La boutique est ouverte

Nous construisons les machines Workstation AI pour les sites web, les agents IA et l'entraînement de LLM — configurez-les et achetez-les en ligne.

Obtenir les prix pro
Produits IA
Labs IAAgents OpenAIAgents ClaudeGrok BotCRM natif Workstation AIMarketingTous les produits
Solutions IA
IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseStations de travail IAMatériel et logiciels NVIDIACalcul accéléré NVIDIAIA privéeCloud privé GPUClusters GPUIA en périphérieIA par secteur
Services IA
Modernisation des plateformesIngénierie numériqueFondations data et IAOpérations autonomesConseil IAAutomatisation DevOpsCybersécuritéDéveloppement logicielCréation d'agentsMise en place MLOpsLocation de GPUCloud privé GPU
À propos
EntrepriseNotre histoirePartenairesTémoignages clients
Centres de données IA
Centres de données IACloud privé GPUClusters GPULocation de GPU
Analyses IASérie JevLabo de benchmarksChoix de modèles
Notes techniques
Documentation
OS LinuxUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
Plateformes cloud d'IAAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryClouds et places de marché GPU
Centres de données IA privésPour les cabinets d'avocatsPour les cabinets comptablesPlateformes sur siteCloud entièrement sécurisé
OutilsRing PromoterJobshout
Actualités
Blog
Nous contacterSe connecter

Stations de travail IA, logiciels multi-agents IA, infrastructure GPU et solutions d'agents intelligents pour les entreprises modernes.

Nous contacter

Solutions IA

IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseIA par secteur

Produits

Tous les produitsCRM & ERP natifs Workstation AIMarketingAgents OpenAIRing PromoterJobshout

Entreprise

À proposEntrepriseCentres de données IAPourquoi WorkstationPartenairesTémoignages clientsTarifsContactTenthMatrix

Ressources

Analyses IANotes techniquesDocumentationOS LinuxPlateformes cloud d'IACentres de données IA privésBlogRechercherPlan du site
Siège social au Royaume-Uni
77-79 Marlowes, Hemel Hempstead HP1 1LFItinéraire : prenez la sortie 20 de la M25, Outer LondonN° d'entreprise: 11641870Lun - Ven : 9h00 - 18h00 GMT
+44 7515 356 146
Bureau de Belgique
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Lun - Ven : 9h00 - 18h00 CET
+32 492 45 67 46
Bureau de l'Inde
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Bureau de Taïwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Lun - Ven : 9 h 00 - 18 h 00, heure de Taïwan (GMT+8)
+886 926 892 701+32 492 45 67 46
Bureau en Estonie
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaLun - Ven : 9 h 00 - 18 h 00, heure d’Estonie (EET)
+32 492 45 67 46

© 2026 Workstation AI. Tous droits réservés.

ConfidentialitéSuppression des donnéesCookiesConditions d'utilisationPlan du site web

NVIDIA, le logo NVIDIA, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX et HGX sont des marques commerciales et/ou des marques déposées de NVIDIA Corporation aux États-Unis et dans d'autres pays. AMD, le logo AMD Arrow, EPYC, Instinct, Ryzen et Threadripper sont des marques commerciales d'Advanced Micro Devices, Inc. Dell et PowerEdge sont des marques commerciales de Dell Inc. ou de ses filiales. Intel et Xeon sont des marques commerciales d'Intel Corporation ou de ses filiales. AMAX, AceleMax et LiquidMax sont des marques commerciales d'AMAX Engineering Corporation. Tous les autres noms de produits, logos et marques appartiennent à leurs propriétaires respectifs. Nous les utilisons uniquement pour identifier les produits que nous décrivons, fournissons ou prenons en charge ; leur utilisation ne signifie pas que leurs propriétaires nous cautionnent.

