Tre AI-chipplatforme er landet inden for de seneste tre måneder, og de sætter hver deres pris på, hvad fremtidens AI-infrastruktur skal koste. Nvidia startede fuld produktion af Vera Rubin NVL72 den 1. juni 2026. AMD løftede sløret for Instinct MI450 og flagskibet MI455X den 23. juli 2026 på sit Advancing AI-event. Amazon fulgte op med bred tilgængelighed af Trainium3-baserede Trn3 UltraServer-instanser i sommeren 2026. Alle tre sigter mod det samme marked: datacentre, der træner og kører store sprogmodeller i eksaflops-skala. Men de løser opgaven forskelligt, og prisen for at vælge forkert er ikke lille, når en enkelt rack koster millioner af kroner at drifte. Denne artikel stiller specifikationer, priser og reelle installationer op mod hinanden, så udviklere, IT-indkøbere og datacenteroperatører i Danmark og Norden kan se, hvad de faktisk får for pengene, og hvornår hver platform reelt giver mening at vælge.

Tre platforme, én kappestrid: hvad er Rubin, MI450 og Trainium3?

Nvidia Vera Rubin NVL72 er efterfølgeren til Blackwell-arkitekturen og markedsføres af Nvidia som et “extreme co-designed” seks-chip-system. Det kombinerer Rubin-GPU’er, Vera-CPU’er, NVLink 6-interconnect, Spectrum-X Ethernet og BlueField-4 DPU’er i én rack-løsning. Ifølge Nvidias egen produktside er alle tal foreløbige, men platformen gik i fuld produktion 1. juni 2026, og kommerciel tilgængelighed gennem partnere ventes i andet halvår af 2026.

AMD Instinct MI450, med flagskibet MI455X, er AMD’s svar og bygger videre på MI300X-familien. Chippen samler AMD’s Helios-rack, der kombinerer MI455X-acceleratorer med kommende “Venice”-baserede EPYC-serverprocessorer og AMD’s eget netværkssilicium i ét væskekølet kabinet. AMD har offentligt kaldt MI450 sin mest aggressive udfordring til Nvidia til dato, og chippen har allerede sikret sig en stor kunde: OpenAI har indgået en aftale om 6 gigawatt kapacitet bygget på AMD’s Instinct-serie, ifølge WION News.

AWS Trainium3 er Amazons tredje generation af sin egenudviklede AI-accelerator, bygget specifikt til AWS’ egen sky. Chippen blev annonceret i december 2025, og Trn3 UltraServer-instanserne, der samler op til 144 chips i én skalerbar enhed, opnåede bred tilgængelighed i EC2 hen over sommeren 2026. Amazon positionerer Trainium3 som et omkostnings- og energieffektivt alternativ til Nvidia-GPU’er, primært til inferens i stor skala.

Fælles for alle tre er, at de er designet til rack-skala frem for enkeltchip-salg. Ingen af dem sælges typisk som løse kort til virksomheder, der selv bygger servere. I stedet lejes regnekraften gennem skyudbydere, eller virksomheder indgår direkte partnerskaber med Nvidia, AMD eller Amazon om hele racks.

Timingen er ikke tilfældig. Alle tre lanceringer falder inden for et vindue på cirka to måneder i midten af 2026, hvilket afspejler, hvor tæt konkurrencen om AI-infrastruktur er blevet. Nvidia har domineret markedet siden Hopper-generationen (H100/H200), men både AMD og Amazon har brugt de seneste to år på at lukke hullet. AMD’s satsning bygger videre på MI300X, som allerede findes i produktion hos Microsoft, mens Amazons Trainium-familie nu er inde i sin tredje generation efter Trainium1 og Trainium2. Ingen af udfordrerne starter altså fra nul, men begge har stadig et stykke vej, før de matcher Nvidias økosystem fuldt ud.

Specifikationer side om side

Der er en vigtig forskel i, hvor meget hver leverandør har offentliggjort. Nvidia og Amazon har publiceret detaljerede specifikationsark for Rubin NVL72 og Trainium3. AMD har derimod kun frigivet dele af Helios-specifikationerne og henviser i flere tilfælde til MI300X-forgængeren som reference. Tabellen nedenfor samler de bekræftede tal fra Nvidia, AWS og AMD.

