Nvidia julkisti 15. syyskuuta 2026 pidetyssä AI Infra Summit -tapahtumassa tulokset, jotka kääntävät tekoälylaskennan pullonkaulan uuteen paikkaan. Pilvipalveluntarjoaja Lambda ajoi 19 Nvidia HGX B200 -solmua samalla tehobudjetilla, joka aiemmin riitti vain 16 täydellä teholla toimivalle solmulle. Lopputulos: klusterin yhteenlaskettu tokenien tuotto kasvoi noin 24 prosenttia, ja teho wattia kohden parani noin 23 prosenttia. Mittaus ei kuulosta mullistavalta otsikkotasolla, mutta se ratkaisee ongelman, joka on muuttunut tekoälyteollisuuden todelliseksi kasvun jarruksi: sähkö, ei piisiru, on nyt harvinaisin resurssi. Tällä on suora yhteys myös Suomeen ja muuhun Pohjolaan, jossa verkkokapasiteetti ja datakeskusten sähkönsaanti ovat nousseet investointipäätösten keskiöön.
Mikä on Nvidia DSX MaxLPS?
DSX MaxLPS on osa Nvidian laajempaa DSX-ohjelmistoperhettä, joka on suunniteltu tekoälydatakeskusten (Nvidia kutsuu niitä “AI factory” -laitoksiksi) tehonhallintaan. Nvidian oman tuotesivun mukaan kyse on ohjelmistosta, joka on suunniteltu maksimoimaan tokenituotto megawattia kohden kiinteän tehobudjetin sisällä. Käytännössä DSX MaxLPS ei lisää yhtään wattia sähköä laitoksen käyttöön, vaan jakaa olemassa olevan sähkön älykkäämmin GPU-solmujen kesken reaaliaikaisen kuormituksen mukaan.
Nvidian virallinen dokumentaatio kuvaa kokonaisuutta laajemmin: “NVIDIA DSX MaxLPS on tekoälylaitoksen suunnittelu- ja käyttökehys, joka yhdistää tilojen ja laitoksen suunnittelun, NVIDIA Dynamic Power Softwaren (DPS) ja edistyneet teho/watti-tekniikat auttaakseen NVIDIA Cloud Partnereita (NCP) ja muita tekoälylaitosten operaattoreita maksimoimaan tehon wattia kohden kiinteän tehobudjetin sisällä” (Nvidia, viralliset dokumentit). Toisin sanoen MaxLPS ei ole yksittäinen kytkin, vaan kokonainen kerros, joka ulottuu palvelinhuoneen sähkösuunnittelusta aina ajonaikaiseen kuormantasaukseen.
Lambdan kenttäkoe: 19 solmua 16 solmun tehobudjetissa
Lambda on pilvipalveluntarjoaja, joka palvelee Unite.AI:n mukaan yli 10 000 asiakasta aina tekoälystartupeista hyperskaalaajiin. Yhtiö rakensi viiden räkin ja 19 solmun HGX B200 -klusterin ja ajoi sitä DSX MaxLPS -ohjauksella niin, että koko klusteri pysyi täsmälleen samassa yhteenlasketussa tehobudjetissa, joka oli aiemmin varattu 16 solmulle täydellä teholla. Yksittäiset solmut toimivat noin 85 prosentin tehotasolla, mutta solmuja oli kolme enemmän.
Nvidia tiivisti tuloksen omassa blogissaan suoraan: “Lambda ajoi 19 solmua samassa tehobudjetissa, joka tyypillisesti varataan 16 täydellä teholla toimivalle solmulle, nostaen klusterin tokenituottoa 24 prosentilla – noin neljästä miljoonasta viiteen miljoonaan tokeniin sekunnissa – samalla kun teho wattia kohden parani 23 prosentilla” (Nvidia, AI Infra Summit -katsaus). Testissä käytettiin MLPerf-tyyppisiä inferenssi- ja koulutuskuormia, jotta tulos olisi toistettavissa ja vertailukelpoinen muuhun alan dataan nähden.
On syytä korostaa, että kyse on valmistajan ja asiakkaan itse raportoimasta validoinnista, ei riippumattomasta MLPerf-sertifioinnista. Nvidia itse ja useat teknologiamediat ovat tästä syystä käsitelleet lukuja kenttäkoetuloksena, ei auditoituna yleisbenchmarkina.
