Γιατί οι AI Agents αλλάζουν τις ανάγκες του hardware
Μέχρι πρόσφατα, πολλές εφαρμογές Τεχνητής Νοημοσύνης ακολουθούσαν μια σχετικά απλή διαδικασία. Ο χρήστης έστελνε μια ερώτηση και το μοντέλο παρήγαγε μια απάντηση.
Με τους AI Agents, η διαδικασία γίνεται περισσότερο σύνθετη.
Ένας agent μπορεί να αναζητήσει πληροφορίες, να εκτελέσει εργαλεία, να αναλύσει δεδομένα και να αποφασίσει τα επόμενα βήματα.
Φανταστείτε έναν AI agent που αναλαμβάνει να δημιουργήσει μια αναφορά για την οικονομική κατάσταση μιας εταιρείας.
Αρχικά αναζητά οικονομικά στοιχεία. Έπειτα αναλύει τα δεδομένα, πραγματοποιεί υπολογισμούς, δημιουργεί διαγράμματα και συντάσσει την τελική αναφορά.
Κάθε ενέργεια μπορεί να απαιτεί διαφορετικούς υπολογιστικούς πόρους.
Το γλωσσικό μοντέλο χρειάζεται GPU για την επεξεργασία του. Η εκτέλεση εφαρμογών, η επικοινωνία με υπηρεσίες και η διαχείριση εργασιών χρησιμοποιούν επίσης CPU, μνήμη και αποθηκευτικά συστήματα.
Όσο αυξάνεται ο αριθμός των agents που λειτουργούν ταυτόχρονα, τόσο δυσκολότερη γίνεται η αποτελεσματική διαχείριση αυτών των πόρων.
Αυτό είναι το πρόβλημα που επιχειρεί να αντιμετωπίσει η νέα στρατηγική της Intel.
Intel GPU D270: Μια GPU σχεδιασμένη για AI
Στο Open Compute Project Global Summit 2026, η Intel παρουσίασε νέα τεχνικά χαρακτηριστικά της σειράς GPU D-Series, που προηγουμένως ήταν γνωστή με την κωδική ονομασία Crescent Island.
Η πρώτη κάρτα της οικογένειας ονομάζεται Intel GPU D270 και βασίζεται στην αρχιτεκτονική Xe3P.
Σε αντίθεση με τις παραδοσιακές κάρτες γραφικών, η D270 έχει σχεδιαστεί κυρίως για AI inference.
Το inference είναι η διαδικασία κατά την οποία ένα ήδη εκπαιδευμένο μοντέλο χρησιμοποιείται για να παράγει αποτελέσματα.
Για παράδειγμα, όταν ένας AI assistant απαντά σε μια ερώτηση, εκτελεί inference.
Η εκπαίδευση ενός μοντέλου απαιτεί διαφορετικό είδος υπολογιστικού φόρτου. Η Intel δεν παρουσιάζει την D270 ως γενική αντικατάσταση των μεγάλων συστημάτων εκπαίδευσης AI.
Τα βασικά τεχνικά χαρακτηριστικά
| Χαρακτηριστικό | Intel GPU D270 |
|---|---|
| Αρχιτεκτονική | Xe3P |
| Υπολογιστικοί πυρήνες | 32 Xe3P |
| Matrix engines | 256 XMX |
| Μνήμη Intel-branded κάρτας | 160 GB LPDDR5X |
| Μέγιστη μνήμη σχεδιάσεων συνεργατών | 480 GB LPDDR5X |
| Εύρος ζώνης μνήμης | 1,5 TB/s |
| Θεωρητική υπολογιστική απόδοση | 1,3 PFLOPS FP8 |
| Ισχύς | 350 W |
| Διασύνδεση | PCIe 5.0 |
| Ψύξη | Αερόψυξη |
Πηγή: Intel, Οκτώβριος 2026.