SpecifikationNvidia Vera Rubin NVL72AMD Instinct MI450/MI455X (Helios)AWS Trainium3 (Trn3 UltraServer)
Status/lanceringFuld produktion siden 1. juni 2026Annonceret 23. juli 2026Chip annonceret dec. 2025
Bred tilgængelighed2. halvår 2026 via partnereGradvis udrulning fra 2H 2026Sommer 2026 (EC2)
Hukommelsestype pr. chip288 GB HBM4432 GB HBM4 (MI455X)144 GB HBM3e
Hukommelsesbåndbredde pr. chip22 TB/sIkke offentliggjort4,9 TB/s
Samlet rack-hukommelse20,7 TB HBM4 (72 GPU’er)Ikke offentliggjort20,7 TB HBM3e (144 chips)
Aggregeret båndbredde, rack1.400 TB/sIkke offentliggjort706 TB/s
FP8/FP6 træning (rack, dense)1.260 PFLOPSIkke offentliggjort362 PFLOPS (MXFP8)
NVFP4 inferens (rack)3.600 PFLOPSIkke offentliggjortBruger MXFP4, ikke direkte sammenlignelig
Scale-up interconnectNVLink 6, 3,6 TB/s pr. GPUEvolveret Infinity FabricAWS’ egen scale-up fabric
KølingFuld væskekøling (MGX/LPX)Væskekølet Helios-rackIkke detaljeret offentliggjort
Primær distributionNvidia-partnere, f.eks. CoreWeaveMicrosoft Azure, OpenAI-aftaleKun AWS EC2
Ydelsesløfte vs. forgængerIkke direkte sammenlignet af Nvidia~10x træningsydelse vs. MI300X (AMD’s eget tal)4,4x ydelse, ~4x energieffektivitet vs. Trainium2

Bemærk at Nvidia selv markerer sine Rubin-tal som “preliminary” på produktsiden. AMD’s manglende offentliggørelse af rack-niveau-tal for Helios gør det svært at lave en fuldt lige sammenligning, og indtil AMD frigiver flere data, må købere delvist støtte sig til MI300X som en konservativ reference for, hvad Helios som minimum bygger videre på.

Hukommelse og båndbredde: HBM4 mod HBM3e

Hukommelse er ofte den reelle flaskehals i store sprogmodeller, ikke regnekraften. Her skiller Rubin sig ud med HBM4, den nyeste generation af high-bandwidth memory, der leverer markant højere båndbredde pr. chip end forgængeren HBM3e. Rubin-GPU’en har 288 GB HBM4 og 22 TB/s pr. chip. Samlet i et NVL72-rack med 72 GPU’er giver det 20,7 TB pooled hukommelse og en aggregeret båndbredde på 1.400 TB/s, ifølge Nvidias officielle specifikationsside.

Trainium3 bruger stadig HBM3e, men når frem til samme samlede rack-kapacitet på 20,7 TB, fordi UltraServer samler flere chips (144 mod Rubins 72). Til gengæld ligger den aggregerede båndbredde markant lavere: 706 TB/s mod Rubins 1.400 TB/s. AWS fremhæver selv, at Trainium3 øger hukommelseskapaciteten 1,5 gange og båndbredden 1,7 gange i forhold til Trainium2, hvilket viser en klar forbedring, men stadig et godt stykke fra Nvidias nyeste tal.

For AMD er billedet mere uklart. MI455X ventes at bruge HBM4 ifølge branchekilder og AMD’s egne præsentationer, men et offentligt, verificeret tal for rack-niveau-båndbredde findes endnu ikke. MI300X-forgængeren lå på 192 GB HBM3 og 5,3 TB/s pr. GPU, hvilket giver et billede af, hvor AMD kommer fra, men ikke hvor Helios reelt lander. Konklusionen for hukommelse er relativt klar: Rubin fører på råbåndbredde, Trainium3 er tættest på i samlet kapacitet men langsommere i dataoverførsel, og AMD’s reelle position kan først vurderes, når flere tal offentliggøres.

Hvorfor betyder det så meget? Store sprogmodeller skal flytte enorme mængder vægte og aktiveringer mellem hukommelse og regnekerner for hver eneste token, der genereres. Hvis båndbredden ikke kan følge med, står de dyre regnekerner og venter, uanset hvor mange FLOPS de i teorien kan levere. Det er præcis den mekanik, der forklarer, hvorfor Rubins 1.400 TB/s aggregerede båndbredde vejer tungt i vurderingen, selv når man ser bort fra rene FLOPS-tal. For meget store modeller, der ikke kan være i hukommelsen på én chip, bliver interconnect-hastigheden mellem chips i praksis lige så vigtig som hukommelsen på det enkelte chip.

Regnekraft: hvad FLOPS-tallene faktisk betyder

Nvidia opgiver Rubin NVL72 til 1.260 PFLOPS dense FP8/FP6-træning pr. rack, 2.520 PFLOPS NVFP4-træning og hele 3.600 PFLOPS NVFP4-inferens. Det er tal, der langt overgår både forgængeren Blackwell og alt, hvad AMD og Amazon har offentliggjort til sammenligning. Trainium3 UltraServer lander på 362 PFLOPS dense FP8 (MXFP8) ved fuld bestykning med 144 chips, og Tom’s Hardware har analyseret tallene til at ligge klart foran Nvidias ældre H100 og H200 i FP8-gennemstrømning, men bagved Blackwell-generationens B200 og B300.

