苏姿丰爆出 AI 赚钱唯一路径

一句话看懂：AMD CEO 苏姿丰近日在台北公开指出，过去几年全球 AI 投资集中在模型训练阶段，但真正能产生商业回报的环节是推理（即模型实际执行任务）。她同时判断，算力硬件格局正从 GPU 独大向 CPU:GPU 1:1 配比演进。

事件核心：发生了什么

5月22日，苏姿丰在中国台北出席论坛时直言，过去两三年全球 AI 投资的重心都在大规模模型训练上，但没有企业能从 AI 训练业务中盈利。她强调，真正能看到投资回报的环节并非训练，而是用户实际使用技术的过程——推理。她解释，训练虽为 AI 技术发展基础，但高昂的计算成本与持续的资源投入使其本身无法转化为商业利润；只有当 AI 从“训练出模型”进入“让模型为用户执行任务”的推理阶段，企业才能从每次推理调用中实现商业回报。

在支撑推理的硬件层面，苏姿丰判断，伴随智能体 AI 的爆发式普及，算力格局正在发生结构性转变：CPU 与 GPU 的配比正加速向 1:1 演进。她还指出，CPU、高带宽内存等环节存在短缺，半导体产业链正协同扩产以保障 AI 算力持续供给。此外，她对 AI PC 前景表示乐观，预计将出现显著的两位数增长，并预测继 PC 之后，下一波爆发点将是由机器人、工业制造与环境构成的物理 AI。

为什么重要

这一判断直接挑战了当前行业“堆算力、训练大模型”的主流叙事。如果推理是盈利的唯一路径，那么此前大量投入百亿美元级训练集群的公司需要重新审视商业模型。对 AMD、英伟达等芯片厂商而言，这也意味着部署和运营阶段（推理）的需求将超过训练阶段，硬件配置重心将从 GPU 单一大规模集群转向 CPU 与 GPU 的协同配置。苏姿丰提出的 CPU:GPU 1:1 配比若成为现实，将重塑云端推理服务器的采购标准，并可能影响企业级 AI 应用的部署成本。

对用户/开发者/创作者的影响

对开发者：API 调用成本可能随推理硬件优化而下降，但需关注 CPU 系推理替代 GPU 的兼容性与性能差异。对使用端用户（如内容创作者）：若企业将推理作为盈利出口，AI 工具（如图像生成、文本处理）的计费模式可能从“按训练成本定价”转向“按调用次数或推理量计费”。对企业采购者：部署 AI 时需更关注推理算力配置（HDI、内存带宽），而非仅聚焦模型参数规模。