Τι σημαίνουν στην πράξη τα 480 GB μνήμης;
Αυτό είναι ίσως το πιο ενδιαφέρον τεχνικό χαρακτηριστικό της ανακοίνωσης.
Ένα μεγάλο μοντέλο Τεχνητής Νοημοσύνης χρειάζεται σημαντική ποσότητα μνήμης μόνο για να αποθηκεύσει τις παραμέτρους του.
Ας εξετάσουμε ένα απλοποιημένο παράδειγμα.
Ένα μοντέλο με 70 δισεκατομμύρια παραμέτρους, αποθηκευμένες με ακρίβεια 16 bit, χρειάζεται περίπου 140 GB μόνο για τα βάρη του.
Στη συνολική κατανάλωση προστίθενται δεδομένα προσωρινής αποθήκευσης και άλλες απαιτήσεις κατά την εκτέλεση.
Αν χρησιμοποιήσουμε τεχνικές ποσοτικοποίησης (quantization), μπορούμε να μειώσουμε σημαντικά τη μνήμη που απαιτείται.
Η Intel υποστηρίζει ότι οι μεγαλύτερες διαμορφώσεις D-Series μπορούν να εξυπηρετούν μοντέλα έως 300 δισεκατομμυρίων παραμέτρων σε μία κάρτα.
Αναφέρει επίσης τη δυνατότητα υποστήριξης μοντέλων άνω του ενός τρισεκατομμυρίου παραμέτρων σε συστήματα με οκτώ GPUs.
Ωστόσο, αυτές οι δυνατότητες εξαρτώνται από την ακρίβεια των αριθμητικών δεδομένων, την αρχιτεκτονική του μοντέλου και τις διαθέσιμες μνήμες.
Η δυνατότητα φόρτωσης ενός μεγάλου μοντέλου δεν εγγυάται ότι αυτό θα παράγει απαντήσεις με ικανοποιητική ταχύτητα.
Εδώ αποκτούν σημασία το εύρος ζώνης μνήμης, η υπολογιστική ισχύς και η αποτελεσματικότητα του λογισμικού.
Γιατί η Intel επέλεξε LPDDR5X αντί για HBM;
Οι ισχυρότεροι AI accelerators χρησιμοποιούν συχνά μνήμη HBM (High Bandwidth Memory), η οποία προσφέρει ιδιαίτερα υψηλό εύρος ζώνης.
Η Intel ακολουθεί διαφορετική προσέγγιση.
Επιλέγει LPDDR5X, δίνοντας προτεραιότητα στη μεγαλύτερη χωρητικότητα και στην προσπάθεια περιορισμού του ενεργειακού και οικονομικού κόστους.
Αυτό όμως συνοδεύεται από συμβιβασμούς.
Το χαμηλότερο εύρος ζώνης σε σχέση με κορυφαίες υλοποιήσεις HBM μπορεί να περιορίσει την απόδοση σε εργασίες που απαιτούν διαρκή μεταφορά μεγάλου όγκου δεδομένων από τη μνήμη.
Αντίθετα, εφαρμογές με μεγάλα context windows ή πολλά παράλληλα αιτήματα μπορεί να ωφεληθούν σημαντικά από τη διαθέσιμη χωρητικότητα.
Η Intel φαίνεται να επιδιώκει όχι την απόλυτη πρωτιά σε κάθε benchmark, αλλά μια ανταγωνιστική σχέση χωρητικότητας, ισχύος και κόστους.
Το κατά πόσο θα το πετύχει παραμένει ανοιχτό.
Οι Xeon δεν εξαφανίζονται από την εποχή της AI
Ένα δεύτερο σημαντικό μέρος της ανακοίνωσης αφορά τους επεξεργαστές Xeon.
Η Intel παρουσίασε νέους σχεδιασμούς υποδομών βασισμένους σε Xeon, ειδικά για απαιτητικά περιβάλλοντα Agentic AI.