Det er værd at holde tallene op mod hinanden med et kritisk blik. Rubins rack har halvt så mange chips som en fuld Trainium3 UltraServer, men til gengæld er hver Rubin-GPU markant kraftigere, og forskellen på 1.260 mod 362 PFLOPS er større, end antallet af chips alene forklarer. AMD har ikke offentliggjort et sammenligneligt PFLOPS-tal for Helios-rack, men taler i egne præsentationer om mere end dobbelt så god ydelse pr. watt sammenlignet med MI300X, samt op mod ti gange højere træningsydelse i visse konfigurationer, et tal AMD selv har fremsat.

Rå FLOPS-tal fortæller dog ikke hele historien. SemiAnalysis’ inferensanalyser viser, at faktisk udnyttelse ofte falder markant ved lave batch-størrelser, fordi arbejdsbyrden bliver hukommelsesbåndbredde-bundet frem for regnekraft-bundet. En 8x B200-konfiguration når eksempelvis kun 0,24 procent udnyttelse ved batch-størrelse 1, ifølge analysen. Det betyder, at et rack med høje teoretiske FLOPS-tal ikke automatisk giver den bedste pris pr. genereret token i produktion.

Et enkelt chip er sjældent flaskehalsen i moderne AI-træning. Det er forbindelsen mellem chips, der afgør, om et helt rack kan opføre sig som én sammenhængende regnemaskine. Nvidia bruger NVLink 6 til at forbinde Rubin-GPU’erne, med 3,6 TB/s bidirektionel båndbredde pr. GPU og en samlet scale-up-båndbredde inde i racket, der ifølge Nvidias egne tal når 260 TB/s. Det er en direkte videreudvikling af NVLink-teknologien, der allerede gjorde GB200 NVL72 til den foretrukne platform for selskaber som Cohere, IBM og Mistral AI.

AMD’s tilgang bygger på en videreudviklet version af Infinity Fabric. På MI300X-forgængeren gav teknologien 448 GB/s scale-up-båndbredde pr. chip og et fuldt sammenkoblet 8-GPU-domæne med 42,4 TB/s samlet domænebåndbredde. AMD har endnu ikke offentliggjort de tilsvarende tal for Helios-rack, men har bekræftet, at topologien er videreudviklet specifikt til at understøtte MI455X’s højere hukommelseskapacitet. Amazon har valgt en tredje vej med sin egen, proprietære scale-up-fabric til Trn3 UltraServer, som ikke er offentliggjort på per-link-niveau, men som samlet set leverer de 706 TB/s aggregerede båndbredde, der binder de 144 chips i en UltraServer sammen. Fælles for alle tre er, at ingen af dem tillader direkte sammenkobling på tværs af leverandører. Et Rubin-rack taler ikke naturligt med et Trainium3-rack, hvilket er endnu en grund til, at de fleste virksomheder ender med at vælge én primær platform frem for at blande hardware fra flere leverandører i samme klynge.

Forsyningskæde og chipmangel: kan du overhovedet få adgang?

Specifikationer og priser er kun relevante, hvis chippene reelt kan skaffes. Efterspørgslen efter avancerede AI-acceleratorer har oversteget udbuddet i flere år, og det gælder også for de tre nyeste platforme. Nvidia har selv beskrevet ventelisterne til Blackwell-generationen som et af de klareste tegn på, hvor presset markedet for avanceret AI-regnekraft er, og analysehuse har i 2026 peget på, at flere millioner GPU’er allerede er forudbestilt af de største AI-labs og skyudbydere, før produktionen overhovedet er skaleret op.

Det skaber en praktisk konsekvens for mindre kunder, herunder danske og nordiske virksomheder: de mest eftertragtede racks går typisk til de største, mest kapitalstærke kunder først. OpenAI’s aftale om 6 gigawatt kapacitet på AMD’s platform og Anthropics fodaftryk på over 1 million Trainium2-chips er begge eksempler på, hvordan de allerstørste AI-labs sikrer sig kapacitet år i forvejen gennem direkte aftaler. For en mindre virksomhed betyder det i praksis, at adgang til den nyeste hardware ofte kommer gennem en skyudbyders almindelige instansudbud, med de ventetider og kapacitetsbegrænsninger det kan indebære, snarere end gennem direkte indkøb.

Benchmarks fra tre uafhængige kilder

MLPerf 5.0 Training

I den seneste runde af MLPerf-træningsbenchmarks testede AMD kun MI300X på én opgave, finjustering af Llama 2-70B, og kun på en enkelt 8-GPU-node. Resultatet viste, at MI300X performede en anelse dårligere end Nvidias H100 på den specifikke test, ifølge en gennemgang fra xpu.pub. Det begrænsede antal indsendte tests gør det svært at vurdere AMD’s bredere konkurrenceevne, men det viser samtidig, at AMD stadig halter efter Nvidia i at dokumentere ydelse gennem uafhængige, standardiserede benchmarks.

