AI 算力需求还在往上顶，但行业讨论的焦点已经悄悄换了位置：大家不再只问哪颗 GPU 峰值算力更高，而是问哪套平台能把算力更高效地用起来、扩出去。在今年的 Advancing AI 2026 大会上，AMD 带来了首个完整的机架级解决方案，针对 AI 数据中心设计的 "Helios" 机架级平台。其中包括了代号 "Venice" 的 EPYC 9006 系列服务器处理器、Instinct MI455X 计算卡、以及 Pensando Vulcano 网卡，这次整套系统的发布，等于把这个转向摆到了台面上。

先看两个基本盘。过去两年，AI 每月消耗的 token 数量增长了约 158 倍；训练算力的规模自 2020 年起以每年约 5 倍的速度膨胀。但比 " 变多 " 更要紧的是结构变了：训练与推理的算力配比正从 60:40 向 40:60 倾斜，推理正在取代训练，成为消耗算力的主体。

这个转向带来的连锁反应是：瓶颈不再只落在 GPU 的浮点算力上。

显存容量 决定模型与 KV Cache 装不装得下，决定并发与上下文长度； 互联带宽 决定几十、上百张卡能不能 " 像一张卡一样 " 协同； CPU 决定智能体的编排、调度与工具调用跟不跟得上； 网络 决定一个机柜能不能扩成几千卡、乃至千兆瓦级集群； 软件 决定上面这些硬件到底能被用出几成。

换句话说，AI 应用进入规模化落地之后，客户真正要买的是 " 更高效、更具扩展性、能够支撑大规模 AI 部署的整体算力平台 "，而不只是一张更快的卡。理解 AMD 这一整年的布局，得从这个变化说起。

这一代 AMD 端出来的东西横向铺得很开：面向前沿 AI 与 AI 工厂的 Instinct MI455X、面向 HPC 与科学计算的 MI430X，把 GPU、CPU、网络、软件拧在一起的 Helios 机架级方案，第 6 代 EPYC 9006，Pensando 的 Salina DPU 与 Vulcano AI NIC，还有主打开发者体验的 ROCm.ai。

值得玩味的是 AMD 选择拿什么来打对比。在 Helios 对阵 NVIDIA Vera Rubin NVL72 的官方对比里，几乎清一色是系统级指标，而不是单卡参数：

竞争规则正在改变：从 FLOPS 之争走向 Token 效率之争

维度	过去的焦点	现在的焦点
算力	单卡峰值 FLOPS	单机柜可用算力与利用率
显存	容量与带宽的绝对数字	能否装下更大的模型与 KV   Cache
互联	卡间互联是否够快	共享内存域能撑到多大（片内   →   机柜）
软件	能否跑起来	迁移成本、开放度与迭代速度
计价	单卡价格 / 每瓦性能	每 token 成本、每机柜投资回报

超 能 网   制 作

这代 Instinct MI455X 身上有三件事，恰好对应了前面说的三种瓶颈。

一是把显存拉满。 单卡 432 GB HBM4、23.3 TB/s 带宽，相比上代 MI355X 容量提升 1.5 倍、带宽提升约 2.9 倍。更值得注意的是 scale-up 域从 8 卡节点扩到 72 卡同域：通过 UALoE 把 72 颗 GPU 并成一个共享内存 pod，统一可用 31 TB HBM4。原先塞不进 8 卡节点的模型，现在可以整域推理。

二是把互联做厚。 单卡 scale-up 带宽 3.6 TB/s（36 条链路），scale-out 可挂 3 张 Pensando Vulcano 800 AI NIC、双向 600GB/s。对动辄万亿参数的 MoE 模型来说，互联早就不是配套设施，而是能不能跑起来的前提。

三是让软件真的跑得快。AMD 给出的数据是：在同一代 MI355X 硬件上，最新版 ROCm 相比 ROCm 7，推理平均提速 3.3 倍、训练平均提速 2.4 倍；而 MI455X 相比 MI355X，在 DeepSeek V4 Flash 的 FP4 服务场景下吞吐最高可提升 18 倍。硬件代际的跃迁之外，软件层面的持续优化，正在把纸面算力兑成可用算力。

显存、互联域、软件迭代速度，这三样加在一起指向同一个结论：GPU 已经不再是插在服务器里的加速卡，而是 AI 工厂里可被编排、可被池化、可按 token 计价的基础设施单元。

