To chips definerer, hvor hurtigt verdens AI-modeller kan trænes i 2026: AMD Instinct MI400 og Nvidia Blackwell Ultra B300. Begge lanceret i år, begge bygget til trillion-parameter-modeller, og begge ramt af den samme flaskehals: der er ikke nok hukommelseschips til at bygge dem. AMD’s MI400 pakker 432 GB HBM4 ind i hver GPU. Nvidias B300 svarer med 288 GB HBM3e. Forskellen lyder teknisk, men den afgør, hvor mange servere en virksomhed skal købe for at køre den samme AI-model, og dermed hvor meget regningen ender med at lyde på. Samtidig er prisen på selve hukommelsen løbet løbsk: eksportprisen på HBM-chips passerede for første gang 70 dollar pr. enhed i juli 2026, ifølge det sydkoreanske handelsråd KITA. Denne artikel sammenligner specifikationer, pris, ydelse og økosystem for begge platforme, og ser på, hvad krisen betyder for danske og nordiske virksomheder, der skal beslutte, hvilken hardware de bygger deres AI-strategi på.
Hvad er AMD Instinct MI400 og Nvidia Blackwell Ultra B300?
AMD løftede sløret for Instinct MI400-serien på sit Advancing AI-event den 23. juli 2026. Flagskibet, MI455X, er bygget på CDNA 5-arkitekturen og sælges ikke kun som enkeltchip, men som en del af et helt rack-system kaldet Helios. AMD’s strategi er tydelig: mens tidligere generationer konkurrerede chip mod chip, konkurrerer MI400 rack mod rack med Nvidias tilsvarende system.
Nvidia Blackwell Ultra, der sælges under betegnelsen B300, er selskabets opgraderede 2026-udgave af Blackwell-arkitekturen. Den afløser B200 og lægger sig i praksis oven på GB200 NVL72-rack-familien med en ny variant, GB300 NVL72. Nvidia sidder fortsat på omkring 80 procent af markedet for AI-acceleratorer ifølge branchekilder, og B300 er dermed det chip, de fleste hyperscalere allerede har relationer til gennem eksisterende Blackwell-installationer.
Den markedsandel er selve grunden til, at AMD’s lancering vækker så meget opmærksomhed i 2026. Enhver konkurrent, der vil tage andele fra en 80-procents-spiller, skal enten underbyde markant på pris eller overgå på specifikationer, og AMD har med MI400 tydeligvis valgt at satse på det sidste.
Begge chips sigter mod det samme kundesegment: cloud-udbydere og store techselskaber, der træner sprogmodeller med over en billion parametre. Forskellen ligger i, hvordan de to virksomheder løser hukommelsesproblemet, og det er præcis her, sammenligningen bliver interessant for enhver, der skal budgettere en AI-infrastruktur i 2026.
Navnene alene kan forvirre. AMD kalder hele produktfamilien Instinct MI400, mens det konkrete chip, der oftest sammenlignes, hedder MI455X. Nvidia bruger “Blackwell Ultra” som arkitekturnavn og B300 som chipbetegnelse, mens systemet med 72 GPU’er hedder GB300 NVL72. I denne artikel bruger vi MI400/MI455X og B300/GB300 NVL72 i flæng, alt efter om vi taler om enkeltchip eller det fulde rack-system, ligesom producenterne selv gør i deres markedsføring.
Historisk kontekst: fra MI300 og B200 til i dag
For at forstå, hvor stort et spring MI400 og B300 repræsenterer, hjælper det at se på, hvor de to producenter kom fra. AMD’s forrige generation, MI300-serien, konkurrerede primært på pris og blev af mange betragtet som et solidt, men ikke førende, alternativ til Nvidia. Med MI400 og Helios ændrer AMD strategi: i stedet for at underbyde Nvidia på pris, forsøger selskabet at overgå Nvidia på rene specifikationer, særligt hukommelse, og satse på, at kunder er villige til at acceptere et mindre modent softwaremiljø til gengæld.
Nvidia har omvendt bygget sin dominans op over flere generationer, fra Hopper (H100/H200) til Blackwell (B200) og nu Blackwell Ultra (B300). Hver generation har typisk budt på moderate hardwareforbedringer, mens det egentlige forspring er vokset i softwarelaget: CUDA, cuDNN, TensorRT og et væld af færdigoptimerede biblioteker, som konkurrenter skal matche funktion for funktion. Det er denne kombination af hardware og et årtis softwareinvestering, AMD nu forsøger at bryde igennem med MI400, ikke kun et enkelt hurtigere chip.
