AMD verliert den KI-Kampf und es ist an der Zeit, sich Sorgen zu machen

Sowohl AMD als auch Nvidia stellen einige der besten Grafikkarten auf dem Markt her, aber es ist schwer zu leugnen, dass Nvidia normalerweise an der Spitze steht. Ich meine nicht nur den enormen Unterschied im Marktanteil. In dieser Generation hat Nvidia die Giganten-GPU, die besser ist als alle anderen Karten, während AMD noch keine Antwort auf die RTX 4090 hat.

Eine andere Sache, auf die AMD im Moment keine starke Antwort hat, ist künstliche Intelligenz. Auch wenn ich für den privaten Gebrauch zu AMD wechsle , ist es schwierig, die Fakten zu ignorieren: Nvidia gewinnt den KI-Kampf. Warum gibt es einen so deutlichen Unterschied, und wird dies später für AMD zu einem größeren Problem?

Es geht nicht nur ums Spielen

Die meisten von uns kaufen Grafikkarten auf der Grundlage von zwei Dingen – Budget und Gaming-Fähigkeiten. AMD und Nvidia wissen beide, dass die überwiegende Mehrheit ihrer High-End-Consumer-Karten in irgendeiner Art von Gaming-Rigs landen, obwohl Profis sie auch abholen. Dennoch machen Gamer und Gelegenheitsnutzer den größten Teil dieses Marktsegments aus.

Jahrelang drehte sich in der GPU-Landschaft alles um Nvidia, aber in den letzten Generationen hat AMD große Fortschritte gemacht – so sehr, dass es jetzt mit Nvidia Schläge austauscht. Obwohl Nvidia mit der RTX 4090 den Markt anführt, sind die beiden RDNA 3-Flaggschiffe von AMD (die RX 7900 XTX und die RX 7900 XT ) leistungsstarke Grafikkarten, die ähnliche Angebote von Nvidia oft übertreffen, während sie billiger als die RTX 4080 sind.

Wenn wir so tun, als gäbe es die RTX 4090 nicht, dann sagt uns der Vergleich der RTX 4080 und 4070 Ti mit der RX 7900 XTX und XT, dass die Dinge im Moment ziemlich ausgeglichen sind; zumindest was Gaming angeht.

Und dann kommen wir zu Raytracing und KI-Arbeitslasten, und hier fällt AMD von einer Klippe.

Es gibt keine Möglichkeit, dies zu beschönigen – Nvidia ist einfach besser darin, KI-generierte Aufgaben auszuführen, als AMD es derzeit ist. Es ist nicht wirklich eine Meinung, es ist eher eine Tatsache. Dies ist auch nicht das einzige Ass im Ärmel.

Tom's Hardware hat kürzlich KI-Inferenz auf Nvidia-, AMD- und Intel-Karten getestet, und die Ergebnisse waren überhaupt nicht günstig für AMD.

Um die GPUs zu vergleichen, testete der Tester sie in Stable Diffusion, einem KI-Bilderstellungstool. Lesen Sie den Quellartikel, wenn Sie alle technischen Details erfahren möchten, die in die Einrichtung der Benchmarks eingeflossen sind, aber um es kurz zu machen, Nvidia hat AMD übertroffen, und Intel Arc A770 hat so schlecht abgeschnitten, dass es kaum eine Erwähnung verdient.

Selbst Stable Diffusion außerhalb einer Nvidia-GPU zum Laufen zu bringen, scheint eine ziemliche Herausforderung zu sein, aber nach einigem Ausprobieren war der Tester in der Lage, Projekte zu finden, die für jede GPU einigermaßen geeignet waren.

Nach den Tests war das Endergebnis, dass Nvidias RTX 30-Serie und RTX 40-Serie beide ziemlich gut abschnitten (wenn auch nach einigen Optimierungen für letztere). Die RDNA 3- Reihe von AMD hielt sich ebenfalls gut, aber die RDNA 2-Karten der letzten Generation waren ziemlich mittelmäßig. Allerdings lag selbst die beste Karte von AMD in diesen Benchmarks meilenweit hinter Nvidia zurück, was zeigt, dass Nvidia einfach schneller und besser darin ist, KI-bezogene Aufgaben zu bewältigen.

Nvidia-Karten sind die erste Wahl für Profis, die eine GPU für KI- oder Machine-Learning-Workloads benötigen. Einige Leute kaufen vielleicht eine der Consumer-Karten und andere greifen stattdessen zu einem Workstation-Modell, wie zum Beispiel dem verwirrend benannten RTX 6000 , aber die Tatsache bleibt, dass AMD oft nicht einmal auf dem Radar ist, wenn solche Rigs gebaut werden.

Dass Nvidia auch in Dingen wie Raytracing und Deep Learning Super Sampling (DLSS) einen starken Vorsprung vor AMD hat, dürfen wir nicht beschönigen. In unseren eigenen Benchmarks haben wir festgestellt, dass Nvidia beim Raytracing immer noch die Nase vorn hat, aber zumindest Team Red scheint Schritte in die richtige Richtung zu machen.

Diese GPU-Generation ist die erste, bei der sich die Raytracing-Lücke schließt. Tatsächlich übertrifft AMDs RX 7900 XTX in dieser Hinsicht Nvidias RTX 4070 Ti. Die Ada Lovelace-GPUs von Nvidia haben jedoch einen weiteren Vorteil in Form von DLSS 3 , einer Technologie, die mithilfe von KI ganze Frames kopiert, anstatt nur Pixel. Wieder einmal fällt AMD zurück.