Accueil / Notes techniques / Technology
AIHardwareKubernetesArchitecture

AMD Instinct ou NVIDIA pour l'infrastructure d'IA : évaluer, porter et exploiter les deux (2026)

De l'entretien de Lisa Su en 2024 à Helios : les plateformes 2026 couche par couche, les gammes Instinct, le calcul de mémoire, la correspondance logicielle de CUDA vers ROCm, un workflow de portage avec commandes, Kubernetes bi-fournisseur, des benchmarks équitables, un workflow de décision et l'exploitation au quotidien

14 novembre 2026Technology14 min read

Un guide pratique pour les équipes qui se demandent si AMD Instinct a sa place dans leur infrastructure d'IA, aux côtés de NVIDIA ou à sa place. Il part de l'entretien accordé par Lisa Su en décembre 2024 à l'émission The Circuit de Bloomberg et de ce qu'AMD a livré depuis, puis passe en revue les plateformes 2026 couche par couche, les gammes de produits que les acheteurs rencontrent réellement, le calcul de mémoire qui détermine le nombre de GPU, la correspondance logicielle de CUDA vers ROCm, un workflow de portage avec commandes, l'exploitation des deux fournisseurs sur une même plateforme Kubernetes, une méthode de benchmark équitable, un workflow de décision et les vérifications opérationnelles du quotidien.

Un manifeste Kubernetes unique avec des overlays pour les nœuds AMD et NVIDIA, à côté des chiffres du rack Helios d'AMD : 72 GPU MI455X, 432 GB de HBM4 par GPU, 2,9 exaflops en FP4, 1,4 exaflops en FP8, 31 TB de HBM4, 260 TB/s en scale-up et ROCm 10.

Synthèse. En 2026, AMD est une seconde plateforme d'IA crédible, et non un projet expérimental : son rack Helios équipé de 72 GPU Instinct MI455X est en production en volume, cinq des plus grands acheteurs d'IA l'exploitent, et le chiffre d'affaires Data Center a progressé de 97 % sur un an pour atteindre 8,5 milliards de dollars au troisième trimestre 2026. NVIDIA reste bien plus grand, avec l'écosystème logiciel le plus riche. Pour les acheteurs, les questions sont pratiques : votre modèle tire-t-il parti de 432 GB de mémoire par GPU, votre code dépend-il de composants exclusifs à CUDA, quel fournisseur offre le plus de tokens par livre sterling sur votre modèle et votre pile de service, et pouvez-vous obtenir le matériel et les compétences à temps ? La plupart du code d'IA s'exécute sur ROCm via PyTorch, vLLM, SGLang et Triton avec peu de modifications ; les noyaux CUDA personnalisés et les moteurs TensorRT constituent le véritable travail de portage. Exploiter les deux fournisseurs sur une même plateforme Kubernetes est simple et vous donne un levier sur les prix et l'approvisionnement.

Cette note technique accompagne notre article de blog Grignoter l'avance de Nvidia : le plan de Lisa Su, deux ans plus tard, qui résume l'entretien. Les chiffres des fournisseurs ci-dessous sont les affirmations publiées par AMD ou NVIDIA eux-mêmes, et non des benchmarks indépendants ; nous le précisons lorsque c'est important. Les informations sont à jour au 14 novembre 2026.

1. De l'entretien à Helios

Dans « AMD's CEO Wants to Chip Away at Nvidia's Lead » (Bloomberg Originals, The Circuit with Emily Chang, 6 décembre 2024), Lisa Su, alors à la tête de l'entreprise depuis dix ans, montrait l'Instinct MI300 exécutant des charges d'IA en production telles que GPT-4o sur Microsoft Azure et Llama de Meta, qualifiait l'IA de « technologie la plus transformatrice » de sa carrière et affirmait qu'il y aurait « largement assez de puces pour tout le monde », même si les hyperscalers concevaient les leurs. Ian King, journaliste spécialiste des puces chez Bloomberg, résumait la position d'AMD comme celle d'« un solide numéro deux ». Les deux années écoulées depuis ont mis cette position à l'épreuve.