Luvut auki: näin 24 prosentin ja 23 prosentin väite lasketaan
Nvidia ei ole julkaisemissaan materiaaleissa avannut tarkkaa kilowattilukua, mutta taiwanilainen teknologiasivusto Alphalab on rekonstruoinut luvut julkisten tietojen perusteella arvioon, jossa perustason 16 solmua kuluttaisi noin 128,0 kilowattia ja MaxLPS-konfiguraation 19 solmua noin 129,2 kilowattia. Tämä on toimittajan oma jälkilaskelma, ei Nvidian virallisesti vahvistama luku, mutta se avaa hyvin, miksi prosenttiluvut täsmäävät.
Tokenituotto: 5,00 M / 4,04 M - 1 ≈ 0,238 → pyöristettynä 24 %
Teho per watti: (5,00 M / 129,2 kW) / (4,04 M / 128,0 kW) - 1 ≈ 0,226 → pyöristettynä 23 %Alla oleva taulukko kokoaa Lambdan kenttäkokeen avainluvut. Kilowattisarakkeen luvut ovat kolmannen osapuolen rekonstruktio, kun muut luvut perustuvat suoraan Nvidian ja Lambdan julkaisemiin tiedotteisiin.
| Konfiguraatio | Solmuja | Tehotaso per solmu | Arvioitu tehobudjetti | Tokenituotto | Teho per watti |
|---|---|---|---|---|---|
| Perustaso (ennen MaxLPS:ää) | 16 | 100 % | ~128,0 kW (arvio) | ~4,0 miljoonaa tokenia/s | Vertailutaso |
| DSX MaxLPS -konfiguraatio | 19 | ~85 % | ~129,2 kW (arvio) | ~5,0 miljoonaa tokenia/s | +23 % |
| Muutos | +3 solmua | −15 pistettä | ~+1 % | +24 % | +23 % |
Keskeinen havainto on, että lisäsolmujen teho pidettiin kurissa laskemalla yksittäisten GPU:iden tehorajaa, eikä lisäämällä sähköliittymän kokoa. Tulos ei siis tarkoita, että yksittäinen B200 olisi muuttunut tehokkaammaksi piiriksi, vaan että koko klusterin tehonkäyttö optimoitiin uudelleen ohjelmistolla.
Laboratoriotulokset menevät yhä pidemmälle: +49,2 prosenttia
Lambdan kenttäkoe ei ole Nvidian ainoa MaxLPS-mittaus. Yhtiön kehittäjäblogissa kuvataan erillinen, kontrolloidummassa laboratorioympäristössä tehty testi, jossa tulokset ovat selvästi suuremmat: “DSX MaxLPS nosti normalisoitua kokonaisläpäisyä 49,2 prosentilla ja teho per varattu watti -lukua arvosta 4,10 arvoon 6,12 tokenia sekunnissa wattia kohden” (Nvidia Developer Blog).
Näitä kahta lukua ei pitäisi sekoittaa toisiinsa. Lambdan 24 ja 23 prosentin luvut ovat tuotantoympäristön kenttävalidointi todellisella asiakkaalla. Developer-blogin 49,2 prosentin luku on erillinen, tarkemmin kontrolloitu laboratoriomittaus, joka edustaa parhaan tapauksen tulosta optimoidummalla kuormituksella. Molemmat osoittavat samaan suuntaan, mutta eri skaalalla, ja journalistisesti on tärkeää pitää ne erillään, jotta lukija ei saa käsitystä yhdestä yhtenäisestä prosenttiluvusta.
Miksi sähkö on nyt tekoälyn pullonkaula, ei piisiru
Viimeisen kahden vuoden ajan tekoälyinfrastruktuurin keskustelu on pyörinyt GPU-saatavuuden ja muistipulan ympärillä. DSX MaxLPS -tulosten taustalla on kuitenkin toinen, vähemmän näkyvä rajoite: moni datakeskus ei ole enää kiinni siitä, montako GPU:ta se saa ostettua, vaan siitä, montako megawattia sähköä sille on fyysisesti saatavilla. Muuntajakapasiteetti, sähköverkon liityntäpisteet ja jäähdytysjärjestelmien mitoitus eivät skaalaudu yhtä nopeasti kuin piirivalmistus.
