文｜曉靜
編輯｜徐青陽
7月24日，AMD在Advancing AI 2026大會上發佈Helios機架級AI平臺和第六代EPYC“Venice”服務器CPU。其中，Helios搭載新一代Instinct MI455X GPU、Venice CPU及Pensando網絡系統。AMD還發布了面向科學計算的MI430X、PCIe形態的MI350P、ROCm.AI，以及面向本地Agent和機器人的“Gorgon Halo”與Kria AI Robotics開發者平臺。
蘇姿豐爲這場發佈設定了清晰的主線：AI計算正在從訓練加速轉向推理，Agent又把一次模型調用擴展爲持續推理、工具調用和任務執行。AMD預計，2026年全球約60%的AI算力將用於推理。她說，Agent既需要“大量GPU完成推理”，也需要“大量CPU編排每一個步驟”。
對應這一變化，AMD將戰略歸納爲計算領先、開放平臺和“讓AI無處不在”。其中，Helios是核心：AMD希望把GPU、CPU、網絡和軟件組織成一套完整的AI工廠平臺，將競爭從單顆芯片推向機架吞吐、Token成本和系統交付。
01
MI455X與Helios，競爭走向系統級
MI455X和Helios是這場發佈的重點。
MI455X配備432GB HBM4，顯存帶寬達到23.3TB/s，峯值MXFP8算力爲20PFLOPS，峯值MXFP4算力爲40PFLOPS。與上一代MI355X相比，其顯存容量最高提升1.5倍，顯存帶寬最高提升2.9倍，低精度峯值算力最高提升4倍。
顯存是這一代產品升級的重點。隨着模型參數擴大、上下文長度增長，推理需要長期保存更多權重和KV Cache。MI455X對計算、緩存、顯存和互連的同步升級，最終指向的是更高的真實負載效率。
AMD還給出了MI455X在DeepSeek V4 Flash FP4推理中的代際比較。在預生產或參考硬件、特定模型和配置下，MI455X的Token吞吐最高達到MI355X的34倍，Token成本最高降低18倍。這一提升包含硬件、低精度計算和軟件優化等多重因素，仍需等待量產產品驗證。
單顆GPU之外，Helios承擔着更重的戰略任務。
在蘇姿豐看來， 前沿AI已經無法依靠單顆芯片或單臺服務器滿足需求，“整個機架必須作爲一個系統來設計” 。CPU負責調度和執行，GPU承擔模型計算，高速網絡連接機架內外，軟件則決定這套硬件能否快速部署並持續優化。Helios正是AMD對這一變化的回應。
傳統72卡集羣通常由9臺八卡服務器組成，再通過Scale-out網絡連接。每臺服務器擁有獨立內存，GPU之間的通信需要經過多次網絡跳轉，容易引入延遲、擁塞和數據局部性約束。
Helios把72顆MI455X組織成一個統一的機架級系統，提供約31TB HBM4和260TB/s聚合Scale-up帶寬。AMD將這種變化概括爲“機架成爲新的系統”。
整套Helios由18個計算托盤和6個交換機托盤組成，通過UALoE Scale-up Fabric將72顆GPU連接在同一個計算域內，實現機架內單跳互連。每顆GPU到其他GPU擁有一致的帶寬條件，軟件可以減少對網絡拓撲和數據局部性的適配。系統採用多平面Fabric和冗餘路徑，鏈路或交換節點發生故障後，流量可以切換至其他可用路徑，故障則被隔離在局部範圍內。
這種架構也意味着AMD需要在GPU密度和Host CPU能力之間做出平衡。Helios每個計算托盤採用“1顆CPU＋4顆GPU”的配置。
現場有媒體追問，這一比例是否主要爲了壓縮成本，CPU會不會成爲系統瓶頸。AMD回應稱，其目標是在機架內佈置儘可能多的GPU，而Venice單顆CPU提供的核心數、內存容量和I/O能力足以支撐4顆GPU，因此1∶4是當前設計下的平衡點。真正進入Agent和複雜推理負載後，這一比例能否長期保持充足餘量，仍需要客戶部署進一步驗證。