Chronologie : décembre 2024, entretien avec le MI300 en production ; juin 2025, lancement de la série MI350 ; octobre 2025, accord avec OpenAI pour 6 gigawatts de GPU Instinct ; 2026, Helios avec 72 GPU MI455X livré en volume à partir du troisième trimestre et sortie de ROCm 10 ; novembre 2026, chiffre d'affaires Data Center du troisième trimestre de 8,5 milliards de dollars, en hausse de 97 %, avec les premiers racks Helios chez Anthropic, Meta, Microsoft, OpenAI et Oracle.

Le communiqué d'AMD pour le troisième trimestre 2026 fait état d'un chiffre d'affaires total de 13,4 milliards de dollars, d'un chiffre d'affaires Data Center record de 8,5 milliards de dollars (en hausse de 97 % sur un an), de livraisons en volume de la série MI450, et d'Anthropic, Meta, Microsoft, OpenAI et Oracle Cloud Infrastructure exécutant des charges de travail sur les premiers racks Helios. Il prévoit environ 17 milliards de dollars de chiffre d'affaires au quatrième trimestre. Le même communiqué mentionne ROCm 10, la première commande Helios de HPE (pour Vultr) et le choix par EuroHPC des GPU Instinct MI430X pour le supercalculateur LUMI-AI, ce qui compte pour les acheteurs européens qui s'intéressent à une capacité d'IA souveraine.

2. Les plateformes 2026, couche par couche

Comparaison par couche : Helios sur Open Rack Wide face à Vera Rubin NVL72 ; MI455X avec 432 GB de HBM4 face à Rubin avec 288 GB de HBM4 ; UALink over Ethernet face à NVLink ; cartes réseau Pensando AI et Ultra Ethernet face à ConnectX, Spectrum-X ou InfiniBand ; EPYC Venice face à Vera ; ROCm face à CUDA ; AMD GPU Operator face à NVIDIA GPU Operator ; frameworks partagés.

AMD Helios (chiffres publiés par AMD)Valeur
GPU par rack (un domaine de scale-up)72 × Instinct MI455X (CDNA 5)
Mémoire par GPU432 GB de HBM4, jusqu'à 23,3 TB/s
Calcul par GPUjusqu'à 40 PF en FP4
Calcul du rack2,9 EF en FP4, 1,4 EF en FP8
Mémoire du rack31 TB de HBM4, environ 1,7 PB/s en agrégé
Bande passante scale-up / scale-out260 TB/s (UALink over Ethernet) / 43 TB/s (3 cartes réseau 800G par GPU)
CPU hôteEPYC de 6e génération « Venice » (série 9006)
Standard de rackOpen Rack Wide, apporté par Meta à l'Open Compute Project

AMD positionne Helios directement face au Vera Rubin NVL72 de NVIDIA et revendique environ 15 % de calcul d'IA en plus, 50 % de mémoire en plus, 50 % de bande passante scale-out en plus et jusqu'à 30 % de tokens par dollar en plus. Ce sont des affirmations du fournisseur, mesurées par le fournisseur ; considérez-les comme une raison de faire des benchmarks, pas comme un résultat. La différence de mémoire est la plus structurelle : 432 GB par MI455X contre 288 GB par GPU Rubin, cela change le nombre de GPU dont un grand modèle a besoin (section 4).

3. Les gammes Instinct que vous rencontrerez

ProduitMémoirePositionnement
MI300X192 GB de HBM3La génération 2024 évoquée dans l'entretien ; encore courante dans les clouds et sur le marché de l'occasion
MI325X256 GB de HBM3EPlateforme MI300 à mémoire augmentée, serveurs à huit GPU
MI350X / MI355X288 GB de HBM3EGénération 2025 ; serveurs à huit GPU, refroidissement par air ou liquide ; la référence de comparaison du MI455X
MI430Xvoir AMDSystèmes HPC et d'IA souveraine ; choisi pour LUMI-AI d'EuroHPC
MI450X / MI455X432 GB de HBM4Systèmes Helios à l'échelle du rack ; entraînement de modèles de pointe et inférence à grande échelle
MI350Pvoir AMDUtilisé dans l'architecture de référence Helion d'AMD pour les systèmes agentiques et dans la station de travail Threadripper Halo Station

La plupart des organisations britanniques rencontreront Instinct sous la forme de serveurs à huit GPU de Dell, HPE, Lenovo ou Supermicro, ou d'instances cloud, plutôt que de racks Helios complets. Helios compte pour elles de manière indirecte : c'est lui qui fait de ROCm une cible de premier plan pour les développeurs de modèles et de frameworks dont elles dépendent.

