如何让算力为AI工作负载精准"配速"？AMD全栈生态组团出战

【ZOL中关村在线原创】飞速发展的AI行业不仅改变着人类工作、生活的方方面面，其自身迭代演进的速度也在发生着翻天覆地的变化。过去，行业聚焦的是大模型本身的训练与推理能力。彼时，模型参数总量、算力堆叠、模型训练效率是关注的焦点，但是随着智能体AI快速落地，AI基础设施的底层逻辑开始被重塑。越来越多的从业者开始面对一个新问题——模型训练出来之后，怎么将其变成一个能自主调用工具、处理数据、跨系统协作，甚至7x24小时运转的智能体？同时在这个过程之中，模型的调用、任务的编排、长上下文的检索、外部工具的调用等等，还是否如大模型推理那样只需要GPU的能力？这些，已经成为智能体AI时代所聚焦的新维度。

当AI不再只是被动回答问题的工具，而是主动执行任务的数字员工，这样的转变实际上对AI基础设施早已提出了完全不同的要求。因为当智能体完成一次任务时，需要先理解上下文、再调用外部工具、再处理返回的数据、再做出决策、再触发下一步动作。这中间涉及的不只是算得快不快，更关系到任务协调是否顺畅，数据流转是否通畅，系统能否撑得住本地化与规模化部署。

而这些，正是AMD在今年的Advancing AI大会上，想要回答的问题。我们看到，AMD带来了全新的第六代EPYC处理器、Instinct MI400系列GPU、Helios机架级解决方案、Ryzen AI嵌入式X100处理器以及Kria AI开发平台。同时，AMD与Anthropic、OpenAI、Meta等一批头部AI公司的合作进展，也表明了这些新世代硬件将在行业中的快速落地。

从中不难看出，AMD正在着力为每一类AI工作负载匹配最合适的算力，以满足从训练到推理，从芯片到机架的各类差异化需求。

·智能体AI时代，原本就重要的CPU将变得更加重要

当AI应用逐步落地到用户侧，CPU与GPU协同的重要性愈加凸显。GPU提供算力支持，无论是大模型训练与推理，还是AIGC应用等效率层面的表现，都与GPU算力息息相关，而CPU则承担了智能体调度、工具调用、沙箱隔离、数据管理与业务编排等等，二者之间的协同变得越来越重要。

换句话说，智能体AI时代，GPU主要负责“算”，而CPU越来越多地负责“管”和“调”，一整套智能体AI流程运转是否顺畅，效率是否足够高，需要CPU和GPU之间的完美协同，二者缺一不可。

基于这样的大背景，AMD第六代EPYC处理器正式亮相，它可以说是为智能体AI量身定制的高效“管”“调”中枢。

第六代EPYC可以覆盖到云计算、企业级、通用计算和高性能计算等几乎全部服务器工作负载类型，其目标本身就是成为服务器CPU阵营中覆盖全场景的产品线。对于承担GPU主机节点角色的服务器而言，第六代EPYC提供了更高的速度与内存带宽，确保加速器能够持续获得数据供给、避免算力空转“等米下锅”;而对于运行企业关键业务应用和AI辅助任务的通用服务器来说，它同样带来了性能与能效上的显著提升。更为重要的是，凭借领先的核心性能与业界领先的线程密度，第六代EPYC能够在同等功耗、成本和机架空间内，支撑起更多数量的智能体并行运行，这正是智能体AI时代衡量CPU价值的全新标准，即不再只是单纯的以峰值算力定胜负，而是在每瓦、每美元、每机架能承载多少个智能体之间一决高下。

同时，这些新的变化并不是停留在理论层面，而是已经在AMD生态伙伴的头部客户的实际验证中得到了充分印证。例如AMD与Meta在基础设施层面的深度协同合作，双方事实上已经跨越了多代EPYC平台，因此Meta在自身基础设施中已经部署了极大规模的EPYC处理器。而随着AMD全新推出第六代EPYC，Meta已然是新平台的首发验证客户，目前Meta正在自己的实验室中对第六代EPYC平台完成验证测试，并将其纳入千兆瓦级规模AI基础设施的联合工程工作当中。

行业从业者观点认为，随着AI系统智能体化程度加深，CPU与GPU之间的性能平衡变得愈发关键！例如智能体的稳定、高效调度与运转，使其成为智能体AI基础设施的调度中枢。以往，AI数据中心内的CPU与GPU配比大概是1:4或1:8，CPU与GPU之间的比重有所失衡，这是因为在大模型推理与训练阶段，主要依赖GPU算力去推进相关任务完成。而智能体AI时代，由于CPU也承担了越来越多任务，因此其比重会不断提升，甚至最终转向1:1的平衡配比状态。