一台完整的 AMD Helios 机柜，就是把 Instinct MI455X、EPYC 9006、Pensando 网络与 ROCm 软件整合进单一机架级架构，可从单柜扩展到千兆瓦级集群。

CPU 负责重新分工。 AMD 提出 " 三级智能体数据中心 "：跑 agent、执行工具调用的 agent sandbox，喂 GPU 的 AI host node，以及跑企业业务的通用服务器。第 6 代 EPYC 9006 用一套架构覆盖这三类角色，旗舰级的 EPYC 9006 SP7 可提供 256 核 /512 线程的最大性能；EPYC 9006 SP8 讲究高效与恰到好处；EPYC 9006X SP7 搭载了 3D V-Cache 大缓存；EPYC 9006 LP 是 AI 主机节点专用型号。支撑这一判断的，是智能体负载下一个被反复引用的变化：CPU 与 GPU 的数量比正从 1:4 走向 1:1。再叠加 AMD 自己的一组数据：第 5 代 EPYC 已拿下服务器 CPU 约 46% 的收入份额，这也是 Gartner 把 AMD 称为 " 企业级 AI 服务器 CPU 赛道中最难被击败的公司 " 的背景。

网络负责把机柜连成集群。Pensando Salina DPU 管前端（对比 NVIDIA BlueField-3，网关性能 1.4 倍），Vulcano AI NIC 管 scale-out（单 GPU 2.4 Tbps）；机柜内的算力则由 UALoE 织成一张 260 TB/s 的 scale-up 网。开放是这套方案里被反复强调的词：用标准以太网替代专有互联，就是不想让客户被迫锁死在某一家手里。

软件负责把迁移成本压下去。 ROCm.ai 是这次软件侧的重点：ROCm CLI 统一安装、验证、部署与排障；AMD Skills 把 AMD 自己的工程经验直接塞进 Claude、Cursor、Codex 这些开发者已经在用的 AI 编程助手；Hyperloom 用代理式流程自动做端到端推理优化，把过去要花几周专家功夫的调优压缩到几小时。Helios 之上还压着一整套栈：Fabric Manager 管 72 卡的 fabric，Rack Infrastructure Manager 把整柜当一台系统来运维，Cluster Controller 对接 Kubernetes / Slurm 做集群编排。

AMD 卖的东西变了：不再是零件，而是把 GPU、CPU、网络、软件拧成一股绳的开放平台。

CUDA 这道护城河，本质上是 " 通用可编程性 + 迁移成本 " 两件事把开发者绑住了：为了可编程和生态成熟，客户愿意为通用 GPU 付出溢价，也容忍它在能效与成本上的低效。AAI 2026 最值得琢磨的，是 AMD 从三个层面同时下手。

软件层：让 CUDA 代码 "drop-in"

AMD 把 ROCm 定位成 CUDA 的 "Drop-In" 替代：主流 ML 框架与 Triton 内核可直接迁移；cuBLAS → rocBLAS、cuSparse → rocSparse、cuFFT → rocFFT、cuDNN → MIOpen 都有对应库；CUDA 到 HIP 的移植由 HIPIFY 工具自动完成，官方口径可覆盖 70 – 80% 的工作量。再叠加 ROCm.ai 把 AMD 经验注入开发者已经在用的编程助手，护城河最厚的那一段（迁移成本）正在被工具链削平。" 从 CUDA 搬过来 " 一旦从数月工程变成几周，生态黏性就开始松动。

互联层：把机柜从专有变成开放

scale-up 用 UALoE（Ultra Accelerator Link over Ethernet），基于标准以太网、支持多厂商互通；scale-out 走 UEC 标准以太网；机柜交换机的网络操作系统基于开源 SONiC。对照 NVLink / InfiniBand 的专有封闭路线，AMD 的意图很清楚：让 72 卡同域、31TB 统一内存这种能力不再是某一家专属，客户不必为互联再签一张锁定协议。互联一旦不再是护城河，竞争就回到算力与成本的正面比较。

架构层：Taalas 让 CUDA" 没那么必要 "

2026 年 8 月 6 日，AMD 宣布达成最终协议，收购专用 AI 推理芯片公司 Taalas。Taalas 的思路极其 " 反通用 "：把模型权重和数据流直接刻进硅片，用 SRAM 替代 HBM，从架构层面绕开 " 内存墙 "。其首款 HC1 芯片采用台积电 N6 工艺、约 530 亿晶体管、只编码 Llama 3.1 8B，官方公布性能约 1.7 万 tokens/ 秒 / 用户。