4. Calcul de mémoire : pourquoi 432 GB changent le nombre de GPU

Deux chiffres déterminent le nombre de GPU nécessaires pour une copie d'un modèle : les poids, et le cache clé-valeur (KV) qui croît avec la longueur du contexte et le nombre d'utilisateurs simultanés.

weights (GB)        ≈ parameters (billions) × bytes per parameter
                       FP16/BF16 = 2, FP8 = 1, FP4 = 0.5
KV cache per token  = 2 × layers × kv_heads × head_dim × bytes per value

# Example: a 70B model with 80 layers, 8 KV heads, head_dim 128, FP16 KV cache
KV per token        = 2 × 80 × 8 × 128 × 2 bytes = 327,680 bytes ≈ 0.31 MiB
KV per 32k sequence ≈ 10 GiB      KV per 128k sequence ≈ 40 GiB
Illustration : modèle 70B, poids en FP8 (~70 GB), KV en FP16, 10 % de margeGPU de 288 GBGPU de 432 GB
Mémoire restante pour le cache KV~189 GB~319 GB
Séquences simultanées de 32k tokens par GPU~18~30
Séquences simultanées de 128k tokens par GPU~4~7
Modèle d'environ 400B paramètres en FP8 (~400 GB de poids)nécessite 2 GPU ou plustient sur 1, avec peu de place pour le KV

Moins de GPU par copie de modèle signifie moins de parallélisme tensoriel, moins de trafic entre GPU et davantage de réplicas indépendants dans un même rack. Que cela se traduise par plus de tokens par livre sterling dépend aussi de l'efficacité du calcul, de l'interconnexion et du logiciel ; c'est pourquoi le benchmark de la section 8 est l'étape décisive. Notre page cloud GPU privé propose un outil de dimensionnement de la VRAM qui effectue le même calcul.

5. La correspondance logicielle : de CUDA à ROCm

FonctionNVIDIAAMD ROCm
Modèle de programmationCUDAHIP (C++ proche de CUDA ; compile aussi pour NVIDIA)
Algèbre linéaire densecuBLAS, cuBLASLthipBLAS, rocBLAS, hipBLASLt
Primitives d'apprentissage profondcuDNNMIOpen
Modèles de noyauxCUTLASSComposable Kernel
Communications collectives multi-GPUNCCLRCCL (API compatible NCCL)
Compilateur d'inférenceTensorRT, TensorRT-LLMMIGraphX ; la plupart des services de LLM utilisent plutôt vLLM ou SGLang
Gestion des périphériquesnvidia-smiamd-smi
ProfilageNsight Systems / Computerocprofv3, ROCm Systems et Compute Profilers
Noyaux portablesTriton (OpenAI), pris en charge par les deux
Frameworks et servicePyTorch, JAX, vLLM, SGLang, Hugging Face : builds publiés pour les deux

La règle pratique : si votre code reste au niveau du framework, passer à ROCm consiste surtout à installer le build ROCm. Le travail se concentre à trois endroits : les noyaux CUDA personnalisés et les extensions C++, les moteurs TensorRT, et les bibliothèques qui ne livrent que des binaires CUDA.

6. Workflow de portage

Six étapes : inventorier les dépendances CUDA ; utiliser les builds ROCm de PyTorch, vLLM ou SGLang ; porter les noyaux personnalisés avec Triton ou HIPIFY ; valider les résultats numériques par rapport à la référence CUDA ; optimiser grâce au profilage et à la mémoire plus importante par GPU ; maintenir une matrice CI sur les deux fournisseurs avec un manifeste et deux overlays.

