AI芯片的竞争正在从单颗GPU扩展到整座机架。AMD 7月23日正式推出Helios机架级系统：一台机架整合72颗MI455X GPU、18颗第六代EPYC“Venice”处理器、31TB HBM4和高速网络，面向大模型训练与推理。AMD称，它在特定Kimi K2 Thinking负载下，每美元生成的令牌最多比NVIDIA Vera Rubin NVL72高30%；真正的悬念不只是参数能否领先，而是这套开放架构能否按期交付并形成稳定的软件体验。

三点看懂：AMD把竞争单位从GPU变成整机架

72颗MI455X如何组成一台“AI工厂”

Helios采用18个四GPU计算托盘，共计72颗MI455X，并搭配18颗第六代EPYC处理器。单机架峰值能力为2.9 exaflops FP4和1.4 exaflops FP8。这里的关键不是把更多芯片堆在一起，而是让CPU持续喂饱GPU，让模型参数和KV缓存尽量留在高速内存中，再通过低延迟互连把训练或推理任务分配到整个机架。

MI455X属于MI400系列。AMD称其令牌吞吐量可达到MI355X的34倍，但这项数据基于DeepSeek V4 Flash、FP4精度以及高、中、低交互点的内部测量，不能直接外推到所有模型。Helios还使用Pensando网络，把机架内的UALink over Ethernet与面向集群扩展的标准以太网结合，试图用开放协议降低专有互连带来的锁定。

软件层是这套硬件能否落地的另一半。AMD同步推出ROCm.ai，让Claude、Codex和Cursor等编码智能体理解ROCm与AMD平台，辅助编写、优化和部署GPU代码。PyTorch、Hugging Face、vLLM和SGLang已完成MI455X适配。对开发团队而言，这比单纯提高峰值算力更实际：如果迁移、调优和排错仍需要大量专门工程师，硬件价格优势很容易被软件成本抵消。

30%令牌成本优势，必须连同测试条件一起读

AMD给出的对比很醒目：相较Vera Rubin NVL72，Helios峰值FP4性能高15%，HBM容量高50%，HBM带宽高6%，横向扩展带宽高50%，每美元令牌最多高30%。但这些数字并非统一的第三方实测。性能与内存对比主要来自AMD实验室计算和建模，成本指标则采用Kimi K2 Thinking、3.2万输入与8000输出令牌，并结合系统GPU的小时价格预测。

这意味着结果对模型结构、批处理、并发、上下文长度、供电、散热、软件版本和实际采购价都非常敏感。对云厂商或大型AI实验室，更有意义的指标还包括机架持续利用率、集群故障恢复、跨机通信损耗、每瓦令牌数和运维人力。AMD已经把比较推进到完整系统层面，但还没有替客户完成真实生产环境中的总拥有成本核算。

从Q4上线到吉瓦部署，交付节奏才是下一场考试

AMD称Helios已进入生产阶段，OpenAI预计2026年第四季度开始上线，2027年加速部署；Anthropic计划采用最多2吉瓦的MI450系列算力，首个吉瓦从2027年上半年启动。Meta、Microsoft、Oracle等也在验证或采用相关平台。大客户名单说明需求存在，但“计划”“验证”和“投入生产”代表不同成熟度，不能把未来容量提前写成已交付收入。

对行业而言，Helios把NVIDIA主导的AI基础设施竞争拉到了机架级：芯片厂商必须同时证明GPU、CPU、网络、软件和供应链协同能力。开放以太网和ROCm给客户更多选择，也带来更多组合和调优责任。对中小团队，这类系统不会直接降低购买门槛，但若云服务商真正获得更低的每令牌成本，最终可能反映到推理价格和可用容量上。

ATYUN编辑判断：Helios最值得关注的不是“单卡击败谁”，而是AMD终于拿出一套可以按机架采购、按集群扩展的完整答案。31TB HBM4和开放网络为超大模型提供了清晰卖点，ROCm.ai则直指长期软件短板。现在仍应把30%的成本优势视为有明确条件的厂商估算；真正的胜负，要看2026年末上线后的稳定利用率、第三方基准和2027年吉瓦级部署能否如期兑现。