Lambda tiivisti tilanteen omassa julkaisussaan X-palvelussa yhdellä lauseella, joka on syytä kääntää suoraan: “Sähkö on muodostumassa merkittäväksi rajoitteeksi tekoälyinfrastruktuurille” (Lambda, X-julkaisu). Lause on lyhyt, mutta se kuvaa koko toimialan siirtymää: kilpailuedun mittari on muuttumassa “montako GPU:ta minulla on” -kysymyksestä “montako tokenia saan ulos kiinteästä megawattimäärästä” -kysymykseksi.
Blackwell-sukupolven muisti- ja tehopula ruokkii ongelmaa
Tehopulan rinnalla kulkee tuttu ilmiö: HBM- ja GDDR-muistin hinnat ovat nousseet voimakkaasti vuoden 2026 aikana, ja Nvidia on jo aiemmin joutunut nostamaan osan Blackwell-sukupolven palvelinhintoja kymmenien prosenttien verran muistin saatavuusongelmien vuoksi. Kun yhtä resurssia (muisti) ei saa riittävästi halvalla, toisen resurssin (sähkö) tehokkaampi käyttö muuttuu entistä houkuttelevammaksi tavaksi puristaa lisää suorituskykyä olemassa olevasta laitekannasta. DSX MaxLPS ei ratkaise muistipulaa, mutta se tarjoaa operaattoreille keinon tehdä enemmän niillä GPU:illa ja sillä sähköllä, joita heillä juuri nyt on käytössä.
Tämä yhdistää kaksi aiemmin erillistä keskustelua: piirien ja muistin saatavuuden sekä sähkönsaannin. Molemmat kaventavat samaa pullonkaulaa eri suunnista, ja molemmat ohjaavat operaattoreita etsimään tehokkuutta ohjelmistotasolta, kun laitteistotason laajennus on hidasta tai kallista.
Jäähdytys ja konesaliteho: toinen puoli samaa yhtälöä
Tehon jakaminen uudelleen solmujen välillä ei vaikuta vain sähkölaskuun, vaan myös konesalin jäähdytyssuunnitteluun. Kun 19 solmua toimii noin 85 prosentin tehotasolla sen sijaan, että 16 solmua toimisi täydellä teholla, lämpökuorma jakautuu useammalle fyysiselle yksikölle. Tämä voi käytännössä helpottaa paikallisten lämpöpiikkien hallintaa räkkitasolla, koska yksittäinen solmu ei enää työskentele jatkuvasti maksimissaan. Nvidia ei ole julkaisemissaan materiaaleissa esittänyt tarkkoja lukuja jäähdytyskuorman muutoksesta, mutta ilmiö on looginen seuraus siitä, että tehonkäyttö tasataan useammalle laitteelle saman kokonaisbudjetin sisällä.
Tämä on merkityksellistä myös Pohjoismaissa, joissa monet uudet tekoälydatakeskukset on suunniteltu käyttämään ulkoilman viileyttä ja nestejäähdytystä yhdistelmänä. Jos ohjelmisto tasaa lämpökuormaa tasaisemmin usean solmun kesken, se voi vähentää huippukuormituksen aiheuttamaa painetta jäähdytysjärjestelmän mitoitukseen, mikä puolestaan tukee samaa logiikkaa kuin sähköverkon kapasiteettisäästö: olemassa olevasta infrastruktuurista saadaan enemmän irti ilman uutta rakentamista.
Vera Rubin NVL72: seuraava sukupolvi lupaa jopa 40 prosenttia lisää kapasiteettia
Samassa AI Infra Summit -tilaisuudessa Nvidia esitteli myös tulevaa Vera Rubin NVL72 -alustaa koskevan ennusteen: sopivissa tekoälylaitoskonfiguraatioissa seuraavan sukupolven järjestelmät voisivat tarjota jopa 40 prosenttia enemmän GPU-kapasiteettia megawattia kohti kuin nykyiset ratkaisut. Tämä on syytä merkitä selvästi ennusteeksi, ei mitatuksi tulokseksi – Lambdan 24 ja 23 prosentin luvut ovat todellisesta, käytössä olevasta Blackwell/B200-laitteistosta mitattuja, kun Vera Rubin -luku on Nvidian oma projektio tulevasta alustasta, joka ei ole vielä laajassa tuotantokäytössä.