6.1 Vérifier le nœud et le framework

# GPUs visible to the driver, and their architecture (gfx target)
amd-smi list
rocminfo | grep -m1 -i "gfx"

# PyTorch on ROCm keeps the torch.cuda API, so most code is unchanged
python -c "import torch; print(torch.version.hip, torch.cuda.is_available(), torch.cuda.get_device_name(0))"

6.2 Servir un modèle dans un conteneur ROCm

# AMD publishes ROCm images for PyTorch and vLLM; pick a tag matching your ROCm version
docker run --rm -it --ipc=host \
  --device=/dev/kfd --device=/dev/dri --group-add video \
  --security-opt seccomp=unconfined \
  -p 8000:8000 -v ~/.cache/huggingface:/root/.cache/huggingface \
  rocm/vllm:<tag> \
  vllm serve <model> --tensor-parallel-size 2

Le point de terminaison compatible OpenAI est identique à celui que vLLM expose sur NVIDIA ; les clients, les passerelles et les tests ne changent donc pas.

6.3 Noyaux personnalisés

# Mechanical CUDA → HIP translation, then build with the ROCm compiler
hipify-perl my_kernel.cu > my_kernel.hip.cpp      # or hipify-clang for a full parse
hipcc -O3 --offload-arch=<gfx-target> -o my_kernel my_kernel.hip.cpp

La traduction est la partie facile. Les hypothèses sur la taille des warps (les wavefronts CDNA d'AMD comptent 64 voies, les warps NVIDIA 32), les dispositions de mémoire partagée optimisées à la main et le PTX en ligne doivent être revus manuellement. Lorsqu'un noyau doit de toute façon être réécrit, écrivez-le une fois en Triton et exécutez-le sur les deux fournisseurs.

6.4 Valider avant d'optimiser

Exécutez un jeu d'évaluation fixe avec les mêmes poids et la même précision sur les deux fournisseurs. Comparez les scores par tâche (et, pour les noyaux, les logits ou les sorties dans une tolérance indiquée). Un matériel différent donne des résultats en virgule flottante légèrement différents ; ce qui compte, c'est que la qualité du modèle sur vos tâches reste inchangée. Ensuite seulement, ajustez la taille des lots, le parallélisme et les paramètres de service.

7. Une plateforme Kubernetes, deux fournisseurs

Les deux fournisseurs exposent les GPU à Kubernetes via un opérateur et un device plugin : nvidia.com/gpu sur les nœuds NVIDIA et amd.com/gpu sur les nœuds AMD, le GPU Operator d'AMD installant les composants du pilote, le device plugin, le node labeller et un exportateur de métriques pour Prometheus. Installez-le à partir du chart Helm d'AMD en suivant la documentation actuelle du ROCm GPU Operator.

Conservez un manifeste par charge de travail et un petit overlay par fournisseur, qui ne modifie que le build de l'image (ROCm ou CUDA) et la ressource GPU. Avec Kustomize :

# overlays/amd/kustomization.yaml (Workstation example)
resources: ["../../base"]
images:
  - name: inference-server
    newName: registry.example.com/inference-server
    newTag: 2026.11-rocm
patches:
  - target: {kind: Deployment, name: inference-server}
    patch: |-
      - op: replace
        path: /spec/template/spec/containers/0/resources/limits
        value: {"amd.com/gpu": 8}
      - op: add
        path: /spec/template/spec/nodeSelector
        value: {"gpu-vendor": "amd"}

Étiquetez et marquez d'un taint chaque pool de nœuds par fournisseur et par génération (par exemple gpu-vendor=amd, gpu-model=mi355x) afin que les ordonnanceurs et les rapports de coûts puissent les distinguer, et exécutez les mêmes tests CI sur les deux overlays à chaque modification.

