AMD 的市值在周一短暂突破 1 万亿美元。对芯片设计公司而言，这是一个极少见的量级。最直接的推动力当然是 AI：市场正在重新评估所有能够提供算力的厂商。但如果只把这次上涨理解为“AMD 也有 AI GPU”，就忽略了更关键的问题——客户最终购买的不是一块孤立的芯片，而是一套能够稳定运行真实工作负载的计算系统。
万亿美元是预期，不等于胜负已定
从市值对比看，AMD 已经把老对手英特尔甩在身后，但与接近 5.5 万亿美元的英伟达相比，仍有巨大距离。这也是它继续被称为“永远处于劣势的一方”的原因：AMD 获得了进入 AI 竞赛核心区域的资格，却还没有消除生态、规模和开发者心智上的差距。
市值在这里表达的主要是未来预期，而不是当前技术能力的精确刻度。它至少包含几层判断：
- AI 训练与推理需要更多算力，市场不希望长期只有一个主要供应方。
- 数据中心采购会同时考虑 CPU、加速器、内存、网络和软件栈，而不是只比较 GPU 峰值算力。
- 客户愿不愿意迁移，取决于已有模型、算子和运维工具的适配成本。
- 芯片能否交付、集群能否扩展、软件能否持续维护，都会影响实际收入。
因此，“突破万亿美元”更像市场发出的一张入场券，而不是宣布竞赛结束。市值本身也会波动，不适合直接当作技术领先程度的排名表。
为什么不能只盯着 GPU 参数
AI 集群里，GPU 很醒目，但不会独立工作。CPU 要负责数据预处理、任务调度和系统服务；内存容量与带宽会限制模型规模；互连决定多卡通信效率；编译器、运行时和算子库则决定理论性能能否真正释放。
这正是“AMD 靠的不只是 GPU”在工程层面的含义。评估一套 AMD 方案时，可以把问题拆成四层：
- 芯片层：目标精度下的吞吐、显存容量、带宽和功耗是否匹配工作负载。
- 节点层：CPU 与加速器之间的数据搬运是否形成瓶颈，NUMA 与 PCIe 拓扑是否合理。
- 软件层：框架、算子、编译工具、监控与容器镜像能否覆盖现有应用。
- 集群层：多机通信、故障恢复、调度和供应能力是否满足生产要求。
一块卡在矩阵乘法测试中领先，并不意味着整套推理服务的每请求成本更低。相反，如果模型包含大量不受支持的算子，或者迁移后需要频繁回退到 CPU，纸面上的峰值算力就很难转化为业务收益。
可以这样实践：先盘点环境，再跑可复现基准
下面是一套可以改造的最小评估流程。假设使用 Linux；如果机器安装了 AMD GPU 驱动与 ROCm 工具，脚本会额外输出相关信息。没有安装时也能运行，只会跳过对应项目。
cat > inspect-compute-stack.sh <<'EOF'
#!/usr/bin/env bash
set -u
echo '=== CPU ==='
lscpu | grep -E 'Model name|Socket|Core|Thread|NUMA|CPU\(s\)' || true
echo
echo '=== PCI devices ==='
lspci | grep -Ei 'vga|display|3d|amd|nvidia' || true
echo
echo '=== Memory ==='
free -h
echo
echo '=== ROCm tools ==='
if command -v rocminfo >/dev/null 2>&1; then
rocminfo | grep -E 'Name:|Marketing Name:|Global Memory Size' | head -n 30
else
echo 'rocminfo not found'
fi
if command -v rocm-smi >/dev/null 2>&1; then
rocm-smi --showproductname --showmeminfo vram --showuse --showpower
else
echo 'rocm-smi not found'
fi
EOF
chmod +x inspect-compute-stack.sh
./inspect-compute-stack.sh
硬件盘点之后，可以使用下面的 PyTorch 脚本做一个最小矩阵乘法测试。运行前需要安装与当前驱动匹配的 PyTorch；在 ROCm 版本的 PyTorch 中，设备接口仍通常表现为 torch.cuda，可以通过 torch.version.hip 判断是否使用 HIP/ROCm 后端。
# benchmark_matmul.py
import os
import statistics
import time
import torch
size = int(os.getenv("MATRIX_SIZE", "2048"))
rounds = int(os.getenv("BENCH_ROUNDS", "10"))
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 if device == "cuda" else torch.float32
print(f"PyTorch: {torch.__version__}")
print(f"Device: {device}")
print(f"ROCm/HIP: {torch.version.hip}")
print(f"CUDA runtime: {torch.version.cuda}")
if device == "cuda":
print(f"Accelerator: {torch.cuda.get_device_name(0)}")
def synchronize():
if device == "cuda":
torch.cuda.synchronize()
a = torch.randn(size, size, device=device, dtype=dtype)
b = torch.randn(size, size, device=device, dtype=dtype)
# 预热，避免把首次初始化和编译开销计入正式结果。
for _ in range(3):
_ = a @ b
synchronize()
samples = []
for _ in range(rounds):
start = time.perf_counter()
_ = a @ b
synchronize()
samples.append(time.perf_counter() - start)
median_seconds = statistics.median(samples)
tflops = 2 * size**3 / median_seconds / 1e12
print(f"Matrix: {size} x {size}, dtype={dtype}")
print(f"Median latency: {median_seconds * 1000:.2f} ms")
print(f"Estimated throughput: {tflops:.2f} TFLOPS")
运行方式：
python benchmark_matmul.py
MATRIX_SIZE=4096 BENCH_ROUNDS=20 python benchmark_matmul.py
这只是验证驱动、框架和基础计算路径是否正常的合成测试，不能单独用于采购决策。更可靠的下一步，是换成自己的模型与数据，记录端到端延迟、每秒请求数、显存峰值、功耗以及失败率。例如，大语言模型推理应分别测试首个 token 延迟和后续 token 吞吐，而不是只看矩阵乘法 TFLOPS。
采用 AMD 方案时，检查的是迁移成本而非口号
对于准备引入第二套 AI 计算平台的团队，可以按以下清单做小规模验证：
- 选择一到两个真实模型，避免只运行厂商优化过的演示程序。
- 固定模型版本、精度、批大小和输入长度，确保不同平台结果可比。
- 列出自定义 CUDA 算子、第三方扩展和专用推理引擎，逐项确认替代路径。
- 同时测量性能、功耗、节点价格、工程改造时间和运维复杂度。
- 做至少一次多卡或多机测试，观察通信开销和长时间稳定性。
- 准备可回滚的容器镜像与部署配置，不要让试点直接绑定生产环境。
AMD 短暂站上万亿美元，说明市场相信 AI 算力供给不会永远只有一种选择。但对开发团队而言，真正有意义的信号不是股价，而是另一套计算平台是否已经能以可控的迁移成本承载生产负载。GPU 决定上限，CPU、软件、互连与交付能力共同决定这条上限能否被用到。