AI-drevet serverhukommelse reducerer behovet for RAM

Udgivet 22-11-2026 · 8 min. læsning

AMD har introduceret en AI-baseret teknologi, der gør det muligt at bevare op til 95 % af serverens ydeevne med kun halvdelen af den fysiske DRAM. Ved at bruge prædiktive modeller flyttes inaktive data til flash-lagring, hvilket reducerer hardwareomkostninger og omgår globale hukommelsesmangler.

Hovedpunkter

  • Teknologien kan reducere det fysiske behov for DRAM med op til 75 % afhængigt af applikationen.
  • En AI-model forudsiger dataadgangsmønstre for at eliminere latens ved flytning fra flash til RAM.
  • Løsningen kræver Linux-baserede systemer og specifik 'MEXT Ready' hardware med dedikeret NVMe-lagring.

Kort svar

AMD har lanceret en teknologi (MEXT), der bruger en transformer-baseret AI-model til at forudsige, hvilke hukommelsessider der skal bruges, og flytter dem fra hurtig NVMe flash-lagring tilbage til DRAM, før CPU'en efterspørger dem. Dette gør det muligt for virksomheder at reducere deres fysiske RAM-behov med 20 % til 75 %, mens de bevarer størstedelen af ydeevnen i specifikke arbejdsbelastninger som EDA og databaser.

Hvad er netop blevet præsenteret med den nye AI-hukommelsesteknologi?

AMD har lanceret en innovativ løsning til hukommelsesstyring i servere, der adresserer den globale mangel på og prisstigninger på RAM. For at undgå den latens, der normalt følger med flash sammenlignet med RAM, benytter systemet en prædiktiv AI-model, der forudser, hvilke data der snart skal bruges, og flytter dem tilbage til DRAM i tide.

Producenten oplyser, at teknologien allerede er implementeret på 145 interne servere, og ambitionen er at udvide dette til 2.000 servere i løbet af 2027. Løsningen er ikke blot en hardwareopgradering, men et Linux kernel-modul, der kan køre på forskellige distributioner. AMD har desuden indgået et strategisk partnerskab med Hewlett-Packard for at bringe denne funktionalitet ud til eksterne kunder via specifikke serverkonfigurationer.

For operativsystemet fremstår hukommelsen stadig som fuldt installeret, selvom en stor del af kapaciteten reelt er flyttet til NVMe-enheder. Dette gør det muligt at omgå dyre RAM-opgraderinger i perioder med markedsinstabilitet.

Hvilke tekniske ændringer bringer AI-styret hukommelse til servermiljøet?

Den primære tekniske nyskabelse er integrationen af en transformer-baseret LLM (Large Language Model) direkte i hukommelsesstyringen. Hvor traditionel memory tiering flytter data baseret på simple regler, bruger systemet AI til at lære adgangsmønstrene for den specifikke arbejdsbelastning.

Egenskab Betydning i praksis
Prædiktiv AI-model Henter data fra flash til RAM, før CPU'en efterspørger dem, hvilket eliminerer ventetid.
Cold Page Aflastning Flytter inaktive data til billigere NVMe-lagring for at frigøre fysisk DRAM.
Linux Kernel Modul Gør teknologien kompatibel med de fleste Linux-distributioner uden dybe OS-ændringer.
RAM View Værktøj Giver administratorer visuel indsigt i, hvilke hukommelsessider der er 'hot' eller 'cold'.

For at understøtte denne proces kræves specifik hardware. Der er introduceret en "MEXT Ready" mærkning for visse AMD EPYC servere, hvilket indikerer, at systemet har den nødvendige NVMe-bay eller dedikerede drive til aflastning. Dette er essentielt, da hastigheden på flash-lagringen direkte påvirker AI-modellens evne til at holde trit med CPU'en.

Ydeevne baseret på arbejdsbelastninger

Det er vigtigt at forstå, at teknologien ikke giver samme gevinst i alle scenarier. AMD oplyser, at effektiviteten afhænger af, hvor forudsigelige dataadgangsmønstrene er. I interne tests med EDA-applikationer kunne man bevare 95 % af ydeevnen med kun 50 % DRAM. Ved andre arbejdsbelastninger som Spark TPC-DS meldes der om op mod 99 % ydeevne ved samme reduktion i fysisk RAM.

Hvordan lander teknologien på det danske marked?

For danske virksomheder og datacentre betyder udrulningen, at man kan skalere sine serverkapaciteter uden nødvendigvis at skulle investere massivt i dyre RAM-moduler. Implementeringen sker i faser via partnerskabet med HPE. Fase 1 fokuserer på hardware-parathed (MEXT Ready), mens fase 2 vil bringe de faktiske softwarelicenser og RAM View-applikationen til kunderne.