此外值得注意的是，AMD并没有把第六代EPYC的价值局限在AI集群内部，在通用服务器场景里，这颗处理器则承担着企业数字化转型底座的关键角色。这意味着无论是前端跑着大模型推理的AI主机节点，还是后端处理业务逻辑、数据管理和智能体编排的通用服务器，AMD EPYC均能够实现全场景覆盖，一方面这也是AMD全栈理念在CPU层面的具体体现，而另一方面则反映出AMD在AI领域的卓越领导力。

·GPU算力加速迭代，推动效率再度升级

智能体AI时代，一方面CPU重要性逐步凸显出来，而另一方面，大模型从训练走向推理应用，也已成为整个行业发展的另一个重要趋势。

过去几年，大模型的军备竞赛主要发生在训练侧，但当模型能力趋于成熟、应用规模化落地成为主旋律，推理侧的效率与成本问题开始愈加凸显，并成为决定AI能否大规模商业化的关键变量。

推理和训练对基础设施的要求并不相同。训练追求的是极致的峰值算力和长时间稳定运行，而推理面对的则是海量、并发、对延迟和成本极度敏感的实时请求。这意味着单纯依靠通用型GPU去覆盖所有推理场景，并不总是效率最优的解法。这是因为一部分推理负载天然适合用更专用、更贴近模型本身的硬件去处理。这也正是AMD在8月初宣布收购Taalas的战略意图所在。

Taalas原本是一家专注于专用推理芯片技术的初创公司，其核心能力在于优化推理过程中的数据流转路径，显著降低通用架构在计算和内存环节容易出现的瓶颈，从而实现更高效的AI推理能力，这笔收购补上了AMD推理技术栈中的重要一环。

如果说以往的GPU提供的是通用、灵活的推理能力，那么Taalas为AMD带来的专用推理芯片技术，则是面向特定场景、追求极致效率的一种补充方案。

AMD表示计划将Taalas的技术与AMD Instinct GPU进行系统级整合，这将进一步强化AMD在智能体AI时代的GPU系统化能力。

在这条从训练到推理的链条中，GPU本身依然扮演着不可或缺的角色，在此前的Advancing AI大会上，在GPU性能参数之外，AMD同时还把重心放在了如何通过全栈协同来解决行业实际问题之上。Instinct MI400系列GPU正是面向云计算、企业级和高性能计算场景提供强劲算力支撑的、负责解决核心问题的产品。它与EPYC处理器、Pensando网络、ROCm软件共同构成了Helios机架方案的核心引擎。因此对于现在的AMD来说，GPU不再是性能竞赛的筹码，而是全栈解决方案拼图中重要的组成部分之一，它的价值最终要靠与CPU、网络、内存、软件的协同才能充分释放，这再次展现了AMD在AI时代的领导力和全局视角。

·打通网络、内存与软件链路，构建全栈硬件底座

以往我们对于AI基础设施的认知往往仅停留在GPU、CPU、服务器、数据中心这些热门领域。但现在，AI基础设施早已经延伸到了网络、内存甚至软件层面，这三者中任何一个环节掉链子，整个AI系统的运转效率都会受到根本性的影响。

在网络层面，AMD全新打造的Pensando Salina 400 DPU，借助400G超强吞吐能力，承担着前端、横向扩展和纵向扩展多种网络连接职责，它也自然而然成为Helios机架方案实现大规模协同运算的重要支撑。毕竟，智能体AI系统的一大特点是任务往往需要在多个节点、多颗芯片之间频繁传递数据和指令，因此网络的带宽与延迟就直接决定了整个系统的响应速度和拓展上限，网络的重要性不言而喻。

在内存层面，AMD在今年6月中旬完成了对MEXT的收购，这是AMD全栈体系中相当容易被忽视、但却极为关键的一步。随着AI模型、数据分析和高性能计算工作负载规模与复杂度的持续攀升，内存正在成为制约数据中心性能的核心瓶颈之一。很多时候，强大的CPU和GPU算力恰恰因为要等待数据而被闲置。MEXT带来的AI驱动内存优化技术，也就是“预测内存引擎”（Predictive Memory Engine），该技术的核心逻辑是利用AI模型实时分析内存访问模式，智能地将不常访问的“冷数据”迁移至成本更低的NAND闪存，同时预测并预加载即将需要的“热数据”至DRAM，在保持性能的同时扩展可用内存容量，从而帮助降低基础设施成本、提升资源利用率。

这项技术被整合进AMD数据中心产品栈之后，意味着AMD在计算之外补齐了“内存效率”这一同样关键的部分，这对于需要同时处理海量上下文、频繁读写数据的智能体AI系统而言，使得内存瓶颈得到缓解，并且直接关系到系统的稳定、经济性与规模化运行。

