从 AMD 大会看 AI 的下一阶段：把知识沉淀成本地 Agent

上午去 AMD 大会凑热闹之后，我最大的感受不是硬件有多强，而是 AMD 这次押中的，其实是 AI 未来非常重要的一种部署方式。

过去这一两年，大家谈 AI，默认想到的是云端大模型、API 调用、token 消耗和模型能力排行榜。好像只要模型越来越强，企业只需要接入一个足够好的 API，AI 转型就能自然发生。但从我自己做企业 AI 产品的经验来看，现实远没有这么简单。

企业真正关心的，往往不是”我能不能调用到最强的大模型”，而是另外几个更朴素的问题：我的数据能不能留在自己手里？我的知识库能不能沉淀在本地？我的业务流程能不能被 AI 真正理解和执行？成本能不能控制？网络不稳定时系统还能不能继续工作？

这也是为什么我觉得 AMD 这次的方向选得非常对。它不是在讲更强的算力，而是在讲一种新的 AI 基础设施形态：本地设备、本地模型、企业私有知识库、多 Agent 编排，以及必要时再调用云端能力。大会里反复提到，AI 需求爆发之后，关键不再是谁烧掉最多算力，而是谁能更聪明地使用算力；AMD 也把 AI 开发拆成从 laptop、本地 workstation 到 cloud 的组合路径，而不是把所有任务都推到云端。

AI 不会只有云端 API 一条路

现在很多人对 AI 的理解，仍然停留在 API 模式上。企业提出一个需求，系统把内容发给云端大模型，大模型返回结果，然后业务系统再继续往下走。

但这个模式有几个天然限制：

第一是数据安全。尤其是在中国的企业环境里，很多企业并不愿意把自己的核心数据、客户资料、工艺流程、内部知识库全部发到外部平台。哪怕技术上可以脱敏，心理上和合规上也很难完全接受。很多企业真正想要的是：AI 可以用，但核心数据最好还是留在本地。

第二是成本。现在云端大模型的算力其实存在很大的”能力冗余”。很多企业业务流程并不需要每一步都调用最强模型。比如内部知识库问答、文档初筛、订单信息整理、流程状态判断、简单的数据抽取和分类，这些任务更看重稳定、低成本、可控和高频调用，而不是每一次都要使用最贵、最强的模型。

第三是网络。很多人做 AI 应用时容易忽略这一点，但在真实企业场景里，网络稳定性本身就是一个很大的变量。如果一个业务流程高度依赖远程 API，那么网络延迟、访问失败、服务波动都会变成业务系统的一部分风险。对于一些高频、低延迟、强隐私的场景，本地模型反而更符合实际需求。

所以我越来越觉得，未来 AI 的主流形态不会是”全部云端化”，而是云端大模型、本地模型、边缘设备和企业私有系统之间的混合架构。云端负责最复杂、最通用、最需要强推理的任务；本地模型负责高频、低成本、隐私敏感、和业务流程结合紧密的任务。大会中也提到，未来会是设备与 cloud 协作，本地模型在低成本和隐私场景中承担更多工作，只有任务足够复杂时才调用更高级的云端模型。

AMD 选择在中国讲 local AI，是一个很现实的判断

我觉得 AMD 选择在中国强调 local AI，是非常正确的。

中国企业对 AI 的需求很强，但这种需求并不等于所有企业都会无条件接受云端 API。恰恰相反，很多企业一旦进入真实业务落地，就会非常在意数据资产的归属、知识库的本地化、系统的可控性，以及长期成本。

这和我自己做企业 AI 产品的感受非常一致。企业并不是不想用 AI，而是它们很难接受一种完全黑盒、完全外部依赖、持续消耗 token、核心数据还要不断外传的系统。尤其当 AI 开始进入企业内部流程，而不只是做一个聊天助手时，这个问题会变得更加明显。

因为 AI 一旦真正参与业务，它就不再只是回答问题，而是要理解企业的客户、产品、流程、规则、历史数据和内部经验。这个时候，企业最有价值的东西其实不是”调用了哪个模型”，而是自己有没有把数据和流程沉淀成可被 AI 调用的资产。

大会里李开复提到的企业 AI 转型，其实也指向这一点：企业真正的竞争力最终必须掌握在自己手里，只有当 AI 能在本地环境中参与真实工作，并且保持可见、可控、可管理，企业才会放心把核心业务交给 AI。

