• 克雷西 發自 上海
  量子位 | 公眾號 QbitAI

“AI正在重新定義計算的每一個層次。”

這是AMD AI開發者大會今天首次落地上海時，AMD董事會主席、首席執行官蘇姿豐針對AI行業給出的最新判斷。

這次應AMD邀請，量子位來到了這場大會現場觀摩學習。

參加完這一天的活動后可以感受到，從蘇姿豐的判斷，到整場大會的選題和陣容，都折射出AI行業正在加速轉變。

競爭的焦點，正在從模型能力轉向系統工程與全棧優化能力。

推理、訓練、微調，開發者在每一個環節上面對的挑戰，都在變得更加具體、更加工程化。

開發者真正需要的，是一套可以落地、可以優化、可以持續演進的工程體系。

這個判斷在中國尤其成立。

DeepSeek、Qwen......過去兩年全球最活躍的一批AI工程項目，從未缺少過中國的影子。

中國開發者從來都不只是AI應用的消費者，更是基礎設施的建設者。

AMD今天帶來的，正是圍繞這一趨勢的系統性回應。

AI開發者需要新的工程體系

AI落地的成本問題，正在成為整個行業繞不開的核心議題。

圖靈獎得主、Google杰出工程師David Patterson在2026年初發出警告，他表示，AI大規模落地，正面臨一場成本危機。

這場危機乍看有一個頗具反差的面貌，Token一降再降，但同期的企業AI預算卻不降反增。

背后的原因，是AI的工作范式正在發生根本性轉變。

OpenClaw、Hermes等Agent框架在幾個月內成為開發者社區最熱的基礎設施，意味著項目從單次問答切換到Agent工作流。

新的工作流下，我們完成一項任務需要多輪規劃、多次工具調用、反復驗證，每一步都在產生算力消耗。

單次成本降低的情況下，總體成本從賬單上的單行數字，變成了系統層面更難看清的累積。

系統層次的問題，自然需要系統性的解決方案，這標志著AI競爭正在進入一個新的階段。

在這個階段里，能不能在規模化之下把整套體系跑得穩、跑得省、跑得持續，才是真正的考驗。

這種考驗可以拆解成三個層次。

首先是成本層面，使用規模越大，Token消耗的累積效應越明顯。

一個團隊跑十個并發Agent和跑一千個，差異不只是消耗的Token量，整個系統的調度、容錯、資源分配都要重新設計，成本結構隨之從線性變成指數級。

一個對話框里問一個問題，消耗的是單次調用；但Agent工作流要完成一項任務，背后是多輪規劃、多次工具調用、反復驗證的完整鏈路，每一步都在產生算力消耗。

使用規模越大，這種累積效應越明顯，成本結構隨之從線性變成指數級。

其次，在復雜度層面，工程難度的躍升源于AI應用形態的根本變化。

過去的Chat范式下，一個模型對應一種能力，邊界清晰；但Agent時代要求AI“能辦事”，一套系統里往往同時跑著多個模型、多種模態、分布式計算和工具調用，任何一個環節的延遲或失敗都會影響整個鏈路。

工程師面對的，是如何維護一套持續演進、隨時可能擴展的生產系統。

最后是部署層面，場景碎片化正在成為新的工程負擔。

云端推理滿足不了所有場景，有些場景要求數據不出本地，有些場景對延遲極度敏感，有些場景根本沒有穩定網絡。

這些需求把開發者推向了邊緣設備和端側部署，但每換一個硬件平臺，工具鏈、優化策略、調試環境往往都要重來一遍，碎片化帶來的隱性成本在悄悄累積。

三層壓力疊加，指向同一個結論，開發者真正需要的，是一套可落地、可優化、可持續演進的工程體系。

蘇姿豐：中國正在領跑開放生態

這次AI開發者大會上，AMD董事會主席、首席執行官蘇姿豐對這套需求給出了AMD的判斷：

Agent時代，每個人可以擁有5個、10個甚至100個Agent，算力消耗的結構隨之發生根本性變化，單純堆GPU已經不夠，GPU加CPU的完整端到端算力組合才能真正滿足需求。

