最近学习了 AMD AI 开发者计划 以及 AMD 官方文档，对 AMD 在 AI 开发方向的软硬件生态有了更系统的认识。过去我对 AMD 的印象更多停留在 CPU、显卡和游戏性能上，但这次学习后发现，AMD 的开发者生态已经围绕 AI 训练、推理、本地 AI PC、GPU 加速和异构计算形成了一套比较完整的技术路线。
1. ROCm：AMD GPU AI 开发的核心软件栈
ROCm 是 AMD 面向 GPU 计算的重要基础。根据 AMD 官方 ROCm 文档，ROCm 是一个开源软件平台，面向 AMD Instinct GPU 和 AMD Radeon GPU，重点支持 HPC 与 AI 工作负载，并兼容主流软件框架。它支持 HIP、OpenCL、OpenMP 等编程接口，也提供了面向 PyTorch、TensorFlow、JAX 等深度学习框架的安装和兼容说明。
我理解 ROCm 的价值主要有三点：
第一，它降低了开发者使用 AMD GPU 做 AI 训练和推理的门槛。对于熟悉 PyTorch 的开发者来说，如果环境和硬件支持得当，可以把已有模型迁移到 AMD GPU 上运行。
第二，ROCm 不只是一个驱动或运行时，而是一整套开发工具链。它覆盖安装、模型训练、推理部署、性能调优、系统调试、GPU 架构理解等内容。
第三，ROCm 的开放性很重要。AI 计算生态过去高度依赖特定厂商平台，ROCm 给开发者提供了另一条可参与、可学习、可优化的路线。
2. HIP：连接 CUDA 思维和 AMD GPU 编程
学习 ROCm 时，我特别关注了 HIP。HIP 可以理解为 AMD GPU 编程中的重要接口，它让开发者用接近 CUDA 的方式编写 GPU kernel，并在 AMD 平台上编译运行。
这对开发者很有意义：如果已有 CUDA/GPU 编程经验，学习 HIP 的迁移成本会相对可控。对我来说，HIP 最值得继续深入的地方包括线程组织、内存访问、kernel 调优、矩阵计算和算子优化。AI 应用越往底层走，越会接触这些性能细节。
3. Ryzen AI：AI PC 上的本地推理能力
除了数据中心 GPU，AMD 还在 AI PC 上提供了 Ryzen AI 软件栈。根据 Ryzen AI Software 官方文档，Ryzen AI Software 提供用于优化和部署 AI 推理的工具与运行时库，可以让应用使用 AMD XDNA 架构中的 NPU，也可以使用集成 GPU。开发者可以把 PyTorch 或 TensorFlow 训练得到的模型，通过 ONNX Runtime 和 Vitis AI Execution Provider 部署到 Ryzen AI PC 上运行。
这一点让我印象很深：AI 不一定只发生在云端，也可以发生在本地设备上。本地 AI 推理有几个优势：
- 延迟更低，适合实时交互；
- 隐私更好，数据不一定要上传云端；
- 成本更可控，可以减少云推理调用；
- 更适合语音、视觉、办公助手等端侧场景。
4. 模型部署流程：训练、量化、编译、运行
Ryzen AI 文档中提到，开发流程不需要改变原有模型训练方式，可以从预训练模型开始。部署时通常会经历量化、编译和运行几个阶段。
我的理解是：
训练阶段关注模型效果，通常在 PyTorch 或 TensorFlow 中完成。
量化阶段把模型从浮点表示转换为更低精度格式，例如 INT8，从而减少内存占用、提升推理效率。
编译阶段会面向目标硬件生成更适合 NPU/GPU 执行的模型格式。
运行阶段则通过 ONNX Runtime、Vitis AI EP 或相关接口把模型真正接入应用。
这让我意识到，AI 工程并不是"训练好模型就结束"，真正落地时还要考虑硬件、功耗、延迟、模型大小、算子支持和运行时环境。
5. 我的学习收获
这次学习最大的收获，是对 AMD AI 生态有了一个分层认识：
- 数据中心和高性能计算方向，可以重点学习 ROCm、AMD Instinct、PyTorch on ROCm、推理框架和性能调优。
- GPU 编程方向，可以继续深入 HIP、kernel 优化、矩阵计算和内存模型。
- AI PC 和端侧推理方向，可以关注 Ryzen AI、NPU、ONNX Runtime、Vitis AI EP 和本地 LLM 部署。
- 应用开发方向，可以把 AMD AI 能力和语音识别、图像处理、文档助手、本地智能体等场景结合起来。
我认为 AMD AI 开发者计划的意义不仅是提供工具，更是在帮助开发者理解未来 AI 应用会如何跨 CPU、GPU、NPU 协同运行。对个人开发者来说，这是一个值得持续学习的方向。
6. 后续计划
接下来我计划继续做三件事：
第一，搭建 ROCm 或 Ryzen AI 相关开发环境，跑通官方示例。
第二，尝试把一个 ONNX 模型部署到本地设备，观察 CPU、GPU、NPU 不同后端的性能差异。
第三，继续学习 HIP 编程，理解 GPU kernel 优化的基本方法。
通过这次学习，我对 AMD AI 生态的认识从"硬件厂商"扩展到了"完整 AI 开发平台"。未来无论是云端训练、边缘推理，还是 AI PC 本地应用，AMD 都提供了值得开发者深入探索的技术栈。
参考资料：