Specifikationer side om side: MI400, B200 og B300
Tabellen nedenfor stiller AMD’s nye flagskib op mod både Nvidias forrige generation (B200) og den nye Blackwell Ultra (B300), så du kan se, hvor stort spring hver generation reelt repræsenterer.
| Specifikation | AMD MI455X (MI400) | Nvidia B200 (Blackwell) | Nvidia B300 (Blackwell Ultra) |
|---|---|---|---|
| Lancering | Juli 2026 | 2025/tidligt 2026 | 2026 |
| Arkitektur | CDNA 5 | Blackwell | Blackwell Ultra |
| Hukommelsestype | HBM4 | HBM3e | HBM3e |
| Hukommelse pr. GPU | 432 GB | ca. 186 GB (i rack) | 288 GB |
| Hukommelsebåndbredde | 19,6 TB/s | ca. 8 TB/s | 8 TB/s |
| FP8-ydelse (dense) | 20 PFLOPS | ca. 10 PFLOPS | ca. 5-7 PFLOPS |
| FP4-ydelse (dense) | 40 PFLOPS | ca. 10 PFLOPS | ca. 15 PFLOPS |
| TDP pr. chip | ca. 1.000 W | ca. 1.000 W | 1.100-1.400 W |
| Interconnect | Infinity Fabric / UALink | NVLink 5 (1,8 TB/s) | NVLink 5 (1,8 TB/s) |
| Procesnode | TSMC 2nm/3nm (CDNA 5) | TSMC 4nm-klasse | TSMC 4nm-klasse |
| GPU’er pr. rack | 72 (Helios) | 72 (GB200 NVL72) | 72 (GB300 NVL72) |
| Total rackhukommelse | 31 TB HBM4 | 13,4 TB HBM3e | ca. 20,7 TB HBM3e |
Kilder: AMD, TechPowerUp, CRN, Nvidia, samt uafhængige spec-samlinger fra GPU Smith og Pantheon. Bemærk at flere af Nvidias B200/B300-tal varierer en smule mellem kilder, fordi Nvidia ikke offentliggør et samlet officielt datablad på samme måde som AMD.
Hukommelse er slagmarken: HBM4 mod HBM3e
Det mest markante tal i tabellen ovenfor er hukommelsen. MI455X leverer 432 GB HBM4 pr. GPU, mens B300 leverer 288 GB HBM3e. Det er en forskel på omkring 50 procent til AMD’s fordel på papiret. Båndbredden følger samme mønster: 19,6 TB/s mod 8 TB/s.
Hvorfor betyder det noget? Store sprogmodeller er ofte hukommelsesbundne, ikke computebundne. Når en model med flere billioner parametre skal trænes eller køre inferens, er det ofte hukommelseskapaciteten pr. GPU, der afgør, hvor mange chips man skal bruge, og hvor meget data der skal flyttes mellem dem over det langsommere netværk. Flere GB pr. GPU betyder færre GPU’er i alt for samme model, hvilket reducerer både kompleksitet og strømforbrug i store klynger.
Nvidias svar er, at HBM3e er en mere moden teknologi med højere udbytte i produktionen, mens HBM4 stadig er i opstartsfasen. Det betyder i praksis, at AMD’s memory-fordel kommer med en pris: HBM4 er markant dyrere og sværere at få fat i lige nu, hvilket vi vender tilbage til i afsnittet om prisoverblikket.
Der er også en teknisk detalje, som ofte overses: MI455X bruger tolv HBM4-stakke pr. GPU, mod færre og lavere stakke i B300’s HBM3e-opsætning. Flere stakke betyder mere kompleks pakning (packaging), hvilket ifølge branchekilder netop er den del af forsyningskæden, der presses hårdest i 2026, snarere end selve waferproduktionen af hukommelseschippene. Med andre ord: jo mere hukommelse et chip pakker ind, desto mere sårbart bliver det for netop den flaskehals, der lige nu definerer hele AI-hardwaremarkedet.
Regnekraft: FP4- og FP8-ydelse i praksis
På ren regnekraft leverer MI455X 20 PFLOPS FP8 og 40 PFLOPS FP4 pr. GPU ifølge AMD’s egne tal. Nvidias B300 lander typisk omkring 5-7 PFLOPS FP8 og 13,5-15 PFLOPS FP4 dense pr. GPU, afhængigt af kilde. Det giver AMD et markant forspring på papirets compute-tal pr. chip.
Tallene skal dog læses med forbehold. FP4-ydelse måles ofte forskelligt afhængigt af, om man taler dense eller sparse beregninger, og producenter vælger naturligt de tal, der ser bedst ud. Nvidia opgiver typisk både dense og sparse tal, hvor sparse kan være dobbelt så højt. AMD gør det samme. Ingen af tallene er uafhængigt verificeret af tredjepart endnu, så de bør behandles som producentclaims, ikke som objektive benchmarks.
Det, der reelt afgør ydelsen i produktion, er kombinationen af compute og hukommelsesbåndbredde. Her vinder AMD på papiret på begge parametre, men Nvidias modne CUDA-software kan i praksis udnytte hardwaren bedre, hvilket kan udligne en del af forskellen. Det uddyber vi i afsnittet om software-økosystemet.
