RTX 5090 ośmiesza profesjonalne akceleratory AI za ogromne pieniądze

Wydajność układów graficznych dla centrów danych rośnie w zawrotnym tempie, głównie za sprawą boomu na sztuczną inteligencję. Zespół badawczy Specops postanowił jednak sprawdzić, czy topowe akceleratory AI poradzą sobie w zupełnie innym zadaniu, jakim jest łamanie haseł.

W testach wzięły udział trzy potężne GPU: NVIDIA H200, AMD MI300X oraz konsumencki GeForce RTX 5090. Do benchmarków wykorzystano popularne narzędzie Hashcat, które analizuje hashe i umożliwia odzyskiwanie haseł. Testy objęły zaś pięć algorytmów: MD5, NTLM, bcrypt, SHA-256 i SHA-512, czyli standardy szeroko stosowane w zabezpieczeniach.

Zespół badawczy Specops postanowił jednak sprawdzić, czy topowe akceleratory AI poradzą sobie w zupełnie innym zadaniu, jakim jest łamanie haseł.

GPU	H200	MI300X	RTX 5090
MD5	124,4 GH/s	164,1 GH/s	219,5 GH/s
MTLM	218,2 GH/s	268,5 GH/s	340,1 GH/s
bcrypt	275,3 kH/s	142,3 kH/s	304,8 kH/s
SHA-256	15092,3 MH/s	24673,6 MH/s	27681,6 MH/s
SHA-512	5173,6 MH/s	8771,4 MH/s	10014,2 MH/s

RTX 5090 ogrywa znacznie droższą konkurencją

Wyniki mogą zaskakiwać. Najlepiej poradziła sobie RTX 5090, która była średnio o 20% szybsza od MI300X i aż o 63,7% szybsza od H200. W niektórych scenariuszach różnice były jeszcze większe i np. w SHA-512 przewaga nad H200 sięgała ponad 90%. To pokazuje, że cena i przeznaczenie sprzętu nie zawsze idą w parze z uniwersalną wydajnością.

Dlaczego AI GPU przegrywają? Kluczowy jest typ obliczeń. Łamanie haseł opiera się głównie na operacjach 32-bitowych (INT32), które są bardzo wymagające obliczeniowo. Tymczasem nowoczesne GPU dla AI projektowane są z myślą o innych zadaniach i w związku z tym wykorzystują głównie formaty takie jak FP8, BF16 czy INT8.

Dla przykładu, NVIDIA H200 posiada znacznie mniej jednostek INT32 niż klasyczne GPU, ponieważ większość pracy wykonują wyspecjalizowane rdzenie Tensor. Nawet AMD MI300X, który teoretycznie ma dużą wydajność INT32, przegrywa przez optymalizacje obecne w Hashcat pod architekturę NVIDII.

Wyspecjalizowany sprzęt ma ograniczenia

Testy Specops jasno pokazują, że nowoczesne akceleratory AI są bardzo mocno zoptymalizowane pod konkretne zastosowania. Ich ogromna moc nie przekłada się więc na uniwersalność. Przez to paradoksalnie, znacznie tańszy sprzęt okazuje się skuteczniejszy poza ich specjalizacjami niż kosztujące dziesiątki tysięcy dolarów akceleratory AI.