AMD的解決策略，是提供覆蓋云端到端側的全棧算力，以ROCm開源軟件平臺為核心，讓開發者在每一個部署場景里都能找到合適的工具。

這些判斷，有更長的來路。

AMD在全球戰略層面，面對AI工程化大趨勢，有著一套一以貫之的戰略。

今年年初的CES 2026上，蘇姿豐已經給出了方向：開放生態是AI下一階段的基礎設施。

只有行業圍繞開放基礎設施和共享標準走到一起，創新才會加速。

基礎設施意味著它不屬于任何一家公司，它是整個行業共同依賴、共同建設、共同受益的底層。

AMD選擇把這個詞用在開放生態上，就是在表明一種立場：AI的未來，不應該被鎖定在某一套封閉的系統里。

這個立場，也在推動著AMD對自身定位的重塑。

從賣芯片到做平臺，AMD的目標是成為開發者可以跨越硬件迭代、長期信賴的軟件平臺。

軟硬件協同與開放生態是實現這一目標的路徑。

軟件層面的開放讓開發者不被硬件代際綁定，硬件層面的持續迭代為軟件生態提供更強的底層支撐。

兩者互相加持，形成一個龐大開發者群體愿意長期留在其中的體系。

具體到中國市場，AMD深耕大中華區超過30年，上海研發中心是AMD全球最大的研發中心之一。

在蘇姿豐看來，中國不只是AMD的重要市場，更是AMD全球路線圖的重要組成部分，從芯片到AI軟件，再到平臺工程，AMD在中國的投入覆蓋了完整的技術棧。

同時，在開源生態的判斷上，蘇姿豐直接點出，中國正在領跑開放生態，這種開放性是推動整個AI生態盡可能快速演進的核心力量，也與AMD的戰略方向高度契合。

這次在上海舉辦大會，正是這套戰略在中國市場落地和延續的彰顯。

在中國，這套戰略落到實處意味著這幾件具體的事：

• 持續投入本地開發者社區建設，讓中國開發者在日常工程實踐中能真正用起來、用得好；
• 與本地開源生態協同，免去開發者自己去做適配工作的繁冗；
• 最終把AI開發與部署的門檻降下來，讓更多團隊有能力把想法變成跑在生產環境里的系統。

AI開始進入系統化工程實踐

AI工程化的競爭，正在變成整個開發者社區需要共同面對的基礎建設問題。

這次AMD的AI開發者大會，設置了實戰工作坊和技術專題演講環節，其中的議題分布，就是當下AI工程實踐的一個截面。

推理方向的議題，集中在Agent時代帶來的新挑戰上。

單輪問答的時代，推理成本可以用單次調用的價格來衡量；Agent工作流完成一個任務要經過多輪規劃、工具調用和驗證，消耗結構完全變了。

如何在新范式下壓低Token成本，如何讓推理引擎在高并發場景下維持吞吐效率，如何讓推理優化本身也能自動化運轉，是整個行業正在啃的硬骨頭，也是這次推理專題的核心命題。

值得注意的是，訓練方向的議題，折射出AI應用走向縱深之后的工程壓力。

RLHF從研究論文變成各團隊的標配流程，怎么在單卡上高效跑通端到端的對齊訓練就成了實際問題；

MoE架構開始大規模商用，超大規模訓練的穩定性和效率，變成了每天都要面對的工程任務。

端側方向，則是變化最明顯的一塊。

完全離線的AI桌面機器人、本地大模型驅動的個人Agent、在本地硬件上跑通完整開發流程的vibe coding......這些場景已經可以在具體的AMD端側硬件上實現。

端側AI不再是云端的降級替代，它在隱私保護、低延遲、離線可用等場景下有自己的工程邏輯，需要一套從模型量化到本地推理加速的完整支撐。

還有一批議題在開鑿更底層的路徑。

AI Kernel開發、編譯器優化、GPU內核AI智能體、PyTorch分布式訓練框架在AMD GPU上的適配......關注的都是決定整個生態能走多遠的基礎設施層。

AMD正在通過實戰工作坊、開源工具鏈與真實工程場景，強化與開發者社區的長期連接，推動AI開發從模型使用走向系統構建。

從這些議題可以看出，AMD想建立的是讓開發者從聽懂到做出來、再到持續演進的完整飛輪。

值得一提的是，AMD AI開發者計劃-中國也在今天正式上線。

這是AMD面向AI開發者打造的會員生態項目，通過技術資源、開發課程、社區交流和開發者活動等多元支持，幫助開發者更高效地開展AI應用與大模型相關開發。

加入計劃的開發者，可以與更廣泛的中國開發者社區建立連接，參與由AMD AI專家及生態伙伴支持的技術交流與工作坊。

本次會后，AMD將通過這個計劃，持續提供技術內容更新、社區互動、后續開發者活動等資源。

持續加碼中國開發者生態建設

開發者生態的建設，是一場長期投入，需要工具鏈的持續完善、社區的持續運營、本地化適配的持續跟進，以及開發者在一次次真實工程實踐中積累起來的信任。

這種信任一旦形成，切換成本極高，因為整個團隊的工程慣性、積累的優化經驗、調試過的工作流，都已經深度嵌入進來。

顯然，這種信任已經被AMD握在了手中。

今天的上海，中國AI工程生態幾乎所有關鍵方向的一線建設者，都被AMD召集在了同一個活動現場。

這種密度是多年積累的結果，也是AMD在中國開發者社區長期耕耘的一個截面。

從DeepSeek、Qwen等中國主流開源模型的第一時間適配，到本地開發者社區的持續建設，AMD在做的事有一條清晰的邏輯：

讓中國開發者在日常工程實踐中真正用起來、用得好。

這個邏輯背后，是AMD對中國AI市場的一個基本判斷：中國不只是AI應用的消費市場，更是AI基礎設施的重要建設者。

中國開源社區在訓練框架、推理引擎、模型量化等方向上的貢獻，正在被全球開發者社區廣泛采用。

AMD選擇在這個時間節點深度投入中國開發者生態，既是對這一現實的認可，也是對未來的一次押注，他們正在通過開源協同、工具鏈建設與本地開發者連接，持續加碼在中國AI開發者生態中的長期投入。

AI時代最深的護城河，是開發者選擇在你的平臺上構建，并且不想離開。

AMD在做的事，正是讓這件事在中國市場一點一點成為現實。