Det er også værd at sætte begge chips i perspektiv over for andre AI-acceleratorer på markedet. Googles TPU v7 og specialiserede inferens-chips fra mindre leverandører konkurrerer typisk på strøm pr. beregning snarere end rå topydelse, mens både MI400 og B300 er designet til generel træning og inferens i stor skala hos cloud-udbydere. Det gør dem til hinandens mest direkte konkurrenter, fordi de begge sælges som fleksible, almennyttige AI-fabrikschips, ikke som snævre specialløsninger.
Rack-skala: Helios mod GB300 NVL72
Ingen af chipsene sælges reelt enkeltvis til de store kunder. Både AMD og Nvidia sælger hele rack-systemer, hvor 72 GPU’er er koblet sammen i én enhed. Tabellen nedenfor sammenligner de tre generationer på rack-niveau.
| Rack-metrik | AMD Helios (MI400) | Nvidia GB200 NVL72 (B200) | Nvidia GB300 NVL72 (B300) |
|---|---|---|---|
| GPU’er pr. rack | 72 | 72 | 72 |
| Total HBM-hukommelse | 31 TB HBM4 | 13,4 TB HBM3e | ca. 20,7 TB HBM3e |
| Aggregeret båndbredde | 1,4 PB/s | ikke offentliggjort | ikke fuldt offentliggjort |
| FP4 dense (rack) | 2,9 EFLOPS | 720 PFLOPS | 1.080 PFLOPS |
| FP8 dense (rack) | 1,4 EFLOPS | ikke opgivet separat | ca. 360-720 PFLOPS |
| Scale-up bandwidth | 260 TB/s (UALink) | NVLink 5-domæne | NVLink 5-domæne |
| Estimeret rackeffekt | ikke fuldt offentliggjort | lavere end GB300 | ca. 120 kW |
Kilder: AMD’s Helios-produktside, Nebius, Verda, Pantheon og Moduledge, alle med data offentliggjort i 2026. AMD’s Helios-rack bruger desuden Zen 6-baserede EPYC Venice-processorer som vært, mens Nvidias racks parres med Grace-CPU’er, 36 pr. GB300 NVL72-rack.
Konklusionen på rack-niveau er den samme som på chip-niveau: AMD’s Helios har mere samlet hukommelse og højere opgivet FP4-tal, mens Nvidias GB300 NVL72 trækker på et modent, gennemtestet NVLink-økosystem, som allerede kører i produktion hos flere cloud-udbydere.
HBM4-krisen: derfor eksploderer priserne i 2026
Den vigtigste historie i 2026 er ikke selve chippene, men hukommelsen, der driver dem. Ifølge det sydkoreanske handelsråd KITA nåede den gennemsnitlige eksportpris pr. HBM-enhed 76,13 dollar ved udgangen af juli 2026, en stigning på 9,5 procent på en måned og første gang over 70 dollar. Prisen er steget fra 40,94 dollar i første kvartal til 60,22 dollar i andet kvartal, en stigning på cirka 47 procent på et halvt år.
Spotmarkedet er endnu mere ekstremt. Ifølge markedsanalysefirmaet MegaGrid Supply solgte et 36 GB HBM3E-produkt for 2.100 dollar på spotmarkedet i slutningen af august, fire til fem gange højere end den langsigtede kontraktpris på omkring 500.000 til 700.000 won. HBM4-produkter med 16 lag, hvor masseproduktion stadig koordineres, lå på omkring 3.500 dollar pr. enhed uden for langsigtede aftaler.
Samsungs hukommelsesdivisionschef advarede i april 2026 om, at betydelige mangler på tværs af hukommelsesprodukter forventes at fortsætte mindst til 2027. Samsung, SK Hynix og Micron, som tilsammen kontrollerer over 95 procent af verdens DRAM-produktion, har aktivt flyttet kapacitet mod HBM til AI-acceleratorer. Det rammer også almindelig PC-hukommelse: forhandlernoterede DRAM-priser ventedes at stige yderligere i september 2026, ifølge samme rapportering.
Ifølge branchekilder er den reelle flaskehals i 2026 ikke selve waferproduktionen, men kapaciteten til avanceret pakning (advanced packaging), som binder både AMD og Nvidias evne til at levere færdige chips. SK Hynix ventes at levere omkring 70 procent af HBM4 til Nvidias kommende Rubin-platform ifølge en UBS-vurdering, hvilket lægger et betydeligt pres på den enkelte leverandørs kapacitet.
Krisen er ikke opstået fra den ene dag til den anden. HBM udgjorde omkring 23 procent af det globale DRAM-waferforbrug i 2026, mod bare 8 procent i 2024, ifølge markedsdata fra branchen. Samsung, SK Hynix og Micron har med andre ord flyttet en stadig større del af deres samlede produktionskapacitet væk fra almindelig computerhukommelse og over mod HBM til AI-chips, fordi marginerne der er langt højere. Det forklarer, hvorfor både virksomheder, der køber AI-hardware, og almindelige pc-forbrugere mærker prisstigninger samtidig i 2026: det er den samme underliggende kapacitet, der konkurreres om.
