Microsoft setzt auf AMD Helios: Rack-Scale-KI für Azure-Infrastruktur

Damit bindet ein Hyperscaler nicht nur einzelne Beschleuniger ein, sondern eine vollständige Rack-Scale-Architektur aus Compute, Netzwerk, Software, Stromversorgung und Kühlung. Für Betreiber und Beschaffer ist das relevant: Die Auswahl von KI-Infrastruktur verschiebt sich weiter von der GPU hin zum integrierten System.

Helios: Plattform statt Einzelkomponente

Helios kombiniert Instinct-MI455X-GPUs, EPYC-Venice-CPUs der sechsten Generation, Pensando-Netzwerktechnik und den ROCm-Software-Stack. Vorgesehen ist die Plattform für KI-Training, Inferenz, Fine-Tuning und agentenbasierte Workloads.

Microsoft will die Infrastruktur laut den Berichten für Frontier-Model-Inferenz, Azure-AI-Dienste und Kundenanwendungen nutzen. Unternehmen sollen Produktions-Workloads über Azure Foundry Managed Compute verwalten können.

Das ist der technische Kern der Ankündigung: Nicht die nominelle Beschleunigerleistung entscheidet allein über den Durchsatz. Bei großen Modellen bestimmen Interconnect, Ost-West-Verkehr, Speicherpfade und Softwareintegration die nutzbare Clusterleistung. Wenn diese Ebenen gemeinsam ausgelegt werden, sinkt das Risiko, dass GPU-Kapazität durch Netzwerklatenzen oder unzureichende Datenversorgung ungenutzt bleibt.

Neue EPYC-Instanzen und mehr Pensando im Backend

Die Kooperation umfasst außerdem zwei neue Azure-VM-Familien auf Basis von EPYC Venice. Azure HDv2 ist für agentenbasierte KI und Datenpipelines vorgesehen. Azure HXv2 adressiert Anwendungen im Halbleiterdesign. Damit erweitert Microsoft die bestehende AMD-EPYC-Basis in Azure für datenintensive, KI- und Engineering-Workloads.

Parallel soll Azure den Einsatz von Pensando-DPUs ausbauen. Die DPUs werden laut StorageReview auch in der Backend-Netzwerkinfrastruktur der AMD-KI-Systeme und in ausgewählten Azure-Diensten eingesetzt. Zusammen mit Azure Boost sollen AMD-Technologien Netzwerkverarbeitung und Effizienz im Cloud-Maßstab verbessern.

Für Infrastrukturteams ergibt sich daraus eine klare Prüfreihenfolge:

1. Workload trennen: Inferenz, Training, Datenpipeline und Engineering-Job benötigen unterschiedliche CPU-, GPU- und Netzwerkprofile.

2. Softwarepfad validieren: ROCm-Kompatibilität, Framework-Unterstützung und Betriebsprozesse müssen vor einer Migration getestet werden.

3. Netzwerk als Leistungsparameter behandeln: Bei verteilten KI-Workloads ist GPU-zu-GPU-Kommunikation kein Nebenprozess. Sie beeinflusst Latenz und effektiven Durchsatz direkt.

4. Instanzfamilien nicht gleichsetzen: HDv2 und HXv2 sind nach vorgesehenem Einsatzprofil zu bewerten, nicht allein nach Prozessorgeneration.

Relevanz für Beschaffung und Hybridbetrieb

AMD plant laut CRN DE, Helios in der zweiten Jahreshälfte 2026 an Kunden einschließlich Microsoft auszuliefern. Angaben zum konkreten Umfang oder zu finanziellen Konditionen der Vereinbarung wurden nicht veröffentlicht.

Für den IT-Großhandel ist die Meldung dennoch ein belastbares Signal: AMD positioniert Helios als Systemarchitektur für KI-Rechenzentren, nicht als lose Kombination aus GPU und CPU. Azure dient dabei als großskalige Betriebsumgebung für die Plattform. Wer On-Premises- oder Hybrid-Kapazitäten plant, sollte deshalb neben Beschleunigern auch DPU-Strategie, Rack-Leistungsaufnahme, Kühlkonzept und Software-Stack in derselben Beschaffungsentscheidung führen.