SemiAnalysis’ trænings- og inferensbenchmarks

SemiAnalysis’ egne tests konkluderer, at H100 og H200 slår MI300X med mere end 2,5 gange i TFLOP/s ved brug af AMD’s offentlige ROCm-software. Til gengæld vinder MI300X faktisk over H100, både i absolut ydelse og pris pr. dollar, på meget store modeller som Llama 3 405B og DeepSeek v3 670B. På inferenssiden viser SemiAnalysis’ MiniMax M2.7-test en gennemstrømning på 1.801,9 tokens pr. sekund pr. GPU for H200 mod 1.248,6 for MI300X. På DeepSeek R1 er forskellen endnu større: 2.361,8 tokens pr. sekund pr. chip for H200 mod 725,2 for MI300X. Mønsteret er konsistent: Nvidias H200 slår MI300X på de fleste almindelige inferens-arbejdsbyrder, mens AMD kan indhente eller overgå ældre Nvidia-hardware på de allerstørste modeller.

Tom’s Hardware og CoreWeave

Tom’s Hardwares analyse af Trainium3 placerer chippen klart foran H100 og H200 i FP8-gennemstrømning, men bagved Nvidias Blackwell Ultra-generation (B200/B300). En fuldt bestykket UltraServer med 144 chips ligger ifølge samme analyse nogenlunde på niveau med Nvidias GB300 NVL72 i ren FP8-gennemstrømning, men Nvidias Ultra-racks fører med omkring 3 gange højere ydelse ved FP4-inferens, den præcisionstype, der bruges mest til produktionsinferens i dag. CoreWeave har desuden dokumenteret, at deres GB200-baserede systemer nåede 800 tokens pr. sekund på Llama 3.1 405B i MLPerf Inference v5.0, en stigning på 2,86 gange pr. chip sammenlignet med H200, et resultat der illustrerer, hvor meget rack-skala-integration betyder for den reelle ydelse, uafhængigt af det enkelte chips specifikationer.

Pris: hvad koster regnekraften i praksis?

Ingen af de tre nye platforme har endnu offentlige priser pr. chip eller pr. GPU-time. Både Nvidia, AMD og Amazon holder priserne tæt til kroppen, indtil racks reelt ruller ud til kunder i større skala. Det, man kan gøre i mellemtiden, er at kigge på priserne for forgængerne, som giver et realistisk billede af, hvad regnekraft fra de tre leverandører typisk koster i skyen i dag.

Chip/platformUdbyderPris pr. GPU-time (USD)Note
H100 (SXM 80GB)Gennemsnit på tværs af udbydere~$3,14/time (spænd $0,57-$14,90)GetDeploying, juni 2026
H100AWS P5, on-demand$3,50/timeIntrol markedsanalyse
H200RunPod, on-demand$3,59/timeSemiAnalysis-baseret oversigt
H200Together AI$3,15-3,79/timeSamme oversigt
B200RunPod, on-demand$5,98/timeSamme oversigt
B200Together AI$4,00-5,50/timeSamme oversigt
MI300XSpecialiserede cloud-udbydereTypisk under H100/H200-niveauOfte svagere pris/ydelse pr. token, SemiAnalysis
Trainium3Kun AWS (Trn3 UltraServer)Ingen offentlig pris pr. chip-timeAWS fremhæver lavere pris pr. million tokens
Rubin NVL72Endnu ikke offentliggjort—Nvidia, præliminære specifikationer
MI450/MI455XEndnu ikke offentliggjort—AMD, delvist offentliggjorte specifikationer

Mønsteret fra forgængerne peger på, at Nvidias nyeste hardware typisk koster mest pr. time, men ofte også leverer mest ydelse pr. dollar på almindelige arbejdsbyrder, ifølge SemiAnalysis’ data. AMD’s MI300X er billigere at leje, men vinder ikke altid nok ydelse tilbage til, at det kan betale sig, undtagen på de allerstørste modeller. Trainium3 er den svære platform at prissætte, fordi den kun findes hos AWS, men Amazon og Anthropic har begge fremhævet lavere pris pr. million tokens som det centrale argument for at bruge chippen frem for GPU’er, i stedet for at konkurrere på ren timepris.

Det er også værd at bemærke, hvor bredt priserne spreder sig selv inden for samme chiptype. GetDeploying’s opgørelse viser H100-priser fra 0,57 til 14,90 dollar i timen afhængigt af udbyder og aftaletype, en faktor 26 i forskel. Det betyder, at valget af udbyder ofte betyder lige så meget for den endelige regning som valget af chip. Reserverede aftaler over flere år kan halvere prisen sammenlignet med ren on-demand-leje, hvilket især er relevant for virksomheder med forudsigelige, vedvarende træningsbehov frem for korte, sporadiske eksperimenter.

