7 月 23 日，AMD CEO 苏姿丰在旧金山举行的 Advancing AI 2026 大会上宣布：Helios 机架级 AI 系统「已经进入量产」。OpenAI、Meta、Anthropic、Microsoft 和 Oracle 等公司计划采用这套系统，部署将陆续展开。
过去几年，客户选择 AMD AI 芯片时，常常需要权衡硬件采购与软件适配成本。这次 AMD 把 GPU、CPU、网络和软件一起推向市场，希望以整套基础设施参与和 Nvidia 的竞争。
苏姿丰在演讲中说：「AI 的下一个阶段将涵盖前沿模型、Agent 和物理 AI。实现这一潜力需要前所未有的计算规模。」Helios 把这种需求落实到了整机架的设计中。
一个机架集成72颗GPU，内存与网络怎样连接
AMD 在去年的 Advancing AI 上首次展示了 Helios 的蓝图。今年，公司宣布它进入量产，合作厂商将按这一参考设计提供系统。
Helios 参考机架的核心配置是 72 颗 MI455X GPU 和 18 颗 EPYC Venice CPU。据 StorageReview 的现场介绍，整机架功耗随负载约为 225 到 245kW。机架采用 AMD 与 Meta 在 OCP 联合开发的 Open Rack Wide 格式，宽 1.2 米、深 1.3 米，通过带液冷的 50V 母排供电，冷却系统每分钟循环约 385 升冷却液。客户可以按需要调整配置。
其中，MI455X 是承担模型计算的 GPU。
MI455X 基于 CDNA 5 架构，计算芯粒采用台积电 N2 工艺，集成 3200 亿个晶体管，以 CoWoS-L 封装连接计算、I/O 和缓存芯粒。它搭载 12 组 HBM4 堆栈，总计 432GB 容量、23.3TB/s 的内存带宽，峰值算力达到 40.26 PFLOPS（MXFP4 精度）。
这一 HBM 容量比 Nvidia Rubin GPU 的 288GB 多 50%。按配备三块网卡的配置，MI455X 用于跨机架通信的 scale-out 带宽为每颗 GPU 2400 Gb/s，Rubin 为 1600 Gb/s。AMD 以 Kimi K2 Thinking 为负载，结合内部测试和对 Rubin 的估算，称 Helios 单 GPU 吞吐量高出 10% 到 15%，「每美元 token 数」高出最多 30%。
除了单颗 GPU 的规格，两家连接芯片和传输数据的方式也不同。
Helios 用于机架内扩展的 scale-up 网络采用 12 颗 Broadcom Tomahawk 6 商用交换芯片和 UALoE（Ultra Accelerator Link over Ethernet）协议，把 72 颗 GPU 连在一起，让它们能够访问彼此的内存，合计提供 260TB/s 的双向机架内带宽。Rubin NVL72 用 36 颗 NVSwitch 6 芯片提供同等总带宽。AMD 的交换芯片更少，但整机可靠性还取决于连接、散热和故障恢复设计。
网卡连接上，MI455X 的网卡直连 GPU，而根据 SemiAnalysis 的分析，Rubin 的 ConnectX-9 网卡挂在 Vera CPU 上，GPU 流量需要经过 CPU 才能到达网络——在高负载场景下可能成为瓶颈。不过 Rubin 的 NVLink-C2C 提供 1.8TB/s 的 CPU-GPU 双向带宽，远高于 MI455X 通过 Infinity Fabric 的 256GB/s。两家在存储路径上也有不同取舍。按 StorageReview 对参考设计的分析，Rubin 可通过 GPUDirect Storage 直接访问存储；MI455X 的存储访问仍需经过主机。AMD 另外通过 Salina DPU 提供 KV 缓存卸载，将推理缓存移到其他存储层，减少重复计算。
三家客户的部署计划合计最高14GW，将分期落地
OpenAI、Meta 和 Anthropic 的合作，为 AMD 的新平台提供了大规模部署机会。
7 月 22 日，AMD 与 Anthropic 联合宣布战略合作：Anthropic 计划在 Helios 机架中部署最高 2GW 的 MI450 系列 GPU，首批 1GW 预计于 2027 年上半年启动。作为交易的一部分，AMD 承诺在未来向 Anthropic 投资最多 50 亿美元，投资与约定的部署进度挂钩。
加上此前公开的 OpenAI 6GW 协议和 Meta 最高 6GW 协议，三家的合作计划合计最高 14GW，涵盖未来多代 AMD 产品。OpenAI 还获得了附带部署等条件的认股权证，全部兑现后可能取得 AMD 最多约 10% 的股份。若仅以单个 Helios 机架约 225-245kW 的功耗换算，14GW 相当于约 5.7 万到 6.2 万个机架；这只是帮助理解量级的计算，具体订单还取决于各代产品和客户配置。
Anthropic 首席计算官 Tom Brown 在声明中解释了这个决策的逻辑：「让 Claude 保持在前沿并满足客户需求，获取算力是核心。通过在多种硬件上运行，我们能把正确的工作负载匹配到正确的硬件上。」多种硬件并用，既能增加算力来源，也给实验室留下按负载选择硬件的余地。
OpenAI 基础设施负责人 Sachin Katti 在 AMD 的主题演讲中更明确地描述了双方的深度合作。他说 OpenAI 的工程师正与 AMD 团队「并肩优化软件栈」，预计将在「今年年底到 2027 年」启动 Helios 的大规模部署。
苏姿丰在发布会上表示，对 Helios 的需求「极其强劲……从最大的 AI 实验室到超大规模云服务商」。除了上述三家 AI 公司，Microsoft Azure 和 Oracle 也被列为早期 Helios 客户。
