Введение
На мероприятии Advancing AI 2026 были представлены две совершенно разные версии масштабирования ИИ. С одной стороны, это AMD Helios™, наше первое стоечное решение для ИИ, созданное для передового искусственного интеллекта и рассчитанное на развертывание гигаваттного масштаба. Я работаю в сфере клиентских и графических решений, поэтому в Сан-Франциско мое внимание привлекло то, как быстро развиваются серьезные возможности ИИ как в дата-центрах, так и на рабочем столе перед вами.
На конференции AAI Day разработчики продемонстрировали гибридные мультиагентные системы, которые распределяют работу между ПК с поддержкой агентов на базе AMD Ryzen™ AI и инфраструктурой AMD Instinct™. Представители AMD и Cisco обсудили, как предприятия могут осуществлять управление локальными агентами и контроль над ними. Платформа ROCm.AI представила более единообразный программный подход к оборудованию AMD Ryzen, Radeon™ и Instinct, позволяющий разработчикам переносить привычные инструменты и рабочие процессы с локальных систем в гораздо более масштабные среды.
По моему мнению, именно здесь агентный ИИ становится особенно интересным. ПК с поддержкой агентов может стать частью общей стратегии развертывания корпоративного ИИ за счет запуска моделей локально. Это может повысить уровень безопасности в условиях ограничений или опасений по поводу передачи данных облачному сервису. Передовые облачные модели по-прежнему доступны, когда менее чувствительные, но более сложные рабочие задачи оправдывают затраты на их использование. По мере того как ИИ превращается из помощников, отвечающих на вопросы, в агентов, совершающих действия, вычислительная мощность, находящаяся перед пользователем, приобретает все большее значение.
От ассистента к исполнителю
Генеративный ИИ уже доказал, что предоставление модели правильного контекста делает ее значительно более полезной. Загрузите в нее стенограмму встречи, и она извлеките ключевые детали. Предоставьте ей набор электронных писем, и она сможет обобщить то, что изменилось за время вашего отсутствия. Передайте нужные документы, и она поможет составить отчет на основе разрозненной в них информации.
Агентный ИИ развивает эту идею дальше, поскольку контекст теперь может приводить к действиям. Агент может прочитать тикет поддержки, определить потребности клиента, обратиться к доступным ему инструментам и информации и решить, что делать дальше. Вместо того чтобы возвращать единственный ответ, агент сам выполняет задачу. Разница может показаться незначительной — всего несколько дополнительных шагов, сделанных за вас, — но потенциальное влияние на производительность и ИТ-бюджет может быть существенным.
Какими бы впечатляющими ни были агенты, обеспечение каждого сотрудника соответствующим облачным сервисом может быстро стать дорогостоящим. Каждая задача, выполняемая облачным агентом, превращает часть человеческого рабочего процесса в тарифицируемые токены, а затраты могут существенно варьироваться в зависимости от выбора модели и того, как агент решает поставленную задачу. Goldman Sachs ожидает, что в долгосрочной перспективе потребление токенов потребительскими и корпоративными агентами намного превзойдет рабочие нагрузки без использования агентов:
В этом году уже появлялось множество историй о компаниях, которые широко внедряли облачные агенты, но затем были вынуждены отступить, когда расходы начали расти гораздо быстрее, чем ожидалось.
Выход из этой ситуации заключается в том, чтобы сопоставлять рабочие нагрузки ИИ с моделями и системами, наиболее подходящими для конкретной задачи. Локальные модели быстро совершенствовались; некоторые из них теперь могут справляться с задачами, для которых 3–4 года назад требовались передовые модели. Работа, ранее предназначавшаяся исключительно для дата-центра, теперь может выполняться на ПК, стоящем на вашем столе.
Но перенос всех преимуществ ИИ в локальные среды — это не просто запуск модели. Чат-бот, суммирующий документ, нуждается в доступе к этому документу. Агент, которому поручено решить проблему, также может нуждаться в доступе к приложениям, учетным данным, клиентским базам, средствам коммуникации и другим системам, необходимым для выполнения работы. Чем полезнее становится агент, тем более значительными становятся и его права доступа. Ошибка может выйти далеко за рамки одного неверного ответа, если агент ИИ не снабжен соответствующими средствами защиты.
На AAI Day я продемонстрировал рабочий процесс службы поддержки клиентов, в который постоянно поступали тикеты, а агенты ИИ обрабатывали их по мере появления. Claude Code обеспечил агентный уровень, выполняя триаж каждого тикета, анализируя его требования, вызывая соответствующие инструменты и либо разрешая проблему, либо эскалируя ее. Некоторые рутинные запросы обрабатывались автоматически, но другие тикеты содержали конфиденциальную информацию, оскорбительный контент и атаки путем внедрения промптов (prompt-injection).
Наша демонстрация обеспечила ИИ контекст и полномочия, необходимые для совершения надлежащих действий, а также упомянутые выше средства защиты.
Модуль Policy Guard управлял допуском. Он оценивал команды и вызовы инструментов на соответствие заявленным правилам и мог либо блокировать нарушения, либо отслеживать и фиксировать их. AXIS управлял самим исполнением через изолированную среду (песочницу) на уровне ядра, построенную на базе Landlock, seccomp и сетевых пространств имен. Таким образом, Policy Guard мог решить, что запрос допустим, в то время как AXIS все равно ограничивал место и способ выполнения результирующего действия. Когда запрос пытался получить доступ к учетным данным AWS, Policy Guard мог остановить его на этапе допуска, или AXIS мог предотвратить его выполнение, если Policy Guard работал в режиме мониторинга.
