AMD เผยวิสัยทัศน์ด้านโครงสร้างพื้นฐานสำหรับยุค Agentic AI โดยมองว่าระบบ AI รูปแบบใหม่ไม่ได้ทำงานด้วยเวิร์กโหลดเพียงประเภทเดียว แต่ต้องอาศัยโปรเซสเซอร์ที่สามารถรองรับงานหลากหลายภายในเวิร์กโฟลว์เดียว ตั้งแต่การจัดการระบบ การค้นคืนข้อมูล การเชื่อมต่อแอปพลิเคชัน ไปจนถึงการทำหน้าที่เป็นโฮสต์ให้กับ GPU
AMD ระบุว่าโปรเซสเซอร์ AMD EPYC เจเนอเรชันล่าสุดได้รับการออกแบบให้รองรับการปรับแต่งการทำงานตามลักษณะของแต่ละเวิร์กโหลด โดยบริษัทได้เผยแพร่ทั้ง White Paper และบทความบนเว็บไซต์ เพื่ออธิบายการนำ AMD EPYC ไปใช้งานกับงานหลายรูปแบบ ตั้งแต่ General-purpose, Enterprise, Cloud-native, AI และ High-performance Computing หรือ HPC
สำหรับ Agentic AI AMD มองว่าเวิร์กโฟลว์ของระบบมีความหลากหลายในทุกระดับของโครงสร้างพื้นฐาน ทำให้การเลือกใช้ระบบประมวลผลต้องพิจารณาตามลักษณะงานแต่ละประเภท โดยไม่มีโปรไฟล์ของเวิร์กโหลดเพียงแบบเดียวที่สามารถตอบโจทย์การทำงานทั้งหมดได้ ขณะที่ AMD EPYC 9006 Series รองรับการใช้งานตั้งแต่งานทั่วไปและระบบองค์กร ไปจนถึง Cloud, HPC และ AI
อีกประเด็นที่ AMD เน้นคือ Agentic AI ทำให้ CPU มีบทบาทมากกว่าการทำงานทั่วไป โดยสามารถรับหน้าที่ด้าน Orchestration, Retrieval, Application Integration และ GPU Hosting ซึ่งแต่ละงานมีลักษณะการประมวลผลแตกต่างกัน ระบบจึงต้องสามารถรองรับทั้งงานที่ต้องการความหนาแน่นของคอร์ แบนด์วิดท์หน่วยความจำ และการรับส่งข้อมูลจำนวนมาก
ด้าน AMD EPYC เจเนอเรชันที่ 6 ซึ่งใช้สถาปัตยกรรม Zen 6 และ Zen 6c รองรับสูงสุด 256 คอร์ 512 เธรด พร้อมหน่วยความจำ DDR5 สูงสุด 16 แชนเนล รองรับ MRDIMM ความเร็วสูงสุด 12,800 MT/s และให้แบนด์วิดท์หน่วยความจำสูงสุดประมาณ 1.6TB/s ต่อซ็อกเก็ต นอกจากนี้ยังรองรับ PCIe Gen 6 และ CXL 3.1 เพื่อรองรับการขยายระบบและการเชื่อมต่ออุปกรณ์ในดาต้าเซ็นเตอร์
สำหรับผลการทดสอบที่ AMD นำเสนอใน White Paper ระบุว่าโปรเซสเซอร์ Venice ขนาด 96 คอร์ ซึ่งเป็นส่วนหนึ่งของ AMD EPYC 9006 Series ให้ประสิทธิภาพต่อคอร์ 1.20 เท่าของ NVIDIA Vera ในการทดสอบ SPECrate 2026_int_base โดย AMD ระบุว่าการทดสอบดังกล่าวเป็นการเปรียบเทียบประสิทธิภาพต่อคอร์ภายใต้การทำงานของระบบเต็มรูปแบบ
AMD ยังระบุว่าแนวทางของ AMD EPYC ไม่ได้มุ่งเน้นเฉพาะประสิทธิภาพของ CPU แต่รวมถึงหน่วยความจำ การเชื่อมต่อ ความปลอดภัย ระบบ RAS และการจัดการพลังงาน เพื่อให้สามารถนำไปใช้กับโครงสร้างพื้นฐานที่รองรับงานหลายประเภทได้ โดยบริษัทมองว่าแนวทางดังกล่าวจะช่วยให้องค์กรสามารถปรับโครงสร้างพื้นฐานให้เหมาะกับเวิร์กโหลดของ Agentic AI ที่มีความหลากหลายมากขึ้นในอนาคต
