Лиза Су еще в 2013 году предсказала конец эры традиционных вычислений

Несмотря на то что рыночная капитализация AMD за последние несколько лет выросла более чем на 3000 % на фоне общего интереса к компьютерным комплектующим, роль компании в текущем развитии инфраструктуры искусственного интеллекта до сих пор нередко оценивается как вторичная по сравнению с Nvidia. Тем не менее стратегическое видение генерального директора AMD Лизы Су позволило компании заранее подготовиться к системным изменениям в индустрии.

Истоки концепции гетерогенных вычислений

В 2013 году, во время выступления на Международной конференции по твердотельным схемам (ISSCC), Лиза Су — на тот момент старший вице-президент и генеральный менеджер глобальных бизнес-подразделений AMD — подняла вопрос о физических и технических ограничениях масштабирования вычислительной мощности. В ту эпоху процессоры (CPU) все еще оставались безальтернативным центром вычислительных систем, однако Су уже тогда прогнозировала переход к архитектурам, где доминирование традиционных процессоров станет менее выраженным.

Предложенное ею решение, получившее название «гетерогенные вычисления», подразумевало объединение CPU с графическими процессорами (GPU) и узкоспециализированными ускорителями. Идея заключалась в разгрузке основных процессоров путем передачи специфических вычислительных задач тем модулям внутри чипа или системы, которые справляются с ними наиболее эффективно. Проще говоря, система строится на использовании общих пулов памяти, что позволяет различным типам ядер работать в едином контуре.

Архитектурный фундамент для эпохи ИИ

На практике это означает структуру, которая легла в основу современных решений: от аппаратной линейки AMD Instinct MI300 до платформы Nvidia Vera Rubin. Эти системы, часто называемые «суперчипами», сегодня являются обязательными элементами серверных мощностей для обучения и инференса ИИ-моделей. Даже если в 2013 году масштабный бум генеративного ИИ в его нынешнем виде не прогнозировался, Лиза Су, ставшая CEO AMD в 2014 году, сформулировала парадигму, актуальность которой достигла пика спустя десятилетие.

Традиционная вычислительная модель, где нагрузка преимущественно ложилась на CPU, уступила место гетерогенной среде. Такой подход сегодня применяется не только в дата-центрах, но и в потребительских устройствах, где GPU, нейронные процессоры (NPU) и специализированные ускорители работают в связке, совместно используя память для достижения максимальной энергоэффективности и производительности.