AMD asegura haber alcanzado a mediados de 2026 una mejora estimada de 4 veces en la eficiencia energética de sus sistemas de inteligencia artificial a escala de rack frente a su referencia de 2024. La compañía se sitúa así por delante del objetivo intermedio que había proyectado y mantiene su meta de llegar en 2030 a una mejora de 20 veces en rendimiento por vatio para entrenamiento e inferencia de IA.

Las claves del objetivo energético de AMD en 30 segundos

• AMD estima una mejora de 4 veces en rendimiento por vatio desde 2024, frente al avance de 3 veces previsto para este momento.
• Su objetivo para 2030 es alcanzar una eficiencia 20 veces superior en sistemas de IA a escala de rack.
• La compañía calcula que dos racks futuros podrían ofrecer un rendimiento equivalente al de 570 racks de 2024 en una carga representativa.
• Parte de las cifras son proyecciones y modelos de AMD, no resultados medidos de productos comerciales de 2030.

La cuestión energética se ha convertido en uno de los principales condicionantes para seguir aumentando la capacidad de los centros de datos dedicados a inteligencia artificial. Ya no basta con fabricar aceleradores más potentes: hay que alimentar las GPU, mover enormes cantidades de información desde la memoria, comunicar cientos o miles de procesadores y extraer el calor producido por todo el sistema.

AMD intenta abordar el problema desde esa perspectiva. Su denominada meta 20×30 no mide únicamente la eficiencia de una GPU aislada, sino configuraciones completas de rack que combinan computación, memoria y redes.

La compañía toma 2024 como referencia y calcula anualmente la evolución del rendimiento por vatio de sus configuraciones.

El dato de 2026 requiere, sin embargo, una precisión importante. AMD explica que la mejora estimada de 4 veces procede de una combinación de datos medidos de productos y estimaciones modelizadas en aquellos casos en los que todavía no estaban disponibles los datos definitivos de rendimiento.

Por tanto, no debe interpretarse como un benchmark independiente que demuestre que cualquier sistema AMD actual consume cuatro veces menos electricidad realizando la misma tarea.

El objetivo: 20 veces más rendimiento por cada vatio en 2030

La meta que AMD se ha marcado para 2030 es considerablemente más ambiciosa.

La compañía pretende alcanzar una mejora de 20 veces en eficiencia energética a escala de rack para entrenamiento e inferencia de IA respecto a 2024.

Según AMD, su evolución hasta mediados de 2026 se encuentra por encima de la trayectoria prevista. Para este momento había proyectado una mejora de aproximadamente 3 veces, mientras que su estimación actual alcanza las 4 veces.

La compañía sostiene además que ese ritmo representa más del doble de la tendencia histórica de la industria utilizada como referencia.

Pero la parte más llamativa de sus cálculos aparece cuando AMD intenta trasladar la mejora del rendimiento por vatio a un centro de datos.

Utilizando una carga representativa de entrenamiento de inteligencia artificial, AMD proyecta que aproximadamente dos racks de 2030 podrían proporcionar la misma capacidad de computación que 570 racks de 2024.

La comparación parece a primera vista incompatible con una mejora energética de únicamente 20 veces, pero mide variables diferentes. La reducción del número de racks refleja también el fuerte aumento previsto del rendimiento computacional por sistema, mientras que el objetivo 20×30 se refiere específicamente al rendimiento obtenido por unidad de energía.

Para esa misma carga de trabajo, AMD estima que podría reducirse en 20 veces la electricidad consumida durante el uso y en 28 veces la intensidad de carbono.

Existe otra forma de aprovechar esa ganancia: mantener aproximadamente la misma energía disponible y realizar mucho más trabajo.

En ese escenario, AMD calcula que sus sistemas de 2030 podrían proporcionar 20 veces más operaciones de coma flotante por segundo (FLOPS) por vatio que la referencia de 2024.

Todas estas cifras relativas a 2030 son previsiones realizadas por la propia compañía. Dependen de futuros procesadores, aceleradores, memoria, redes, software y tecnologías de fabricación que deberán cumplir las mejoras contempladas en sus modelos.

El problema ya no está únicamente dentro de la GPU

Uno de los aspectos más interesantes del planteamiento de AMD es precisamente que deja de tratar la eficiencia energética como un problema exclusivo del procesador.

En los grandes sistemas de inteligencia artificial existen al menos tres factores que condicionan directamente el rendimiento: capacidad de cálculo, ancho de banda de memoria y ancho de banda de las interconexiones.

Una GPU puede disponer de enormes recursos computacionales y, aun así, pasar parte del tiempo esperando información.

Los modelos actuales necesitan desplazar continuamente parámetros, activaciones y otros datos entre memoria y procesadores. La inferencia con contextos cada vez mayores añade además otra presión mediante el crecimiento de la KV cache utilizada por los modelos de lenguaje.

Mover toda esa información consume electricidad.