For AMD og Nvidia betyder det, at konkurrencen i 2026 i lige så høj grad handler om at sikre sig langsigtede leverandøraftaler (LTA’er) med de tre hukommelsesproducenter som om at designe det hurtigste chip. En virksomhed med en stærk LTA kan levere til stabile priser, mens en virksomhed, der må købe på spotmarkedet, risikerer at betale fire til fem gange mere for den samme mængde hukommelse, som tallene for HBM3E ovenfor viser.
Hvad koster det egentlig? Prisoverblik 2026
Hverken AMD eller Nvidia offentliggør officielle listepriser på deres AI-acceleratorer. Det, der findes, er estimater fra markedsanalytikere baseret på komponentomkostninger (BOM) og skypris pr. GPU-time. Tabellen nedenfor samler de mest citerede tal fra 2026, med tydelig mærkning af, hvad der er bekræftet, og hvad der er estimat.
| Post | Beløb | Type | Kilde |
|---|---|---|---|
| MI455X komponentomkostning (BOM), før HBM4-stigning | ca. 20.700 dollar | Estimat | Silicon Analysts, aug. 2026 |
| MI455X komponentomkostning efter HBM4-stigning | ca. 28.350 dollar (+37 %) | Estimat | Silicon Analysts, aug. 2026 |
| Nvidia AI-serverpriser, samlet stigning | over 15 % | Bekræftet af Nvidia | Silicon Analysts, 23. aug. 2026 |
| HBM eksportpris pr. enhed (gennemsnit) | 76,13 dollar | Bekræftet | KITA/Sedaily, juli 2026 |
| HBM3E 36 GB, spotmarked | 2.100 dollar | Bekræftet | MegaGrid Supply/Sedaily |
| HBM4 16-lag, spotmarked | 3.500 dollar | Bekræftet | Sedaily, sept. 2026 |
| HBM3E 36 GB, langsigtet kontrakt | ca. 500.000-700.000 won | Bekræftet | MegaGrid Supply/Sedaily |
Med en tommelfingerkurs på cirka 6,9 danske kroner pr. dollar svarer 28.350 dollar til godt 195.000 kroner for et enkelt MI455X-chip, før man lægger rack, netværk, køling og strøm oveni. Det er en omkostningsstigning, der reelt fungerer som en ekstra “hukommelsesskat” oven på selve GPU-designet, og den rammer begge producenter, ikke kun AMD.
Det er værd at huske, at chipprisen kun er én del af den samlede omkostning (total cost of ownership). Strøm, køling, netværksudstyr og selve datacenterfaciliteten lægger sig typisk oveni, og med racks, der trækker op mod 120 kW, kan driftsomkostningerne over tre til fem år let overstige selve hardwareindkøbet. Når budgettet lægges, bør indkøbsansvarlige derfor regne på hele levetidsomkostningen, ikke kun prisen pr. chip på fakturaen, især i en periode hvor hukommelsespriserne kan ændre sig markant fra kvartal til kvartal.
Hvem køber hvad: cloud-udbydere og hyperscalere
Flere specialiserede AI-cloud-udbydere har allerede lagt Nvidias GB300 NVL72 ud til leje i 2026, herunder Nebius, Verda, Pantheon og io.net. Det gør Nvidias platform lettere at teste og sammenligne i praksis lige nu, fordi den findes som en fleksibel, timebetalt tjeneste snarere end kun som et køb af hele racks.
For AMD’s MI400 og Helios er billedet mindre gennemsigtigt. Selskabet har ikke offentliggjort en tilsvarende liste af navngivne hyperscalere med bekræftede ordrer, og de fleste omtaler af potentielle MI400-kunder er analytikervurderinger snarere end offentliggjorte kontrakter. Microsoft og Meta nævnes hyppigst som sandsynlige tidlige AMD-kunder, fordi begge allerede kører AMD’s forrige MI300-serie i produktion og har talt åbent om at ville sprede deres GPU-indkøb på flere leverandører for at undgå at være afhængige af én chipproducent.
På Nvidia-siden er billedet klarere på det generelle niveau: OpenAI (via Microsoft Azure), Meta, Google og Oracle har alle tidligere annonceret planer om at bruge Nvidia Blackwell-hardware i deres datacentre. Hvorvidt disse aftaler specifikt dækker B300/GB300 frem for det ældre B200/GB200, er dog sjældent specificeret offentligt af selskaberne selv. Det, der står tilbage, er et marked, hvor Nvidia har den etablerede kundebase, og AMD forsøger at bryde ind med bedre specifikationer på papiret.
