AMD 想讓 AI 代理完成工程師從未對 CUDA 做到的事

專欄概述

十七年來，讓 NVIDIA 的 GPU 業務立於不敗之地的，從來不是晶片本身，而是累積了十七年的肌肉記憶——數百萬行的 CUDA 核心、調校技巧，以及讓轉換到其他平台感覺像重新學走路的機構慣性。AMD 在 7 月 22 日至 23 日於舊金山舉行的「Advancing AI 2026」大會上提出的解答，是停止試圖在工程上超越這道護城河，而是把重新學習的任務交給機器。這個賭注在於，AI 編碼代理能在數週內完成人類工程師數年都不願嘗試的事：為 AMD 的 ROCm 技術棧移植並重新調校 CUDA 工作負載，而無需任何員工先成為 ROCm 專家。

AMD 實際發布了什麼

核心是 ROCm.AI，一個建構在 ROCm 之上的 AI 原生層，將於 2026 年 8 月開始推出，由三個旨在協同運作而非獨立產品的部分組成。ROCm CLI 為開發者提供了一條統一的命令列路徑，用於在 AMD 硬體上安裝、驗證、提供服務、更新和排除 AI 工作負載的疑難雜症——這類不起眼的基礎設施決定了平台是感覺成熟還是永遠處於測試版。AMD Skills 是更具挑釁性的部分：它將 AMD 撰寫的專業知識直接嵌入開發者日常使用的編碼助手，包括 Claude Code、Cursor 和 Codex，讓開發者能用自然語言描述意圖，由代理處理 AMD 特定的 GPU 程式設計，而不是手寫核心。最後是 Hyperloom，一個開源的代理系統，旨在自動化 AMD 硬體上端到端推論工作負載的最佳化。

綜合來看，這個訴求不是「我們的晶片更快」——MI300X 的原始規格已經說明了這點，配備 192GB 的 HBM3 記憶體，是 NVIDIA H100 的 2.4 倍，且價格具有競爭力。訴求是「我們的晶片終於可用，而無需你自己做最困難的部分」。這個區別值得深思，因為它重新定義了整個競爭格局。AMD 不再試圖贏得基準測試戰爭，而是試圖贏得勞動成本戰爭，賭注是代理輔助移植的邊際成本下降得夠快，使 ROCm 的採用成為理性的預設選擇，而非一場信仰之躍。

雞生蛋、蛋生雞的問題，自動化解決

MI300X 的記憶體優勢已經存在一段時間，卻未能轉化為市占率，原因是一個熟悉的陷阱：開發者不會在工具成熟前投入大量工程時間在 ROCm 上，而工具若沒有足夠的開發者壓力測試就無法成熟。NVIDIA 在 AI GPU 市場約 80% 的市占率，對比 AMD 的 5-7%，很大程度上是這種僵局的紀念碑，而非任何永久的技術差距——ROCm 7 現在在多數工作負載上已達到 CUDA 效能的 10-30% 以內，與幾年前數倍以上的差距已不可同日而語。

ROCm.AI 是直接攻擊雞生蛋、蛋生雞的動態本身，而非效能差距。論點是，如果代理能吸收調校負擔，那麼「等它成熟」的藉口對一個新專案決定在哪裡建構就不再合理。這也正是 AMD 自身的框架值得懷疑的原因：這是一個供應商描述自己的破壕武器，而破壕武器在主題演講中聽起來總是比在凌晨兩點的生產事故中更完善。一些分析師指出了代理敘事底下更平凡的風險——AMD 可能根本沒有足夠的自家 GPU 叢集，來以企業客戶最終要求的規模進行內部測試和實戰驗證。一個對核心最佳化自信滿滿但錯誤的代理，可能比完全沒有代理更糟，而唯一知道你建構的是哪一種的方法，是先對真實的大規模工作負載運行過。

NVIDIA 並非停滯不前，而金錢說明了原因

將 ROCm.AI 解讀為 NVIDIA 突然轉為防守是錯誤的。CUDA 在 AI 開發框架中仍佔約 92% 的市占率——這個數字甚至超過 NVIDIA 的硬體市占率，反映了 AI 技術棧中有多少部分，從研究程式碼到生產管線，都假設底層有 CUDA。而 NVIDIA 對 AMD 正在繞行的推論層威脅有自己的解答：TensorRT-LLM，一個專有的推論最佳化軟體，旨在將 AI 管線中最高流量、最成本敏感的負載鎖在 NVIDIA 的技術棧內，即使 ONNX Runtime、vLLM 和 Triton 等開放標準正推動模型與硬體無關。

然後是讓整個戰鬥看起來不對稱的數字：僅 Blackwell 一代預計在 2026 年就帶來約 3200 億美元的資料中心收入。這不只是記分板上的數字——這是燃料。這種規模的收入直接再投資回 CUDA、cuDNN 和 TensorRT，使下一代硬體比上一代更難被取代，進而產生更多收入，資助再下一代。這是一個飛輪，AMD 的代理賭注還沒有對應物，因為 Hyperloom 和 AMD Skills 仍是收入前的基礎設施投資，而非自我資助的迴圈。

裂縫實際在哪裡

自 AMD 主題演講以來流傳的「AI 正在瓦解 NVIDIA 帝國」框架是真實的，但它比聽起來更狹窄，值得精確看待。加入更廣泛的工具趨勢——PyTorch 的 torch.compile 日益將硬體差異從模型程式碼中抽象出來，OpenAI 的 Triton 推動一次編寫、多後端目標的 GPU 程式設計——浮現的不是對 CUDA 安裝基礎的正面攻擊，而是集中在兩個特定地方的侵蝕：推論工作負載，其中經濟學獎勵每個 token 服務成本最低的技術棧；以及新專案，其中沒有既有的 CUDA 投資需要保護，轉換成本尚未固化。

沒有裂開的，至少在這個時間表上，是已經大規模運行的 CUDA 訓練和生產系統的深井。重新最佳化和重新驗證那個安裝基礎，無論代理寫核心有多熟練，仍然昂貴得令人卻步，而分析師對此的共識是一致的：ROCm 和 Triton 不會一夜之間取代 CUDA。2026 年及以後更有趣的問題不是 AMD 的代理是否有效——而是「夠好、自動化」是否能在邊緣地帶足夠頻繁地擊敗「最好、根深蒂固」，從而累積成更大的東西。NVIDIA 押注 3200 億美元它不會。AMD 押注它不需要在每個地方都贏，只需要贏下下一個尚未選邊的工作負載。