Ultralytics 参加 AMD Dev Day Shanghai：本地 AI 遇上智能体系统

Ultralytics 参加了在上海举办的 AMD Dev Day，了解 AMD 及其合作伙伴如何塑造 AI 基础设施的下一阶段。此次活动传递出的最强信号十分明确：围绕 AMD AI 的讨论正在超越独立模型，转向可部署的 AI 系统。在演讲、产品演示和合作伙伴讨论中，最重要的主题包括 智能体 AI、本地 AI 部署、开源生态，以及让这些系统能够大规模投入实际应用所需的开发者工具。

正如 AMD 董事长兼 CEO Lisa Su 所说，“今天是从事技术工作最令人兴奋的时代。”

对于构建真实 AI 产品的团队来说，这一转变意义重大。这表明，市场下一阶段的成功可能不再主要取决于能否访问单一前沿模型，而更多取决于团队能否有效编排工作流、控制推理成本、保护敏感数据，并为具体任务选择合适的部署环境。

AMD 的观点：AI 需要全栈计算策略#

AMD Dev Day 始终围绕的一个重要主题，是 AMD 力求成为 AI 时代端到端全栈计算提供商。该公司将其方案定位为支持云端、客户端和边缘环境中的 AI 工作负载，同时强调开放的软件生态，而不是封闭的专有技术栈。

这一定位很重要，因为它反映了 AI 开发的演进方向。构建现代 AI 产品不再只是训练模型或调用模型 API。团队越来越需要支持本地实验、多智能体工作流、推理优化、工作站级测试和企业部署。AMD 在活动中的信息始终将其硬件方案与更广泛的软件和系统现实联系在一起。

Lisa Su 在活动中清晰地概括了这一愿景：“我们希望将 AI 带入整个生态的各个角落。”

图 1. Lisa Su 在上海 AMD Dev Day 活动现场演讲。

智能体 AI 成为活动的主导主题#

如果说当天反复提到的只有一个观点，那就是从传统 LLM 交互转向智能体 AI 系统。演讲者将这一转变描述为：从一次性提示和响应，转向多智能体编排，让不同智能体在工作流中进行规划、执行、评审和协作。

这很重要，因为智能体系统对 AI 技术栈提出了新的要求。按照活动的观点，这些系统不仅需要 GPU 性能，还需要强大的 CPU 处理能力、数据流编排能力和内存容量，以支持反复的推理循环和多步骤执行。

对于开发者和 AI 团队来说，关键在于，竞争优势可能来自构建高效的 AI 系统，而不只是选择能力最强的模型。将模型连接到工作流、工具、本地数据和业务流程的能力，正逐渐成为产品本身的核心组成部分。

本地 AI 部署的战略意义日益提升#

AMD Dev Day 的另一个显著主题，是对本地 AI 部署的重视。AMD 及其合作伙伴反复强调，先进的 AI 工作负载越来越需要在更接近工作发生地的地方运行，包括笔记本电脑、工作站和企业硬件。

活动始终强调的原因包括：

• 更低的延迟
• 更好的数据隐私保护
• 对敏感工作流更强的控制力
• 降低对云端 API 成本的依赖

AMD 将 Ryzen AI Max 395 作为这一观点的重要例证，重点介绍了最高配备 128GB 统一内存的配置，以及无需分片即可在单一内存池中本地运行大型模型的能力。活动还展示了使用 Radeon AI Pro R9700 和 AMD Threadripper Pro 9000 的工作站级开发环境，用于部署前的测试和本地扩展。

整体信息并不是云端会消失。相反，活动呈现的是一种本地与云端环境协同工作的混合模式。更多日常的、对延迟敏感的或对隐私敏感的任务可以在本地运行，而要求更高的任务仍可在需要时升级到云端处理。

AI 推理成本和 token 需求正在影响基础设施选择#

AMD Dev Day 还凸显了这些架构决策背后的经济压力。活动演讲者强调了 token 需求的快速增长、不断上升的推理成本，以及这给构建 AI 产品的开发者和企业带来的压力。

在这一背景下，本地 AI 被视为一种技术策略，也是一种成本控制策略。活动反复传达的信息是，AI 的下一阶段将奖励那些更高效地使用计算资源的团队，而不只是消耗最多计算资源的团队。

