van moderne computing: in AI ligt de uitdaging in systemen die zich kunnen aanpassen aan veranderende workloads; in graphics richten ze zich op het beperken van de kosten voor scene-representatie in relatie tot de geometrische complexiteit. AMD richt zich in beide gevallen op het optimaliseren van hele architecturen en het beperken van resourcegroei die niet gelijke tred houdt met het benodigde werk.
Veelgestelde vragen
Wat stelt AMD voor voor AI-infrastructuur?
AMD adviseert het ontwerpen van systemen rondom drie kernwaarden: aanpasbaarheid, kostenefficiëntie en open standaarden. Haar aanpak combineert verschillende processor- en acceleratortypes via een gemeenschappelijke softwarelaag gebaseerd op ROCm.
Wat zijn tetraëdrische kooien?
Het zijn structuren opgebouwd uit tetraëders die een complexere geometrie omringen. AMD’s techniek laat toe dat de kooien worden geanimeerd terwijl de dense geometrie en BVH-structuren statisch blijven.
Hoeveel geheugen bespaart AMD met deze techniek?
Volgens AMD’s tests gebruiken tetraëdrische kooien ongeveer 1,7 GB aan geheugen voor BVH, terwijl traditionele methoden tot 80 GB vereisen voor de geometrie-updates.
Is deze techniek toepasbaar op elke animatie?
Niet per se. AMD wijst erop dat het verlies aan controle over individuele vertices bij deze methode acceptabel kan zijn voor bepaalde animatietypes, afhankelijk van de kwaliteitsvereisten.
bron: newsroom.amd en gpuopen