Softwareøkosystem: CUDA mod ROCm mod Neuron SDK

Hardwaretal fortæller kun halvdelen af historien. Nvidias CUDA-økosystem er stadig branchestandarden, med dyb integration i stort set alle store AI-rammeværker, årtiers udviklerværktøjer og en etableret pipeline af optimerede modeller. Det giver Rubin et forspring, der rækker langt ud over selve chippens specifikationer, fordi de fleste teams allerede har kode, der kører uden ændringer.

AMD’s ROCm-software er den mest direkte udfordrer, men flere af SemiAnalysis’ benchmarks peger konkret på softwaremodenhed som årsagen til, at MI300X underpræsterer i forhold til sit teoretiske potentiale. Forskellen på over 2,5 gange i TFLOP/s mod H100/H200 i træningsbenchmarks skyldes ifølge analysen i høj grad ROCm’s offentlige builds, ikke selve siliciummet. Udviklere, der flytter arbejdsbyrder til AMD, må derfor forvente mere tid brugt på at optimere kerner og rammeværker, end de er vant til fra CUDA.

Amazons Neuron SDK til Trainium er den mest lukkede af de tre, fordi chippen kun findes hos AWS. Amazon har investeret tungt i at gøre populære rammeværker som PyTorch kompatible med Neuron, og TechCrunch har dokumenteret, at både Anthropic og andre store AI-labs allerede kører produktionsarbejdsbyrder på Trainium i stor skala. Ikke desto mindre er tredjepartsværktøjer og fællesskabserfaring stadig langt mindre udbredt end for CUDA, hvilket typisk betyder mere portering ved skift fra Nvidia-baserede pipelines.

Der er også en menneskelig faktor i økosystemvalget. De fleste maskinlæringsingeniører er uddannet og trænet på CUDA, hvilket gør det lettere at rekruttere til Nvidia-baserede projekter end til ROCm- eller Neuron-baserede. Det er en indirekte, men reel omkostning, som sjældent optræder i specifikationsark, men som IT-ledere i praksis må indregne, når de vælger platform, især i mindre markeder som Danmark, hvor puljen af specialiserede AI-infrastrukturingeniører er begrænset i forvejen.

Fem reelle installationer i produktion

Specifikationsark er én ting. Det, der reelt validerer en platform, er om store, sofistikerede kunder rent faktisk sætter deres produktion på den. Her er fem dokumenterede eksempler, der tilsammen dækker alle tre platforme og viser, hvor langt hver af dem allerede er nået i praksis.

  • CoreWeave og Nvidias rack-skala-lineage: CoreWeave var den første cloud-udbyder til at gøre GB200 NVL72-instanser generelt tilgængelige, annonceret 4. februar 2025, og har siden skaleret sin flåde til over 110.000 GPU’er. Historikken gør CoreWeave til en sandsynlig tidlig aftager af Rubin NVL72, når platformen ruller bredere ud senere i 2026.
  • Cohere, IBM og Mistral AI: De tre selskaber var blandt de første kunder til at få adgang til GB200 NVL72 rack-skala-systemer på CoreWeaves sky, ifølge en pressemeddelelse fra april 2025. Det viser, hvordan rack-skala Nvidia-hardware allerede understøtter både store og mellemstore AI-labs.
  • Microsoft Azure og AMD: AMD har offentligt bekræftet, at Microsoft kører Instinct MI300X i produktion på Azure til både egne og open source-modeller, og at Microsoft vil ramme Helios op i stor skala på Azure for at drive frontier-model-inferens.
  • Anthropic og Amazon: Anthropic kører sin Claude-model på over 1 million Trainium2-chips, ifølge en TechCrunch-artikel fra marts 2026, som en del af et samlet fodaftryk på 1,4 millioner Trainium-chips på tværs af tre generationer. Anthropic og Amazon har desuden bekræftet, at skaleret Trainium3-kapacitet kommer online senere i 2026.
  • AWS’ egen infrastruktur: Amazon bruger selv Trn3 UltraServere til at drive både interne og kundevendte AI-arbejdsbyrder, med officielt dokumenterede tal på op til 20,7 TB HBM3e-hukommelse og 362 PFLOPS MXFP8-ydelse pr. fuldt bestykket enhed.

Det mønster, der tegner sig, er, at Nvidia stadig har flest og mest modne referencekunder, fordi GB200-generationen har kørt i produktion længere end både Helios og Trainium3. AMD’s styrke ligger i, at Microsoft har forpligtet sig offentligt til at skalere Helios op på Azure, hvilket giver AMD en stor, navngiven ankerkunde fra dag ét. Amazons fordel er omvendt, at Trainium allerede har bevist sig i den største skala af de tre målt i antal installerede chips, med 1,4 millioner chips på tværs af generationer.

Hvem bør vælge hvilken platform? Seks brugsscenarier

Ingen af de tre platforme er objektivt “bedst” i alle situationer, uanset hvad markedsføringsmaterialet fra hver leverandør antyder. Det rigtige valg afhænger af, hvilken type arbejdsbyrde man kører, hvor prisfølsom man er, og hvilken sky man allerede har investeret i. Her er seks konkrete scenarier, der dækker de mest almindelige beslutningssituationer.