I en dansk kontekst, hvor energiomkostninger og hardware-effektivitet er i højsædet, kan reduktionen af fysiske DIMM-moduler også føre til marginalt lavere strømforbrug per server. For virksomheder der kører tunge databaser eller AI-agenter på AMD EPYC 9965 eller lignende high-end processorer, kan dette være løsningen på den såkaldte 'memory wall', hvor CPU'en venter på data fra hukommelsen.

Pris & tilgængelighed Detaljer
Prisklasse Forventes i enterprise-licensklassen (software) + hardwareomkostninger.
Forventet dansk tilgængelighed Gradvis udrulning via HPE-partnere; Fase 2 dato endnu ubekræftet.
Kompatibilitet Nyeste generation EPYC systemer med NVMe-understøttelse.

For aktuel pris på kompatible processorer og lagerstatus for serverkomponenter, henvises der til produktkarrusellen ved denne artikel. Det er værd at bemærke, at løsningen kræver en specifik kombination af CPU og NVMe-lagring for at fungere optimalt.

Integration i eksisterende infrastruktur

Danske IT-afdelinger bør være opmærksomme på, at teknologien kræver en Linux-baseret stack. Hvis man benytter virtualiserede miljøer, skal man indregne et ekstra ressourceforbrug på én EPYC-kerne per instans til AI-modellens drift. Dette betyder, at man bytter rå regnekraft (én kerne) for en markant reduktion i hardwareomkostninger til hukommelse.

Hvilke budgetovervejelser og omkostningsbesparelser er relevante?

Den økonomiske gevinst ved at implementere AI-drevet hukommelsesstyring er betydelig, især i store installationer. Ved at reducere mængden af fysisk DRAM kan virksomheder undgå massive kapitaludgifter til RAM-moduler, der ofte oplever prisstigninger under mangelsituationer. Dette flytter investeringen fra dyre hardwarekomponenter over mod softwarelicenser og hurtigere NVMe-lagring.

Budgetniveau Strategi Forventet RAM-besparelse
Entry Enterprise MEXT Ready hardware + standard NVMe 20-40 % reduktion i DRAM
High Performance Optimerede EPYC CPU'er + High-IOPS NVMe 40-60 % reduktion i DRAM
Extreme Scale Fuld integration med RAM View & tuning Op til 75 % reduktion i DRAM

For at illustrere den potentielle besparelse oplyser AMD, at de internt har undgået DRAM-køb for ca. 4,9 mio. USD på blot 145 servere. Dette svarer til en kostreduktion på omkring 83 % sammenlignet med at have købt ren DRAM til alle systemerne. For en dansk virksomhed betyder det, at man kan allokere budgettet til flere kerner eller hurtigere lagring i stedet for blot at fylde RAM-slots.

Hvilke typiske fejl skal man undgå ved implementering?

Implementering af AI-styret hukommelse er komplekst, og der er flere faldgruber, som kan føre til uventet ydelsestab eller økonomiske tab. Det er ikke en universel løsning, men et værktøj til specifikke scenarier.

  1. Antagelse om universel ydeevne: En af de største fejl er at tro, at man altid kan halvere sin RAM uden tab. Teknologien fungerer kun, hvis din arbejdsbelastning har tydelige 'hot' og 'cold' dataområder. Hvis alle dine data tilgås konstant (vilkårlig adgang), vil AI-modellen ikke kunne prædiktere korrekt, og systemet vil lide under flash-lagringens latens.
  2. Ignorering af NVMe-hastighed: Systemet er kun så hurtigt som den underliggende flash-disk. At bruge en langsom eller overbelastet SSD til aflastning vil skabe flaskehalse, der gør AI-prædiktionen irrelevant. Man bør sikre sig, at man bruger dedikerede NVMe-drives med høj IOPS.
  3. Manglende tjek af ressourceforbrug: Da AI-modellen kører på en EPYC-kerne, kan det i tæt pakkede virtualiseringsmiljøer føre til ressourcekonflikter. Man må ikke glemme at allokere denne kerne i sin kapacitetsplanlægning, ellers falder den generelle systemydelse.
  4. Køb af hardware uden 'MEXT Ready' status: At investere i servere uden de nødvendige NVMe-bays eller specifikke bundkortkonfigurationer kan gøre det umuligt at aktivere teknologien senere, selvom man har licensen.
  5. Overestimering af software-kompatibilitet: Da løsningen er et Linux kernel-modul, vil det ikke fungere på Windows Server eller andre proprietære OS uden omfattende tilpasninger. Virksomheder begår ofte den fejl at planlægge udrulningen før deres OS-miljø er valideret.
  6. Manglende brug af RAM View: At implementere teknologien uden at bruge RAM View-værktøjet betyder, at man flyver i blinde. Uden visuel indsigt i 'hot' og 'cold' sider kan man ikke optimere konfigurationen til den specifikke applikation.

