什么是 AMD？

OpenAI联合AMD、NVIDIA等公司推出MRC协议，提升超大规模AI训练网络的性能与可靠性，并已开源至OCP，推动行业标准统一。

OpenAI 联合多家公司开源 MRC 协议，提升大模型训练网络可靠性，已在超算中部署验证。

OpenAI通过MRC协议构建了131,000 GPU训练网络，采用反直觉的网络设计，显著提升训练效率。

小型专用模型如 CyberSecQwen-4B 在防御性网络安全任务中表现优于大型通用模型，且支持安全本地部署，无需 API 成本。

FlyDSL通过显式硬件映射控制，使PyTorch在AMD GPU上实现最高3.66x加速，特别适用于大模型训练场景。

Meta发布816B参数开源模型Muse Spark Open，支持多模态和代理任务，集成Helion内核提升性能。

AMD以82亿美元收购World Labs，其Atlas模型通过结合生成模型与多视图几何解决稀疏重建问题，影响机器人、设计等领域。

PyTorch 2026北美会议聚焦硬件加速与计算基础设施，涵盖TPU、Trainium等新硬件及TorchInductor等工具的深度优化。

MLPerf Client v2.0新增图像生成和智能代理AI基准，提升PC端AI性能评估。

PyTorch Blog文章展示了在AMD GPU上使用FP8训练的性能提升，包括13.4%吞吐量增益和6.2倍加速，通过Triton融合等技术实现。

开源推理引擎vLLM通过10倍性能优化和跨芯片兼容性，正在重塑AI基础设施，可能缩小与闭源模型的差距。

AMD通过多样化AI基础设施产品和软件策略切入AI市场，但面临性能数据真实性与生态兼容性双重挑战。

Meta通过fbtriton基础设施实现与上游Triton的同步，结合分层验证框架管理GPU优化创新，解决代码冲突与验证难题。

Mac Mini M4 Pro实际内存带宽仅为273GB/s而非宣传的550GB/s，且48GB版本需2039美元，性价比低于AMD Strix Halo。

AMD 在用户强烈反对后，重新在消费级 CPU 中启用内存加密功能 TSME。

Sam Witteveen探讨了在AMD硬件上运行本地AI的可能性，强调了本地AI在隐私和成本控制方面的优势。

OncoAgent是一个开源的隐私保护肿瘤临床决策支持系统，结合了双层LLM架构和LangGraph拓扑，显著提升了决策支持系统的性能和安全性。

OpenAI联合AMD、NVIDIA等发布开源协议MRC，解决超大规模AI训练中多芯片数据同步的可靠性与效率瓶颈，显著减少GPU空转时间。

AMD Ryzen AI Halo 预装 ComfyUI 和多种 AI 模型，可低成本生成高质量图像和视频。

AMD CEO苏姿丰在上海AI开发者大会上表示，AI竞争正从模型能力转向系统工程与全栈优化，开发者需要可落地、可优化、可持续演进的工程体系。AMD以ROCm开源平台为核心，提供云端到端侧的全栈算力，并持续加码中国开发者生态建设。

Andrew Ng 推出新课程《Transformers in Practice》，提供对基于 Transformer 的 LLM 工作机制的实践理解。

苹果暂停Vision Pro研发，团队分拆至Siri与visionOS；微信状态将上线访客记录；AMD或采用三星2nm制程。

AI 既推动芯片创新，也因智能体应用加剧算力消耗，形成算力悖论。

通义千问模型Qwen3.8-Flash-Next在vLLM框架下实现NVIDIA和AMD GPU的原生支持，但技术细节披露有限。

Dify与AMD合作举办Hackathon，提供工具简化Agentic AI开发，但缺乏技术深度。

大型语言模型存在推理速度慢、幻觉问题和成本不随规模降低的问题，课程《Transformers in Practice》帮助解决这些问题。

CUDA的护城河因AMD新GPU和Claude的突破而被挑战，但文章缺乏技术细节和数据支撑。

AMD Ryzen AI Halo的本地硬件方案为AI开发者提供了更自主的开发环境，作者认为本地开发比云端更具吸引力，并提议探索自研硬件。

NVIDIA通过第一方芯片策略影响市场价格，但信息密度低导致实用性有限。

Greg Brockman 宣布 OpenAI 联合 AMD、NVIDIA 等公司推出开源网络协议 MRC，声称可提升大规模 AI 训练集群的可靠性与效率，但全文仅一条推文，无技术细节、架构图或实测数据，信息密度极低。