1. Frontier-model-træning i stor skala. Labs, der træner modeller på niveau med GPT eller Claudes næste generation, har brug for den højeste rå ydelse og båndbredde. Her peger tallene entydigt på Rubin NVL72, som fører på både FP8-træning og NVFP4-inferens med god margin.

2. Omkostningsstyret inferens i stor skala. Virksomheder, der primært kører inferens og er prisfølsomme pr. token, bør se nærmere på Trainium3, især hvis de allerede er dybt integreret i AWS. Amazons egne tal og Anthropics produktionserfaring understøtter platformen som et reelt alternativ til GPU’er på netop dette punkt.

3. Eksisterende Azure-kunder med AMD-appetit. Virksomheder, der allerede kører på Microsoft Azure, og som ønsker at diversificere væk fra ren Nvidia-afhængighed, kan med fordel følge Microsofts egen Helios-udrulning, når den rammer bred tilgængelighed.

4. Meget store kontekstvinduer og modeller. SemiAnalysis’ data viser, at MI300X (og potentielt Helios) kan slå ældre Nvidia-hardware i absolut ydelse på ekstremt store modeller som DeepSeek v3 670B. Teams med denne type arbejdsbyrde bør ikke afskrive AMD på forhånd.

5. Multi-cloud-strategi og lock-in-undgåelse. Organisationer, der vil undgå at binde sig til én leverandør, bør overveje en hybrid tilgang: Nvidia-hardware til de mest krævende træningsjob, kombineret med Trainium3 eller MI300X til billigere inferens-arbejdsbyrder, hvor rå ydelse betyder mindre.

6. Nordiske forsknings- og uddannelsesinstitutioner. Mindre nordiske aktører, der ikke selv bygger datacentre, vil typisk møde disse chips gennem skyudbydere som CoreWeave, Azure eller AWS, snarere end direkte indkøb. Her er valget ofte allerede truffet af, hvilken sky institutionen har eksisterende aftaler med.

Migrationsguide: sådan flytter du arbejdsbyrder mellem platforme

At flytte AI-arbejdsbyrder fra én chip-platform til en anden er sjældent en simpel omstigning. Her er de vigtigste trin, uanset om du bevæger dig fra CUDA til ROCm, eller fra Nvidia til Trainium.

  1. Kortlæg dine afhængigheder. Gennemgå hvilke CUDA-specifikke biblioteker, custom kernels og lav-niveau-optimeringer din nuværende pipeline bruger. Jo dybere integration, jo mere portering kræves.
  2. Test på et lille repræsentativt datasæt først. Kør den samme model på begge platforme i lille skala, og sammenlign nøjagtighed, ikke kun hastighed, før du forpligter dig til en fuld migration.
  3. Konverter rammeværkskode. For ROCm betyder det typisk at validere PyTorch- og TensorFlow-understøttelse for de specifikke operatorer, din model bruger. For Trainium betyder det at gennemgå Neuron SDK’s kompatibilitetsliste.
  4. Genoptræn eller finjuster ydelsesparametre. Batch-størrelser, precision (FP8, MXFP8, NVFP4) og hukommelsesallokering skal typisk justeres, fordi hver platform har forskellige optimale driftspunkter, som SemiAnalysis’ utilization-data illustrerer.
  5. Kør parallelle produktionstests. Lad den nye platform køre parallelt med den gamle i en periode, og sammenlign omkostning pr. million tokens, ikke kun rå gennemstrømning.
  6. Planlæg for delvis, ikke total, migration. De fleste organisationer ender med en hybrid opsætning, hvor de mest krævende job bliver på Nvidia, mens billigere inferens flyttes til AMD eller AWS, fremfor en fuld udskiftning på én gang.

Fordele og ulemper ved hver platform

Samlet set handler valget mellem de tre platforme sjældent om, hvilken der er “bedst” i absolut forstand. Det handler om, hvilke kompromiser en given organisation er villig til at acceptere: pris mod ydelse, softwaremodenhed mod rå specifikationer, og fleksibilitet mod dyb leverandørintegration. Her er de vigtigste fordele og ulemper opstillet platform for platform.

Nvidia Vera Rubin NVL72

  • Fordel: Højeste offentliggjorte FLOPS- og båndbreddetal på tværs af de tre platforme.
  • Fordel: Modent CUDA-økosystem med bredest mulige rammeværksunderstøttelse.
  • Ulempe: Historisk høj pris pr. GPU-time sammenlignet med alternativerne.
  • Ulempe: Stærk leverandørbinding til Nvidias eget software- og netværksøkosystem.

