AMD ogłosiła, że jej systemy AI osiągnęły szacowany 4-krotny wzrost efektywności energetycznej względem poziomu z 2024 roku. To wynik lepszy od zakładanego na tym etapie 3-krotnego postępu i ponad dwukrotnie szybszy niż historyczne tempo poprawy w branży. Informacja pochodzi z komunikatu opublikowanego 18 sierpnia 2026 roku przez biuro prasowe firmy. AMD zmierza do celu wyznaczonego na 2030 rok: 20-krotnego zwiększenia efektywności energetycznej systemów rackowych przeznaczonych do trenowania i uruchamiania modeli sztucznej inteligencji.
Kluczowe fakty:
- AMD ogłosiła 4-krotny wzrost efektywności energetycznej swoich systemów AI względem 2024 roku, przekraczając zakładany na tym etapie cel 3-krotnej poprawy i wyznaczając kurs na 20-krotny wzrost do 2030 roku.
- Według prognoz firmy, około dwa racki z 2030 roku mają zapewniać taką samą moc obliczeniową jak 570 racków z 2024 roku, co ma przełożyć się na 20-krotne ograniczenie zużycia energii i 28-krotne zmniejszenie intensywności emisji CO2.
- Wynik za 2026 rok łączy zmierzone dane produktowe z modelowanymi szacunkami i opiera się na publicznie dostępnych danych, w tym scenariuszach energetycznych Międzynarodowej Agencji Energetycznej oraz danych Epoch.ai – nie jest to niezależny audyt.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Dwa racki zamiast 570
Najbardziej obrazowa liczba z komunikatu dotyczy skali. Według prognoz AMD około dwa racki z 2030 roku mają zapewnić taką samą moc obliczeniową jak 570 racków z 2024 roku. Firma szacuje, że przełoży się to na nawet 20-krotne ograniczenie zużycia energii elektrycznej w fazie eksploatacji oraz 28-krotne zmniejszenie intensywności emisji CO2 związanej z wykorzystaniem energii.
AMD przedstawia też drugi wariant tej samej prognozy: zamiast redukować zużycie energii, można w ramach tego samego budżetu energetycznego uzyskać 20-krotnie więcej mocy obliczeniowej, mierzonej w operacjach zmiennoprzecinkowych na sekundę w przeliczeniu na wat.
Sprawdziłem metodologię: AMD zastrzega, że wynik za 2026 rok łączy zmierzone dane produktowe z modelowanymi szacunkami tam, gdzie finalne dane o wydajności nie były jeszcze dostępne. Prognozy oparto na reprezentatywnym obciążeniu treningowym AI oraz publicznie dostępnych danych, w tym scenariuszach energetycznych Międzynarodowej Agencji Energetycznej i danych Epoch.ai. To uczciwe postawienie sprawy, choć trzeba pamiętać, że mówimy o deklaracjach producenta, a nie o niezależnym audycie.
Skąd bierze się ten postęp
Firma podkreśla, że poprawa nie pochodzi z jednego przełomu, tylko z pracy nad całym stosem technologicznym. Sam Naffziger, starszy wiceprezes i Corporate Fellow AMD, ujął to tak:
„Kolejna fala efektywności AI będzie zależeć od ściślejszej współoptymalizacji krzemu obliczeniowego, pamięci, interkonektów, oprogramowania i projektowania systemów w skali racka. Nasza szacowana 4-krotna poprawa do 2026 roku odzwierciedla siłę tego podejścia i postęp, jaki AMD osiąga w obrębie całego systemu, co stawia nas przed zakładanym tempem realizacji celu na 2030 rok.” / „The next wave of AI efficiency will depend on tighter co-optimization across compute silicon, memory, interconnects, software and rack-scale system design. Our estimated 4x improvement through 2026 reflects the strength of our approach and the progress AMD is making across the full system, putting us ahead of our projected pace toward the 2030 goal.”
Na deklarowany wzrost efektywności składają się:
- postępy w architekturze obliczeniowej i technologii procesu, zwiększające wydajność zmiennoprzecinkową na wat,
- wyższa przepustowość pamięci, pamięć HBM, większe pamięci podręczne i ściślejsza integracja pamięci z jednostkami obliczeniowymi, które ograniczają energochłonne przenoszenie danych,
- szybkie interkonekty typu scale-up, redukujące wąskie gardła w dużych systemach,
- otwarty stos programowy ROCm i współprojektowanie sprzętu z oprogramowaniem na poziomie kompletnych systemów serwerowych.
Osobna uwaga metodologiczna: cel 20×30 obejmuje wyłącznie to, na co AMD ma bezpośredni wpływ, czyli sprzęt i projekt systemu. Firma szacuje, że postępy w ekosystemie oprogramowania, algorytmach i samych modelach zadziałają jako mnożniki i w połączeniu z celem sprzętowym mogłyby dać nawet 100-krotną poprawę ogólnej efektywności energetycznej AI do 2030 roku.