Σύμφωνα με την εταιρεία, επιλεγμένες διαμορφώσεις Xeon 6+ μπορούν να ξεπεράσουν τους 46.000 πυρήνες ανά rack, με συνολική ισχύ rack 133,45 kW.
Πρόκειται για ολόκληρη υποδομή πολλών servers, όχι για έναν μεμονωμένο επεξεργαστή.
Γιατί χρειάζονται τόσοι CPU cores όταν η Τεχνητή Νοημοσύνη χρησιμοποιεί GPUs;
Η απάντηση βρίσκεται στον τρόπο λειτουργίας των agents.
Ένας agent μπορεί να χρησιμοποιεί το γλωσσικό μοντέλο για λίγα δευτερόλεπτα, αλλά στη συνέχεια να εκτελεί διαδικασίες που δεν χρειάζονται απαραίτητα GPU.
Για παράδειγμα, μπορεί να διαβάζει αρχεία, να πραγματοποιεί αιτήματα σε υπηρεσίες ή να εκτελεί κώδικα μέσα σε απομονωμένο περιβάλλον.
Αν οι εργασίες αυτές καθυστερούν, η GPU μπορεί να παραμένει ανενεργή περιμένοντας τα αποτελέσματα.
Επομένως, η απόδοση ενός AI συστήματος δεν καθορίζεται αποκλειστικά από την ταχύτητα της κάρτας γραφικών.
Καθορίζεται από την ικανότητα ολόκληρης της υποδομής να ολοκληρώνει εργασίες αποτελεσματικά.
Η σημασία του ανοιχτού λογισμικού
Η Intel δίνει επίσης ιδιαίτερη έμφαση στα ανοιχτά πρότυπα και στη συμβατότητα με υπάρχοντα εργαλεία.
Η στρατηγική της περιλαμβάνει υποστήριξη γνωστών οικοσυστημάτων, όπως το PyTorch και εργαλεία εξυπηρέτησης μοντέλων όπως το vLLM.
Ο στόχος είναι οι developers να μπορούν να αξιοποιούν κοινά εργαλεία σε διαφορετικές υπολογιστικές αρχιτεκτονικές.
Αυτό θα μπορούσε να μειώσει την εξάρτηση από εξειδικευμένα οικοσυστήματα ενός κατασκευαστή.
Ωστόσο, η χρήση ανοιχτών προτύπων δεν σημαίνει αυτόματα ότι όλα τα εργαλεία λειτουργούν με την ίδια απόδοση σε κάθε GPU.
Οι drivers, οι βιβλιοθήκες και η πραγματική υποστήριξη των μοντέλων θα καθορίσουν πόσο εύκολη θα είναι η μετάβαση.
Για έναν developer, η διαθεσιμότητα συμβατού hardware είναι μόνο το πρώτο βήμα.
Εξίσου σημαντικό είναι να μπορεί να χρησιμοποιεί τα εργαλεία που ήδη γνωρίζει, χωρίς σημαντικούς περιορισμούς.
Μπορεί η Intel να ανταγωνιστεί τη NVIDIA;
Η NVIDIA έχει αποκτήσει ισχυρή θέση στις υποδομές AI, όχι μόνο λόγω των GPUs της αλλά και χάρη στο λογισμικό και στο οικοσύστημά της.
Η Intel επιχειρεί να προσφέρει μια εναλλακτική κατεύθυνση.
Αντί να επικεντρώνεται αποκλειστικά στη μέγιστη υπολογιστική ισχύ, προωθεί συστήματα που μπορούν να εγκατασταθούν σε υπάρχοντα data centers χωρίς υποχρεωτική μετάβαση σε ειδικές υποδομές υγρόψυξης.
Η D270 έχει σχεδιαστεί για αερόψυκτους servers με τυπική διασύνδεση PCIe.
Αυτό μπορεί να είναι σημαντικό για επιχειρήσεις που θέλουν να λειτουργούν δικά τους μοντέλα χωρίς να ανακατασκευάσουν ολόκληρη την υποδομή τους.