Ero on tärkeä lukijalle: DSX MaxLPS osoittaa, että nykyisestä laitekannasta saa lisätehoa pelkällä ohjelmistopäivityksellä ilman uutta investointia. Vera Rubin -lupaus sen sijaan edellyttää uutta laitteistosukupolvea ja siten uutta pääomaa.
Kilpailutilanne: mitä AMD ja muut sanovat tehotehokkuudesta
Tätä artikkelia varten tehty taustatutkimus ei löytänyt AMD:lta vastaavaa, riippumattomasti vertailukelpoista teho-per-watti-mittausta MI350- tai MI400-sarjan kiihdyttimille lokakuuhun 2026 mennessä. AMD on julkaisemillaan tiedoilla kertonut omista TDP- ja muistikaistaluvuista, mutta koko klusterin tasolla mitattua, samalla metodologialla tehtyä tokens-per-watt-tulosta ei ollut saatavilla tämän artikkelin tietojen keruuhetkellä. Tämä kannattaa sanoa suoraan ääneen: Nvidian ja Lambdan luvut ovat tällä hetkellä alan näkyvin julkinen mittaus tästä nimenomaisesta ongelmasta, eikä sille ole vielä suoraa, yhtä avointa vastinetta kilpailijoilta.
Tämä ei tarkoita, että AMD:n ratkaisut olisivat tehottomampia – se tarkoittaa, että vertailukelpoista, julkista dataa ei ole. Datakeskusoperaattorin kannalta tilanne on silti selvä: juuri nyt on olemassa yksi julkinen, nimetyn asiakkaan vahvistama esimerkki siitä, että kiinteästä tehobudjetista saa enemmän irti ohjelmistolla, ja se on Nvidia-Lambda-pari.
| Alusta / ratkaisu | Raportoitu tehoparannus | Tila lokakuussa 2026 |
|---|---|---|
| Nvidia DSX MaxLPS (HGX B200, Lambda-kenttäkoe) | +24 % tokenituotto, +23 % teho/watti | Mitattu, asiakkaan vahvistama |
| Nvidia DSX MaxLPS (laboratoriomittaus) | +49,2 % kokonaisläpäisy, 4,10→6,12 tokenia/s/W | Mitattu, kontrolloitu laboratorio |
| Nvidia Vera Rubin NVL72 (seuraava sukupolvi) | Jopa +40 % kapasiteettia / MW | Nvidian oma ennuste, ei tuotantodataa |
| AMD MI350 / MI400 | Ei vertailukelpoista julkista lukua löytynyt | Ei vahvistettua dataa saatavilla |
| Perinteinen staattinen tehonhallinta | Vertailutaso (0 %) | Yleinen toimialan lähtötilanne ennen MaxLPS:ää |
Miksi tämä kiinnostaa Suomea ja Pohjoismaita juuri nyt
Pohjoismaissa, ja erityisesti Suomessa, tekoälydatakeskusten rakentamista on viime vuosina perusteltu edullisella ja vähäpäästöisellä sähköllä. Google on sitoutunut noin 13 miljardin euron investointeihin Suomeen, LUMI-AI-supertietokone Kajaanissa edustaa 387,8 miljoonan euron panostusta, ja Nebius on käynnistänyt Vera Rubin -pohjaista kapasiteettia Suomessa noin 1,5 miljardin euron arvosta. Nämä hankkeet eivät kuitenkaan ole kiinni vain sähkön hinnasta, vaan yhä useammin siitä, kuinka paljon tehoa sähköverkosta ylipäätään on fyysisesti saatavilla halutussa pisteessä ja halutussa aikataulussa.
Verkkokapasiteetti, ei sähkön hinta, on todellinen pullonkaula
Tässä kohtaa DSX MaxLPS -tyyppiset ratkaisut muuttuvat erityisen relevanteiksi pohjoismaiselle operaattorille. Jos tontilla on käytettävissä esimerkiksi tasan 1 megawatin liittymä eikä lisäkapasiteettia ole saatavilla ennen seuraavaa verkkovahvistusta, 24 prosentin lisätuotto samasta liittymästä tarkoittaa käytännössä sitä, että laajennusinvestointi – uusi muuntaja, uusi keskijänniteliittymä, uusi jäähdytyshalli – voidaan lykätä kuukausilla tai vuosilla. Tämä on erityisesti ajankohtaista Suomen ja Ruotsin hinta-alueilla, joissa siirtoverkon kapasiteetti vaihtelee alueittain ja uusien suurkuluttajien liittymisjonot ovat pitkiä.