Эта эшелонированная защита критически важна именно потому, что полезные агенты будут запускаться в ситуациях, которые их разработчики не смогли предвидеть. Корпоративные политики могут определять известные границы, но автономная система ценна отчасти тем, что может реагировать на изменяющиеся входные данные без предварительного написания сценария для каждого действия. Изоляция выполнения дает ИТ-специалистам еще один рубеж обороны, когда агент сталкивается с чем-то, чего нет в своде правил.
Такая же архитектура позволила нам решить вопрос о локальном и облачном выполнении. Lemonade обслуживала модели локально на системе Ryzen AI и принимала решение о маршрутизации для отдельных запросов. Рутинная работа оставалась локальной, в то время как запросы, требующие более глубокого анализа, могли отправляться в передовую облачную модель. В ходе демонстрации 69% рабочей нагрузки по обработке токенов было выполнено локально, и лишь 31% было перенесено в облако.
Уход от ловушки токеномики
Наша демонстрация показала, как локальный и облачный инференс могут сосуществовать в рамках одного агентного рабочего процесса. Запросы, которые соответствуют возможностям способной локальной модели, не должны генерировать расходы на облачный API только потому, что другой этап рабочего процесса требует рассуждений на уровне передовых моделей. Подходящее распределение будет зависеть от приложения, но решение о размещении может приниматься на уровне отдельного запроса, а не принудительно переносить всю рабочую нагрузку в единую среду.
Локальное выполнение также может изменить пути перемещения корпоративного контекста. Когда модель и ее источники данных остаются на устройстве, конфиденциальные входные данные и контекст также остаются там. Локальный инференс позволяет избежать сетевых задержек для таких запросов и может продолжать работу при отсутствии подключения к интернету. Облачный инференс остается доступным, когда лучшим выбором является более крупная модель или другой ресурс. Гибридный ИИ, объединяющий локальные и облачные ресурсы, позволяет этим требованиям сосуществовать.
Полупроводниковые решения для эпохи агентов
Для выполнения значимой автономной работы на локальном устройстве требуются достаточные вычислительные мощности и объем памяти. ПК с поддержкой агентов на базе процессоров AMD Ryzen™ AI PRO серии 400 обеспечивают производительность NPU до 60 TOPS для повседневных рабочих нагрузок ИИ. Более крупные локальные модели и постоянно работающие агенты могут требовать значительно большего объема памяти, и здесь на сцену выходят конфигурации Agent Computer с более высокой производительностью.
Платформа Ryzen AI Max PRO предоставляет разработчикам большой пул унифицированной памяти для ресурсоемких локальных задач ИИ, с общим объемом оперативной памяти до 192 ГБ, из которых 160 ГБ могут быть выделены графическому процессору. Этого достаточно для запуска локальных моделей с количеством параметров до 300 миллиардов, что намного превосходит возможности ноутбуков или настольных ПК с 32–64 ГБ оперативной памяти. В совокупности эти решения помогают выполнять подходящие задачи локально, резервируя облачный инференс только для тех случаев, когда это действительно необходимо.
Мы также применяем агентский ИИ для разработки самого ИИ. Платформа ROCm.ai включает в себя новые навыки AMD Skills, которые интегрируются с Claude, Codex, Cursor и Gemini, благодаря чему рекомендации этих агентов адаптированы под аппаратное обеспечение AMD. AMD ROCm™ Hyperloom, комплексный оптимизатор инференса для хост-кода и ядер GPU, способен обнаруживать узкие места, применять исправления и самостоятельно проверять их эффективность, сокращая время разработки, затрачиваемое на ручную оптимизацию производительности. Эти возможности дополняют поддержку Ryzen AI PRO 400 и более широкую совместимость с Windows и Linux, представленную нами в ROCm 7.2. Разработчики могут начать с открытых моделей на системах AMD Ryzen AI Max PRO и переносить привычные инструменты на рабочие станции AMD Radeon или графические процессоры AMD Instinct по мере роста проекта.
Заключение
Я работаю на стороне конечных устройств, поэтому моя уверенность в том, что наибольшее влияние ИИ окажет именно за рабочим столом — это взгляд с моего рабочего места, однако инфраструктура, стоящая за возможностями, редко является тем, с чем пользователи сталкиваются напрямую. Облачная и локальная стороны ИИ одинаково важны, именно поэтому компания AMD создала портфель вычислительных решений, охватывающий весь рынок. Работа, которую мы сегодня выполняем в центрах обработки данных, завтра улучшает то, что работает на вашем ПК; программное обеспечение ROCm и оптимизации ROCm.ai зарождаются на уровне систем Helios и спускаются к нашим проектам в области робототехники и физического ИИ.
На конференции AAI мы продемонстрировали работу одного конечного устройства Ryzen AI, самостоятельно выполняющего задачи агентов — с учетом затрат и изначально изолированного по своей конструкции. А теперь представьте себе десять тысяч таких устройств на уровне предприятия, каждое из которых является надежным инструментом и вносит свой вклад в общую стратегию развития ИИ компании. Именно к такому будущему мы стремимся — будущему, в котором локальные устройства и облачные возможности управляются совместно, а интеллектуальная маршрутизация рабочих нагрузок гарантирует максимальную эффективность обоих компонентов.