Helios的系統工程也延伸到供電、液冷、佈線和維護。官方資料顯示，整機架功耗約爲225至245kW，具體取決於工作負載；計算托盤、交換機托盤和冷卻歧管均採用模塊化設計，可以在機架內完成部分維護，減少整體拆卸和停機。
不過，模塊化目前更多解決的是服務和維修問題。現場有媒體進一步追問，Helios未來能否持續升級，CPU、GPU和網絡組件是否可以隨着產品迭代直接替換。AMD沒有給出明確的跨代兼容承諾，只表示當前系統已經爲模塊化和可維護性進行了設計，未來還會繼續改善升級和服務能力。這也意味着，Helios能否從一套模塊化機架，進一步演變爲能夠保護客戶長期硬件投資的平臺，還要看MI500及後續系統的接口和架構安排。
蘇姿豐在Keynote中反覆強調，客戶最終關心的是每一筆投入能夠服務多少用戶、生成多少Token。隨着推理預算持續增長，峯值算力需要轉化爲固定功耗下的吞吐和更低的單Token成本。
在基於Kimi K2 Thinking、預計系統價格和不同交互性區間的建模中，Helios每美元Token產出最高可比NVIDIA Vera Rubin NVL72高30%；在特定交互性條件下，單GPU Token吞吐高出約10%至15%。這些結果仍建立在預生產系統和價格假設之上，量產後的性能、定價和運行成本，纔會決定Helios能否真正兌現其系統級優勢。
AMD爲Helios設計了三層網絡體系：Salina DPU負責前端網絡、存儲與安全卸載，UALoE承擔機架內72顆GPU的Scale-up互連，Vulcano AI NIC則支持多個Helios機架之間的Scale-out擴展。三者分別覆蓋服務器入口、機架內部和跨機架集羣的數據路徑。
其中，UALoE將72顆GPU和約31TB HBM4連接在同一Fabric中，提供260TB/s聚合帶寬；Vulcano支持800G和PCIe 6.0，每顆GPU最高可獲得2.4Tbps Scale-out帶寬；Salina則通過硬件卸載減少CPU在網絡、存儲和安全任務上的消耗，並面向長上下文提供KV Cache擴展能力。
隨着這三層網絡進入Helios，Pensando也從獨立的雲基礎設施業務，成爲AMD AI平臺的核心組成部分。
02
Venice：EPYC從傳統服務器進入Agent工作流
Helios發佈之後，AMD把相當篇幅留給了服務器CPU。在蘇姿豐的判斷中，Agent帶來的計算增量並不只落在GPU上。一個Agent任務還要執行代碼、查詢數據庫、調用工具，並協調大量並行步驟，這正在形成一類新的服務器負載。她預計，Agent數量將從百萬級走向十億級，服務器CPU市場也將隨之顯著擴張。
AMD同步發佈第六代EPYC 9006系列服務器CPU，代號Venice，面向雲計算、企業數據中心和AI。官方將其定義爲一組針對現代數據中心不同需求設計的CPU產品，而非單一旗艦型號。
Venice產品家族包括四條主要路線：
EPYC 9006 SP7“Venice”面向高核心數和高性能；EPYC 9006 SP8“Venice”側重企業場景下的系統性價比；EPYC 9006X SP7“Venice-X”面向HPC和AI數據預處理；EPYC 9006 LP“Verano”採用LPDDR內存，面向高性能AI Host Node。
Venice最高提供256個核心和512個線程，採用Zen 6架構，並支持PCIe 6.0以及不同DDR5、MRDIMM和LPDDR配置。這套組合覆蓋通用計算、企業應用、HPC、GPU Host和AI預處理。