对于 AI 构建者来说，这是一个切实的信号。基础设施决策正日益成为产品决策。延迟、隐私、内存和 token 成本不再是次要的工程细节。

图 2. AMD Versal AI Edge Series Gen2 VEK385 评估套件。

AMD ROCm 与开源 AI 生态#

AMD Dev Day 的另一个重要收获，是开放软件生态的核心作用。AMD 强调了 ROCm、对主流框架的零代码修改支持、通过 Hugging Face 和 ModelScope 支持超过 300 万个模型，以及为新模型发布提供首日支持的目标。

AMD AI 产品管理高级总监 Nick Ni 很好地概括了这一重点：“事实上，对于在座的大多数人来说，软件才是关键。”

活动还重点介绍了几项面向开发者的计划：

• AMD AI Developer Cloud，为中国开发者提供免费 GPU 访问权限
• 集成 ModelScope Studio，并提供 AMD GPU 运行时选项
• AMD AI Playbooks，提供分步指南
• 一项开发者计划在最近几个月新增了超过 100,000 名开发者

活动的这一部分尤其重要，因为它强调了一个基本事实：仅凭硬件能力无法推动用户采用。开发者需要成熟的工具链、熟悉的框架、文档，以及无摩擦的实验方式。生态系统决定了如何将性能声明转化为可用的平台。

中国为何成为 AMD Dev Day 的亮点#

中国在 AI 市场中的作用是另一个反复出现的主题。多位演讲者将中国描述为开源 AI 创新的领先环境，尤其是在效率、本地部署和实际工程约束所塑造的领域。

活动通过与 Zero One AI 和 Stepfun 的合作进一步印证了这一点。活动资料介绍了与 Zero One AI 联合打造的企业级多智能体一体化系统，该系统基于 Ryzen AI Max 架构，面向本地部署；同时还介绍了一个针对 AMD 硬件优化、面向智能体任务设计的 Stepfun 模型。

更广泛的意义在于，中国不仅是重要的 AI 市场，也是本地 AI 部署、开源模型和注重成本的基础设施设计的重要试验场。

Ultralytics 从 AMD Dev Day Shanghai 获得的启示#

从 Ultralytics 团队的角度来看，AMD Dev Day 最有价值的信号，是其对可部署 AI 系统的关注，而不是抽象地讨论 AI 能力。活动始终围绕开发者和企业如何在生产环境中真正运行、集成、保护和扩展 AI 展开。

这包括以下问题：

• 哪些任务应该在本地运行，哪些应该在云端运行？
• 团队应该如何看待延迟和隐私？
• 开发者如何减少对高昂推理 API 的依赖？
• 哪些工具和软件层能够让 AI 平台更易于采用？

这些都是实际问题，而且正日益决定成功的 AI 产品如何构建。我们在构建和发布 Ultralytics YOLO 模型时，也会直接思考这些问题。部署灵活性始终是我们的核心设计约束，而不是事后补充：模型可以运行在笔记本电脑、工作站还是云端实例上。

AMD Dev Day 对开源生态和推理效率的推动，进一步印证了我们一直相信的一点：最有用的 AI 工具，是能够融入真实工作流、运行在真实硬件上的工具，而不要求团队围绕单一供应商或平台重建基础设施。

图 3. 上海 AMD Dev Day 活动现场的 Ultralytics 团队。

总结#

AMD Dev Day Shanghai 明确表明了一点：围绕 AI 基础设施的讨论正在走向成熟。关注重点正从单纯追求模型规模，转向让 AI 在现实世界中发挥作用所需的更广泛系统。智能体工作流、本地 AI 部署、开源工具和基础设施效率，是活动中最清晰的几大主题。

对于构建 AI 产品的团队来说，这一转变值得关注。下一波进步可能来自选择正确的架构、正确的部署模式和正确的开发者生态，而不只是选择最大的模型。

如果你正在构建计算机视觉系统，并思考推理应该运行在何处——设备端、本地部署环境还是云端——Ultralytics YOLO 模型在设计时就考虑了这种灵活性。访问我们的 GitHub 代码仓库 开始使用，了解计算机视觉如何应用于制造业和物流等真实场景，或查看我们的许可选项开始构建。