人工智能的风向正在发生微妙的变化。
过去一年多，大家最熟悉的是“生成式ai”——你提问，大模型帮你写文章或画图。但现在的行业焦点，正在向两个更深度的方向演进：一个是“ai智能体（agenticai）”，也就是让ai变成像独立员工一样的代理人，它能自己拆解任务、调用企业软件、甚至自己写代码并执行，“养虾”就是它最开始的样子；另一个是“物理实体ai（physicalai）”，简单来说，就是让ai拥有“身体”，进入机器狗、工厂机械臂甚至农业设备中，去真实世界里干活。
正如amd董事会主席及首席执行官苏姿丰博士（dr.lisasu）在本次advancingai2026（aai2026）大会的主题演讲中所言：“我们认为智能体（agent）是ai领域的下一个重大突破。当要求智能体执行某项任务时，它实际上要经历数十个步骤，需要进行推理、调用工具、访问数据，并且必须反复持续执行这些操作，直到彻底解决问题。”这种计算需求的阶跃式增长，正是amd此次全系新品发布的底层逻辑。
苏姿丰博士展示amd最新成果
大会之后，最大的感受是：这不仅仅是几款新芯片的发布，而是amd试图用一套从端到云的系统级方案，去打破现有算力的格局。而在宏大的战略蓝图与纸面参数的优势背后，amd能否真正动摇现有的市场竞争格局？这篇文章将为您全面拆解aai26大会的核心看点与背后的商业逻辑。
云端重构：cpu重新找回存在感，gpu开启“算力集群”对决
数据中心依然是主战场。过去一年，gpu抢走了太多风头，但amd这次明确提出：到了“ai智能体”时代，cpu的地位正在强势回归。
为什么大模型时代还需要强大的cpu？苏姿丰博士在演讲中给出了一组惊人的预测：“智能体ai正在为服务器cpu开辟一条全新的增长路径。我们目前预计，到2030年，服务器cpu市场规模将突破2000亿美元。”因为当成千上万个智能体ai在后台独立运行、频繁调用企业私有数据和api接口时，不仅需要大量gpu来执行冻结操作，更需要海量cpu来协调围绕它的每一个逻辑步骤。
为此，amd推出了专为这类工作负载定制的第6代epyc9006系列（代号“venice”）处理器。
其产品线切分得相当精准：面对高密度的代理执行需求，epyc9006sp7塞入了惊人的256核心和512线程。amd官方直接给出了一个极具攻击性的对比——在100kw的机架功耗下，其核心数是竞争对手（nvidiavera）的2.08倍，直接把“算力密度”和“性价比”拉满。此外，还有专门负责在后端给gpu输送数据的lp版本（epyc9006lp），以及面向传统超算，带3倍l3缓存的x系列，和通用企业级市场的细分型号。
当然，算力的重头戏同样离不开gpu。新一代instinctmi400系列明确了双线作战：mi455x专攻前沿模型训练和ai工厂，mi430x则配备了高达288tflops的硬件fp64性能。值得注意的是，该系列全面引入了hbm4内存，不仅能塞下更庞大的模型，还进一步降低了分布式推理的架构复杂度。
不过，比起单颗芯片的参数，大会释出的最强信号是：amd开始全面转向“系统级”交付。苏姿丰对此的判断一针见血：“如今前沿ai抬高了基础设施的标准，这绝非单块芯片或单台服务器就能实现的。实际上，你必须将整个机架作为一个系统来进行设计。”
直接对标竞品的helios机架级方案，将mi455x、第6代epyc以及pensando网络技术打包在了一起。对比行业标杆（英伟达nvl72），helios峰值fp4性能高出15%，hbm内存容量和横向扩展带宽分别多出50%，最终实现了tokens每美元性价比30%的领先。这标志着amd正式在超大集群赛道上与对手展开了系统级的正面对抗。