代价当然也很硬：灵活性几乎为零，换一个模型就要重新流片。但 Taalas 最值钱的，恰恰是它把为某个模型定制一颗芯片压缩到大约两个月、两组掩模（模型权重 + 数据流）的工程动作。这带来三层影响：

让 " 可编程性溢价 " 失效 。当推理成为最大负载，而推理又能被模型专用硅以数量级效率服务时，通用 GPU 最值钱的那部分能力，在推理战场上被系统性削弱。

让 " 专用 " 变得敏捷。 两个月的定制周期，意味着 " 专用 " 不必再和漫长、高风险划等号。专用的门槛降下来，" 通用 " 的黏性也就跟着松动。

由 AMD 自己掌控。 AMD 的官方说法是把这套技术整合进加速器路线图，与 Instinct GPU 组成系统级方案。至于两者怎么分工，按其逻辑推测，更可能是 GPU 守住 prefill 这类吃算力的通用环节，专用硅专攻 decode 这类拼延迟的环节。英伟达把 Groq 放进 Rubin 机架也是这个思路，区别在于 Groq 对英伟达是外部授权的能力，Taalas 则是被 AMD 直接收进自己的产品线。

绕开那堵墙，让它慢慢变得无关紧要。这可能是 " 打破护城河 " 里成本最低的一条路。Taalas 短期内更像是 AMD 推理版图里的 " 特种兵 "，而非替代 GPU 的主力。它真正的价值，在于证明 " 绕开通用 GPU" 这条路在工程上走得通。

把 AAI 2026 这一盘棋连起来看，AMD 想讲的已经不是 " 我们的新卡更快 "，而是 " 我们能交付一套从单芯片、到单机柜、再到千兆瓦级 AI 工厂的开放基础设施 "。MI400 与 Helios 提供算力、显存和互联，EPYC 负责编排与喂卡，Pensando 把机柜连成集群，ROCm 与 ROCm.ai 让这些硬件真正被用起来，Taalas 则在最赚钱的推理战场上，给 " 通用 GPU + 封闭生态 " 这套叙事开了一道口子。

AMD 已经不再是 " 新品供应商 "，而是 "AI 基础设施提供者 "。市场已经为这场转变投了票。过去十年，AMD 经历了从传统芯片厂商向 AI 与高性能计算重要参与者的转变，其股价从约 1 美元一度上涨至 580 美元，市值最高达到约 9000 亿美元，曾一度达到英特尔同期市值的 2 倍，并跻身全球市值 Top 20。

行业层面的判断同样明确：随着 AI 应用进入规模化落地阶段，市场对 GPU 的需求已经从更强的单卡性能转向更高效、更具扩展性、能够支撑大规模 AI 部署的整体算力平台。未来 AI 芯片竞争的胜负手，也会从谁的单卡更强变成谁能让客户更省心、更省钱地把算力用起来、扩出去。

这场围绕 " 护城河 " 的竞争，表面上是不同技术路线之间的较量，本质上则是开放平台与封闭生态之间的博弈。面对已经形成深厚积累的生态壁垒，AMD 并没有试图用单一产品正面取代整个体系，而是从软件、互联、系统架构到芯片设计多个层面同时推进：ROCm 降低软件迁移门槛，开放互联削弱专有架构的绑定，Helios 将 GPU、CPU、网络与软件整合为完整的机架级平台，而 Taalas 则进一步打开了专用 AI 推理芯片的技术路径。

这些动作单独来看，或许都不足以改变行业格局，但当它们沿着同一个方向持续叠加，AMD 正在逐步改变 AI 基础设施的竞争方式。它所做的并不是简单地复制一套既有生态，而是在硬件、软件和系统层面不断打开新的切入口，让客户拥有更多选择，也让原本高度集中的生态壁垒出现松动。

从这个角度看，AMD 真正要挑战的，并不只是一张 GPU 或一款芯片，而是 AI 基础设施的整体竞争规则。从软件兼容到开放互联，从整机柜方案到专用推理架构，AMD 正在一步步把这些 " 楔子 " 打入 AI 产业链的不同环节。最终能否撼动现有生态格局仍需要时间验证，但可以确定的是，AMD 已经从单纯的芯片竞争者，走向了 AI 基础设施的领军者。

超能网公众号

扫码关注我们，浏览热门硬件评测

随时查看最新天梯榜