8. Faire des benchmarks équitables

  • Même modèle, même précision, même moteur de service et même version chez les deux fournisseurs, avec le build et les paramètres recommandés par chacun.
  • Mesurez à votre objectif de latence, et non au débit maximal : délai jusqu'au premier token et latence entre tokens au p95 dont vos utilisateurs ont besoin, puis débit à ce point. vllm bench serve sollicite un point de terminaison compatible OpenAI avec des combinaisons de requêtes réalistes.
  • Utilisez la forme de votre trafic : longueurs des prompts et des sorties, simultanéité et part des requêtes à long contexte.
  • Convertissez en tokens par livre sterling : coût horaire du matériel ou de la location, plus l'électricité à votre tarif, divisé par les tokens par heure à l'objectif de latence.
  • Consignez la précision sur votre jeu d'évaluation en plus de la vitesse.
  • Recoupez avec des résultats indépendants tels que MLPerf Inference, lorsque les deux fournisseurs soumettent des systèmes comparables.

9. Décider charge de travail par charge de travail

Quatre questions dans l'ordre : le modèle tient-il sur moins de GPU grâce à davantage de mémoire ; existe-t-il du code exclusif à CUDA que vous ne pouvez pas porter rapidement ; quel fournisseur l'emporte en tokens par livre sterling pour votre modèle et votre pile ; pouvez-vous obtenir le matériel, le support et les compétences à temps. Résultat fréquent : les deux fournisseurs sur une même plateforme Kubernetes.

Charge de travailPenche vers AMD lorsquePenche vers NVIDIA lorsque
Inférence de LLM, grands modèles ou long contexteLa mémoire par GPU réduit le nombre de GPU par réplica ; service avec vLLM ou SGLangVous dépendez de TensorRT-LLM ou des microservices NVIDIA NIM
Entraînement et affinage avec PyTorchPyTorch standard, FSDP ou DeepSpeed ; pas de CUDA personnaliséNombreux noyaux personnalisés, chemins CUDA spécifiques à Megatron, délais serrés
Vision, parole et ML classiqueCode au niveau du framework, inférence sensible aux coûtsBibliothèques livrées uniquement en binaires CUDA (certaines chaînes vidéo et 3D)
HPC et simulationCodes à forte composante FP64 déjà portés vers HIP ; programmes HPC souverainsSolveurs commerciaux exclusivement CUDA

10. Exploitation au quotidien

  • Figez les versions ensemble : pilote, version de ROCm, build du framework et tag de conteneur forment un ensemble testé unique, exactement comme avec CUDA. Mettez-les à niveau en bloc, derrière les tests du jeu de référence.
  • Supervisez : amd-smi expose l'utilisation, la mémoire, la consommation, la température et les compteurs d'erreurs ; l'exportateur de métriques de périphériques d'AMD les publie dans Prometheus à côté des métriques DCGM des nœuds NVIDIA. Normalisez les noms d'étiquettes pour qu'un seul tableau de bord couvre les deux.
  • Santé et RAS : déclenchez des alertes sur les compteurs d'erreurs ECC et RAS, la limitation thermique et les liens qui perdent en vitesse, et drainez automatiquement les nœuds en cas d'erreurs répétées.
  • Compétences : formez au moins deux ingénieurs aux outils ROCm avant la mise en production ; la plupart des problèmes sont des incompatibilités de versions, rapides à corriger dès lors que quelqu'un sait où chercher.
  • Approvisionnement : gardez les deux fournisseurs qualifiés, afin qu'un problème de délai chez l'un n'arrête pas un projet.

