Technischer Kontext
Was mich sofort gepackt hat, waren nicht die Taktraten, sondern der Speicher: AMD zeigte den Ryzen AI Max 400 mit bis zu 192 GB vereinheitlichtem Speicher. Für alle, die AI automation lokal aufbauen und keine separate GPU mitschleppen wollen, ist das ein äußerst ungewöhnlicher Schritt.
Die nackten Fakten: Zen 5, RDNA 3.5, XDNA 2 NPU, LPDDR5x-8533 an einem 256-Bit-Interface. Das Flaggschiff Ryzen AI Max+ PRO 495 bietet Boost bis 5,2 GHz, 40 GPU-Compute-Units und bis zu 160 GB Speicher, der als VRAM nutzbar ist.
Genau hier habe ich eine Pause eingelegt. Normalerweise stößt man bei APUs schnell an eine Grenze – nicht beim bloßen Starten des Modells, sondern bei Gewichtskapazität, KV-Cache und Kontext. AMD präsentiert diese Plattform nun als kompakte KI-Workstation für die lokale Entwicklung und spricht sogar von 300B+-Modellen.
Aber ich würde das Marketing nicht ungeprüft übernehmen. „Ausführen“ heißt nicht „schnell ausführen“: Alles wird von Quantisierung, Kontextlänge, Software, Treibern und dem Speicherverbrauch des Systems abhängen. Zudem ist die 192-GB-Version den aktuellen AMD‑Unterlagen zufolge noch als „coming soon“ markiert und wird derzeit nicht in Stückzahlen ausgeliefert.
Eine weitere wichtige Nuance: Dies ist keine Revolution bei der reinen Rechenleistung. Ersten Daten zufolge gibt es einen moderaten Taktanstieg gegenüber der vorherigen Halo‑Serie, die wesentliche Aufwertung liegt in der Speicherkapazität. Es geht also nicht um einen „neuen GPU‑Killer“, sondern um eine sehr unkonventionelle AI architecture für Aufgaben, bei denen die Modellpassung wichtiger ist als die maximale Bildrate.
Was das für Unternehmen und Automatisierung verändert
Ich sehe hier drei praktische Szenarien. Erstens: lokale Unternehmens-LLMs dort, wo Daten nicht in die Cloud dürfen. Zweitens: kompakte Stationen für RAG, Dokumentenanalyse und interne Assistenten ohne teure dedizierte Grafik. Drittens: eine Dev-Box für Teams, die große Modelle nahe an der Produktion testen.
Gewinner sind jene, die einen großen Memory-Pool, Datenschutz und vorhersehbare Gesamtbetriebskosten benötigen. Verlierer sind die, die Wunderleistungen auf dem Niveau voll ausgebauter Server‑GPUs erwarten – das sehe ich hier noch nicht.
Wenn Ihr Projekt gerade an Speichergrenzen, Datenschutz oder den Kosten der lokalen Inferenz anstößt, ist es an der Zeit, den Stack neu zu denken. Wir bei Nahornyi AI Lab setzen solche Dinge praktisch um: Wir schauen uns Ihr aktuelles Setup an, wählen eine passende AI solution development für reale Lasten und realisieren die Implementierung ohne übertriebenen Hardware‑Fetischismus.