“AMD 软件不行”——这句话在过去五年里，几乎是 AI 圈不需要讨论的共识。每一次 AMD 发布新的 Instinct GPU，评测文章都会在最后附上一句“软件生态仍需追赶”。但 2026 年 8 月 28 日发布的 ROCm 10.0.0，可能正在改写这个剧本。
这不是一次常规的版本迭代。版本号从 7.14 直接跳到 10.0，本身就是信号。AMD 用十年的跨度，为这个开源 GPU 计算平台打上了“十周年”的标记。但真正值得关注的不是版本号的跳跃，而是这次发布的核心逻辑已经变了——AMD 不再只是追着 CUDA 补课，而是开始用 AI 自身的逻辑来攻 AI 的软件城墙。
版本号背后的三重信号
AMD 在本周正式发布了 ROCm 10.0.0。这个版本号不是按数字序列自然推进的，而是一次有意的“大版本跃进”——从 7.14 跳到 10.0，跨越了 8.x 和 9.x 两个世代。官方博客的解释是：十周年纪念，以及“版本号是实至名归的”。
但更实质的变化藏在版本号背后。这是第一个完全基于 TheRock 自动化构建系统产出的生产版本。TheRock 在 ROCm 7.14 中达到生产就绪状态，到 10.0 时，整个平台的构建、验证和发布已经全部跑在同一条流水线上。这意味着什么？AMD Instinct 数据中心加速卡、Radeon 消费级显卡、Ryzen AI 集成显卡——这三种形态迥异的硬件，首次共享同一套软件栈，同一个发布节奏。你在笔记本上用 Ryzen AI 跑的原型代码，可以直接部署到数据中心 Instinct 集群上。
这是 AMD 对英伟达“统一计算架构”策略的回应。CUDA 之所以不可撼动，不是因为它的 API 设计得比 HIP 好，而是因为“写一次，跑在任何英伟达 GPU 上”这个承诺十年如一日地兑现。ROCm 10.0 试图复制同样的故事。
AI 框架的升级也同步到位：PyTorch 2.12.0、JAX 0.10.0、vLLM 0.23.0、SGLang 0.5.13、TensorFlow 2.21，以及 MIGraphX 和 ONNX Runtime。vLLM 0.23.0 和 SGLang 0.5.13 是目前 AI 推理场景中最主流的两大服务框架，升级到最新版本意味着 AMD 的推理部署方案可以与英伟达站在同一起跑线上。
GPU 支持列表也扩展了，新增了 8GB 和 4GB 显存版本的 Radeon RX 9050 系列，以及多款 Ryzen AI Max/Max PRO 系列 APU。虚拟化支持同时得到增强。ROCm 的覆盖范围正在从“数据中心专用”向“无处不在”转变——从云端 Instinct 到桌面 Radeon，再到笔记本上的 Ryzen AI。
ROCm.AI：用 AI 解决 AI 的软件问题
这次发布最值得关注的新事物是 ROCm.AI。它在 2026 年的 Advancing AI 大会上首次亮相，现在随 ROCm 10.0 正式面向所有用户开放。
ROCm.AI 由三部分组成。
第一部分是 AMD Skills，一套经过 AMD 验证的工作流，嵌入到 Claude Code、Cursor、Codex 等 AI 编程助手中，让开发者直接在熟悉的工具里获得 AMD 硬件优化建议——从诊断、路由、回放分析到性能优化，覆盖客户端到服务器端的全栈场景。
第二部分是 ROCm CLI，一个统一的命令行界面，用于管理 ROCm 环境、部署模型、运行诊断。它目前处于技术预览阶段，但已经支持 Windows 和 Linux 双平台，并且不需要预先安装 ROCm。开发者可以用它来检查系统状态、安装和管理多版本 ROCm 运行时、部署模型服务，还可以通过内置的 ROCm Console 实时监控 GPU 利用率、功耗和 tokens per watt 等指标。
第三部分是 Hyperloom，一个自主智能体系统。它自动分析推理工作负载，识别瓶颈，探索优化选项，实施调整，然后验证效果——整个过程几乎不需要人工干预。Hyperloom 支持 vLLM 和 SGLang，可以针对 HIP、Triton 和 FlyDSL 三种编程模型进行优化，最终输出一份包含代码变更和性能对比的报告。
AMD 官方数据称，在相同硬件上，使用 ROCm.AI 的配置相比 ROCm 7 平均提升 3.3 倍推理性能、2.4 倍训练性能。这个数字需要审慎看待——它是在特定优化场景下取得的，不代表所有工作负载都能获得同等幅度的提升。但方向本身比具体数字更重要：AMD 正在用 AI 的自动化能力来弥补自身在软件生态上的“人力差距”。
推理是第一战场
如果说 ROCm 10.0 有一个明确的战略重心，那就是 AI 推理。