11. Les risques à évaluer honnêtement

  • Profondeur de l'écosystème : CUDA compte encore plus de bibliothèques, d'exemples et de personnes compétentes. Vérifiez chaque dépendance, pas seulement le framework.
  • Affirmations des fournisseurs : les deux entreprises publient des comparaisons favorables. Ce sont les mesures indépendantes et internes qui tranchent.
  • Concentration : les deux fournisseurs dépendent de la même fabrication de pointe à Taïwan, un point que Lisa Su a elle-même soulevé dans l'entretien en évoquant la résilience de la chaîne d'approvisionnement. Le double approvisionnement réduit le risque produit, pas le risque géographique.
  • La dynamique du marché joue dans les deux sens : les engagements importants des grands clients d'AMD rendent durable l'investissement dans ROCm, mais entrent aussi en concurrence avec les petits acheteurs pour les premières livraisons.

12. Comment Workstation peut vous aider

Nous concevons et exploitons des infrastructures GPU au Royaume-Uni et aidons les équipes à évaluer AMD aux côtés de NVIDIA. Pour les équipes qui envisagent Instinct, nous pouvons réaliser un benchmark à conditions égales de votre modèle sur les deux fournisseurs, évaluer les dépendances CUDA de votre code, mettre en place une plateforme Kubernetes bi-fournisseur avec une supervision partagée, et dimensionner les serveurs, l'alimentation et le refroidissement. Commencez par notre guide du cloud GPU privé, comparez location et achat sur gpuleasing.co.uk, ou contactez-nous.

Sources

  • Bloomberg Originals, « AMD's CEO Wants to Chip Away at Nvidia's Lead | The Circuit with Emily Chang », 6 décembre 2024. Les citations proviennent de la vidéo publiée.
  • AMD, « AMD Reports Third Quarter 2026 Financial Results », 3 novembre 2026 (chiffre d'affaires, croissance Data Center, clients Helios, ROCm 10, LUMI-AI, perspectives pour le quatrième trimestre).
  • AMD, pages produit de la solution à l'échelle du rack Helios et de la série Instinct MI400, et « AMD Launches Helios » (2026) : spécifications du rack et des GPU et comparaison d'AMD avec Vera Rubin NVL72.
  • Accord entre AMD et OpenAI portant sur 6 gigawatts de GPU Instinct, annoncé le 6 octobre 2025.
  • Le calcul de mémoire et les commandes de portage sont des exemples de Workstation ; vérifiez les configurations des modèles et la documentation actuelle de ROCm avant de vous y fier.

Mention des droits : AMD, le logo AMD Arrow, Instinct, EPYC, Ryzen, Threadripper, CDNA, ROCm, Pensando, Helios et leurs combinaisons sont des marques d'Advanced Micro Devices, Inc. NVIDIA, CUDA, NVLink, TensorRT, Spectrum-X, ConnectX et Vera Rubin sont des marques de NVIDIA Corporation. Bloomberg est une marque de Bloomberg Finance L.P. Les autres noms sont la propriété de leurs détenteurs respectifs. Cet article est indépendant et n'est approuvé par aucune de ces entreprises.

Partager cet article

Plus dans Technology

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Ce qui tient sur un GPU RTX 5080 ou RTX 5090 Laptop, le calcul de mémoire, les modèles ouverts qui valent la peine, la configuration d'Ubuntu 26.04 avec la pile NVIDIA, Ollama, llama.cpp et vLLM, les assistants de code, l'affinage LoRA, la sécurité, et quand passer le travail sur un serveur

Lire la suite
Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Des éléments probants à la place des preuves, en environ 400 lignes de Python avec une sortie réelle : métriques par segment avec intervalles bootstrap et contrat de réussite ou d'échec, tests de propriétés et métamorphiques avec Hypothesis, calibration et prédiction conforme, contrats Pydantic et évaluations de non-régression pour les sorties LLM, contrôles de dérive, barrière en CI et vérification exacte d'un petit réseau de neurones

Lire la suite
TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

Installer torchcurves, ajuster et dimensionner une courbe, choisir entre B-spline et Legendre ainsi que l’application d’entrée, construire une courbe de calibration monotone et un modèle additif sur des données tabulaires, comparer avec SciPy, scikit-learn, un KAN et un MLP, exporter les coefficients en JSON, tester et exploiter en production, avec des sorties réelles

Lire la suite