AMD Dev Day ShanghaiにおけるUltralytics：ローカルAIとエージェント型システムの融合

Ultralyticsは上海で開催されたAMD Dev Dayに参加し、AMDとそのパートナーがAIインフラの次の段階をどのように形作っているかを学びました。イベントで最も強く打ち出されたメッセージは明確でした。AMDのAIをめぐる議論は、単体モデルの枠を超え、実際にデプロイできるAIシステムへと移行しています。講演、製品デモ、パートナーとの議論を通じて、主なテーマとなったのは、エージェント型AI、ローカルAIデプロイ、オープンソースのエコシステム、そしてこうしたシステムを大規模に実用化するための開発者ツールでした。

AMDの会長兼CEOであるLisa Suは、次のように述べました。「今日ほどテクノロジーに携わるのが刺激的な時代はありません。」

実際のAI製品を開発するチームにとって、この変化は重要です。市場の次の段階で成功するには、単一の最先端モデルを利用できるかどうかよりも、ワークフローをどれだけうまくオーケストレーションし、推論コストを管理し、機密データを保護し、用途に合ったデプロイ環境を選べるかが重要になる可能性を示しています。

AMDのメッセージ：AIにはフルスタックのコンピューティング戦略が必要#

AMD Dev Dayを通じた主要なテーマの一つは、AI時代に向けて、AMDがエンドツーエンドのフルスタックコンピューティングプロバイダーとしての地位を確立しようとしていることでした。同社は、クラウド、クライアント、エッジ環境全体でAIワークロードをサポートするアプローチを示すとともに、閉鎖的な独自スタックではなく、オープンなソフトウェアエコシステムを重視しました。

この位置づけが重要なのは、AI開発の進化を反映しているからです。最新のAI製品を構築することは、もはやモデルの学習やAPIの呼び出しだけではありません。チームには、ローカルでの実験、マルチエージェントワークフロー、推論の最適化、ワークステーション規模のテスト、エンタープライズデプロイへの対応がますます求められています。AMDはイベントを通じて、ハードウェアに関する説明を、こうした広範なソフトウェアとシステムの現実に一貫して結び付けていました。

Lisa Suはイベントで、この目標を明確に要約しました。「AIをエコシステムのあらゆる場所に届けたいと考えています。」

図1. 上海で開催されたAMD Dev Dayのステージ上のLisa Su。

エージェント型AIがイベントの中心的なテーマでした#

一日を通じて繰り返し語られた考えが一つあるとすれば、それは従来のLLMとのやり取りからエージェント型AIシステムへの移行でした。講演者は、この変化を、単発のプロンプトと応答から、複数のエージェントがワークフロー全体で計画、実行、批評、協働するマルチエージェントオーケストレーションへの移行として説明しました。

エージェント型システムはAIスタックに新たな要件を課すため、この点は重要です。イベントで示された見解によると、こうしたシステムにはGPU性能だけでなく、繰り返しの推論ループや複数ステップの実行を支える十分なCPU処理能力、データフローのオーケストレーション、メモリ容量も必要です。

開発者やAIチームにとっての要点は、競争力の源泉が、最も高性能なモデルを選ぶことだけでなく、効果的なAIシステムを構築することにある可能性です。モデルをワークフロー、ツール、ローカルデータ、ビジネスプロセスに接続する能力が、製品自体の中核になりつつあります。

ローカルAIデプロイの戦略的重要性が高まっています#

AMD Dev Dayで注目されたもう一つのテーマは、ローカルAIデプロイの重視でした。AMDとそのパートナーは、ノートPC、ワークステーション、エンタープライズ向けハードウェアなど、業務が行われる場所に近いところで高度なAIワークロードを実行する必要性が高まっていると、繰り返し説明しました。

イベントを通じて、一貫して挙げられた理由は次のとおりです。

• レイテンシの低減
• データプライバシーの向上
• 機密性の高いワークフローに対する制御の強化
• クラウドAPIコストへの依存の低減

AMDは、この主張を裏付ける主要な例としてRyzen AI Max 395を取り上げ、最大128GBのユニファイドメモリを搭載した構成や、シャーディングなしで大規模モデルを単一のメモリプール内でローカル実行できることを紹介しました。また、Radeon AI Pro R9700とAMD Threadripper Pro 9000を使い、デプロイ前のテストやローカルでのスケーリングを行う、ワークステーション規模の開発環境も披露されました。

全体のメッセージは、クラウドがなくなるということではありません。むしろイベントでは、ローカル環境とクラウド環境を連携させるハイブリッドモデルが示されました。より定型的なタスク、レイテンシやプライバシーの影響を受けやすいタスクはローカルで実行し、より負荷の高いタスクは必要に応じてクラウドに移行できます。

AI推論コストとトークン需要がインフラの選択を左右しています#

AMD Dev Dayでは、こうしたアーキテクチャ上の判断を後押しする経済的な圧力も取り上げられました。講演者は、トークン需要の急増、推論コストの上昇、そしてAI製品を開発する開発者や企業にかかる圧力を強調しました。

この見方では、ローカルAIは技術的な戦略であると同時に、コスト管理の戦略としても紹介されました。イベントで繰り返されたメッセージは、AIの次の段階では、コンピューティングリソースを最も多く消費するチームではなく、より効率的に活用するチームが成果を上げるというものでした。