Hvordan sammenligner AI-styring sig med traditionel hukommelsesstyring?

Traditionel memory tiering eller swapping flytter data reaktivt. Det betyder, at når CPU'en anmoder om en side, der ikke er i RAM (et 'page fault'), må systemet vente på, at data hentes fra disken. Dette skaber et mærkbart hak i ydeevnen. Den nye AI-tilgang ændrer dette paradigme ved at være proaktiv.

Funktion Traditionel Swapping/Tiering AI-drevet styring (MEXT)
Metode Reaktiv (flytter data efter anmodning) Prædiktiv (flytter data før anmodning)
Ydeevne-impact Høj latens ved page faults Minimal latens (hvis AI prædikterer korrekt)
Konfiguration Statisk/Regelbaseret Dynamisk/Lærende via LLM
Hardwarekrav Standard disk/RAM Hurtig NVMe + EPYC CPU-kerne

For virksomheder der opererer med enorme datasæt, som f.eks. i agentic AI eller store databaser, kan dette betyde forskellen på at skulle købe ekstremt dyre servere med flere terabyte RAM eller at kunne nøjes med en mere moderat konfiguration. Ved at bruge processorer som HPE AMD EPYC 9655P kan man maksimere beregningskraften, mens AI-styringen håndterer hukommelsesoptimeringen i baggrunden.

Skal man købe nu eller vente på fuld udrulning?

Beslutningen om at investere i kompatibel hardware nu afhænger af ens nuværende budgetcyklus og behov for RAM. Hvis man står overfor en massiv udvidelse af serverparken og oplever, at DRAM-priserne æder budgettet, giver det mening at købe 'MEXT Ready' hardware fra Hewlett-Packard nu.

Dog er Fase 2 (softwarelicenser og RAM View) endnu ikke fuldt tilgængelig for alle. Det betyder, at man i en periode vil eje hardwaren uden at kunne udnytte den fulde AI-optimering. For dem, der har et akut behov for maksimal ydeevne her og nu, er det sikreste valg stadig at konfigurere med fuld fysisk RAM, indtil softwaren er bredt tilgængelig og testet i tredjeparts-miljøer.

En mellemvej er at kigge på nyere CPU modeller, der er designet med disse fremtidige optimeringer i tankerne. Ved at vælge den nyeste generation sikrer man, at man ikke køber forældet teknologi, men kan aktivere AI-styringen via en softwareopdatering, så snart Fase 2 rulles ud i Danmark.

Ofte stillede spørgsmål

Kan man bruge MEXT på Windows Server?
Nej, teknologien er implementeret som et Linux kernel-modul og fungerer derfor kun på Linux-distributioner. Der er pt. ingen officielle oplysninger om understøttelse af Windows.
Hvor meget RAM kan man reelt spare?
Ifølge AMD varierer besparelsen fra 20 % til 75 % afhængigt af applikationen. I visse interne tests kunne man bevare 95 % ydeevne med kun halvdelen af den fysiske DRAM.
Kræver MEXT en separat GPU for at køre AI-modellen?
Nej, AI-modellen er designet til at køre på en enkelt EPYC CPU-kerne uden behov for en ekstern GPU.
Hvad betyder 'MEXT Ready' mærkningen på servere?
Det indikerer, at serveren har den nødvendige hardwarekonfiguration, herunder specifikke NVMe-bays eller drives, der er optimeret til hukommelses-aflastning.
Hvad er RAM View værktøjet?
RAM View er et analyseværktøj, der visualiserer hukommelsesforbruget og viser, hvilke sider der er 'hot' (aktivt brugte) og 'cold' (inaktive), hvilket hjælper med at optimere konfigurationen.
Påvirker MEXT CPU-ydelsen?
Ja, da AI-modellen kræver én dedikeret EPYC-kerne per instans for at fungere. Dette er en trade-off mellem rå regnekraft og reducerede hardwareomkostninger til RAM.

Hvordan kan AMD bevare 95% af serverperformance med kun halvdelen af DRAM?

  • Det sker via MEXT-teknologien, som bruger en AI-model til at forudsige behovet for data og flytte dem fra NVMe flash til RAM proaktivt.
  • Dette eliminerer den normale ventetid ved flash-lagring og gør det muligt at reducere fysisk RAM markant uden stort ydelsestab.