AMD的CIO谈AI驱动转型和IT的未来

简介: AMD的CIO谈AI驱动转型和IT的未来

来源:企业网D1net


AMD作为全球半导体领先企业,不仅在开发推动AI发展的产品上发挥关键作用,还在内部大力实施AI以优化运营。CIO Hasmukh Ranjan领导着这一变革,他提出了一个基于四个关键原则的AI框架,旨在从辅助工具迈向完全自主系统。Ranjan强调数据和计算是AI创新的支柱,并认为AI将重新定义IT角色,创造更多就业机会。AMD通过建立合作伙伴生态系统和设定可衡量目标来确保AI转型的成功,同时关注工程领域节省的时间等指标来衡量AI计划的价值。Ranjan对AMD在AI领域的未来持乐观态度,相信其将不仅加强自身实力,还将为其他企业提供可借鉴的AI转型模式。


AMD是一家全球领先的半导体公司,其业务组合涵盖客户端产品、服务器、嵌入式系统和AI加速器。AMD在2023年报告了236亿美元的营收,并大力推动自身成为GenAI的受益者。

AMD内部IT战略和AI实施由CIO Hasmukh Ranjan领导,他管理着一个约1000人的团队,Ranjan的职责超出了典型首席信息官的范畴,他积极支持内部产品开发,担任公司的“零号客户”,他还负责公司间接采购,并作为AMD的代表与同为公司客户的其他CIO们交流。


AMD在AI革命中的双重角色


作为AI生态系统中的关键参与者,AMD在两个方面发挥作用:开发推动AI发展的半导体产品,并在内部实施AI以简化运营。“我们的目标是构建能够重新定义AI可能性的产品,”Ranjan指出,“我们的先进半导体芯片支持大型语言模型(LLM)和其他AI应用,使我们能够以前所未有的方式支持企业。”在内部,AMD利用自身技术提高运营效率,旨在成为其他企业可以效仿的典范企业。Ranjan认为这种双重关注是一个主要优势,使AMD不仅能够为AI行业做出贡献,还能利用AI改进工程、人力资源和采购等领域的流程。


AI集成框架


为了实现AMD的AI目标,Ranjan基于四个关键原则实施了一个战略性、长期性的AI框架:辅助(Assist)、行动(Action)、自动化(Automate)和自主(Autonomous)。辅助包括使用聊天机器人、副驾驶功能和问答功能。行动促进交易、建议和警报。自动化有助于完善端到端流程并进一步系统化。最后,自主旨在创建数字角色,提供自主决策技术和无需监督的能力。


“我们正在从辅助工具迈向完全自主系统的旅程,”他解释道。目前,AMD专注于能够帮助员工更高效地工作的AI副驾驶和聊天机器人。公司内部AI路线图还优先考虑了最终能够自主行动、减少人工干预需求的工具。Ranjan强调,实现这一愿景需要强大的数据质量和计算能力:“从辅助系统到自主系统的旅程取决于丰富的数据、高级分析和大量的计算资源,”他强调道。他的团队致力于规划一条从AI辅助任务到未来自主系统简化AMD运营的道路。


数据和计算是AI创新的支柱

Ranjan认为数据和计算是成功采用AI的基石。“数据是AI的核心,而处理数据的计算能力同样至关重要,”他说,并解释称AMD能够接触到一些尚未公开的前沿技术,这为公司带来了独特优势。


为了确保最大限度地利用其数据的效用,AMD为工程师和人力资源专业人员等不同工作岗位开发了定制化的AI工具,使每个人都能从特定的AI驱动效率中受益。“我们已经绘制了AMD不同角色的‘日常生活’,以确定利用AI的最佳方式,”Ranjan解释道。“这种有针对性的方法指导我们如何选择和部署AI工具,以实现有意义的生产力提升。”


IT在AI采用中的不断变化的角色


Ranjan认为,AI将从根本上重新定义IT的角色,使数据和计算成为IT职责的核心。他指出,虽然当今企业仅利用其数据的约5%,但未来的AI进步可能使组织能够利用其多达75%的数据。“AI的演进与数据密切相关,而IT有望在企业环境中引领这一转变,”Ranjan兴奋地强调道,然而,他也承认,最大限度地利用数据将需要新的一波劳动力技能,AMD已经创建了一个具有专门角色的“AI计算”团队来引领这一进程。“我们围绕AI计算引入了一个新的职位系列,我们正在引进既有经验的专业人士,也有能够用新视角应对挑战的应届毕业生,”他分享道。这个新团队不仅支持AMD的内部需求,还与产品团队合作,增强外部客户的产品供应。


AI与劳动力演进


随着AI重塑职场,Ranjan承认人们对于AI对就业的影响既感到兴奋又感到担忧。回顾他在印度成长的经历时,他回想起银行业等行业最初对技术的抵制,但后来这些行业却成为了IT的主要采用者。“人们担心失业,但现实是技术创造了更多的就业机会,”Ranjan强调道,“AI也将如此,这不是关于失业,而是关于转向需要不同技能的新角色。”


近几个月来,AMD的IT团队看到与AI计算和自动化相关的新职位需求激增,这表明技术确实是就业创造的催化剂。Ranjan表示有信心,只要员工愿意接受再培训,他们将在AI驱动的未来找到新的机会。


