Ultralytics beim AMD Dev Day Shanghai: lokale KI trifft auf agentische Systeme

Ultralytics nahm am AMD Dev Day in Shanghai teil, um zu erfahren, wie AMD und seine Partner die nächste Phase der KI-Infrastruktur gestalten. Die wichtigste Botschaft der Veranstaltung war eindeutig: Bei AMD geht es im KI-Bereich nicht mehr nur um eigenständige Modelle, sondern zunehmend um einsetzbare KI-Systeme. In den Vorträgen, Produktdemonstrationen und Gesprächen mit Partnern standen vor allem agentische KI, die lokale Bereitstellung von KI, Open-Source-Ökosysteme und die Entwicklertools im Mittelpunkt, die diese Systeme im großen Maßstab praxistauglich machen.

Wie AMD-Vorstandsvorsitzende und CEO Lisa Su sagte: „Es gab noch nie eine aufregendere Zeit für die Technologiebranche als heute.“

Für Teams, die echte KI-Produkte entwickeln, ist dieser Wandel wichtig. Er deutet darauf hin, dass der Erfolg in der nächsten Marktphase weniger vom Zugang zu einem einzelnen Spitzenmodell abhängen könnte und stärker davon, wie gut Teams Arbeitsabläufe koordinieren, Inferenzkosten kontrollieren, sensible Daten schützen und die passende Bereitstellungsumgebung auswählen.

AMDs Botschaft: KI braucht eine umfassende Rechenstrategie#

Ein zentrales Thema des AMD Dev Day war AMDs Bestreben, sich als umfassender Anbieter von Rechenlösungen für das KI-Zeitalter zu positionieren. Das Unternehmen stellte seinen Ansatz so dar, dass KI-Arbeitslasten in Cloud-, Client- und Edge-Umgebungen unterstützt werden, und betonte zugleich ein offenes Software-Ökosystem statt eines geschlossenen, proprietären Stacks.

Diese Ausrichtung ist wichtig, weil sie zeigt, wie sich die KI-Entwicklung verändert. Bei der Entwicklung moderner KI-Produkte geht es nicht mehr nur darum, ein Modell zu trainieren oder seine API aufzurufen. Teams müssen zunehmend lokale Experimente, Arbeitsabläufe mit mehreren Agenten, Inferenzoptimierung, Tests auf Workstation-Systemen und die Bereitstellung in Unternehmen unterstützen. AMD verknüpfte die Hardwarethemen der Veranstaltung immer wieder mit dieser umfassenderen Realität aus Software und Systemen.

Lisa Su brachte dieses Ziel während der Veranstaltung auf den Punkt: „Wir wollen KI in das gesamte Ökosystem bringen.“

Abb. 1. Lisa Su auf der Bühne beim AMD Dev Day in Shanghai.

Agentische KI war das beherrschende Thema der Veranstaltung#

Wenn sich ein Gedanke durch den ganzen Tag zog, dann war es der Übergang von herkömmlichen LLM-Interaktionen zu agentischen KI-Systemen. Die Vortragenden beschrieben diesen Wandel als Wechsel von einzelnen Aufforderungen und Antworten hin zur Orchestrierung mehrerer Agenten, bei der verschiedene Agenten Arbeitsabläufe planen, ausführen, überprüfen und gemeinsam bearbeiten.

Das ist wichtig, weil agentische Systeme neue Anforderungen an den KI-Stack stellen. Laut der Darstellung auf der Veranstaltung benötigen diese Systeme nicht nur GPU-Leistung, sondern auch erhebliche CPU-Rechenleistung, die Orchestrierung des Datenflusses und ausreichend Speicher, um wiederholte Inferenzschleifen und mehrstufige Ausführungen zu unterstützen.

Für Entwickler und KI-Teams bedeutet das: Der Wettbewerbsvorteil könnte daraus entstehen, wirksame KI-Systeme zu entwickeln, statt einfach nur das leistungsfähigste Modell auszuwählen. Modelle mit Arbeitsabläufen, Werkzeugen, lokalen Daten und Geschäftsprozessen zu verbinden, wird zu einem Kernbestandteil des Produkts selbst.

Die lokale Bereitstellung von KI gewinnt strategisch an Bedeutung#

Ein weiteres bemerkenswertes Thema beim AMD Dev Day war die Betonung der lokalen Bereitstellung von KI. AMD und seine Partner argumentierten wiederholt, dass anspruchsvolle KI-Arbeitslasten zunehmend näher am Ort der Arbeit ausgeführt werden müssen, etwa auf Laptops, Workstations und Unternehmenshardware.