Denne mangel på gennemsigtighed er i sig selv en pointe. Hverken AMD eller Nvidia har interesse i at offentliggøre præcise kundetal midt i en periode med knap forsyning, fordi det kan sætte dem i en dårlig forhandlingsposition over for både kunder og hukommelsesleverandører. Køber man i dag, bør man derfor ikke lægge for meget vægt på, hvilke logoer der optræder i en producents pressemeddelelse, men i stedet fokusere på konkrete leveringstider og garanterede priser i egen kontrakt.
Software-økosystemet: ROCm mod CUDA
Hardware er kun halvdelen af historien. Nvidias CUDA-platform har eksisteret i over 15 år og er den de facto-standard, som størstedelen af AI-rammeværker som PyTorch, TensorFlow og de fleste inferensmotorer er bygget og optimeret omkring først. Det giver Nvidia et forspring, der er svært at måle i PFLOPS, men som betyder alt for, hvor hurtigt et udviklerteam reelt kan få en model til at køre effektivt.
AMD’s svar hedder ROCm, og det er blevet markant mere modent de seneste par år. Store rammeværker som PyTorch og inferensmotoren vLLM understøtter nu ROCm direkte, og AMD har investeret tungt i at lukke gabet til CUDA. Ikke desto mindre peger flere branchevurderinger på, at ROCm stadig halter efter på antallet af færdigoptimerede biblioteker, community-support og “det bare virker”-oplevelsen, som CUDA-brugere er vant til.
For en virksomhed, der allerede har et team med dyb CUDA-erfaring, er softwaregabet i praksis en reel omkostning ved at skifte til AMD, uanset hvor gode specifikationerne på papiret ser ud. Omvendt kan organisationer, der bygger nyt fra bunden, i højere grad vælge platform ud fra ren pris og hukommelseskapacitet, fordi de ikke skal migrere eksisterende kode.
Et konkret eksempel på, hvor meget dette betyder i praksis: de fleste inferensmotorer, som vLLM, TensorRT-LLM og SGLang, blev oprindeligt bygget og optimeret til CUDA først og fik ROCm-understøttelse senere. Det betyder, at de nyeste optimeringer og funktioner ofte lander på Nvidia-platformen måneder før de er lige så velafprøvede på AMD’s hardware. For et team, der jagter den absolut nyeste inferensteknik, kan det i sig selv være en grund til at blive på Nvidia, uanset hvor attraktivt et prisspring på 432 GB hukommelse lyder.
Der er også et rekrutteringsaspekt, som virksomheder ofte undervurderer. Langt flere AI-ingeniører har erfaring med CUDA-udvikling end med ROCm, fordi CUDA i årevis har været standarden på universiteter og i de fleste kommercielle AI-teams. At bygge et team op omkring en AMD-platform kan derfor betyde enten dyrere rekruttering eller mere intern oplæring, en omkostning der sjældent optræder i et regneark, men som reelt påvirker, hvor hurtigt et projekt kommer i produktion.
Benchmarks: hvad viser tallene reelt
Her må vi være ærlige om, hvad der faktisk findes af data. Der er endnu ikke offentliggjort uafhængige MLPerf-resultater for hverken MI455X eller B300 i den research, denne artikel bygger på. De tal, der cirkulerer, stammer fra producenternes egne datablade og fra analysefirmaers udledte beregninger baseret på de officielle specifikationer, ikke fra tredjeparts-benchmarking i faktiske datacentre.
Det betyder ikke, at tallene er værdiløse, men de bør læses som producentclaims om teoretisk topydelse, ikke som garanti for reel ydelse i produktion. Reel ydelse afhænger af softwareoptimering, netværkstopologi, køling og hvor godt en given AI-model rent faktisk udnytter hukommelsesbåndbredden versus regnekraften. Indtil uafhængige MLPerf-tal for begge platforme offentliggøres, anbefaler vi, at virksomheder selv kører proof-of-concept-tests på deres egne arbejdsbyrder, før de forpligter sig til den ene eller anden platform i stor skala.
En anden faktor, der sjældent fremgår af producenternes datablade, er, hvordan ydelsen skalerer, når man går fra ét chip til et fuldt rack med 72 GPU’er. Netværksflaskehalse, synkroniseringsoverhead mellem GPU’er og softwarens evne til at fordele arbejdet effektivt kan alle reducere den reelle ydelse betydeligt i forhold til de teoretiske rack-tal. Det er en af grundene til, at flere organisationer i 2026 vælger at leje kapacitet hos etablerede cloud-udbydere frem for selv at bygge og optimere et fuldt rack fra bunden.
5 eksempler fra den virkelige verden
I stedet for kun at se på specifikationer på papiret, giver det mening at kigge på, hvordan platformene rent faktisk bliver brugt og solgt i markedet lige nu. Her er fem konkrete, dokumenterede eksempler fra 2026.
- AMD Advancing AI 2026: AMD brugte lanceringseventet den 23. juli 2026 til at vise Helios som en fuld rack-løsning, ikke bare en chip, og positionerede den direkte mod Nvidias NVL72-familie som svar på markedets efterspørgsel efter alternativer.