软件层可以说是贯通硬件的粘合剂，ROCm则是AMD长期打造的撒手锏。作为开放软件平台，它承担着让开发者能够在AMD硬件上高效构建和部署AI能力的基础职责。就在AdvancingAI大会期间，AMD正式上线了ROCm.ai官方网站，这是一个由AI驱动的开发平台，旨在帮助开发者更快地构建、优化和部署AI开发环境。同时，ROCm.ai的一个重要特点是让Claude、Codex、Cursor等主流编程智能体能够原生理解AMD平台与ROCm软件栈，从而实现AI辅助编程的效率大幅提升，并直接转化为AMD生态开发效率进一步升级。与此同时，PyTorch、HuggingFace、vLLM、SGLang等主流开源框架也已经在AMD平台上完成适配并取得良好效果。

因此除了CPU、GPU之外，AMD在网络、内存与软件三个层面构建了三根重要支柱，它们共同构成了AMD全栈战略中相对比较容易被忽视、但却决定整个系统能否真正顺畅跑起来的底座。

·从芯片走向机架，Helios把全栈方案交付给每一个客户

如果说前面几个部分讲的是AMD在每一个技术点上的能力，那么接下来要聊的Helios机架级方案，就是将这些能力整合在一起的终极交付形态。

对于需要大规模部署AI基础设施的客户而言，他们真正需要的不只是一颗颗孤立的芯片，而是一整套已经完成协同设计、可以直接落地部署的完整系统。

Helios机架方案将高性能的第六代EPYC处理器、Instinct MI455X GPU整合在同一套架构之中，并通过AMD Pensando网络实现互联，由ROCm开放软件栈作为整套系统运转的底层驱动。这种从单芯片到机架一体化交付的模式，意味着AMD生态的客户不再需要自己去拼凑硬件、无需去调试系统硬件兼容性，而是可以直接获得整套经过端到端协同优化的基础设施单元。从而满足大规模推理、前沿模型训练和微调等多种场景的需求。

而这种交付方式的价值在OpenAI和Meta的合作案例中体现得尤为具体。OpenAI与AMD的合作，已经从早期的产品层面协作演变为贯穿全栈的联合设计。双方工程团队围绕Triton、Gluon、LLVM编译优化以及ROCm软件展开深度协作，并借助Codex等智能体工具辅助编写GPU代码，让性能改进能够沉淀为整个AMD生态的通用能力，而不只是服务于单一工作负载。

此前，OpenAI表示已提前数月获得Helios系统的使用权限，以用于提前准备软件与解决方案栈。其预计将从2026年下半年起通过多个部署合作伙伴陆续将Helios投入使用，并在2027年加速推进部署节奏，这标志着双方此前宣布的大规模GPU部署合作正式进入落地阶段。

与Meta的合作则是更进一步体现了全栈协同设计的深度。双方的合作不再是选购已经成型的产品，而是双方共同设计覆盖Helios、EPYC、Pensando网络与ROCm的完整AI系统，整合计算、内存、网络、供电、散热与软件，以支撑大规模训练与推理。Meta已开始在Helios上测试与验证工作负载，并计划部署基于MI450架构的定制加速器。这一合作支持Meta高达6GW的AMD加速器基础设施规划。在这一规模下，供电、冷却、网络、内存与软件的决策必须从设计初期就同步推进，而非等到最终资格认证。这种深度绑定的合作模式某种程度上也重新定义了AI基础设施厂商与客户之间的关系，即从“供应与采购”转向“共同调试与验证”。

当AI从Chatbot步入智能体AI时代，全链路协同的能力改变了以往以GPU为核心的算力评估体系。AI客户需要的不再是单点最优的某一个芯片，而是一整套经过验证、可以直接规模化部署的系统级能力。AMD Helios正是这种能力的具象化产物。在这一层面，AMD再度展现了其领导力。

·结语

今年我在美国现场参加了AMD Advancing AI 2026大会，一个印象颇为深刻的感受是，无论从EPYC到Instinct，还是从网络、内存、ROCm软件到Helios机架，AMD正在用自身的领导力帮助AI行业快速过渡到智能体AI时代。其在AI基础设施层面的布局关键且深刻，并且用极具领导力的态度回应了智能体AI大规模落地部署的这一时代命题。

此外，与Anthropic、OpenAI、Meta等头部AI公司的深度合作，无疑是对这套全栈战略最有力的现实验证。当客户愿意把自己的核心AI基础设施决策与某一家厂商进行如此深度的协同设计，这恰恰说明这套“为每一类AI工作负载匹配最合适算力”的理念，正在从愿景变成可以被规模化复制的实践。AI从技术创新走向大规模落地部署的路，需要不同芯片、不同硬件之间的协同共进，而AMD正在尝试成为那家把整条链路铺完的公司。