Die Gründe dafür waren während der gesamten Veranstaltung einheitlich:

• Geringere Latenz
• Besserer Datenschutz
• Mehr Kontrolle über sensible Arbeitsabläufe
• Geringere Abhängigkeit von Cloud-API-Kosten

AMD führte Ryzen AI Max 395 als wichtiges Beispiel für diese Argumentation an und hob Konfigurationen mit bis zu 128 GB gemeinsam genutztem Speicher sowie die Möglichkeit hervor, große Modelle lokal in einem einzigen Speicherpool ohne Aufteilung auszuführen. Auf der Veranstaltung wurden außerdem Entwicklungsumgebungen in Workstation-Größe mit Radeon AI Pro R9700 und AMD Threadripper Pro 9000 gezeigt, um Tests und die lokale Skalierung vor der Bereitstellung zu ermöglichen.

Die übergeordnete Botschaft lautete nicht, dass die Cloud verschwinden würde. Stattdessen wurde ein hybrides Modell vorgestellt, in dem lokale Umgebungen und die Cloud zusammenarbeiten. Routinemäßige sowie latenz- oder datenschutzsensible Aufgaben können lokal ausgeführt werden, während anspruchsvollere Aufgaben bei Bedarf weiterhin in die Cloud verlagert werden können.

Kosten der KI-Inferenz und Tokenbedarf prägen die Infrastrukturentscheidungen#

Der AMD Dev Day hob auch den wirtschaftlichen Druck hinter diesen Architekturentscheidungen hervor. Die Vortragenden betonten das rasche Wachstum des Tokenbedarfs, steigende Inferenzkosten und den Druck, der dadurch auf Entwickler und Unternehmen entsteht, die KI-Produkte entwickeln.

In diesem Zusammenhang wurde lokale KI sowohl als technische Lösung als auch als Strategie zur Kostenkontrolle dargestellt. Die wiederholte Botschaft der Veranstaltung lautete, dass die nächste Phase der KI Teams belohnen wird, die Rechenleistung effizienter einsetzen, und nicht einfach diejenigen, die am meisten davon verbrauchen.

Für KI-Entwickler ist das ein praktischer Hinweis. Infrastrukturentscheidungen werden zunehmend zu Produktentscheidungen. Latenz, Datenschutz, Speicher und Tokenkosten sind keine nebensächlichen technischen Details mehr.

Abb. 2. Evaluierungskit AMD Versal AI Edge Series Gen2 VEK385.

AMD ROCm und das Open-Source-KI-Ökosystem#

Ein weiterer wichtiger Punkt des AMD Dev Day war die zentrale Rolle offener Software-Ökosysteme. AMD hob ROCm, die Unterstützung wichtiger Frameworks ohne Codeänderungen, den Zugriff auf mehr als 3 Millionen Modelle über Hugging Face und ModelScope sowie das Ziel hervor, neue Modellveröffentlichungen vom ersten Tag an zu unterstützen.

Nick Ni, Senior Director für KI-Produktmanagement bei AMD, brachte diesen Schwerpunkt treffend auf den Punkt: „Für die meisten von euch hier im Raum ist Software tatsächlich das entscheidende Thema.“

Auf der Veranstaltung wurden außerdem mehrere entwicklerorientierte Initiativen vorgestellt:

• AMD AI Developer Cloud mit kostenlosem GPU-Zugriff für Entwickler in China
• Integration von ModelScope Studio mit AMD-GPU-Laufzeitoptionen
• AMD AI Playbooks mit Schritt-für-Schritt-Anleitungen
• Ein Entwicklerprogramm, das in den vergangenen Monaten um mehr als 100.000 Entwickler gewachsen ist

Dieser Teil der Veranstaltung wirkte besonders wichtig, weil er eine grundlegende Wahrheit unterstrich: Hardware allein sorgt nicht für breite Nutzung. Entwickler brauchen ausgereifte Werkzeuge, vertraute Frameworks, Dokumentation und unkomplizierte Möglichkeiten zum Experimentieren. Das Ökosystem macht aus Leistungsversprechen nutzbare Plattformen.