这不是巧合。根据 Deloitte 的报告，推理工作负载在 2025 年占 AI 总计算量的约一半，2026 年将增长到三分之二。IDC 和 Gartner 的分析也指向同一个方向：AI 基础设施投资正在从训练向推理转移。推理的算力消耗虽然单次低于训练，但它的调用量是训练的数百万倍——每一个用户、每一次对话、每一轮推理，都在消耗算力。
在这个战场上，英伟达的护城河比训练市场更浅。推理对定制 CUDA 内核的依赖度较低，对框架集成如 vLLM、SGLang 的依赖度更高。只要 ROCm 能把这些框架跑顺畅，用户迁移的成本就会大幅降低。ROCm 10.0 正是沿着这个方向推进的。
AMD 在推理硬件上的性价比优势也在放大这个窗口。MI300X 配备 192GB HBM3 显存，在大模型推理的长上下文场景中天然占优。行业分析显示，AMD 的 GPU 在推理场景中通常有 15% 到 30% 的价格优势，而 ROCm 10.0 的推理性能已经能接近 H100 的 90% 到 95%。当性价比差距缩小到这种程度，软件上的“最后一公里”就成了决定性的因素。
从追赶 CUDA 到另辟蹊径
纵观 ROCm 过去十年的演进，一条清晰的曲线浮现出来。
2016 年到 2022 年的 ROCm 1 到 5 是“生存期”，核心任务是让 HIP 兼容 CUDA 语法，让 PyTorch 跑在 AMD GPU 上。2023 年到 2025 年的 ROCm 6 到 7 是“追赶期”，重点是性能优化、框架支持和稳定性提升。而 2026 年的 ROCm 10 则进入了一个新阶段——可以称之为“差异化期”。
ROCm.AI 就是这种差异化策略的集中体现。英伟达的 CUDA 生态强在“人力”——数千名工程师持续优化 cuDNN、TensorRT-LLM 等库，加上庞大的开发者社区贡献自定义内核。AMD 没有同等规模的人力，但它选择用 AI 来弥补：让 Hyperloom 自动完成那些在其他平台上需要人工完成的优化工作。
这种策略的成败，取决于 Hyperloom 等自动化工具的成熟度，而不是 AMD 能否雇到和英伟达一样多的工程师。如果这条路走通了，它不仅解决了 AMD 的软件短板，还可能重新定义 GPU 编程的范式——从“手写优化”转向“AI 辅助自动优化”。
AMD 还在做另一件重要的事：整合软件分发渠道。新的 repo.amd.com 将 ROCm 包、amdgpu 驱动和 AMD 的 GPU 工具全部整合到一个仓库中，统一命名、统一结构、统一指令。多版本 ROCm 可以在一台机器上共存，团队可以按自己的节奏分阶段升级，而不是被迫跟随发布列车的时间表。对于自动化部署的团队来说，这意味着 CI/CD 管道只需要指向一个仓库地址。
进步与局限
ROCm 10.0 的进步是真实的，但它的局限同样真实。
AMD Skills 目前仅支持 Claude Code、Cursor 和 Codex 三个 AI 编程助手。这意味着它的用户群被限制在已经使用这些工具的开发者范围内。对于使用 VS Code 原生开发流程或 JetBrains 等 IDE 的开发者，AMD Skills 还不适用。
ROCm CLI 目前仍处于技术预览阶段，官方文档明确标注了“正式支持即将到来”。生产环境部署的团队可能还需要等待一个更稳定的版本。
一些关键性能库仍然缺失。FlashAttention 3 和 TensorRT-LLM 的完整 ROCm 等价物尚未就绪，这意味着在依赖这些库的高端推理场景中，ROCm 的性能差距仍然存在。社区生态的规模差距也是现实——CUDA 的开发者社区经过 15 年积累，已经形成了庞大的知识库和第三方工具生态，ROCm 的社区虽然在快速增长，但规模仍然远小于 CUDA。
写在 AI 推理的拐点上
ROCm 10.0 的发布，是 AMD 在 AI 软件战场上的一个关键转折点。它不再是“我也能做到 CUDA 做的事”，而是“我用一种不同的方式来做 GPU 计算”。
这个策略的核心假设是：AI 推理市场足够大，容得下第二个计算平台。英伟达在推理市场的份额虽然领先，但不像训练市场那样具有压倒性——因为推理更看重性价比和生态开放性，而这两点恰好是 AMD 的差异化优势。
对开发者来说，ROCm 10.0 传递了一个明确的信号：AMD 的软件平台正在快速成熟，如果你在搭建 AI 推理基础设施，现在值得认真评估 AMD 的选项。尤其是对预算敏感的中型团队和创业公司，AMD 的性价比优势加上 ROCm 10.0 的软件提升，可能已经足够抵消迁移成本。
AMD 花了十年才让 ROCm 追上 CUDA 的背影，但 ROCm 10.0 选择了一条更聪明的路——在 AI 的赛道上，与其跟在别人后面跑，不如让 AI 自己开车。
快报