進入Agentic AI時代，一個完整Agent流程包含網關、上下文組裝、規劃、檢索、工具執行、驗證和輸出，其中大量環節運行在CPU上。隨着多個Agent並行執行，CPU核心密度、內存帶寬、虛擬化和I/O能力會影響任務調度與沙箱併發。
服務器CPU也是AMD已經取得明顯進展的業務。官方材料顯示，EPYC服務器CPU收入份額達到46%，並稱每週都有一家Forbes Global 2000企業轉向AMD，同時已有475個以上EPYC平臺和1600個以上EPYC雲實例。
Venice接下來的競爭一方面來自Intel Xeon。AMD希望繼續依靠核心密度、性能功耗和服務器整合能力擴大份額。另一方面，NVIDIA Vera與Arm服務器CPU正在進入AI機架，CPU競爭開始與GPU平臺和系統架構綁定。
03
ROCm.AI：AMD用AI降低GPU軟件開發門檻
軟件是這次發佈中新增的重要看點。
AMD正式推出ROCm.AI，並將其定義爲一個面向開發者的AI驅動平臺。ROCm是AMD現有的基礎軟件棧，ROCm.AI在其上加入AI輔助能力，用於GPU代碼生成、遷移、調試和性能優化，並支持與Cursor、Claude、Codex、Gemini等工具或模型配合。
ROCm.AI的核心目標，是降低底層GPU編程與CUDA遷移的複雜度。開發者可以藉助AI分析代碼、轉換CUDA與HIP實現、定位性能瓶頸，並生成優化建議。
AMD還重點介紹了FlyDSL。它採用Pythonic DSL，讓Python開發者更專注算法表達，減少線程、內存和底層調度等GPU編排工作。AMD稱，在相關示例中，FlyDSL可以用更少複雜度達到相同或更好的性能。
ROCm.AI計劃於2026年8月提供。AMD披露，Hugging Face上超過300萬個模型可以在AMD平臺開箱運行，排名前十的開源AI項目已原生支持AMD，相關開源貢獻數量增長超過10倍。
這些數據體現出ROCm生態的擴展速度，但軟件平臺的真正競爭力還取決於模型適配時效、算子性能、遷移成本和生產環境穩定性。對AMD而言，ROCm.AI的重要性在於把軟件補齊從底層支持推向開發體驗。
04
本地Agent：從雲端推理延伸到個人設備
在客戶端側，AMD此次並未發佈一款新的銳龍處理器，而是圍繞現有的銳龍 AI 400、銳龍 AI MAX及基於後者打造的Ryzen AI Halo開發者平臺，展示本地AI推理能力、軟件生態和企業級Agent方案。
AMD將本地AI加速歸因於三項需求：數據無需交由第三方處理、可降低高頻推理產生的持續Token成本，以及在斷網環境下保持可用。與此同時，小模型的能力和效率持續提升。
從硬件能力看，銳龍 AI 400面向約24B以內的模型，銳龍 AI MAX則可支持更大規模的本地模型。Ryzen AI Halo開發者平臺配備最高128GB統一內存，AMD給出的目標能力是原生運行最高約200B參數模型。
AMD還預告了代號“Gorgon Halo”的後續平臺，統一內存將提升至192GB，本地模型規模上限擴大至約300B。
企業級Agent則是AMD推動本地AI落地的另一重點。AMD與思科聯合展示了一套端側全棧方案，將銳龍 AI Halo硬件、Lemonade本地推理、模型路由和Agent沙箱，與思科的網絡、安全、策略控制及可觀測能力結合。企業可以據此限制Agent訪問範圍、統一執行安全策略，並持續跟蹤推理成本、Token效率和實際使用情況。
由此看，AMD希望將個人設備從調用雲端AI的交互終端，進一步升級爲能夠在本地承載模型、運行Agent並接受企業統一治理的計算節點。雲端仍承擔更大規模和更復雜的任務，本地設備則承接對隱私、成本、響應速度和離線能力要求更高的工作負載。
05
Physical AI：芯片、模塊、軟件與生態同時落地