Alla on havainnollistava, ei virallisesti julkaistu, laskelma siitä, miltä 1 megawatin jatkuva kuorma näyttäisi vuositasolla eri sähkön tukkuhinnoilla. Luvut ovat yksinkertaistettuja eivätkä sisällä siirtomaksuja, veroja, jäähdytyksen lisäkulutusta tai kapasiteettimaksuja.
| Sähkön tukkuhinta | Vuosikulutus (1 MW, jatkuva) | Arvioitu vuosikustannus (vain sähköenergia) |
|---|---|---|
| 40 €/MWh | 8,76 GWh | ~350 400 € |
| 60 €/MWh | 8,76 GWh | ~525 600 € |
| 80 €/MWh | 8,76 GWh | ~700 800 € |
| 100 €/MWh | 8,76 GWh | ~876 000 € |
Kun samasta 1 megawatin liittymästä saa DSX MaxLPS -tyyppisellä optimoinnilla noin neljänneksen enemmän hyötylaskentaa, operaattori ei välttämättä säästä suoraan sähkölaskussa – kuorma pysyy samana megawattimäärässä – vaan säästö syntyy siitä, että saman liittymän päälle mahtuu enemmän maksavaa asiakaskäyttöä ilman uutta verkkoinvestointia.
Datakeskusoperaattorien talous: vältetyt investoinnit miljoonissa
Suurin taloudellinen hyöty DSX MaxLPS -tyyppisestä ohjelmistosta ei siis todennäköisesti näy sähkölaskulla, vaan vältettyinä pääomainvestointeina. Uuden sähköasiakokonaisuuden – muuntajat, keskijänniteliittymät, varavoima, UPS-kapasiteetti ja jäähdytyslaajennus – rakentaminen datakeskukseen on tyypillisesti miljoonien eurojen hanke ja voi kestää vuosia lupaprosesseista rakentamiseen. Jos ohjelmistopäivitys tuottaa 24 prosenttia lisää hyötylaskentaa samalla sähköliittymällä, operaattori voi lykätä tätä investointia ja käyttää pääoman muualle, esimerkiksi lisä-GPU-hankintoihin sitten kun muistin ja piirien saatavuus helpottaa.
Tämä selittää myös, miksi Nvidia markkinoi MaxLPS:ää nimenomaan NVIDIA Cloud Partnereille ja suurille operaattoreille eikä yksittäisille kehittäjille: hyöty realisoituu parhaiten silloin, kun sähköliittymä on jo täydessä käytössä ja uuden kapasiteetin hankkiminen on joko mahdotonta tai hidasta.
Toinen tapa hahmottaa taloudellista logiikkaa on ajatella sitä korvausinvestointina. Uuden keskijänniteliittymän rakentaminen vaatii tyypillisesti sähköyhtiön lupaprosessin, maanrakennustyöt, muuntajahankinnat ja usein myös alueellisen siirtoverkon vahvistamisen, mikä yhdessä voi viedä vuosia. Ohjelmistopäivitys sen sijaan on käyttöönotettavissa viikoissa tai kuukausissa, kun klusteri on jo pystyssä. Tämä aikaeroarvo – se, että hyöty tulee käyttöön nopeasti verrattuna vuosia kestävään rakennushankkeeseen – on operaattorin näkökulmasta usein jopa tärkeämpi kuin itse prosenttiluku.
Markkinavaikutus: Nvidian asema ja pilvijättien kilpailu
DSX MaxLPS vahvistaa Nvidian asemaa paitsi piirivalmistajana myös koko tekoälylaitoksen ohjelmistopinon tarjoajana. Kun yhtiö voi osoittaa mitattua tehoparannusta ilman laitteistopäivitystä, se antaa nykyisille B200-asiakkaille – ja epäsuorasti myös harkitseville asiakkaille – vahvan syyn pysyä Nvidian ekosysteemissä sen sijaan, että he siirtyisivät kilpailevaan laitteistoon vain tehotehokkuuden toivossa. Tämä on erityisen merkityksellistä juuri nyt, kun muisti- ja piirikomponenttien saatavuus on rajoittanut kaikkien valmistajien toimituksia ja operaattorit etsivät keinoja tehdä enemmän olemassa olevalla kalustolla.
