上海で語ったリサ・スー：AI はコンピューティングのあらゆる層を再定義している
AMD は中国の開発者エコシステムへの投資をさらに深めている
上海発、Kerey
Quantum Bit | WeChat 公開アカウント QbitAI
「AI はコンピューティングのあらゆる層を再定義している。」
これは、AMD AI Developer Conference が上海で初開催された本日、AMD の会長兼 CEO リサ・スー氏が示した、AI 業界に対する最新の見解だ。
AMD の招待を受け、Quantum Bit はこのイベントに参加し、現場で直接観察・学習した。
一日を通してカンファレンスに参加して、ひとつ明確に感じたことがある。リサ・スー氏の発言から、イベントのテーマ、登壇者の顔ぶれに至るまで、そのすべてが AI 業界の変化の速さを反映していたのだ。
競争の中心は、モデル性能からシステム工学、そしてフルスタック最適化へと移りつつある。
推論、学習、ファインチューニング――開発者が各段階で直面する課題は、より具体的で、よりエンジニアリング主導のものになっている。
開発者に本当に必要なのは、導入でき、最適化でき、そして継続的に進化させられるエンジニアリングシステムだ。
これは特に中国で顕著である。
DeepSeek、Qwen……この2年間、世界で最も活発な AI エンジニアリングプロジェクトの多くに、中国の存在が欠けることはなかった。
中国の開発者は、AI アプリケーションの単なる利用者ではなく、インフラの構築者でもある。
AMD が本日示したのは、まさにこの潮流に対する体系的な応答だった。
AI 開発者には新しいエンジニアリングシステムが必要だ
AI を実運用に乗せるコストは、業界全体にとって避けて通れない核心的な課題になっている。
2026 年初頭、チューリング賞受賞者で Google Distinguished Engineer のデビッド・パターソン氏は、大規模 AI 導入がコスト危機に直面していると警告した。
一見すると、この危機は少し逆説的に見える。トークン価格は下がり続けているのに、企業の AI 予算は縮小するどころか増えているからだ。
その理由は、AI の動作方式そのものが根本的に変わりつつあるからである。
OpenClaw や Hermes のようなエージェントフレームワークは、わずか数か月で開発者コミュニティにおける最も注目されるインフラになり、単発の Q&A から Agent ワークフローへの移行を示した。
この新しいワークフローでは、タスクを完了するために複数回の計画立案、繰り返しのツール呼び出し、継続的な検証が必要となり、そのすべての段階で計算資源が消費される。
1 回あたりのコストが下がっても、総コストはもはや請求書上の単純な 1 項目としては見えない。代わりに、より把握しづらい形でシステム全体に蓄積していく。
システムレベルの問題には、当然システムレベルの解決策が必要であり、これは AI 競争の新たな段階を意味する。
この段階で本当に問われるのは、スタック全体を大規模環境で安定・効率的・持続的に動かせるかどうかだ。
この課題は、3 つの層に分けて考えられる。
まずコスト面では、利用規模が大きくなるほど、トークン消費の累積効果がより顕著になる。
10 個の Agent を同時稼働させるチームと、1000 個を同時稼働させるチームの違いは、単なるトークン使用量の差ではない。システム全体のスケジューリング、フォールトトレランス、リソース割り当てをすべて再設計する必要があり、コスト構造は線形から指数的なものへと変わる。
チャットウィンドウで 1 つ質問すれば、それは 1 回の呼び出しで済む。しかし Agent ワークフローがタスクを完了するには、複数段階の計画立案、繰り返しのツール呼び出し、検証といった一連の流れをたどり、その各段階で計算資源を消費する。
規模が大きくなるほど、この累積効果はより強く現れ、コスト構造は線形から指数的なものへと移行していく。
次に複雑性の面では、エンジニアリング難度の飛躍は AI アプリケーションの形そのものが根本的に変わったことに起因する。
従来のチャットパラダイムでは、1 つのモデルが 1 つの能力に対応し、境界も明確だった。だが Agent 時代には、AI が実際に「やり遂げる」ことが求められる。1 つのシステムで複数のモデル、複数のモダリティ、分散計算、ツール呼び出しが同時に走ることも珍しくない。どれか 1 つのコンポーネントでレイテンシや障害が起きれば、全体の連鎖に影響する。