走向现实：物理ai与边缘侧的野心
在云端算力激战正酣的同时，amd在边缘侧也落下重子。物理ai（physicalai）正在成为下一个巨大的增量市场。在这个领域，算力并非唯一指标，系统的低延迟、功能安全以及确定的网络同步同样关键。
要让ai在物理世界里跑起来，面临的最大门槛就是硬件的碎片化。为此，amd这次重磅推出了kriaai解决方案（涵盖系统模块som与机器人开发者平台）。
如果你想造一台下一代自主机器人，kriaai就像是一个“开箱即用”的超级大脑。它内部搭载了最新的ryzenaiembeddedx100系列处理器，将感知、推理和自主决策能力直接集成在了一个单一平台上。结合amd的versal自适应soc/fpga，amd实际上构建了一套完整的硬件控制链：fpga犹如关节，负责低延迟反射；kriaai模块和cpu则是中枢和大脑，负责全级协同与决策。
此外，硬件做好了还不够，amd宣布成立的“开放机器人合作伙伴网络”（roboticspartnernetwork）更具战略意味。过去，机器人开发往往受制于高度封闭的专有平台。现在，通过提供像kriaai这样的标准化开发者平台，并联合odm厂商、传感器企业与软件开发者，基于ros2和开源环境，amd希望大幅缩短企业从机器人原型到量产的周期，这在很大程度上迎合了行业苦闭源久矣的痛点。
软件补齐与商业落地：rocm.ai的进阶
提到amd，软件生态始终是避不开的焦点。这次的rocm.ai选择了一个相对巧妙的解法：ai原生化。
通过引入amdskills功能，rocm.ai与claude、cursor等主流ai编程助手打通，让开发者能用自然语言获取针对amd平台的排错和优化建议，这在很大程度上降低了开发门槛。同时，新的hyperloom工具将端到端推理优化实现了自动化，将原本需要数周的工作缩短至几小时。
在真实场景落地方面，结合微软与at&t合作的opentelco（开放电信网络）案例，amd也在向外界证明，其软硬件方案足以胜任严苛、且高度依赖多供应商协同的企业级真实业务环境。
写在最后：amd真的稳了吗？
“没有任何一家公司能够独立解决所有问题……我们认为开放生态系统对ai的未来至关重要，唯有如此，我们才能汇聚各方力量，实现效能倍增。”正如苏姿丰博士在演讲中多次强调的那样，“开放”是amd挑战现有算力霸权的核心武器。
amd在本次大会上交出了一份极具竞争力的成绩单。但在其宏大布局背后，也面临着必须攻克的难题：
首先，开发者习惯的迁移是一场持久战。尽管rocm.ai的体验大幅改善，但在过去十余年里，竞争对手已经建立起极深的生态壁垒，要说服长尾的中小开发者和初创团队主动迁移，仍需极大的耐心和持续的投入。
其次，超大规模集群的真实大考才刚刚开始。helios机架方案的纸面数据非常优异，且主推基于以太网（ualoe）的开放互联标准。然而，当面临几万甚至十万张卡互联的极端场景时，网络的真实利用率、系统纠错能力与长期稳定性，依然需要通过顶级大厂的大规模实机部署来验证。这远比单纯的带宽堆砌要复杂得多。
最后，物理ai赛道呈现出极度碎片化的特征。从农业机械到仓储物流，每个场景的标准都不尽相同。amd的硬件与生态网络虽然已经搭建，但要在如此分散的市场中跑出规模效应，极其考验其在垂直行业的整合能力与攻坚的信心。
虽然前路并非平坦，但amdaai2026大会让我们看到，amd正在告别单一的芯片供应商角色，而是在布局一套完整、开放的基础设施体系去重塑目前的算力市场格局。从云端的巨型机架到边缘的机器人，硬核参数已经就位，接下来，我们也可以期待，amd与各大科技巨头企业在人工智能领域的合作，或许能够带给我们非同一般的效果。