Pilvijättien kannalta – Lambdan kaltaiset GPU-pilvioperaattorit, suuret hyperskaalaajat ja NVIDIA Cloud Partner -ohjelmaan kuuluvat yhtiöt – kyse on myös kilpailuedusta asiakkaille tarjottavassa hinnoittelussa. Jos operaattori saa 24 prosenttia enemmän tokeneita samalla sähköllä, se voi joko laskea asiakashintaa tai parantaa katettaan, riippuen kilpailutilanteesta omalla markkinallaan. Molemmat skenaariot vaikuttavat epäsuorasti myös pohjoismaisten ja suomalaisten yritysten pilvi-AI-laskutukseen, koska suuri osa paikallisesta kysynnästä ostetaan juuri tällaisilta kansainvälisiltä GPU-pilvialustoilta.
Historiallinen konteksti: tehonhallinnasta on puhuttu ennenkin
Tehonhallinta ei ole uusi aihe datakeskusteollisuudessa. Perinteinen lähestymistapa on ollut yksinkertainen: jokaiselle palvelimelle varataan kiinteä, konservatiivinen tehobudjetti huippukuorman varalle, ja koko sali mitoitetaan sen mukaan. Tämä on turvallista, mutta tuhlaavaa, koska todellinen kuormitus harvoin osuu jatkuvasti huipputasolle. Nvidian oma Dynamic Power Software (DPS) -tuote on ollut osa tätä kehityskaarta jo aiemmin, ja DSX MaxLPS rakentuu sen päälle laajentamalla optimoinnin yksittäisestä palvelimesta koko klusterin ja koko laitoksen tasolle.
Ero aiempiin vuosiin on siinä, että nyt kyse ei ole enää vain kustannussäästöstä, vaan kyvystä ylipäätään kasvaa. Vuosina 2023–2025 pullonkaulana pidettiin ensin piirien saatavuutta ja sitten muistin hintaa. Lokakuussa 2026 julkaistu Lambda-tulos on yksi selkeimmistä julkisista merkeistä siitä, että sähkö ja verkkokapasiteetti ovat nousseet samaan sarjaan rajoittavana tekijänä.
Mitä DSX MaxLPS tarkoittaa käytännössä kehittäjälle ja operaattorille
Tavalliselle sovelluskehittäjälle DSX MaxLPS on näkymätön kerros – sama API, samat GPU-ajurit, samat CUDA-kirjastot. Muutos tapahtuu infrastruktuurin hallinnointitasolla, ei sovelluskoodissa. Operaattorin näkökulmasta sen käyttöönotto edellyttää NVIDIA Cloud Partner -tason integraatiota, kykyä mitata ja ohjata tehoa solmukohtaisesti, sekä MLPerf-tyyppisten kuormien ajamista validointivaiheessa. Nvidia kohdistaa työkalun ensisijaisesti suurille operaattoreille, joilla on jo kiinteä, täyteen käytetty sähköliittymä – pienemmän mittakaavan käyttäjälle hyöty on todennäköisesti pienempi, koska heidän sähköliittymänsä ei ole yhtä usein pullonkaulana.
Ennusteet: mitä seuraavaksi tapahtuu
- Muut GPU-pilvioperaattorit julkaisevat omia MaxLPS-lukujaan. Lambdan tulos on ensimmäinen julkinen asiakasreferenssi, ja on todennäköistä, että muut NVIDIA Cloud Partnerit julkaisevat vastaavia kenttätuloksia seuraavien kuukausien aikana kilpaillessaan asiakkaista.
- AMD joutuu vastaamaan omalla teho-per-watti-datallaan. Koska vertailukelpoista julkista lukua ei tällä hetkellä ole, kilpailupaine kasvaa AMD:n julkaisemaan vastaavan metodologian mukaisen MI350/MI400-mittauksen.