Nvidia hat eine lange Geschichte der KI

AMD- und Nvidia-Grafikkarten unterscheiden sich auf architektonischer Ebene erheblich, sodass es unmöglich ist, sie vollständig zu vergleichen. Was wir jedoch wissen, ist, dass die Karten von Nvidia von ihrer Struktur her für KI optimiert sind, und das seit Jahren.

Die neuesten GPUs von Nvidia sind mit Compute Unified Device Architecture (CUDA)-Kernen ausgestattet, während AMD-Karten über Compute Units (CUs) und Stream Processors (SPs) verfügen. Nvidia hat auch Tensor Cores, die die Leistung von Deep-Learning-Algorithmen unterstützen, und mit Tensor Core Sparsity helfen sie der GPU auch, unnötige Berechnungen zu überspringen. Dies reduziert die Zeit, die die GPU benötigt, um bestimmte Aufgaben auszuführen, wie z. B. das Training tiefer neuronaler Netze.

CUDA-Kerne sind das eine, aber Nvidia hat auch eine gleichnamige Parallel-Computing-Plattform geschaffen, die nur Nvidia-Grafikkarten zugänglich ist. CUDA-Bibliotheken ermöglichen es Programmierern, die Leistung von Nvidia-GPUs zu nutzen, um maschinelle Lernalgorithmen viel schneller auszuführen.

Die Entwicklung von CUDA ist das, was Nvidia wirklich von AMD unterscheidet. Während AMD keine wirklich gute Alternative hatte, investierte Nvidia stark in CUDA, und wiederum wurden die meisten KI-Fortschritte in den letzten Jahren mithilfe von CUDA-Bibliotheken erzielt.

AMD hat an seinen eigenen Alternativen gearbeitet, aber es ist ziemlich neu, wenn man es mit der jahrelangen Erfahrung von Nvidia vergleicht. Die Radeon Open Compute-Plattform (ROCm) von AMD ermöglicht Entwicklern die Beschleunigung von Rechen- und Machine-Learning-Workloads. Unter diesem Ökosystem hat es ein Projekt namens GPUFORT gestartet.

GPUFORT ist das Bestreben von AMD, Entwicklern beim Übergang von Nvidia-Karten zu AMDs eigenen GPUs zu helfen. Unglücklicherweise für AMD werden die CUDA-Bibliotheken von Nvidia viel umfassender von einigen der beliebtesten Deep-Learning-Frameworks wie TensorFlow und PyTorch unterstützt.

Trotz der Aufholversuche von AMD wird der Abstand von Jahr zu Jahr größer, da Nvidia weiterhin die KI- und ML-Landschaft dominiert.

Die Zeit wird knapp

Nvidias Investition in KI war sicherlich vernünftig. Es hinterließ Nvidia eine boomende Gaming-GPU-Reihe neben einer leistungsstarken Reihe von Karten, die für KI- und ML-bezogene Aufgaben geeignet sind. AMD ist noch nicht ganz da.

Obwohl AMD zu versuchen scheint, seine Karten auf der Softwareseite mit noch ungenutzten KI-Kernen auf seinen neuesten GPUs zu optimieren, verfügt es nicht über das Software-Ökosystem, das Nvidia aufgebaut hat.

Allerdings spielt AMD als einziger ernsthafter Konkurrent von Nvidia eine entscheidende Rolle. Ich kann nicht leugnen, dass AMD in den letzten Jahren sowohl auf dem GPU- als auch auf dem CPU-Markt große Fortschritte gemacht hat. Es gelang ihm, wieder aus der Bedeutungslosigkeit herauszuklettern und zu einer starken Alternative zu Intel zu werden, wodurch einige der derzeit besten verfügbaren Prozessoren hergestellt wurden. Seine Grafikkarten sind jetzt auch konkurrenzfähig, und sei es nur für Spiele. Auf persönlicher Ebene tendiere ich zu AMD statt zu Nvidia, weil ich in den letzten paar Generationen gegen Nvidias Preisansatz war. Das gleicht AMDs fehlende KI-Präsenz jedoch nicht aus.

Es ist in Programmen wie ChatGPT sehr sichtbar, dass KI hier ist, um zu sagen , aber es ist auch in unzähligen anderen Dingen vorhanden, die von den meisten PC-Benutzern unbemerkt bleiben. In einem Gaming-PC arbeitet KI im Hintergrund und führt Aufgaben wie Echtzeitoptimierung und Anti-Cheat-Maßnahmen beim Spielen aus. Auch Nicht-Gamer sehen täglich viel KI, denn KI findet sich in allgegenwärtigen Chatbots, sprachbasierten persönlichen Assistenten, Navigations-Apps und Smart-Home-Geräten.

Da KI unser tägliches Leben immer mehr durchdringt und Computer benötigt werden, um Aufgaben zu erledigen, die immer komplexer werden, wird auch von GPUs erwartet, dass sie mithalten. AMD hat eine schwierige Aufgabe vor sich, aber wenn es die KI nicht ernst nimmt, ist es möglicherweise dazu verdammt, nie aufzuholen.