AIを開発する人々にとって、これは実践的な示唆です。インフラに関する判断は、ますます製品の判断になっています。レイテンシ、プライバシー、メモリ、トークンコストは、もはや二次的なエンジニアリング上の詳細ではありません。

図2. AMD Versal AI Edge Series Gen2 VEK385 評価キット。

AMD ROCmとオープンソースAIエコシステム#

AMD Dev Dayで得られたもう一つの重要な要点は、オープンなソフトウェアエコシステムが中心的な役割を果たしていることでした。AMDは、ROCm、主要なフレームワークをコード変更なしでサポートすること、Hugging FaceとModelScopeを通じて300万以上のモデルをサポートすること、新しいモデルのリリースを初日からサポートすることを目指す方針を強調しました。

AMDのAIプロダクトマネジメント担当シニアディレクターであるNick Niは、その重要性を次のように表現しました。「この会場にいる皆さんの大半にとって、実際のところ、主役はソフトウェアです。」

イベントでは、開発者向けの取り組みもいくつか紹介されました。

• 中国の開発者向けにGPUを無料で利用できるAMD AI Developer Cloud
• AMD GPUランタイムのオプションに対応するModelScope Studioとの統合
• ステップごとのガイドを提供するAMD AI Playbooks
• ここ数カ月で10万人以上の開発者が加わった開発者プログラム

イベントのこの部分は特に重要に感じられました。基本的な事実を改めて示していたからです。ハードウェアの性能だけでは導入は進みません。開発者には、成熟したツール、使い慣れたフレームワーク、ドキュメント、そして手軽に実験できる方法が必要です。エコシステムの存在が、性能に関する主張を実用可能なプラットフォームへと変えます。

AMD Dev Dayで中国が注目された理由#

AI市場における中国の役割も、繰り返し取り上げられたテーマでした。複数の講演者が、中国をオープンソースAIイノベーションの先進的な環境として説明しました。特に、効率性、ローカルデプロイ、実践的なエンジニアリング上の制約が関わる分野でその傾向が顕著です。

Zero One AIとStepfunとのパートナーシップが、その点を裏付ける例として紹介されました。イベントの資料では、Zero One AIと共同開発した、Ryzen AI Maxアーキテクチャを基盤とするローカルデプロイ向けエンタープライズ用マルチエージェント統合システムと、AMDハードウェア向けに最適化され、エージェント型タスクを目的に設計されたStepfunのモデルが説明されていました。

より大きな意味として、中国は主要なAI市場であるだけでなく、ローカルAIデプロイ、オープンソースモデル、コストを重視したインフラ設計にとって重要な実証の場でもあります。

UltralyticsがAMD Dev Day Shanghaiから得た知見#

Ultralyticsチームの視点から見ると、AMD Dev Dayで最も有益だったのは、抽象的なAIの能力ではなく、実際にデプロイできるAIシステムに焦点を当てていたことです。イベントでは、開発者や企業が本番環境でAIを実行、統合、保護、拡張する方法が一貫して中心的に扱われていました。

これには、次のような問いが含まれます。

• ローカルで実行するものとクラウドで実行するものを、どのように決めるべきでしょうか？
• チームはレイテンシとプライバシーをどのように考えるべきでしょうか？
• 開発者は高額な推論APIへの依存をどのように減らせるでしょうか？
• AIプラットフォームを導入しやすくするツールやソフトウェアレイヤーには、どのようなものがあるでしょうか？

これらは実践的な問いであり、成功するAI製品の構築方法をますます左右しています。また、Ultralytics YOLOモデルをどのように開発し、リリースするかを考える際にも、私たちはこうした問いに直接向き合っています。モデルをノートPC、ワークステーション、クラウドインスタンスのいずれで実行する場合も、デプロイの柔軟性は、後付けではなく、常に中核的な設計要件です。

AMD Dev Dayでのオープンソースエコシステムと推論効率化への取り組みは、私たちがすでに信じていることを改めて裏付けました。最も有用なAIツールとは、単一のベンダーやプラットフォームを中心にインフラを再構築する必要なく、実際のハードウェア上で実際のワークフローに適合するツールです。

図3. 上海で開催されたAMD Dev DayのUltralyticsチーム。

最後に#

AMD Dev Day Shanghaiで明らかになったことが一つあります。AIインフラをめぐる議論は成熟しつつあります。焦点は、モデル規模の拡大だけから、AIを実世界で役立てるために必要な、より広範なシステムへと移っています。エージェント型ワークフロー、ローカルAIデプロイ、オープンソースツール、インフラ効率化が、イベントを通じて最も明確なテーマでした。

AI製品を開発するチームにとって、この変化には注目する価値があります。次の進歩は、最大のモデルを選ぶことだけではなく、適切なアーキテクチャ、デプロイモデル、開発者エコシステムを選ぶことから生まれる可能性があります。

コンピュータービジョンシステムを開発し、推論をデバイス上、オンプレミス、クラウドのどこで実行すべきか検討しているなら、Ultralytics YOLOモデルは、そうした柔軟性を念頭に設計されています。まずはGitHubリポジトリをご覧ください。製造業や物流でコンピュータービジョンが実環境にどのように導入されているかを確認するか、開発を始めるためにライセンスの選択肢をご覧ください。