Ultralytics 参加 AMD Dev Day Shanghai：本地 AI 与智能体系统相遇

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。活动传递出的核心信息十分明确：AMD 的 AI 讨论正从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交流中，最受关注的主题包括智能体 AI、本地 AI 部署、开源生态系统，以及让这些系统能够大规模落地所需的开发者工具。

AMD 董事长兼首席执行官 Lisa Su 表示：“当下正是投身科技领域最令人振奋的时代。”

对于打造真实 AI 产品的团队来说，这一转变意义重大。这表明，在市场发展的下一阶段，成功可能不再那么依赖能否使用某个前沿模型，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 的一个重要主题，是 AMD 力图将自身定位为 AI 时代端到端的全栈计算供应商。该公司将其方案描述为支持云端、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系统，而非封闭的专有技术栈。

这种定位很重要，因为它反映了 AI 开发方式的演变。打造现代 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级部署。AMD 在活动中传达的信息始终将硬件布局与更广泛的软件和系统现实联系起来。

Lisa Su 在活动中清楚地概括了这一愿景：“我们希望让 AI 遍布整个生态系统。”

图 1. Lisa Su 在上海 AMD Dev Day 活动现场演讲。

智能体 AI 是活动的主导主题#

如果说当天反复提及的核心观点只有一个，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：从单轮提示与回答，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、评估和协作。

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

对开发者和 AI 团队而言，关键启示是，竞争优势可能来自构建有效的 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凸显#

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靠近工作发生地点的设备上运行，包括笔记本电脑、工作站和企业硬件。

活动中反复提到的原因包括：

• 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能力
• 降低对云端 API 成本的依赖

AMD 将 Ryzen AI Max 395 作为这一论点的重要例证，重点介绍了最高配备 128GB 统一内存的配置，以及无需分片、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 的工作站级开发配置，可在部署前进行测试和本地扩展。

活动传达的整体信息并不是云端将会消失，而是本地与云端环境协同工作的混合模式。较常规、对延迟敏感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交由云端处理。

AI 推理成本和令牌需求正在影响基础设施选择#

AMD Dev Day 还强调了这些架构决策背后的经济压力。活动演讲者指出，令牌需求正在快速增长，推理成本不断上升，这给打造 AI 产品的开发者和企业带来了压力。

在这一背景下，本地 AI 不仅被视为技术策略，也被视为成本控制策略。活动反复传达的信息是，AI 发展的下一阶段将青睐那些能更高效利用计算资源的团队，而不只是消耗最多计算资源的团队。

对 AI 开发者来说，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、内存和令牌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 生态系统#

AMD Dev Day 的另一个重要启示，是开放软件生态系统发挥着核心作用。AMD 强调了 ROCm、无需修改代码即可支持主流框架、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，在座的大多数人最关心的都是软件。”

活动还重点介绍了多项面向开发者的举措：

• AMD AI Developer Cloud，为中国开发者免费提供 GPU 使用权限
• ModelScope Studio 集成 AMD GPU 运行时选项
• AMD AI Playbooks，提供循序渐进的指南
• 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：仅有硬件能力并不能推动应用普及。开发者需要成熟的工具、熟悉的框架、文档，以及顺畅无阻的实验方式。生态系统才能将性能主张转化为可用的平台。

中国为何成为 AMD Dev Day 的焦点#

中国在 AI 市场中的地位也是反复出现的主题。多位演讲者将中国描述为开源 AI 创新的领先市场，尤其是在效率、本地部署和实际工程限制等方面。

活动通过与零一万物和阶跃星辰的合作进一步印证了这一点。活动资料介绍了与零一万物联合打造的一体化企业多智能体系统，该系统基于 Ryzen AI Max 架构并面向本地部署；资料还介绍了针对 AMD 硬件优化、专为智能体任务设计的阶跃星辰模型。

更广泛的启示是，中国不仅是重要的 AI 市场，也是本地 AI 部署、开源模型和成本敏感型基础设施设计的重要试验场。

Ultralytics 从上海 AMD Dev Day 获得的启示#

从 Ultralytics 团队的角度来看，AMD Dev Day 最有价值的信号，是活动关注可部署的 AI 系统，而非抽象的 AI 能力。活动始终聚焦开发者和企业如何在生产环境中实际运行、集成、保护和扩展 AI。

其中包括以下问题：

• 哪些任务应该在本地运行，哪些应该在云端运行？
• 团队应该如何考虑延迟和隐私？
• 开发者如何减少对昂贵推理 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，而且它们日益决定着成功的 AI 产品如何打造。我们在构建和发布 Ultralytics YOLO 模型时，也会直接考虑这些问题。部署灵活性——无论模型在笔记本电脑、工作站还是云实例上运行——始终是我们的核心设计约束，而非事后才考虑的因素。

AMD Dev Day 对开源生态系统和推理效率的重视，进一步印证了我们一直以来的看法：最实用的 AI 工具能够融入真实工作流、运行在真实硬件上，而且不要求团队围绕单一供应商或平台重建基础设施。

图 3. Ultralytics 团队参加上海 AMD Dev Day。

总结#

上海 AMD Dev Day 明确了一点：围绕 AI 基础设施的讨论正在走向成熟。关注重点正从单纯扩大模型规模，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，是活动中最鲜明的主题。

对于打造 AI 产品的团队来说，这一转变值得关注。下一波进展可能来自选择合适的架构、部署模式和开发者生态系统，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，并考虑推理应该在设备端、本地还是云端运行，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，或者查看我们的许可选项，开始构建。