AMD Instinct MI450/MI455X (Helios)

  • Fordel: Konkurrencedygtig eller bedre absolut ydelse på de allerstørste modeller, ifølge SemiAnalysis.
  • Fordel: Store hyperscaler-aftaler allerede på plads, inklusive Microsoft Azure og OpenAI.
  • Ulempe: ROCm-softwaren halter stadig efter CUDA i modenhed og dokumenteret ydelse.
  • Ulempe: Begrænsede offentlige rack-niveau-specifikationer gør en fuld sammenligning svær i dag.

AWS Trainium3 (Trn3 UltraServer)

  • Fordel: Dokumenteret lavere pris pr. million tokens og stærk produktionserfaring hos Anthropic.
  • Fordel: Markant forbedret energieffektivitet, cirka 4 gange, sammenlignet med Trainium2.
  • Ulempe: Findes udelukkende på AWS, hvilket skaber en anden form for leverandørbinding end Nvidia eller AMD.
  • Ulempe: Færre uafhængige, tredjeparts-benchmarks tilgængelige sammenlignet med Nvidia og AMD.

Betydning for Danmark og Norden

Ingen af de tre platforme sælges i dag direkte til danske eller nordiske virksomheder som løse komponenter. De fleste danske og nordiske aktører vil møde denne hardware indirekte, gennem globale skyudbydere som AWS, Microsoft Azure eller specialiserede AI-cloud-selskaber som CoreWeave, der alle opererer med regioner, der betjener europæiske kunder. For danske virksomheder, der bygger AI-produkter, betyder det i praksis, at valget mellem Rubin, MI450 og Trainium3 ofte allerede er truffet af, hvilken skyudbyder man har en eksisterende kontrakt med, snarere end en fri hardwarebeslutning.

Det ændrer dog ikke på, at de underliggende specifikationer betyder noget for danske kunder. Hvis en dansk virksomhed lejer regnekraft hos en udbyder, der bygger på Trainium3, arver den udbyderens omkostningsprofil og softwarebegrænsninger. Tilsvarende gælder for en udbyder, der satser på Rubin eller Helios. Det gør det relevant at forstå platformenes styrker og svagheder, selv når hardwaren aldrig fysisk krydser en dansk grænse.

Der er dog undtagelser. Flere internationale skyudbydere driver eller udvider datacentre i de nordiske lande, blandt andet drevet af adgang til kølig luft og relativt stabil grøn strøm fra vandkraft og vindkraft. Hvis den udvikling fortsætter, er det ikke usandsynligt, at dele af Rubin-, Helios- eller Trainium3-kapaciteten på et tidspunkt fysisk placeres tættere på danske og nordiske kunder, hvilket kan reducere netværkslatens for lokale AI-tjenester og gøre spørgsmålet om hvilken chip, der driver infrastrukturen, mere direkte relevant end i dag.

Energiforbrug og bæredygtighed

Energieffektivitet er blevet et centralt salgsargument for alle tre leverandører, ikke kun af klimahensyn, men fordi strøm reelt begrænser, hvor meget regnekraft der kan bygges. Amazon fremhæver, at Trainium3 UltraServer leverer omkring 4 gange bedre energieffektivitet end forgængeren Trainium2, samtidig med at ydelsen stiger 4,4 gange. Det er et af de klareste, tallfæstede effektivitetsløfter blandt de tre platforme.

Nvidia har ikke offentliggjort et direkte sammenligneligt effektivitetstal for Rubin NVL72 mod forgængeren, men fremhæver i stedet fuld væskekøling gennem sin MGX/LPX-infrastruktur som en forudsætning for at drive racks med så høj tæthed. AMD taler i egne præsentationer om mere end dobbelt så god ydelse pr. watt for Helios sammenlignet med MI300X, men uden et offentliggjort, verificeret rack-niveau-tal er påstanden svær at efterprøve uafhængigt i dag. For datacenteroperatører, herunder i Norden, hvor strømpriser og køleforhold varierer markant fra Sydeuropa, er disse effektivitetstal ofte lige så vigtige som den rene regnekraft.

Konklusion: valget afhænger af opgaven, ikke af mærket

Tallene tegner et relativt klart billede. Nvidia Vera Rubin NVL72 fører på næsten alle offentliggjorte metrics: 1.260 PFLOPS dense FP8-træning mod Trainium3’s 362 PFLOPS, og 1.400 TB/s aggregeret hukommelsesbåndbredde mod Trainium3’s 706 TB/s. AMD’s Helios-platform kan potentielt matche eller true begge dele, men mangler stadig de offentliggjorte rack-niveau-tal, der ville gøre en fuldt fair sammenligning mulig i dag.

Men rå ydelse er ikke det eneste, der tæller. Trainium3 vinder på dokumenteret pris pr. token og energieffektivitet, to faktorer der ofte betyder mere for driftsbudgettet end topfart i et enkelt benchmark. MI300X, og formentlig Helios efter det, vinder faktisk over ældre Nvidia-hardware på de allerstørste modeller, ifølge SemiAnalysis’ egne tal. Den praktiske anbefaling er derfor ikke ét svar, men tre: vælg Rubin, hvis du træner frontier-modeller og har råd til topydelsen. Vælg Trainium3, hvis du er AWS-kunde og optimerer for pris pr. token i inferens. Vælg AMD, hvis du allerede er på Azure, eller hvis dine modeller er store nok til, at AMD’s fordel på de tungeste arbejdsbyrder slår igennem.