- Nvidia DGX B300: Nvidias eget “AI factory”-system bygget på otte B300 Blackwell Ultra-GPU’er, med 144 PFLOPS FP4 og 14,4 TB/s aggregeret NVLink-båndbredde, viser hvordan selskabet pakker B300 til virksomhedskunder, der ikke bygger fulde datacentre selv.
- Nebius AI Cloud: Den europæiske cloud-udbyder har lagt GB300 NVL72 ud som en lejbar tjeneste i 2026, hvilket giver mindre virksomheder adgang til Blackwell Ultra uden at skulle købe hele racks.
- Verda og io.net: Begge AI-cloud-platforme tilbyder GB300 NVL72-kapacitet på timebasis i 2026, et tegn på, at markedet for korttids-leje af den nyeste Nvidia-hardware vokser hurtigere end det traditionelle salg af hele racks til enkeltkunder.
- HBM4-prisstigningens effekt på AI-serverbudgetter: Nvidia har selv bekræftet prisstigninger på over 15 procent på AI-servere som direkte følge af stigende HBM-omkostninger, ifølge Silicon Analysts’ rapportering fra august 2026, hvilket viser, at krisen allerede slår igennem på fakturaer, ikke kun på analytikerregneark.
Tilsammen tegner de fem eksempler et billede af et marked, der bevæger sig fra store, engangsindkøb af hele racks til mere fleksibel adgang via cloud-udlejning, samtidig med at selve råvareprisen på hukommelse i stigende grad dikterer, hvad hele oplevelsen kommer til at koste for slutkunden.
Sådan migrerer du arbejdsbyrder mellem platforme
Skal din organisation flytte trænings- eller inferensarbejde fra Nvidia til AMD, eller vurdere begge platforme fra bunden, er her de praktiske skridt, der går igen hos virksomheder, der har gjort det i 2026. En migrering handler sjældent kun om at genkompilere kode. Det handler om at validere, at hele pipelinen, fra dataindlæsning til modelserverering, opfører sig identisk på den nye hardware, før produktionstrafik rammer den.
- Kortlæg din nuværende softwarestak. Tjek om dine rammeværker, biblioteker og interne værktøjer allerede har ROCm-understøttelse, eller om de er hårdkodet til CUDA-specifikke funktioner.
- Kør en pilottest på et begrænset workload. Vælg en model eller et inferensendepunkt med lavt risikoniveau, og kør den parallelt på begge platforme, før du forpligter dig til en fuld migrering.
- Mål reel ydelse, ikke kun teoretiske specifikationer. Log gennemløb, latenstid og fejlrate under realistisk last, da producenttal sjældent afspejler din specifikke arbejdsbyrde.
- Tjek strøm- og kølingskrav. Nyere chips som B300 kræver op til 1.400 W pr. GPU med væskekøling, hvilket kan kræve fysiske ændringer i eksisterende datacentre.
- Overvej multi-vendor-strategi frem for fuld migrering. Flere virksomheder vælger at køre begge platforme side om side for at reducere afhængighed af én leverandør, særligt mens HBM-forsyningen er presset.
- Forhandl leveringstider tidligt. Med HBM4 og HBM3e begge i knaphed bør leveringstid indgå som en lige så vigtig faktor som pris, når kontrakter forhandles.
- Byg en rollback-plan. Behold adgang til den oprindelige platform i en overgangsperiode, så du kan flytte trafik tilbage hurtigt, hvis den nye platform ikke lever op til forventningerne under reel produktionslast.
Fordele og ulemper
AMD Instinct MI400/Helios, fordele: markant mere hukommelse pr. GPU (432 GB mod 288 GB), højere opgivet regnekraft på papiret, og et rack-design med høj samlet båndbredde. Chippet giver også køberne et forhandlingskort over for Nvidia i en tid, hvor priserne generelt stiger.
AMD Instinct MI400/Helios, ulemper: ROCm-softwaren er stadig mindre moden end CUDA, dokumenterede hyperscaler-ordrer mangler offentligt, og HBM4-afhængigheden gør chippet ekstra udsat for netop den hukommelseskrise, der presser priserne op i 2026.
Nvidia Blackwell Ultra B300, fordele: et modent CUDA-økosystem, etablerede kunderelationer hos de fleste store hyperscalere, og bred tilgængelighed gennem cloud-udbydere som Nebius, Verda og io.net allerede nu.
Nvidia Blackwell Ultra B300, ulemper: mindre hukommelse pr. GPU end AMD’s alternativ, hvilket kan kræve flere GPU’er for samme model, samt de samme generelle HBM-prisstigninger, som rammer hele branchen, bekræftet af Nvidia selv med over 15 procent højere serverpriser.