Por ello, tecnologías como la memoria HBM (High Bandwidth Memory), las cachés de mayor tamaño y una integración más estrecha entre memoria y procesador son importantes no solamente para conseguir más rendimiento, sino también para evitar movimientos innecesarios de datos.

Las interconexiones tienen un problema similar.

Los sistemas modernos de IA distribuyen las cargas entre numerosos aceleradores. Cuanto mayor es el modelo y más grande el clúster, más importante resulta conseguir que GPU, CPU y otros componentes puedan intercambiar información rápidamente sin que las comunicaciones se conviertan en un cuello de botella energético.

AMD considera por ello que las interconexiones de alta velocidad para sistemas scale-up serán otra pieza necesaria para alcanzar su objetivo de 2030.

CPU, GPU, memoria, red, software y refrigeración empiezan a ser un único problema

El planteamiento refleja un cambio más amplio que está experimentando la infraestructura para inteligencia artificial.

Durante años podía analizarse el rendimiento de un servidor prestando mucha atención al procesador y posteriormente a la GPU. Con sistemas completos de IA que ocupan racks enteros, esa aproximación resulta cada vez menos representativa.

La eficiencia final depende de cómo trabajan conjuntamente CPU, GPU, memoria, interconexiones, red, almacenamiento, software, alimentación eléctrica y refrigeración.

AMD habla por ello de un diseño conjunto a nivel de sistema.

Las nuevas tecnologías de fabricación pueden aumentar el número de transistores y mejorar el rendimiento por vatio. Las arquitecturas de GPU pueden aprovecharlos mejor. Una memoria con mayor ancho de banda permite mantener ocupadas las unidades de cálculo y las interconexiones más rápidas reducen los tiempos dedicados a mover información entre aceleradores.

El software completa la ecuación.

AMD señala a ROCm, su plataforma de software para GPU, como otro de los componentes de su estrategia. Mejorar compiladores, bibliotecas y ejecución de modelos puede aumentar el aprovechamiento del hardware sin necesidad de incrementar proporcionalmente su consumo.

En inferencia esta cuestión tiene además una traducción económica muy directa: la energía consumida por token generado.

Cuando un servicio atiende millones de peticiones, pequeñas mejoras en este indicador pueden convertirse en diferencias importantes tanto en consumo eléctrico como en coste operativo.

Más rendimiento dentro de una red eléctrica que no crece al mismo ritmo

El objetivo de AMD llega mientras los grandes centros de datos de IA están elevando rápidamente sus necesidades eléctricas.

Para los operadores existe una limitación difícil de resolver simplemente instalando más servidores. La disponibilidad de potencia eléctrica, las conexiones a la red y la capacidad de refrigeración pueden determinar cuánto hardware puede instalarse realmente en una ubicación.

Aumentar el rendimiento por vatio permite utilizar de otra manera una infraestructura eléctrica limitada.

Un centro de datos podría ejecutar una determinada carga utilizando menos servidores y electricidad o, alternativamente, aprovechar la misma potencia disponible para realizar más trabajo computacional.

Es precisamente ahí donde debe interpretarse el objetivo 20×30 de AMD.

La compañía no está prometiendo que el consumo eléctrico de la inteligencia artificial vaya a reducirse un 95 % en términos absolutos. Si la demanda de computación crece más rápido que las mejoras de eficiencia, el consumo total de los centros de datos puede seguir aumentando.

Lo que AMD pretende conseguir es que cada vatio permita ejecutar considerablemente más computación de IA.

La estimación de una mejora de 4 veces alcanzada a mediados de 2026 indica que, según la metodología de la propia compañía, avanza por encima del ritmo inicialmente previsto. Quedan cuatro años para comprobar si las siguientes generaciones de aceleradores, memoria, interconexiones y software permiten mantener esa trayectoria hasta multiplicar por 20 la eficiencia respecto a 2024.

Preguntas frecuentes

¿Cuánto ha mejorado AMD la eficiencia energética de sus sistemas de IA?

AMD estima que a mediados de 2026 ha alcanzado una mejora de 4 veces en eficiencia energética a escala de rack respecto a su referencia de 2024. El cálculo combina datos medidos con estimaciones modelizadas.

¿Qué significa el objetivo AMD 20×30?

La compañía pretende conseguir en 2030 una mejora de 20 veces en rendimiento de IA por vatio respecto a 2024, considerando configuraciones completas de rack destinadas a entrenamiento e inferencia.

¿AMD asegura que dos racks sustituirán a 570 racks actuales?

Es una proyección de AMD para 2030 basada en una carga representativa de entrenamiento y en las mejoras futuras previstas para sus sistemas. No describe hardware disponible actualmente ni constituye una comparación independiente.

¿Una eficiencia 20 veces mayor reducirá el consumo total de la IA?

No necesariamente. Permitirá realizar más computación por cada vatio consumido, pero el gasto eléctrico total dependerá también de cuánto crezca la demanda de entrenamiento e inferencia de inteligencia artificial.

vía: newsroom.amd