W erze agentów pojedynek o strategie CPU: Nvidia stawia na "szybszy pojedynczy rdzeń", AMD stawia na "większą równoległość"

Nvidia i AMD nie tylko rywalizują o to, czyj CPU jest szybszy, lecz także o to, kto zdefiniuje standardy oceny CPU w erze AI.

Nvidia niedawno ujawniła najdokładniejsze szczegóły techniczne architektury CPU Vera. Ten procesor posiada 88 autorskich rdzeni Olympus ARM, przepustowość pamięci wynosi 1.2TB/s, przepustowość połączeń na chipie wynosi 3.4TB/s. Główna argumentacja Nvidii brzmi: sposób działania AI Agent polega na wielokrotnych interakcjach CPU i GPU – wywoływanie narzędzi, wykonywanie kodu, pobieranie danych, organizacja zadań – każdy etap zależy od ukończenia poprzedniego, dlatego prędkość pojedynczego rdzenia CPU oraz opóźnienie bezpośrednio determinują efektywność odpowiedzi całego Agenta.

23 lipca, według informacji Wind Trading Desk, analityk Bank of America Securities Vivek Arya w najnowszym raporcie stwierdził, że premiera Vera wprowadziła do branży nowy ramowy model oceny: „największa wydajność jednowątkowa w skalowalnych warunkach”. To bezpośredni kontrast do długoterminowej strategii AMD polegającej na stosowaniu chipletów z wieloma rdzeniami. Bank wskazuje, że spór dotyczy pytania: „Czy AI Agent jest ograniczany czasem realizacji pojedynczego zadania, czy liczbą zadań równoległych na pojedynczym racku?” AMD planuje przeprowadzić Technology Day AI 2026 w czwartek, gdzie oficjalnie odniesie się do tego modelu oceny.

Tło tej debaty jest takie: rynek CPU serwerowych jest przebudowywany przez popyt na AI, do 2030 roku jego wartość ma wzrosnąć czterokrotnie – osiągnie 170 miliardów dolarów. To nie jest walka o udział w obecnym rynku, lecz o nowy, rozwijający się segment, w którym ten, kto pierwszy ustali uznawane standardy wydajności, przejmie kontrolę nad kształtowaniem cen i narracją branżową.

Logika Nvidii: Szybkość działania Agenta jest ważniejsza niż liczba równoległych procesów

Opis działania Agenta według Nvidii jest bardzo szczegółowy: podczas wykonywania zadań, CPU i GPU wielokrotnie komunikują się w sposób sekwencyjny — każdorazowa operacja musi poczekać na ukończenie wcześniejszej. To oznacza, że każde opóźnienie w jednym z etapów kumuluje się i ostatecznie spowalnia całą produkcję AI.

Zgodnie z tym założeniem, wydajność pojedynczego rdzenia nie jest tylko liczbą z tabeli, lecz kluczowym czynnikiem wpływającym na wykorzystanie GPU — im szybszy CPU, tym krócej GPU czeka, cała infrastruktura działa efektywniej. Szybsza praca pojedynczego rdzenia oznacza szybszą reakcję całego systemu.

Vera posiada jeszcze jedno interesujące rozwiązanie: Nvidia wybrała monolithic die (pojedynczy chip kalkulacyjny), a nie architekturę chipletową, argumentując, że monolithic die zapewnia lepszą „skalowalną spójność”. To przeciwieństwo do wieloletniej strategii chipletów AMD i pokazuje, że różnice filozoficzne w architekturze są już bardzo głębokie.

Ponadto Vera nie jest produktem odizolowanym, lecz częścią „współprojektowanego” ekosystemu infrastruktury AI Nvidii, współpracując z Rubin GPU, Groq LPX, Spectrum switchami, BlueField storage/cardami. Taka integracja systemowa jest prawdziwą barierą konkurencyjną Nvidii, ponad porównaniem pojedynczych komponentów.

Odpowiedź AMD: W rzeczywistym środowisku AI liczy się zdolność obsługi równoległych zadań

Stanowisko AMD opiera się na odmiennej definicji „rzeczywistego środowiska produkcyjnego”.

Według AMD systemy produkcyjne AI nie polegają na pojedynczym Agencie wykonującym zadania szeregowo, lecz przypominają rozproszoną platformę programową z bazami danych, API, pamięcią wektorową, silnikami orkestracji, cache i middleware. W takim scenariuszu wąskim gardłem nie jest szybkość ukończenia jednej operacji, ale liczba workflow obsługiwanych w stałym limicie zużycia energii.

AMD przedstawia konkretne wyniki: w symulacji racka 100 kW EPYC 9965 (Turin) osiąga przepustowość 2.4-krotnie wyższą niż benchmark Nvidia Vera; kolejna generacja EPYC 6 (Venice) ma osiągnąć 3.3-krotność.

Logika AMD: wyższa gęstość przepustowości umożliwia obsługę większej liczby użytkowników i przetwarzanie liczniejszych żądań przy tej samej konsumpcji energii — to jest prawdziwy koszt funkcjonowania AI w chmurze.

AMD x86 czy Nvidia ARM: ekosystemy programowe są niewidzialnym polem bitwy

Spór o architekturę CPU rozciąga się także na poziom zestawów instrukcji.

Nvidia wybiera ARM, podkreślając, że jeśli mikroarchitektura jest wystarczająco zaawansowana, zgodność rozkazów staje się mniej istotna. Jednak AMD i Intel prawdopodobnie będą po czwartku podkreślać, że AI rozwija się od modelowego inferencji w kierunku enterprise software workflow i stosy oprogramowania biznesowego — bazy danych, middleware, platformy bezpieczeństwa, aplikacje — przez dziesięciolecia były optymalizowane i testowane w ekosystemie x86.

To nie jest tylko techniczny spór. W miarę jak obciążenia AI są coraz bardziej włączane do istniejących systemów IT przedsiębiorstw, historyczny dorobek ekosystemu programowego może być trudniejszy do zastąpienia niż szczytowa wydajność hardware. Możliwość Nvidii wprowadzenia Vera do tych środowisk zależy w dużej mierze od tempa dojrzewania ekosystemu ARM.

Dwa modele oceny, dwa KPI — istotą jest walka o dominację w branżowej narracji.

Model Nvidii opiera się na opóźnieniach, wydajności jednowątkowej, wykorzystaniu GPU. Model AMD skupia się na równoległości, przepustowości i gęstości usług.

Najważniejsze: które wskaźniki będą ostatecznie decydować o wyborze CPU serwerowych?

Zdaniem Bank of America, celem czwartkowego wydarzenia AMD nie jest przedstawienie lepszych wyników benchmarków, lecz przekonanie branży do własnych standardów oceny. Który model zostanie wybrany przez centra danych — ten decydować będzie o cenach na rynku 170 miliardów dolarów.

Bank of America utrzymuje rekomendację „kupuj” dla NVDA, cel cenowy 350 USD (cena obecna 207,29 USD).