构建生态系统和设定成功指标


在指导AMD的AI转型过程中,Ranjan强调了合作伙伴关系和可衡量目标的重要性。“AI的演进不是单靠一个人就能实现的,”他指出。AMD已在从计算和网络到数据和中间件等各层基础设施中建立了一个由可信供应商和合作伙伴组成的生态系统。此外,Ranjan和AMD的首席软件官与首席执行官Lisa Su密切合作,报告AI计划的进展,使用关键绩效指标(KPI)来跟踪进度,并确保项目保持以结果为导向。“这不是科学实验;我们有明确的KPIs来衡量我们在企业不同部分的成功,”Ranjan解释道。通过关注工程领域节省的时间等指标,AMD确保其AI计划正在创造真正的价值。


未来路线图


有了明确的AI采用战略,Ranjan对AMD以身作则的能力持乐观态度。“我们才刚刚开始理解AI的全部潜力,”他说,“但随着时间的推移,它将改变企业并重新定义IT。”通过深思熟虑的实施和持续学习,Ranjan在AMD的团队正在制定一条不仅加强公司内部实力,而且为其他踏上AI旅程的组织提供模式的路线图。


版权声明:本文为企业网D1net编译,转载需在文章开头注明出处为:企业网D1net,如果不注明出处,企业网D1net将保留追究其法律责任的权利。

相关文章
|
2月前
|
人工智能 监控 安全
提效40%?揭秘AI驱动的支付方式“一键接入”系统
本项目构建AI驱动的研发提效系统,通过Qwen Coder与MCP工具链协同,实现跨境支付渠道接入的自动化闭环。采用多智能体协作模式,结合结构化Prompt、任务拆解、流程管控与安全约束,显著提升研发效率与交付质量,探索大模型在复杂业务场景下的高采纳率编码实践。
375 26
提效40%?揭秘AI驱动的支付方式“一键接入”系统
|
2月前
|
人工智能 自然语言处理 测试技术
从人工到AI驱动:天猫测试全流程自动化变革实践
天猫技术质量团队探索AI在测试全流程的落地应用,覆盖需求解析、用例生成、数据构造、执行验证等核心环节。通过AI+自然语言驱动,实现测试自动化、可溯化与可管理化,在用例生成、数据构造和执行校验中显著提效,推动测试体系从人工迈向AI全流程自动化,提升效率40%以上,用例覆盖超70%,并构建行业级知识资产沉淀平台。
从人工到AI驱动:天猫测试全流程自动化变革实践
|
2月前
|
人工智能 算法 Java
Java与AI驱动区块链:构建智能合约与去中心化AI应用
区块链技术和人工智能的融合正在开创去中心化智能应用的新纪元。本文深入探讨如何使用Java构建AI驱动的区块链应用,涵盖智能合约开发、去中心化AI模型训练与推理、数据隐私保护以及通证经济激励等核心主题。我们将完整展示从区块链基础集成、智能合约编写、AI模型上链到去中心化应用(DApp)开发的全流程,为构建下一代可信、透明的智能去中心化系统提供完整技术方案。
242 3
|
2月前
|
人工智能 运维 关系型数据库
云栖大会|AI时代的数据库变革升级与实践:Data+AI驱动企业智能新范式
2025云栖大会“AI时代的数据库变革”专场,阿里云瑶池联合B站、小鹏、NVIDIA等分享Data+AI融合实践,发布PolarDB湖库一体化、ApsaraDB Agent等创新成果,全面展现数据库在多模态、智能体、具身智能等场景的技术演进与落地。
|
2月前
|
人工智能 自然语言处理 Shell
我们开源了一款 AI 驱动的用户社区
KoalaQA 是一款开源的 AI 驱动用户社区,支持智能问答、语义搜索、自动运营与辅助创作,助力企业降低客服成本,提升响应效率与用户体验。一键部署,灵活接入大模型,快速构建专属售后服务社区。
253 5
我们开源了一款 AI 驱动的用户社区
|
2月前
|
人工智能 IDE 开发工具
从6人日到1人日:一次AI驱动的客户端需求开发实战
从6人日到1人日:一次AI驱动的客户端需求开发实战
从6人日到1人日:一次AI驱动的客户端需求开发实战
|
3月前
|
人工智能 NoSQL 关系型数据库
Ai驱动的项目管理工具安装教程
Dectask是一款基于AI的高性能项目管理工具,融合企业级功能与轻量体验,支持多种安装方式,普通安装的教程
143 3
|
2月前
|
机器学习/深度学习 人工智能
AI重塑电商拍摄:技术驱动的商业变革——5款AI模特图生成工具技术分析
AI技术正重塑电商拍摄:低成本、高效率生成逼真模特图,支持批量换装、换背景,助力商家快速上架、灵活试错。燕雀光年、Kaiber等工具实测好用,未来AI与实拍将互补共存。
247 0
|
2月前
|
传感器 人工智能 数据可视化
AI 驱动的 AR眼镜巡检技术方案:让工业缺陷识别更精准高效|阿法龙XR云平台​
针对电力、化工、制造等高风险场景,传统人工巡检效率低、漏检率高。我们推出AI+AR智能巡检方案,集成高清视觉与多传感器数据,采用轻量化YOLOv8-Nano和ResNet50模型实现缺陷实时检测与分级,结合ORB-SLAM3空间定位,在AR眼镜中精准叠加缺陷标注,识别准确率超95%,效率提升50%以上,助力巡检智能化、可视化、可追溯。

热门文章

最新文章