- Pohjoismaiset datakeskushankkeet alkavat viitata eksplisiittisesti tehotehokkuusohjelmistoihin lupahakemuksissa. Kun verkkoyhtiöt arvioivat uusien suurkuluttajien liittymispyyntöjä, operaattorit todennäköisesti alkavat vedota tällaisiin ohjelmistopohjaisiin tehotehostuksiin osana kapasiteettihakemuksiaan.
- Vera Rubin NVL72:n 40 prosentin ennuste joutuu todellisuustestiin vuoden 2027 aikana. Kun alusta siirtyy laajempaan tuotantokäyttöön, nähdään, pitääkö projisoitu kapasiteettihyöty paikkansa kenttäolosuhteissa samaan tapaan kuin B200-luvut nyt.
- Sähkön ja verkkokapasiteetin saatavuudesta tulee yhä näkyvämpi osa tekoälyinvestointiuutisointia Suomessa ja Ruotsissa. Odotettavissa on, että tulevat datakeskusilmoitukset Pohjolassa sisältävät entistä tarkempia mainintoja käytettävästä tehonhallintaohjelmistosta, ei vain megawattimääristä.
Usein kysytyt kysymykset
Mikä on Nvidia DSX MaxLPS lyhyesti?
Se on Nvidian tehonhallintaohjelmisto, joka optimoi tekoälydatakeskuksen sähkönkäyttöä solmujen välillä niin, että kiinteästä tehobudjetista saadaan enemmän tokenituottoa ilman lisäsähköä.
Kuinka paljon suorituskykyä DSX MaxLPS oikeasti tuo?
Lambdan tuotantoympäristön kenttäkokeessa tokenituotto kasvoi noin 24 prosenttia ja teho per watti noin 23 prosenttia. Erillisessä, kontrolloidummassa laboratoriomittauksessa Nvidia raportoi jopa 49,2 prosentin kokonaisläpäisyn kasvun. Luvut vaihtelevat kuormituksen ja testiympäristön mukaan.
Tarvitseeko DSX MaxLPS uutta laitteistoa?
Ei. Lambdan testi tehtiin olemassa olevalla Nvidia HGX B200 -laitteistolla. Kyse on ohjelmistopäivityksestä, ei uudesta GPU-sukupolvesta.
Onko AMD:lla vastaavaa ratkaisua?
Tämän artikkelin tietojen keruuhetkellä lokakuussa 2026 ei löytynyt AMD:n julkaisemaa, suoraan vertailukelpoista teho-per-watti-mittausta MI350- tai MI400-kiihdyttimille samalla menetelmällä kuin Nvidian ja Lambdan testissä.
Mitä tämä tarkoittaa Suomen ja Pohjoismaiden datakeskuksille?
Pohjoismaissa pullonkaulana on usein verkkokapasiteetti, ei sähkön hinta. Ohjelmisto, joka tuottaa saman liittymän sisällä enemmän laskentaa, voi auttaa operaattoreita lykkäämään kalliita sähköverkkolaajennuksia esimerkiksi Suomessa ja Ruotsissa, joissa liittymisjonot voivat olla pitkiä.
Onko Vera Rubin NVL72:n 40 prosentin lupaus vahvistettu tulos?
Ei. Se on Nvidian oma ennuste tulevasta alustasta sopivissa tekoälylaitoskonfiguraatioissa, ei mitattu tuotantotulos. Lambdan 24 ja 23 prosentin luvut sen sijaan perustuvat todelliseen, käytössä olevaan B200-laitteistoon.
Mistä tieto DSX MaxLPS -tuloksista on peräisin?
Tiedot perustuvat Nvidian omiin julkaisuihin AI Infra Summit -tapahtumasta 15. syyskuuta 2026, Nvidian ja Lambdan tapaustutkimukseen sekä Nvidian kehittäjäblogiin. Kyse on valmistajan ja asiakkaan itse raportoimasta datasta, ei riippumattomasta kolmannen osapuolen auditoinnista.
Vaikuttaako DSX MaxLPS tekoälypalveluiden hintoihin kuluttajille?
Epäsuorasti mahdollisesti kyllä. Jos GPU-pilvioperaattorit saavat enemmän laskentaa samalla sähköllä, se voi vapauttaa kapasiteettia tai painaa hintoja alaspäin kilpailluilla markkinoilla, mutta suoraa, vahvistettua hintavaikutusta kuluttajahintoihin ei ole tähän mennessä julkaistu.