Det bredere billede er, at konkurrencen mellem de tre platforme er godt for kunderne, uanset hvilken man ender med at vælge. For to år siden var der reelt kun ét seriøst valg for AI-regnekraft i stor skala. I dag har både AMD og Amazon dokumenteret produktionsklare alternativer med navngivne, store kunder bag sig, og det lægger et prispres på Nvidia, som markedet ikke har set tidligere. Den udvikling ventes at fortsætte, efterhånden som Helios’ specifikationer bliver fuldt offentliggjort, og efterhånden som Trainium4, som Amazon allerede har antydet planer om ifølge The Register, begynder at tegne sig i horisonten.

Ofte stillede spørgsmål

Hvornår bliver Nvidia Vera Rubin NVL72 tilgængelig for almindelige kunder?
Rubin gik i fuld produktion 1. juni 2026, og Nvidia venter, at partnere gør platformen kommercielt tilgængelig i andet halvår af 2026, ifølge Nvidias egen produktside.

Kan jeg købe en AMD MI450 eller Trainium3-chip direkte?
Nej. Alle tre platforme sælges primært som rack-skala-systemer gennem partnere og skyudbydere. Trainium3 findes udelukkende hos AWS, mens Rubin og MI450 distribueres gennem Nvidia- og AMD-partnere som CoreWeave og Microsoft Azure.

Hvilken platform er billigst at leje regnekraft fra?
Ingen af de tre nye platforme har offentlige lejepriser endnu. Baseret på forgængerne er MI300X typisk billigst pr. GPU-time, mens Trainium3 fremhæves for lavere pris pr. million tokens frem for ren timepris.

Er AMD’s Helios konkurrencedygtig med Nvidia Rubin?
Det er endnu uklart. AMD har ikke offentliggjort fulde rack-niveau-specifikationer for Helios, hvilket gør en direkte sammenligning med Rubin vanskelig. AMD’s egne tal peger på op mod 10 gange højere træningsydelse end MI300X, men det er ikke et uafhængigt verificeret tal.

Hvorfor bruger Trainium3 stadig HBM3e og ikke HBM4?
AWS har ikke offentliggjort en specifik årsag, men Trainium3 blev udviklet og annonceret før HBM4 var bredt tilgængeligt til produktion i det omfang, Nvidia bruger det i Rubin. AWS kompenserer delvist ved at samle flere chips (144) i hver UltraServer.

Hvilken chip bør en dansk startup vælge til at træne sin egen model?
De fleste danske startups vil ikke købe hardware direkte, men leje regnekraft gennem en skyudbyder. Her afhænger valget mest af, hvilken sky virksomheden allerede bruger, og om opgaven er træning (hvor Rubin typisk vinder på ren ydelse) eller inferens i stor skala (hvor Trainium3 kan give lavere driftsomkostninger).

Hvor stor er forskellen på FP8-træningsydelse mellem Rubin og Trainium3?
Nvidia opgiver 1.260 PFLOPS dense FP8/FP6-træning for et fuldt Rubin NVL72-rack, mens AWS opgiver 362 PFLOPS MXFP8 for en fuldt bestykket Trainium3 UltraServer. Det er en forskel på omkring 3,5 gange til Rubins fordel på dette specifikke mål.

Betyder højere PFLOPS-tal altid bedre reel ydelse?
Nej. SemiAnalysis’ inferensanalyser viser, at faktisk udnyttelse af regnekraften ofte er lav ved små batch-størrelser, fordi arbejdsbyrden bliver begrænset af hukommelsesbåndbredde snarere end regnekraft. Et rack med høje teoretiske FLOPS-tal giver derfor ikke automatisk den bedste pris pr. token i produktion.

Kan jeg blande chips fra flere leverandører i samme klynge?
I praksis nej. NVLink 6, AMD’s Infinity Fabric og AWS’ egen scale-up-fabric er ikke indbyrdes kompatible, så et rack bygget på én platform kan ikke direkte koble sig sammen med et rack fra en anden leverandør. De fleste organisationer driver derfor separate klynger pr. platform og fordeler arbejdsbyrder mellem dem på applikationsniveau i stedet.

Hvor lang tid tager det typisk at flytte en produktionsarbejdsbyrde til en ny platform?
Det varierer meget med kompleksiteten af den eksisterende kode. Migrationsguiden i denne artikel dækker de centrale trin, men for teams med dyb CUDA-integration kan porteringen til ROCm eller Neuron SDK tage fra få uger til flere måneder, afhængigt af hvor mange custom kernels og lav-niveau-optimeringer der skal genskrives.