Venice CPU分三类，分别支持GPU、Agent和通用计算
除了 GPU，AMD 还推出了面向不同服务器用途的 Venice CPU。
苏姿丰花了相当篇幅解释 CPU 在 AI 基础设施中的角色。她将用途分为三类：GPU 主机节点，由 CPU 配合 GPU 工作；密集的 Agent 沙箱，需要在有限功耗下同时运行数千个 Agent；传统通用服务器，追求运行效率。
以威尼斯为代号的第六代 EPYC 处理器（Zen 6 架构、台积电 2nm 工艺）就是 AMD 针对这三个层级的答案。苏姿丰宣称 Venice 实现了「EPYC 历史上最大的代际提升」——性能最高达到上一代 Turin 的 1.8 倍，单插槽最高 512 线程。
Venice 的产品线被拆分得很细：高频版 Venice HF 主攻 GPU 主机节点，最高 5GHz；256 核版本面向 Agent 沙箱，「行业最高计算密度」；128 核版本则针对企业性价比优化。Cisco 的 Jeetu Patel 在大会上也强调 CPU 的作用：「这不再只是 GPU 的游戏了。CPU 和 GPU 同样重要，甚至 CPU 更重要。」
不过 SiliconANGLE 分析师 Zeus Kerravala 在会后评论中提醒：Agent AI 增加了 CPU 的需求，但这个领域的竞争者远不止 AMD。Intel 在核心数和 AI 卸载上并未停滞，Arm 阵营也在发展能效和定制化方案。Venice 的代际提升已在 AMD 的发布材料中呈现，但要转化为规模部署，还需要赢得 OEM 设计、云平台认证和企业软件生态的支持。
ROCm.AI用AI编写和优化GPU代码，计划8月上线
软件生态是 AMD 追赶 Nvidia CUDA 时的一项长期挑战。在 Advancing AI 上，AMD 展示了用 AI 优化 GPU 代码的做法，希望加快适配和调优。
高级副总裁 Vamsi Boppana 发布了 ROCm.AI，一个计划于 8 月上线的 AI 辅助开发平台。它的核心组件 Hyperloom 是一个自动优化引擎，可以分析工作负载、调整配置、重写 GPU 内核并验证结果。AMD 称其已在内部用 Hyperloom 持续优化约 14,000 个模型。在大会现场演示中，AI Agent 针对 MiniMax M3 模型自动编写了一个优化的 MoE GEMM 内核，将 token 吞吐量提升了 38%。
ROCm 的发布节奏也被固定为每六周一个版本。AMD 声称，在其测试负载和相同硬件上，经 ROCm.AI 优化的软件版本相对 ROCm 7，平均推理性能达到 3.3 倍、训练性能达到 2.4 倍。这组结果来自 AMD 自身测试，尚未经独立验证。
ROCm 的开放源码也是这一做法的基础。合作伙伴和 AI Agent 可以检查编译器、运行时和库的实现，再针对 AMD 硬件优化。OpenAI 的 Philippe Tillet 在主题演讲中特别提到，这种开放性让 OpenAI 在将 GPT 级模型移植到 AMD 硬件时实现了「非常显著的性能提升」。AMD 希望，开放的软件栈加上 AI 自动优化，能减少手工调优的工作量，加快缩小与 CUDA 的生态差距。
性能优势能否兑现，要看真实负载和交付进度
AMD 在这次大会上展示了从 GPU 到整机架、再到软件的完整产品计划。最高 14GW 的客户合作，以及 MI500 系列计划于 2027 年、MI600 系列于 2028 年推出的年度迭代安排，为后续部署提供了预期。CPU 路线图也列出了 Zen 7「Florence」（2028）和 Zen 8「Ravenna」（2030）。
这些计划落地，还要经过几项检验：
基准测试是 AMD 自己的。「10% 到 15% 更高性能」「最多 30% 更多 tokens 每美元」——这些比较的对象是 Nvidia 的公开规格和 AMD 的内部建模，而非独立的第三方测试。据 StorageReview 记录，AMD 展示的矩阵乘法测试达到约 20 PFLOPS，约为 40.26 PFLOPS MXFP4 峰值的 50%。这是特定矩阵形状下的实测结果，应用运行时能发挥多少性能，还取决于负载和软件优化。
**FP4 峰值需要结合格式和应用比较。**MI455X 使用 OCP 的 MXFP4 格式，Rubin 使用 Nvidia 的 NVFP4 格式——两者在量化精度和缩放方案上有实质性差异。比较两家产品，需要进一步看相同输出质量要求下的应用吞吐量，而目前这样的数据还很少。
**软件生态差距不会一夜消失。**Nvidia 拥有的不只是 CUDA，还有多年积累的开发者习惯、企业客户信任、以及从训练框架到推理引擎的完整工具链。ROCm.AI 和 Hyperloom 提供了自动优化的工具，但它们尚处于早期阶段。AI 自动生成的代码需要在大规模生产环境中证明安全、可复现、可调试。
**客户采用后，还要持续交付。**OpenAI、Meta 和 Anthropic 的部署将在未来几年逐步展开。面对 Nvidia 已投入运行的大量设备、供应链规模和软件积累，AMD 需要连续多个季度按时交付并支持客户运行，才能扩大实际份额。
这也是 SiliconANGLE 的 Kerravala 给出的核心判断：「开放性看起来是必要的，但并不足够。AMD 需要硅、软件和生态的多个周期的无瑕执行，才能将这场令人印象深刻的主旨演讲定位转化为持久的市场力量。」
Helios 和 MI455X 已在内存容量等部分规格上取得优势，也获得了大客户的部署计划。接下来更能检验竞争力的，是客户实际用它运行哪些模型、软件迁移需要多少投入，以及机架能否按计划投入使用。