这句话我非常认同。因为企业 AI 转型的关键，不是采购一个 AI 工具，也不是上线一个聊天框，而是要把企业内部原本分散在文档、表格、会议、人员经验和业务系统里的知识，逐渐变成可以被 Agent 理解、调用、执行和反馈的数字化资产。

不是所有业务都需要最强的大模型

过去大家讨论 AI，经常会默认模型越强越好。但真正进入企业场景之后，会发现这个判断并不总是成立。

企业里有很多任务，本质上不是开放式创造，而是结构化执行。比如识别一份表格应该导入到哪个数据表，判断一个客户需求是否完整，检查一份订单是否缺少字段，整理一段会议纪要里的待办事项，或者根据已有流程推进下一步。这些任务当然需要 AI，但未必需要最强的大模型。

很多时候，企业更需要的是一个足够稳定、足够便宜、足够靠近业务数据的本地模型。这个模型不一定要知道全世界的知识，但它需要非常了解这家公司的知识库、流程规则和业务语境。它不一定每次都给出惊艳的答案，但它要能持续、可靠、低成本地嵌入到业务流里。

这也是 local AI 的真正价值。它不是为了和云端大模型正面对抗，而是承担云端大模型不适合承担的那部分工作。未来更合理的架构，应该是本地模型处理大部分高频、重复、隐私敏感和流程化任务，云端大模型只在需要复杂推理、跨领域判断或者高质量生成时介入。

这样一来，AI 系统就不再是一个”每次都向云端发请求”的应用，而更像是一个分层的智能系统。底层有本地模型和本地 Agent，负责理解企业内部数据和流程；上层有更强的云端模型，负责处理少数复杂问题。企业真正要建设的，不是单点模型能力，而是一套可以长期演进的 Agent 编排体系。

企业 AI 转型必须从数据沉淀开始

如果从企业角度看，未来的竞争重点可能不是”有没有接入 AI”，而是”有没有把自己的业务沉淀成 AI 可以使用的资产”。

企业需要把自己的知识库、客户反馈、产品信息、业务流程、历史项目、专家经验、内部决策逻辑逐步结构化。否则即使用了最强的大模型，它也只能基于外部通用知识回答问题，很难真正理解这家企业为什么这样运转。

这也是很多企业 AI 项目落地时最大的阻力。不是模型不够强，而是企业自己的数据还没有准备好，流程还没有被清晰表达，业务规则还停留在人的经验里。AI 可以生成内容，但它很难凭空理解一个组织的隐性知识。

所以企业拥抱 Multi-Agent，不应该从”我要做很多 Agent”开始，而应该从”我有哪些知识和流程值得沉淀”开始。一个 Agent 如果没有数据、没有工具、没有流程接口、没有反馈闭环，它就只是一个更复杂的聊天机器人。只有当企业把自己的数字化资产沉淀下来，Agent 才能真正参与业务执行。

我觉得未来企业的 AI 改造，会越来越像一次组织工程化改造。不是把 AI 放在现有流程旁边，而是重新思考哪些流程可以被拆解，哪些判断可以被模型辅助，哪些工具可以暴露给 Agent，哪些结果需要人来 review，哪些反馈可以反过来继续更新系统。

在这个过程中，CEO 或企业高层的推动非常重要。因为 AI 转型不是某个技术部门的小工具升级，而是会触碰到数据、流程、组织协作和管理方式。如果没有自上而下的推动，很容易停留在试用阶段，最后变成几个零散的 AI 插件，而不是一套真正改变企业运行方式的系统。

工程师交付的不再只是代码

大会里还有一个点我很有感触，就是工程师角色的变化。

过去工程师的核心交付物往往是代码。产品经理提出需求，工程师负责实现，测试负责验证，用户反馈再进入下一轮迭代。但在 AI 时代，这个分工会越来越模糊。因为 AI 可以参与代码生成，工程师的价值就不能只停留在”写代码”本身，而要更多前移到问题定义、系统设计、业务理解和产品闭环里。

将来的工程师，需要用工程化思维参与更早期的工作。比如市场热点为什么重要，用户真实需求是什么，哪些需求可以被系统化表达，哪些流程可以拆成 Agent 能执行的任务，哪些地方必须保留人工审核，哪些反馈需要进入下一轮迭代。

也就是说，工程师不再只是交付代码，而是要交付一个可以运行、可以验证、可以迭代的产品系统。这个系统不仅包括前端页面和后端接口，也包括数据结构、AI 工具调用、Agent 编排、测试验证、用户反馈和持续优化。