Set samlet handler valget mindre om, hvilket chip der har de mest imponerende tal på et datablad, og mere om, hvilken risiko en organisation er villig til at bære. AMD tilbyder potentielt bedre hardwareøkonomi, men med en mindre moden softwarestak og mindre synlighed i forsyningskæden. Nvidia tilbyder forudsigelighed og et modent økosystem, men til en pris, der også stiger i takt med hukommelseskrisen.
Hvilken chip passer til hvilket brug?
- Træning af trillion-parameter-modeller med stramt budget til GPU-antal: AMD MI400/Helios, på grund af den højere hukommelse pr. GPU, som reducerer antallet af nødvendige chips.
- Virksomheder med eksisterende CUDA-kodebase og stramme deadlines: Nvidia B300, fordi migreringsomkostningen til ROCm ofte overstiger gevinsten ved bedre specifikationer på papiret.
- Startups, der bygger fra bunden uden legacy-kode: begge platforme er reelle muligheder. Test på faktisk workload før valg, da softwaregabet betyder mindre, når man ikke migrerer eksisterende systemer.
- Forskningsinstitutioner med begrænset kapitalbudget: ældre generation som B200/GB200 NVL72 kan stadig give god værdi, da priserne på nyeste generation er presset ekstra hårdt af HBM4-krisen.
- Nordiske cloud- og datacenteroperatører: en multi-vendor-strategi, der kombinerer begge platforme via leje hos udbydere som Nebius, reducerer eksponeringen mod forsyningsknaphed hos én enkelt leverandør.
- Inferens i stor skala med stramme latenskrav: Nvidia B300 kombineret med det modne CUDA-inferens-økosystem er ofte det sikre valg, indtil ROCm-inferensværktøjerne er lige så udbredt testet.
Tabellen nedenfor opsummerer anbefalingerne i et hurtigt overblik, så du kan sammenholde workload-type direkte med chipvalg og den primære begrundelse.
| Workload-type | Anbefalet platform | Primær begrundelse |
|---|---|---|
| Trillion-parameter træning, GPU-antal er flaskehals | AMD MI400/Helios | 432 GB hukommelse pr. GPU reducerer antal chips |
| Eksisterende CUDA-kodebase | Nvidia B300 | Ingen migreringsomkostning |
| Ny arkitektur uden legacy-kode | Begge, test først | Softwaregab betyder mindre uden migrering |
| Stramt kapitalbudget | Nvidia B200/GB200 NVL72 | Ældre generation, mindre presset af HBM4-krisen |
| Nordisk cloud-drift | Multi-vendor via leje | Reducerer eksponering mod én leverandør |
| Lav-latens inferens i stor skala | Nvidia B300 | Modent CUDA-inferens-økosystem |
Hvad betyder det for Danmark og Norden?
Der findes i skrivende stund ingen offentligt dokumenteret, navngivet dansk, svensk, norsk eller finsk virksomhed, der har annonceret en konkret installation af hverken MI400/Helios eller GB300 NVL72. Det betyder ikke, at nordiske datacentre er uden for kortet: Norden har længe været attraktiv for AI-tung infrastruktur på grund af billig, ofte vedvarende energi og et koldt klima, der reducerer kølingsomkostninger, en fordel der bliver endnu vigtigere, når enkelte racks trækker op mod 120 kW.
Det mest sandsynlige scenarie for danske virksomheder i 2026 er derfor ikke at købe hele racks direkte, men at leje kapacitet gennem de europæiske AI-cloud-udbydere, der allerede har annonceret GB300-adgang. Det giver adgang til den nyeste hardware uden at skulle bære den fulde risiko af HBM4-prisstigningerne eller forpligte sig til flerårige leverandøraftaler i et marked, hvor priserne stadig bevæger sig markant fra måned til måned.
For danske virksomheder, der overvejer egen AI-infrastruktur frem for cloud-leje, er strømforsyning en central faktor. Et enkelt GB300 NVL72-rack trækker omkring 120 kW, hvilket langt overstiger, hvad et almindeligt serverrum er dimensioneret til. Det betyder, at investeringen sjældent kun handler om selve chippene, men også om at opgradere strøm- og kølingsinfrastruktur, noget der yderligere presser totalprisen op oven på den allerede stigende HBM-regning.
Verdict: hvem vinder AI-chipkampen i 2026?
Ser man udelukkende på specifikationer, vinder AMD MI400/Helios klart: 432 GB mod 288 GB hukommelse, 19,6 TB/s mod 8 TB/s båndbredde, og højere opgivet FP4/FP8-ydelse på både chip- og rackniveau. Det er et reelt teknisk spring, og det forklarer, hvorfor AMD for første gang i flere år kan positionere sig som et seriøst alternativ frem for blot en billigere kopi.
Ser man på hele billedet, inklusiv software, tilgængelighed og dokumenterede kunderelationer, forbliver Nvidia B300 det sikrere valg for de fleste virksomheder i 2026. CUDA-økosystemet, de etablerede cloud-partnerskaber og den brede tilgængelighed via udlejningsplatforme som Nebius og Verda vejer tungt, særligt for organisationer, der ikke har ressourcer til at eksperimentere med et mindre modent softwaremiljø.
