生成式AI继续向实际业务渗透之后，算力需求正在变得更分散。大模型训练仍然需要大规模数据中心，但推理开始进入企业终端、本地工作站乃至边缘设备；与此同时，AI集群规模扩大，也让CPU、GPU、内存、网络以及软件栈之间的配合变得更加重要。

在2026云栖大会现场，AMD展区给出的答案并不是单独展示某一颗处理器，而是把本地AI、AI PC、数据中心CPU、AI加速器以及高速网络放在同一套展陈逻辑中。从搭载锐龙AI Max平台的迷你主机，到第五代EPYC服务器处理器，再到Instinct MI308X与Pensando Pollara AI NIC，现场产品基本覆盖了AI工作负载从端侧运行到数据中心集群的多个环节。

 2026云栖大会AMD展区

本地AI成为现场重点，锐龙AI Max把大模型带到桌面

如果只看今年现场最容易被观众直接体验到的部分，本地AI无疑是重点之一。AMD展区摆出了多套由合作伙伴打造的迷你主机、AI工作站和本地AI解决方案，现场还能直接运行大模型、AI办公等应用。和过去把AI PC更多理解为“多了一颗NPU”相比，这类设备更强调CPU、GPU、NPU以及大容量统一内存协同工作。

 本地AI演示平台

其中，锐龙AI Max+ 395是现场多套方案采用的核心平台之一。AMD官方资料显示，这颗处理器采用Zen 5架构，提供16核32线程CPU，集成40个计算单元的Radeon 8060S图形核心，并配备XDNA 2 NPU；整个平台最高可提供126 TOPS AI算力，其中NPU最高为50 TOPS。平台最高支持128GB LPDDR5x内存，这一点对于需要在本地加载较大模型的设备尤其关键。

现场展出的六联、联想、极摩客、超聚变等不同形态设备，也让这套平台的定位更加直观：本地AI并不只对应传统笔记本，一些过去需要较大工作站才能承担的推理、内容生成或开发任务，正在尝试被压缩到更小的桌面设备里。

 搭载AMD平台的合作伙伴迷你主机

CPU仍是AI基础设施的重要一环，第五代EPYC面向高密度计算

从桌面转向数据中心，AMD此次也展示了第五代EPYC平台。AI时代的注意力经常被GPU吸走，但在真实的数据中心里，CPU依旧承担着系统调度、数据预处理、通用计算以及大量云原生业务。尤其当AI训练、推理与传统计算混合部署时，服务器CPU的核心密度、内存能力和能效都会直接影响整机与机架的配置。

 AMD合作伙伴桌面计算设备及本地AI解决方案

AMD第五代EPYC 9005系列基于Zen 5和Zen 5c架构，覆盖不同核心规模和功耗区间。现场可以看到EPYC处理器实物以及多块服务器主板和平台方案。相比单独强调某一个性能数字，这部分展陈更像是在说明AMD数据中心业务的另一条主线：GPU负责高并行AI计算的同时，EPYC继续承担通用计算底座，并与加速器、网络等组件共同组成完整服务器平台。

 AMD平台迷你主机与工作站产品现场展陈

MI308X亮相：大模型训练与推理继续向加速计算集中

AI计算的另一端，则是Instinct加速器。现场展示了MI308X相关系统以及单OAM模块，从展陈形态上就能看到数据中心AI加速器与消费级显卡完全不同的设计思路：它并不是独立面向个人用户使用，而是围绕服务器、互连、散热以及集群部署来构建。

随着模型规模和上下文长度不断增加，AI基础设施面对的问题已经不只是“算得快不快”。模型能否装得下、数据能否及时送到计算单元、多个加速器之间能否高效协同，都会影响最终吞吐量。也正因为如此，AMD近年的数据中心AI布局正在从单颗GPU性能，进一步延伸到整机平台、软件生态和集群级连接。

 AMD Instinct MI308X单OAM模块

AI集群规模变大之后，网络也开始进入“算力”讨论

在这批现场展品里，Pensando Pollara AI NIC值得单独拿出来看。它的存在很容易被CPU和GPU抢走注意力，但当一个AI任务需要成百上千颗加速器共同工作时，网络传输效率会直接影响计算资源能否被充分利用。

AMD将Pollara定位为面向AI基础设施的高速以太网网卡方案，现场展出的Pollara 400 AI NIC面向400Gbps级网络连接。它所对应的并不是普通办公网络，而是AI集群内部大量节点之间持续的数据交换。对于越来越大的训练和推理集群而言，网络延迟、拥塞控制以及数据传输效率，已经成为系统级性能的一部分。

把EPYC、Instinct与Pensando放在同一个展区来看，也更容易理解AMD现在强调的“全栈”含义：处理器、加速器和网络并不是各自独立的产品线，而是在数据中心里共同决定一套AI基础设施能跑到什么程度。

 AMD Pensando Pollara AI NIC网卡

热点科技洞察：AI算力的竞争，正在从单颗芯片走向整套系统

这次云栖大会AMD展台给人的一个明显感受，是AI已经很难再用单一硬件品类来概括。桌面端需要考虑模型能不能在本地跑起来，因此统一内存容量、GPU能力和NPU都变得重要；到了数据中心，GPU之外还要看CPU、网络、服务器设计以及软件栈。不同场景的侧重点并不相同，但最终都指向同一件事——如何让数据更顺畅地进入计算环节，并让算力真正被利用起来。

锐龙AI Max平台的意义也不只是把AI算力数字继续往上推。128GB级统一内存和较强的集成GPU，让小型设备有机会承接过去更依赖独立显卡或云端资源的工作负载。现场大量迷你主机和本地AI演示说明，厂商已经开始尝试把这类能力做成可以直接部署的产品，而不只是停留在处理器参数表上。

数据中心侧则是另一套逻辑。EPYC、MI308X和Pollara AI NIC分别对应通用计算、AI加速和集群网络，它们被放到一起，反映出AI基础设施竞争正在逐渐从“谁有更快的一颗芯片”，转向“谁能把一整套系统更高效地跑起来”。对AMD而言，这也是其当前AI战略中更值得观察的部分：一边把AI能力下沉到本地设备，一边继续补齐云端计算与互连环节。

从云栖大会的现场展示来看，本地AI与数据中心AI并不是两条互相割裂的路线。模型可能在云端完成训练，再进入企业工作站、AI PC或边缘设备执行推理；终端产生的数据，又会回到云端参与新的计算流程。随着这种循环越来越频繁，未来的算力竞争或许不会只围绕CPU、GPU或NPU中的某一个名字展开，而会更多落到平台协同、数据流动和实际部署效率上。