AMD aprovechó la Supercomputing 2026 para defender el FP64 nativo de su acelerador Instinct MI430X y cuestionar que la emulación de Nvidia sea adecuada para buena parte de las cargas científicas. La compañía afirma que esos métodos encajan con menos del 10% de los trabajos HPC perfilados y pueden exigir hasta el triple de memoria.
***
- AMD sostiene que los esquemas de Ozaki favorecen multiplicaciones densas de matrices, pero no representan bien muchas otras cargas de computación de alto rendimiento.
- La compañía afirma que la emulación puede elevar hasta tres veces la huella de memoria y generar necesidades adicionales de GPU, nodos, energía y espacio.
- AMD indica que cada acelerador MI430X ofrece 432 GB de HBM4 y forma parte de varios sistemas de supercomputación anunciados en Estados Unidos y Europa.
AMD llevó a la Supercomputing 2026, que se celebra esta semana en Chicago, una defensa de la precisión FP64 nativa para centros de supercomputación. La compañía presentó su acelerador Instinct MI430X como una opción para instituciones que todavía necesitan cálculos de doble precisión, y cuestionó que la emulación pueda sustituirlos en la mayoría de las cargas científicas.
El debate enfrenta distintas prioridades de diseño: preservar capacidad para cálculos de doble precisión o dedicar más recursos del chip a operaciones de menor precisión, muy utilizadas en inferencia de inteligencia artificial. Según Tom’s Hardware, AMD sostiene que la emulación basada en métodos como los esquemas de Ozaki tiene límites de rendimiento y memoria que pueden ser relevantes para laboratorios nacionales y centros HPC.
La disputa por la precisión en supercomputación
FP64 es un formato de punto flotante de doble precisión utilizado en computación científica de alto rendimiento y simulaciones. En esos ámbitos, el MI430X busca atender a usuarios que requieren procesamiento FP64 nativo, una capacidad que AMD presenta como central para ciertos modelos y aplicaciones de investigación, no como una característica sustituible sin consecuencias.
Nvidia ha priorizado en sus GPU de centros de datos operaciones de menor precisión, muy utilizadas en inferencia de IA. AMD cuestiona que la emulación de FP64 basada en métodos como Ozaki sea un reemplazo adecuado para muchas cargas científicas. La disponibilidad y el rendimiento de FP64 nativo varían según el producto; por eso, la crítica de AMD no debe entenderse como una afirmación de que todas las GPU de Nvidia carecen de esa capacidad.
AMD argumenta que la emulación no equivale a ejecutar cálculos de doble precisión directamente en el hardware, especialmente cuando las aplicaciones científicas no se ajustan al tipo de operación que la emulación favorece.
La crítica de AMD debe leerse como la posición de una empresa que comercializa aceleradores con FP64 nativo. Sus cifras provienen de perfiles de aplicaciones que la compañía describe, y el material no presenta una evaluación independiente que permita generalizar sus conclusiones a todos los programas o instalaciones HPC.
Por qué AMD cuestiona los esquemas de Ozaki
El primer límite que señala AMD es que la emulación de Ozaki supone que la carga de trabajo se parece a una multiplicación general y densa de matrices, conocida como GEMM. Según el perfilado de aplicaciones citado por la empresa, menos del 10% de las cargas HPC realiza operaciones GEMM densas de una forma para la que la emulación resulte un buen reemplazo del cómputo nativo.
AMD considera que el álgebra lineal densa es la carga común que mejor se adapta a ese método, pero enumera varias familias de trabajo que, a su juicio, necesitan un rendimiento vectorial FP64 sólido. Entre ellas menciona el álgebra lineal iterativa dispersa, los stencils y la hidrodinámica, el análisis de elementos finitos de alto orden, los cálculos de Monte Carlo y transporte de partículas, y la dinámica molecular clásica.
Incluso cuando una aplicación sí puede expresarse como una operación GEMM, el tamaño de las matrices importa para alcanzar el mejor rendimiento. AMD agrega que los operandos deben tener dimensiones adecuadas para el hardware y que una escala desfavorable puede reducir la velocidad, mientras que el procesamiento vectorial FP64 del MI430X no depende de esos mismos requisitos de dimensionamiento.
La diferencia importa porque las cargas HPC no son una sola operación repetida de manera uniforme. Una instalación puede ejecutar métodos numéricos dispersos, simulaciones físicas o transporte de partículas, y la idoneidad de la emulación dependerá de cómo esté estructurado cada trabajo, según la explicación de AMD.