Παρόλα αυτά, υπάρχουν ακόμη ουσιαστικά ερωτήματα.
Η Intel έχει ξεκινήσει τη διάθεση δειγμάτων σε πελάτες, αλλά δεν έχει ανακοινώσει γενική διαθεσιμότητα ή οριστική τιμολόγηση.
Επίσης, οι θεωρητικές επιδόσεις δεν αρκούν για μια αξιόπιστη σύγκριση με ανταγωνιστικές λύσεις.
Θα χρειαστούν ανεξάρτητες μετρήσεις για την ταχύτητα παραγωγής tokens, τον χρόνο απόκρισης, την κατανάλωση και το συνολικό κόστος λειτουργίας.
Τι σημαίνει αυτό για τους developers;
Για έναν developer που δημιουργεί εφαρμογές με AI agents, η ανακοίνωση έχει ιδιαίτερο ενδιαφέρον.
Καθώς τα μοντέλα χρησιμοποιούν ολοένα περισσότερα εργαλεία και εκτελούν μεγαλύτερες διαδικασίες, η υποδομή γίνεται καθοριστικός παράγοντας.
Δεν αρκεί πλέον να επιλέξουμε απλώς το ισχυρότερο μοντέλο.
Πρέπει να γνωρίζουμε πόσους agents μπορεί να εξυπηρετήσει το σύστημα, με ποιο κόστος και με τι χρόνο απόκρισης.
Παράλληλα, περισσότερες ανταγωνιστικές επιλογές hardware μπορούν να δημιουργήσουν νέες δυνατότητες για αυτοφιλοξενούμενα (self-hosted) μοντέλα.
Αυτό ενδιαφέρει ιδιαίτερα επιχειρήσεις που θέλουν μεγαλύτερο έλεγχο των δεδομένων τους και λιγότερη εξάρτηση από εξωτερικές υπηρεσίες AI.
Η Intel D270 δεν αποτελεί λύση για τον συνηθισμένο προσωπικό υπολογιστή. Απευθύνεται κυρίως σε επαγγελματικές και εταιρικές εγκαταστάσεις.
Ωστόσο, οι τεχνολογικές επιλογές που εμφανίζονται σήμερα στα data centers μπορούν να επηρεάσουν μελλοντικά ολόκληρη την αγορά.
Συμπέρασμα: Η επόμενη μάχη της AI δεν αφορά μόνο τα μοντέλα
Η ανακοίνωση της Intel αποκαλύπτει μια σημαντική αλλαγή στον τρόπο με τον οποίο εξελίσσεται η Τεχνητή Νοημοσύνη.
Καθώς οι AI agents αναλαμβάνουν περισσότερες εργασίες, αυξάνονται οι απαιτήσεις για αποδοτική εκτέλεση και συνεργασία διαφορετικών υπολογιστικών μονάδων.
Η GPU παραμένει εξαιρετικά σημαντική, αλλά δεν μπορεί να λειτουργεί απομονωμένα από το υπόλοιπο σύστημα.
Η Intel επιχειρεί να αντιμετωπίσει αυτό το πρόβλημα συνδυάζοντας νέες GPUs, ισχυρούς Xeon και ανοιχτό λογισμικό.
Ακόμη δεν γνωρίζουμε αν η νέα προσέγγιση θα αποδειχθεί εμπορικά ανταγωνιστική.
Γνωρίζουμε όμως ότι η βιομηχανία αρχίζει να μετατοπίζει την προσοχή της από τη θεωρητική υπολογιστική ισχύ στην πραγματική αποδοτικότητα των AI εφαρμογών.
Το ερώτημα δεν είναι πλέον μόνο πόσο γρήγορα μπορεί να απαντήσει ένα μοντέλο. Είναι πόση πραγματική εργασία μπορούν να ολοκληρώσουν χιλιάδες AI agents, με το χαμηλότερο δυνατό κόστος.
Φόρτωση σχολίων…