エンジニアは、常に進化し続け、いつでも拡張可能な本番システムをどう維持するかに向き合っている。
最後にデプロイ面では、ユースケースの断片化が新たなエンジニアリング負担となっている。
クラウド推論では、すべてのユースケースを満たすことはできない。データをローカルに留める必要があるケース、極端に低遅延が求められるケース、あるいは安定したネットワーク接続がまったくないケースもある。
こうした要件は開発者をエッジデバイスやオンデバイス展開へと向かわせるが、ハードウェアプラットフォームが変わるたびに、ツールチェーン、最適化戦略、デバッグ環境までゼロから作り直さなければならないことが多い。断片化による見えにくいコストは、静かに積み上がっていく。
総合すると、これら 3 つの圧力はいずれも同じ結論を示している。開発者に本当に必要なのは、導入でき、最適化でき、継続的に進化させられるエンジニアリングシステムなのだ。
リサ・スー：中国はオープンエコシステムをリードしている
今回の AI Developer Conference で、AMD の会長兼 CEO リサ・スー氏は、この需要に対する AMD の答えを示した。
Agent 時代には、1 人が 5 個、10 個、あるいは 100 個の Agent を持つこともあり、計算資源消費の構造そのものが変わる。GPU をただ積み増すだけではもはや不十分で、GPU と CPU を組み合わせた完全なエンドツーエンドのコンピュートスタックだけが、真に需要を満たせる。
AMD のソリューションは、クラウドからエッジまでをカバーするフルスタックのコンピュートプラットフォームを提供し、その中核にオープンソースの ROCm ソフトウェアプラットフォームを据えることで、あらゆる展開シナリオで開発者が適切なツールを見つけられるようにすることだ。
こうした考え方には、より長い歴史がある。
グローバルな戦略レベルでは、AMD は AI エンジニアリングの大きな潮流に対して一貫した姿勢を保ってきた。
今年初めの CES 2026 で、リサ・スー氏はすでに方向性を明確に示していた。オープンエコシステムこそが、次の AI चरणのインフラなのだ。
業界がオープンなインフラと共通標準のもとに結集してこそ、イノベーションは加速する。
インフラとは、どの 1 社のものでもない。業界全体が依拠し、その上に築き、その恩恵を受ける基盤である。
AMD がオープンエコシステムをこの言葉で表現するのは、AI の未来がいかなる閉鎖的なシステムにも囲い込まれるべきではない、という立場を示すものだ。
その立場は、AMD 自身のアイデンティティも作り変えつつある。
チップを売る会社からプラットフォームを構築する会社へ。AMD の目標は、ハードウェア世代をまたいで長期的に開発者から信頼されるソフトウェアプラットフォームになることだ。
その目標への道は、ハードウェアとソフトウェアの協調最適化、そしてオープンエコシステムにある。
ソフトウェア層のオープン性は、開発者が特定のハードウェア世代に縛られるのを防ぎ、ハードウェア層の継続的な進化は、ソフトウェアエコシステムにより強固な基盤を提供する。
この 2 つが相互に補完し合うことで、大規模な開発者コミュニティが長期的にとどまりたいと思えるシステムが生まれる。
中国市場に限って言えば、AMD は 30 年以上にわたりグレーターチャイナに深く根を下ろしており、上海の R&D センターは世界でも最大規模の AMD の研究開発拠点の 1 つである。
リサ・スー氏の見方では、中国は AMD にとって重要な市場であるだけでなく、グローバルロードマップの不可欠な一部でもある。チップから AI ソフトウェア、プラットフォームエンジニアリングに至るまで、AMD の中国への投資はテクノロジースタック全体に及んでいる。
同時に、オープンソースの問題について、リサ・スー氏は中国がオープンエコシステムをリードしていると率直に指摘した。このオープン性は、AI エコシステム全体ができるだけ速く進化するための中核的な推進力であり、AMD の戦略方向とも強く一致している。