Memoria, nodos y costos de infraestructura
Además de las limitaciones de aplicación, AMD advierte que los métodos de Ozaki pueden aumentar hasta tres veces la huella de memoria respecto del uso de FP64 nativo. La empresa vincula esa diferencia con un recurso clave en los sistemas modernos: la capacidad de memoria HBM está conectada directamente a las GPU instaladas, por lo que una mayor demanda puede cambiar el tamaño del sistema necesario para ejecutar una carga.
Si una aplicación requiere más memoria para emular FP64, un centro podría necesitar más GPU y nodos de cómputo para ajustarla a la capacidad disponible. AMD sostiene que ese aumento puede extenderse a otros componentes de la instalación, con consecuencias para las redes, el consumo eléctrico, la refrigeración y el espacio físico requerido.
Como contrapunto, AMD indica que cada acelerador MI430X ofrece 432 GB de memoria HBM4. La compañía afirma que esa capacidad permite a sus clientes aprovisionar menos GPU y nodos de cómputo, lo que, de acuerdo con su planteamiento, también puede reducir necesidades de red, energía y espacio en las instalaciones.
La cifra de memoria se refiere a cada GPU MI430X, no a un nodo completo. El argumento empresarial es que la capacidad y el rendimiento FP64 nativo pueden ayudar a dimensionar una supercomputadora para las aplicaciones científicas que necesita ejecutar, sin depender de una emulación que, según la compañía, eleva los requerimientos para determinadas cargas.
MI430X combina HPC e inferencia de IA
AMD también presenta los sistemas con MI430X como plataformas capaces de realizar inferencia de IA junto con trabajos de doble precisión. Cada acelerador MI430X ofrece, según las cifras divulgadas por la compañía, 9,2 PFLOPS teóricos de rendimiento FP4 para inferencia, aunque esa cifra debe compararse con el perfil de productos orientados específicamente a IA.
En esa comparación, AMD cita 40,3 PFLOPS de cómputo FP4 para cada acelerador MI455X, parte de la misma familia arquitectónica CDNA 5 y enfocado en IA. El MI455X está asociado al sistema a escala de rack Helios, mientras que el MI430X responde a una configuración que prioriza cargas científicas y operaciones sensibles a la latencia.
La compañía contrasta además el dominio de escala de cuatro MI430X conectados mediante Infinity Fabric y acompañados por una CPU anfitriona EPYC de sexta generación con el de 72 aceleradores MI455X que puede reunir un rack Helios. AMD describe la interconexión del MI430X como optimizada para operaciones sensibles a la latencia, no para construir un dominio masivo de escalado.
Para cuatro MI430X trabajando juntos, AMD indica una capacidad agregada de 1,72 TB de HBM4, un ancho de banda de memoria de 93,2 TB/s y 12,3 Tbps de ancho de banda de escala dentro del nodo. La empresa plantea que esa combinación puede bastar para modelos de IA que quepan en la memoria agregada y que deban ejecutarse junto con trabajos científicos de doble precisión, aunque las necesidades dependerán de cada institución.
Los sistemas que ya eligieron el acelerador
Las instalaciones institucionales de supercomputación no necesariamente buscan funcionar también como proveedores de inferencia en la nube. Esa diferencia ayuda a entender por qué AMD separa el MI430X, orientado a HPC con FP64 nativo y a necesidades complementarias de IA, del MI455X y el sistema Helios, dirigidos a una escala mayor de aceleración para inteligencia artificial.
AMD ya cuenta con varios anuncios de sistemas que aprovecharán el soporte FP64 nativo del MI430X. Entre ellos figuran la próxima supercomputadora Discovery del Laboratorio Nacional Oak Ridge, en Estados Unidos; la instalación Alice Recoque, en Francia; el sistema LUMI-AI del CSC de Finlandia; y Herder, en Alemania.
Discovery, que el Laboratorio Nacional Oak Ridge desarrolla con GPU MI430X, ilustra el argumento de AMD sobre el valor de mantener una capacidad de doble precisión para centros científicos. La presencia de sistemas anunciados en Estados Unidos y Europa muestra que el acelerador apunta a instituciones con prioridades de cómputo distintas de las grandes instalaciones centradas principalmente en inferencia.
La apuesta por FP64 nativo también refleja la flexibilidad que AMD atribuye a su experiencia en silicio semipersonalizado y diseño de chiplets. En lugar de ofrecer una única configuración para todos los usos, la empresa defiende productos adaptados a mercados especializados, mientras la competencia por los aceleradores de IA impulsa decisiones diferentes sobre qué operaciones deben ocupar más espacio en el chip.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
Estados Unidos
Trump tendrá que declarar antes del 22 de enero en la demanda contra la BBC
IA
Copilot prueba diagnósticos en Windows 11, pero deja la reparación en manos del usuario
Capital de Riesgo
Nvidia eleva sus participaciones en startups a USD $65.500 millones mientras crece la duda sobre su estrategia
Noticias