Den reelle vinder af 2026 er dog hverken AMD eller Nvidia isoleret set. Det er de virksomheder, der formår at sikre sig HBM-forsyning tidligt, uanset chipvalg, fordi hukommelseskrisen, med priser der er steget over 47 procent på et halvt år, betyder mere for den endelige regning end forskellen mellem 40 og 20 PFLOPS på et databark.
Kort fortalt: vælg AMD MI400/Helios, hvis din organisation er hukommelsesbunden, har et modent DevOps-team, der kan håndtere en mindre moden softwarestak, og prioriterer råspecifikationer over bekvemmelighed. Vælg Nvidia B300, hvis din organisation allerede lever i CUDA-økosystemet, har brug for hardware, der er tilgængelig til leje i dag, og foretrækker den lavere risiko, der følger med en etableret leverandør. Uanset valg bør enhver beslutning i 2026 tage højde for, at hukommelsesprisen kan ændre sig markant, før kontrakten overhovedet er underskrevet.
Ofte stillede spørgsmål
Er AMD MI400 hurtigere end Nvidia B300?
På papiret opgiver AMD højere FP4- og FP8-tal samt mere hukommelse pr. GPU. Der findes dog endnu ikke uafhængige MLPerf-benchmarks, der bekræfter, hvordan forskellen ser ud i faktisk produktion.
Hvorfor er HBM4-hukommelse så dyr i 2026?
Fordi Samsung, SK Hynix og Micron har flyttet produktionskapacitet mod HBM til AI-chips, mens efterspørgslen er eksploderet. Eksportprisen pr. HBM-enhed steg 47 procent fra første til andet kvartal 2026, og spotpriser på HBM4 lå omkring 3.500 dollar pr. enhed i september 2026.
Kan jeg leje MI400 eller B300 i skyen i stedet for at købe?
Nvidias GB300 NVL72 kan allerede lejes hos flere AI-cloud-udbydere som Nebius, Verda og io.net. For AMD’s MI400/Helios er der endnu ikke samme brede udbud af timebaseret leje dokumenteret offentligt.
Hvad koster et enkelt AI-chip i 2026?
Der findes ingen officiel listepris fra hverken AMD eller Nvidia. Analytikerestimater peger på en komponentomkostning omkring 28.350 dollar for MI455X efter HBM4-prisstigninger, mens Nvidia har bekræftet, at AI-serverpriser generelt er steget over 15 procent på grund af HBM-omkostninger.
Er ROCm klar til produktion som alternativ til CUDA?
ROCm er blevet markant mere modent, med understøttelse i PyTorch og vLLM. De fleste vurderinger peger dog på, at det stadig halter efter CUDA på antallet af færdigoptimerede biblioteker og den samlede udviklerøkosystem-modenhed.
Bruger nogen danske eller nordiske virksomheder allerede disse chips?
Der er ingen offentligt dokumenteret, navngivet installation af MI400 eller B300 i Danmark, Sverige, Norge eller Finland i skrivende stund. Nordiske virksomheder får typisk adgang gennem europæiske cloud-udbydere, der allerede tilbyder kapaciteten til leje.
Skal jeg vente på næste generation, før jeg investerer?
Med HBM4-mangel forventet at fortsætte mindst til 2027 ifølge Samsung, er der ingen garanti for, at ventetid løser prisproblemet. De fleste analytikere anbefaler i stedet at sikre leveringsaftaler tidligt, uanset hvilken generation man vælger.
Hvilken platform er billigst i det lange løb?
Det afhænger af arbejdsbyrden. Hvis en model kræver færre AMD-GPU’er på grund af den højere hukommelse pr. chip, kan totalomkostningen ende lavere trods en højere pris pr. enkeltchip. Uden adgang til begge platforme i egen produktion er det svært at give et endeligt svar, og virksomheder bør regne på deres eget workload frem for at basere sig på listepriser alene.
Hvad er forskellen på GB200 NVL72 og GB300 NVL72?
Begge er Nvidia-rackplatforme med 72 GPU’er, men GB300 NVL72 bruger de nyere B300-chips med 288 GB HBM3e pr. GPU mod 186 GB på GB200 NVL72’s B200-chips. Det giver GB300 omkring 20,7 TB samlet rackhukommelse mod 13,4 TB på GB200, og en FP4-ydelse på 1.080 PFLOPS dense mod 720 PFLOPS.
Skal jeg vælge AMD på grund af den lavere pris?
Ikke nødvendigvis. Selvom en enkelt MI455X kan have en anden komponentomkostning end en B300, er hverken AMD’s eller Nvidias reelle listepriser offentlige. Den afgørende faktor bør være, hvor mange GPU’er din arbejdsbyrde reelt kræver på hver platform, samt hvor meget en eventuel migrering fra CUDA til ROCm koster i udviklertimer.