上海でカンファレンスを開催したこと自体が、この戦略が中国市場に根を張り、持続的に展開されていることの体現である。
中国でこの戦略を実践するということは、具体的には次のような意味を持つ。
- 中国の開発者がこれらのツールを実際に使いこなし、日々のエンジニアリング実務でしっかり活用できるよう、ローカルの開発者コミュニティ育成への投資を継続すること
- 地域のオープンソースエコシステムと歩調を合わせ、開発者が自ら適応作業を担う負担を減らすこと
- 最終的に AI 開発とデプロイのハードルを下げ、より多くのチームがアイデアを本番稼働するシステムへと変えられるようにすること
AI は体系的なエンジニアリング実践へと入っている
AI エンジニアリングにおける競争は、開発者コミュニティ全体が共に向き合うべき基盤インフラの問題へと変わりつつある。
今回の AMD AI Developer Conference では、ハンズオンワークショップと技術基調講演が行われ、取り上げられたテーマの構成から、現在の AI エンジニアリング実務の姿が見えてきた。
推論に関するテーマは、Agent 時代がもたらす新しい課題に焦点を当てていた。
単発の Q&A の時代には、推論コストは 1 回の呼び出し価格で測れた。しかし、Agent ワークフローが複数回の計画立案、ツール呼び出し、検証によってタスクを完了するようになると、コスト構造は完全に変わる。
新しいパラダイムのもとでトークンコストをどう下げるか、高並列環境でも推論エンジンの効率をどう保つか、そして推論最適化そのものをどう自動化するか――これらは業界が取り組んでいる難題であり、この推論トラックの中心的な問いでもある。
特筆すべきは、学習トラックが、AI アプリケーションがさらに深い層へ進む中で生じるエンジニアリング上の圧力を映し出している点だ。
RLHF は研究論文から、多くのチームにとっての標準ワークフローへと変わりつつあり、1 枚の GPU でエンドツーエンドのアラインメント学習をいかに効率よく回すかが、実務上の課題になっている。
MoE アーキテクチャが大規模な商用利用に入るにつれ、超大規模学習の安定性と効率性は、日常的なエンジニアリング業務になった。
エッジおよびオンデバイスのトラックでは、変化が最も分かりやすい。
完全オフラインの AI デスクトップロボット、ローカル大規模モデルで動くパーソナル Agent、ローカルハードウェア上で開発ワークフロー全体を実行する vibe coding……こうしたシナリオは、すでに特定の AMD エッジデバイス上で実現可能になっている。
オンデバイス AI は、もはやクラウドの簡易代替ではない。プライバシー保護、低遅延、オフライン利用といった場面で独自のエンジニアリングロジックを持ち、モデル量子化からローカル推論高速化まで、フルスタックの支援を必要とする。
さらに、スタックのより下層を掘り下げるテーマ群もあった。
AI カーネル開発、コンパイラ最適化、GPU カーネル向け AI Agent、PyTorch 分散学習フレームワークの AMD GPU への適配……これらはすべて、エコシステムがどこまで進めるかを左右するインフラ層に焦点を当てている。
ハンズオンワークショップ、オープンソースのツールチェーン、実際のエンジニアリングシナリオを通じて、AMD は開発者コミュニティとの長期的な結びつきを強化し、AI 開発をモデル利用からシステム構築へと押し進めている。
これらのテーマは、AMD が開発者を「理解」から「構築」へ、そして「継続的進化」へと導く完全なフライホイールを作ろうとしていることを示している。
また、AMD AI Developer Program - China が本日正式に開始されたことも注目に値する。
これは AMD が AI 開発者向けに構築した会員制エコシステムプログラムだ。技術リソース、開発コース、コミュニティ交流、開発者イベントなどの支援を通じて、開発者が AI アプリケーションや大規模モデルの開発をより効率的に進められるよう支援する。
このプログラムに参加した開発者は、より広い中国の開発者コミュニティとつながり、AMD の AI 専門家やエコシステムパートナーに支えられた技術交流やワークショップに参加できる。
このカンファレンス後も、AMD は技術コンテンツの更新、コミュニティ活動、継続的な開発者イベントなどのリソースを提供し続ける。