Liczby z komunikatu AMD robią wrażenie, ale czytam je z dwóch stron. Z jednej: efektywność energetyczna przestała być tematem z raportów CSR i stała się twardym parametrem biznesowym, bo to prąd i chłodzenie, a nie ceny chipów, coraz częściej ograniczają rozbudowę infrastruktury AI. Firma, która realnie dowiezie 20-krotną poprawę, zmieni ekonomię całych centrów danych. Z drugiej strony: to szacunki producenta oparte częściowo na modelach, a nie na zmierzonych systemach z 2030 roku, których jeszcze nie ma. Historia branży zna też paradoks Jevonsa: tańsza energetycznie moc obliczeniowa rzadko oznacza mniejsze zużycie energii ogółem, bo apetyt na obliczenia rośnie szybciej niż efektywność. Czy za cztery lata rzeczywiście zobaczymy dwa racki zamiast 570, czy raczej 570 racków nowej generacji pracujących na pełnych obrotach? Obstawiam to drugie. Co nie zmienia faktu, że każdy wat wyciśnięty z systemu ma znaczenie.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Energia jako wąskie gardło całej branży
Kontekst rynkowy pokazuje, dlaczego AMD tak mocno gra kartą efektywności. Według Międzynarodowej Agencji Energetycznej zużycie energii elektrycznej przez centra danych ma się mniej więcej podwoić do 2030 roku, do około 945-950 TWh rocznie, co odpowiada blisko 3 proc. globalnego zapotrzebowania na prąd i przewyższa dzisiejsze roczne zużycie całej Japonii. Popyt ze strony centrów danych zorientowanych na AI rośnie przy tym znacznie szybciej niż całego sektora: IEA prognozuje jego potrojenie w tej dekadzie, a już w 2025 roku zapotrzebowanie centrów danych na energię wzrosło o 17 proc., wobec 3 proc. wzrostu globalnego popytu na elektryczność.
Jest też drugi wymiar tej układanki: pozycja rynkowa. Nvidia kontroluje według szacunków analityków około 75-80 proc. rynku akceleratorów AI liczonego przychodami, podczas gdy udział linii Instinct od AMD ocenia się na kilka procent. AMD nie wygra z Nvidią samą skalą, więc buduje argumentację wokół całkowitego kosztu posiadania: jeśli klient za tę samą pulę megawatów dostanie więcej obliczeń, rachunek zaczyna wyglądać inaczej. W drugim kwartale 2026 roku segment centrów danych AMD wygenerował 5,8 mld dolarów przychodu, rosnąc o 57 proc. rok do roku.
Dlaczego te liczby liczą się dla polskiej gigafabryki AI
Dla polskiego czytelnika ten komunikat ma wymiar bardziej praktyczny, niż mogłoby się wydawać. Polska od miesięcy zabiega o jedną z unijnych gigafabryk AI, finansowanych częściowo z funduszu InvestAI. Projekt Baltic AI Gigafactory, realizowany we współpracy z Czechami i krajami bałtyckimi, wyceniany jest na około 3 mld euro i ma objąć infrastrukturę liczącą 100 tys. zaawansowanych układów GPU, o zapotrzebowaniu na moc szacowanym na 200-300 MW. Komisja Europejska ogłosiła w tym roku postępowanie na budowę maksymalnie siedmiu takich obiektów, o łącznej wartości przekraczającej 30 mld euro.
I tu wracamy do parametrów z komunikatu AMD. Przy obiektach tej skali efektywność energetyczna przestaje być ciekawostką z ulotki, a staje się pozycją w budżecie liczoną w setkach milionów złotych rocznie oraz warunkiem zmieszczenia się w dostępnej mocy przyłączeniowej. Bruksela wymaga przy tym, by gigafabryki pracowały na energii odnawialnej, co dodatkowo zaostrza rachunek. Każda generacja sprzętu, która dostarcza więcej obliczeń na wat, oznacza dla operatora takiego centrum realnie więcej wytrenowanych modeli w ramach tego samego przyłącza. Obserwuję ten wątek uważnie, bo wybór dostawców dla europejskich gigafabryk będzie jedną z ciekawszych rozgrywek najbliższych kwartałów, a argument efektywności energetycznej AMD wymierza dokładnie w tę decyzję.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co dalej
AMD deklaruje, że postęp względem celu 20×30 będzie mierzony corocznie, przez porównanie konfiguracji rackowych z bazowym poziomem z 2024 roku według metodologii wydajności na wat. Szczegóły obliczeń firma publikuje na stronie poświęconej zrównoważonemu rozwojowi centrów danych. Za rok będzie można sprawdzić, czy tempo z lat 2024-2026 udało się utrzymać, czy też najłatwiejsze rezerwy efektywności zostały już wyczerpane.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz informacji prasowej przesłanej do redakcji, opartej na oficjalnym komunikacie AMD Newsroom z dnia 18.08.2026, a także danych o metodologii celu 20×30 ze strony AMD Data Center Sustainability i prognoz Międzynarodowej Agencji Energetycznej z raportu Energy and AI. Dane o rynku akceleratorów AI pochodzą z szacunków IDC, TrendForce i Silicon Analysts. Kontekst dotyczący polskich starań o gigafabrykę AI oparto na doniesieniach Rzeczpospolitej i serwisu WNP. Cytat Sama Naffzigera, starszego wiceprezesa i Corporate Fellow AMD, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o realizacji celów efektywności energetycznej AMD i wyborze lokalizacji europejskich gigafabryk AI.