这和我自己最近一直在思考的方向也很一致。AI 编程并不意味着工程师只需要让 Agent 自动写代码。真正重要的是，工程师要把自己的工作流工程化，把需求分析、方案设计、代码实现、测试验证、反馈迭代这些环节组织成一个稳定的闭环。AI 可以提高每个环节的效率，但前提是人要先把流程想清楚。

个人也应该沉淀自己的 Skill

如果企业需要把自己的数据和流程沉淀成 Agent，那么个人其实也一样。

我现在越来越觉得，每个人未来都需要把自己的知识、经验、判断方式和工作流程沉淀成一种 Skill。这个 Skill 不只是一个提示词，也不只是一个自动化脚本，而是一套可以复用的工作方法。

比如一个工程师如何分析需求，如何拆分任务，如何判断技术选型，如何做 code review，如何设计测试，如何处理用户反馈，这些其实都可以逐步被抽象出来。过去这些能力只存在于人的脑子里，别人很难复制，自己也很难规模化。但在 AI Agent 的帮助下，这些经验有机会被封装成一个可执行、可调用、可迭代的系统。

这会带来一个很有意思的未来想象：未来的工作关系，可能不只是雇佣一个人的时间，而是雇佣这个人长期训练和维护出来的一套 Agent 能力。

一个人仍然很重要。因为方向判断、关键决策、质量 review、价值取舍，仍然需要人来负责。但大量具体执行工作，可以交给这个人沉淀出来的本地 Agent。这样一个人每天可能不再需要花八小时处理重复性工作，而是花一两个小时检查结果、调整方向、更新自己的 Skill，并根据新的项目经验继续优化 Agent。

从这个角度看，个人能力的表达方式会发生变化。过去我们用简历证明自己做过什么，用面试证明自己会什么。未来也许一个人真正有价值的资产，是他有没有一套经过长期打磨的工作流，能不能把自己的经验变成可以运行的 Agent。

未来的算力可能会更加去中心化

如果继续往远处想，AI 算力也可能会变得更加去中心化。

今天的 AI 基础设施很大程度上集中在云端，由大型模型公司和云厂商提供算力、模型和 API。但如果本地设备越来越强，本地模型越来越可用，Agent 编排越来越成熟，那么未来未必所有智能都要集中在少数云端平台上。

每个人可以有自己的本地 Agent，每家公司可以有自己的企业 Agent 网络。一个组织不一定要把所有任务都交给一个巨大的中心化模型，而是可以把很多小的、专业的、带有具体经验的 Agent 组合起来。雇主需要的，可能不是无限大的云端算力，而是把不同人的 Agent、不同部门的 Agent、不同业务系统里的 Agent 编排到一起。

这并不是说云端大模型不重要。相反，云端大模型仍然会非常重要，它会承担更复杂、更通用、更高阶的推理任务。但本地 Agent 会承担越来越多具体、日常、个性化、流程化的工作。未来的 AI 世界，可能不是一个超级大脑替所有人做事，而是无数个本地智能体共同组成一个更加分布式的工作网络。

这也是我觉得 AMD 这条路径有价值的地方。它不是只在讲硬件性能，而是在为这种分布式、本地化、混合式的 AI 形态提供基础设施。如果未来真的会出现大量本地模型、本地 Agent、企业私有知识库和设备端推理，那么硬件、软件栈和开发生态都必须围绕这种变化重新组织。

结语

所以，参加完这次 AMD 大会之后，我更确定了一件事：AI 的下一阶段，不只是模型继续变大，也不只是 API 调用继续变便宜，而是个人和企业都要开始把自己的知识、流程和数据沉淀成可以运行的 Agent。

对企业来说，真正重要的不是买了哪个 AI 工具，而是有没有把自己的业务数据、行业知识和流程规则变成数字资产，并在此基础上建立可控、可编排、可反馈的 Multi-Agent 系统。

对个人来说，真正重要的也不是会不会使用某一个 AI 工具，而是能不能把自己的经验、判断和工作方法沉淀成 Skill，进一步形成属于自己的本地 Agent。

从这个意义上说，AMD 这次讲的 local AI，不只是一个硬件故事。它背后真正指向的，是 AI 从云端能力走向本地能力，从通用模型走向企业流程，从单次调用走向长期沉淀的一次结构性变化。未来的竞争，可能不只是调用 AI 的能力，而是拥有、训练和持续更新自己 Agent 的能力。