Warum China beim AMD Dev Day besonders hervorstach#

Chinas Rolle auf dem KI-Markt war ein weiteres wiederkehrendes Thema. Mehrere Vortragende bezeichneten China als führenden Standort für Open-Source-KI-Innovationen, insbesondere in Bereichen, die von Effizienz, lokaler Bereitstellung und praktischen technischen Rahmenbedingungen geprägt sind.

Partnerschaften mit Zero One AI und Stepfun dienten als Beleg dafür. In den Veranstaltungsnotizen wurde ein gemeinsames Komplettsystem für Unternehmen mit mehreren Agenten beschrieben, das mit Zero One AI entwickelt wurde und auf der Ryzen-AI-Max-Architektur für die lokale Bereitstellung basiert. Außerdem wurde ein für AMD-Hardware optimiertes Stepfun-Modell vorgestellt, das für agentische Aufgaben konzipiert ist.

Die weitergehende Schlussfolgerung war, dass China nicht nur ein bedeutender KI-Markt ist, sondern auch ein wichtiges Erprobungsfeld für die lokale Bereitstellung von KI, Open-Source-Modelle und eine kostenbewusste Infrastrukturplanung.

Was Ultralytics vom AMD Dev Day in Shanghai mitgenommen hat#

Aus Sicht des Ultralytics-Teams war der nützlichste Hinweis des AMD Dev Day der Fokus auf einsetzbare KI-Systeme statt auf KI-Fähigkeiten im Allgemeinen. Bei der Veranstaltung ging es immer wieder darum, wie Entwickler und Unternehmen KI tatsächlich in Produktionsumgebungen ausführen, integrieren, absichern und skalieren können.

Dazu gehören Fragen wie:

• Was sollte lokal und was in der Cloud ausgeführt werden?
• Wie sollten Teams Latenz und Datenschutz berücksichtigen?
• Wie können Entwickler ihre Abhängigkeit von teuren Inferenz-APIs verringern?
• Welche Werkzeuge und Softwareschichten erleichtern die Einführung von KI-Plattformen?

Das sind praktische Fragen, die zunehmend bestimmen, wie erfolgreiche KI-Produkte entwickelt werden. Außerdem beschäftigen uns diese Fragen unmittelbar bei der Entwicklung und Veröffentlichung unserer Ultralytics YOLO-Modelle. Flexibilität bei der Bereitstellung – also die Möglichkeit, ein Modell auf einem Laptop, einer Workstation oder einer Cloud-Instanz auszuführen – ist für uns seit jeher eine zentrale Designanforderung und kein nachträglicher Gedanke.

Der Fokus des AMD Dev Day auf offene Ökosysteme und effiziente Inferenz bestärkte uns in einer Überzeugung, die wir bereits teilen: Die nützlichsten KI-Werkzeuge fügen sich in echte Arbeitsabläufe und auf echter Hardware ein, ohne dass Teams ihre Infrastruktur um einen einzelnen Anbieter oder eine einzelne Plattform herum neu aufbauen müssen.

Abb. 3. Das Ultralytics-Team beim AMD Dev Day in Shanghai.

Abschließende Gedanken#

Der AMD Dev Day in Shanghai machte eines deutlich: Die Diskussion über KI-Infrastruktur wird zunehmend ausgereifter. Der Fokus verlagert sich von der reinen Modellgröße hin zu den umfassenderen Systemen, die KI in der realen Welt nützlich machen. Agentische Arbeitsabläufe, die lokale Bereitstellung von KI, Open-Source-Werkzeuge und Infrastruktureffizienz waren die klarsten Schwerpunkte der Veranstaltung.

Für Teams, die KI-Produkte entwickeln, lohnt es sich, diesen Wandel im Blick zu behalten. Die nächste Fortschrittswelle könnte davon abhängen, die richtige Architektur, das passende Bereitstellungsmodell und das richtige Entwicklerökosystem auszuwählen – und nicht einfach das größte Modell.

Wenn du Computer-Vision-Systeme entwickelst und darüber nachdenkst, wo die Inferenz ausgeführt werden soll – auf dem Gerät, vor Ort oder in der Cloud –, sind die Ultralytics YOLO-Modelle auf diese Flexibilität ausgelegt. Sieh dir unser GitHub-Repository an, um loszulegen, erfahre, wie Computer Vision in realen Anwendungen in der Fertigung und Logistik eingesetzt wird, oder informiere dich über unsere Lizenzoptionen, um mit der Entwicklung zu beginnen.