Physical AI部分包含五項明確發佈，覆蓋機器人計算從芯片到生態的多個層級。
第一項是Ryzen AI Embedded X100系列。它將CPU、GPU和NPU集成到同一平臺，面向機器人感知、推理、規劃和控制，目前已經進入送樣階段。
第二項是基於X100系列的Kria AI System-on-Module。該模塊採用120×120毫米COM-HPC開放標準形態，集成CPU、GPU、NPU和統一內存，面向量產機器人。AMD列出的測試示例包括低於100毫秒的VLA推理、125微秒的實時控制循環和低於0.4毫秒的視覺分類，其中部分結果來自合作伙伴測試，不能直接外推至其他工作負載。
第三項是Kria AI Robotics Developer Platform。AMD將其稱爲“業界首個開放、交鑰匙、一體化機器人開發平臺”，用於整合計算硬件、傳感器、軟件和參考系統，計劃於2026年第四季度可用。
第四項是AMD Robotics Software Suite，包括Robotics Core SDK、Physical AI SDK、加速ROS節點、MoveIt 2，以及音頻、操控等優化模塊。它基於ROCm與HIP，強調從雲端到機器人使用統一的AI軟件棧，目前處於Early Access。
第五項是AMD Robotics Partner Network，首批包括30多傢伙伴，覆蓋機器人OEM和ODM、AI模型、傳感器、中間件、仿真、數字孿生與系統集成。
至此，AMD在Physical AI領域形成了芯片、量產模塊、開發平臺、軟件和合作伙伴網絡的基本結構。它與數據中心側的策略保持一致：用異構計算覆蓋不同任務，再用開放軟件和夥伴體系完成系統集成。
06
從芯片競爭到系統競爭
過去幾年，AI基礎設施的敘事高度集中在GPU。推理和Agent正在重寫AI的範式和算力的賬單，屬於GPU的階段正在過去。
推理是持續經營成本，Agent進一步拉長任務鏈，一個請求可能觸發多輪模型調用、檢索、工具執行和校驗。算力客戶真正承擔的成本來自GPU、CPU、網絡、存儲、電力和軟件調度的總和。
市場評價基礎設施的方式也隨之變化：從單顆芯片性能，轉向每機架吞吐、單位Token成本、集羣利用率和故障容忍能力。競爭單位從一顆GPU變成一整個機架，甚至一座數據中心。
英偉達早已看到這一點。它把GPU、CPU、互連、網卡、DPU、交換機和CUDA組織成高度一體化平臺。Vera Rubin NVL72代表的不只是性能，更是系統控制力：從芯片設計到網絡拓撲到整機交付，幾乎掌握每一個環節。客戶買的也是性能確定性、軟件兼容性和部署速度。
AMD選擇的路徑是開放架構，對頭部客戶而言，這意味着更大的硬件選擇權、更強的定製空間，以及重新獲得議價能力。
但開放的優勢伴隨更高的執行難度，AMD需要聯合芯片、服務器、網絡、雲平臺和軟件夥伴共同交付。開放標準擴大生態，卻不自動帶來效率，比如兼容驗證、性能調優等都會因參與方增加而更復雜。
與此同時，推理佔比上升讓“價格”重新變得敏感。訓練時代客戶爲最強性能支付溢價，因爲更短訓練週期直接決定發佈時間，Agent時代的採購邏輯更接近長期運營，模型每天持續運行，Token規模越大，成本越敏感。AMD把核心指標放在Tokens/$上，正是抓住這一窗口。
硬參數已經足夠亮眼，但是AMD眼下真正的挑戰，是這套“系統級架構”的實際運行能力，ROCm需要繼續縮小與CUDA之間的遷移使用成本，Helios也需要逐漸把頭部客戶參與共創的經驗沉澱下來，變成更多客戶可以直接採用的標準化方案。
這也是Advancing AI 2026之後更值得觀察的部分。
推薦閱讀
蘇姿豐交出超預期財報：數據中心業務暴漲57%，AMD加碼AI基建