AI-modeller og platforme

Lenovo tilføjer AMD EPYC-servere og AI-fabrikydelser til HPC

mm
Føj Unite.AI til dine foretrukne kilder på Google

Lenovo annoncerede ny infrastruktur til AI og højtydende databehandling den 10. november 2026, herunder ThinkSystem-servere med 6. generations AMD EPYC SP7-processorer, lagerløsninger, forbindelser og udvidede AI-fabrikydelser. Porteføljen dækker kundernes datacentre, hybride miljøer og samlokaliseringsfaciliteter.

Lenovo betragter AI og HPC som en infrastrukturudfordring på systemniveau. I takt med at kontinuerlig inferens, agentbaseret eksekvering og videnskabelige arbejdsbelastninger vokser, afhænger ydeevnen af både computerkraft og hukommelsesbåndbredde samt lagerkapacitet, dataflytning og køling. Scott Patti, vicepræsident for Lenovos Infrastructure Solutions Group, sagde, at målet er at “få mere nyttig ydeevne ud af hver watt” og samtidig håndtere begrænsninger i strømforsyning og køling samt hurtigere gå fra implementering til operationel AI.

Servere, lagerløsninger og forbindelser

ThinkSystem SC755 med to sokler er den væskekølede Neptune-server i opdateringen. Lenovos interne test viser, at den kan bortlede op til 100 % af systemvarmen med vand og levere op til 40 % højere vedvarende ydeevne end tilsvarende luftkølede systemer. Resultaterne varierer afhængigt af systemkonfiguration, arbejdsbelastning, vandtemperaturen på anlægget og forholdene i datacentret. Dynamic Partitioning gør det muligt for kunder at omdanne to systemer med to sokler til systemer med én sokkel og tilbage igen, så computerressourcerne kan fordeles mere fleksibelt på tværs af arbejdsbelastninger.

Lenovo føjer ThinkSystem SR755 til porteføljen med henblik på høj computertæthed og stor hukommelsesbåndbredde. Den er målrettet anvendelser inden for agentbaseret AI-infrastruktur, elektronisk designautomatisering, finansiel modellering, ingeniørarbejde og virtualisering i stor skala. Lenovos interne analyse viser et lavere strømforbrug og bedre økonomi end konfigurationer med to sokler, men de faktiske resultater kan variere.

To lagersystemer udvider fokusset på datagennemstrømning. ThinkSystem DE6800 er beregnet til programmer, der kræver pålidelig lagerkapacitet med høj gennemstrømning, mens DE6500 tilbyder omkostningseffektiv ydeevne med enklere implementering og administration. Begge er rettet mod bloklagerarbejdsbelastninger, hvor latenstid er kritisk. Valideringen af Cornelis CN5000-netværket giver også kunderne endnu en højtydende forbindelse, der skal mindske flaskehalse i dataflytningen i krævende AI- og HPC-miljøer.

Tjenester til implementering og datacenterkapacitet

Tjenestedelen dækker arbejdet, efter at hardwaren er leveret. Hybrid AI Factory Services omfatter nu implementering, konfiguration og optimering af GPU’er. Support til flere noder for Red Hat AI Enterprise og NVIDIA AI Enterprise med NVIDIA Run:ai giver to softwaremuligheder til implementering, styring og skalering af arbejdsbelastninger, herunder agentbaseret AI og fysisk AI.

I den større skala dækker Lenovos udvidede Gigafactory Services faserne fra koncept og opbygning til implementering og optimering til produktion. Ekspertise inden for NVIDIA Infrastructure Services indgår med henblik på specialiseret implementering og klyngevalidering. Lenovo kan også formidle adgang til Digital Realtys samlokaliseringsnetværk og Digital Realty Innovation Lab, hvor organisationer kan validere AI-infrastruktur, applikationer og krav til arbejdsbelastninger.

Lenovo tilbyder ét kontaktpunkt til organisationer, der har brug for samlokaliseringsplads, med skalerbar infrastruktur, modulære tjenester og fleksibel finansiering gennem TruScale Infrastructure as a Service. Tilføjelserne kombinerer computerhardware med implementeringsarbejde og datacenterkapacitet og afspejler Lenovos synspunkt om, at installation kun er én del af arbejdet med at opnå operationel AI-kapacitet.

Eksisterende kundeinstallationer

University of Florida viser porteføljens forskningsside. Universitetets HiPerGator-klynge af fjerde generation, der er implementeret sammen med Mark III Systems, kombinerer teknologi fra Lenovo, NVIDIA og AMD. Lenovos casestudie angiver 60.000 AMD EPYC-server-CPU-kerner og 1.552 NVIDIA-GPU’er og oplyser, at systemet håndterede i alt 33 millioner forskningsforespørgsler på et år.

HiPerGator AIs placering på TOP500-listen angiver en målt Linpack Rmax-ydeevne på 17,49 PFlop/s og en teoretisk maksimal ydeevne på 19,00 PFlop/s. Systemet blev installeret i 2025 og ligger nummer 125 på listen fra juni 2026.

DreamWorks Animation illustrerer facilitetsdelen. Virksomheden erstattede en traditionel luftkølet renderingsfarm med Lenovo ThinkSystem-servere med Neptune-væskekøling. Lenovos casestudie rapporterer op til 100 % effektiv varmebortledning, en stigning på 6 grader i det indstillede niveau for kølevandstemperaturen og op til 10 % lavere årlige strømomkostninger til datacentret. Det tilføjer, at det højere indstillede niveau reducerer energiforbruget og skaber plads til yderligere væskekølet infrastruktur.

Annonceringen og kundecases viser, at brugbar AI-kapacitet afhænger af en kombination af servere, faciliteter og implementeringsarbejde. Tallene fra University of Florida viser forskningsmæssig skala, mens DreamWorks sætter tal på resultaterne for faciliteterne; SC755-serverens gevinster er fortsat resultater fra leverandørens test og afhænger af arbejdsbelastning og forholdene på stedet. For operatører med begrænset strømkapacitet er den praktiske betydning, at køling, netværk og implementeringstjenester kan have lige så stor betydning for den brugbare AI-kapacitet som selve processorerne.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.