Generativna veštačka inteligencija nas je za samo nekoliko godina navikla na novi način komunikacije sa računarom: postavimo pitanje i nekoliko sekundi kasnije dobijemo tekst, sliku, programski kod ili sažetak dokumenta… AMD smatra da je to bila samo prva faza!
Sledeća promena mogla bi biti mnogo temeljnija. Umesto računara koji čeka pitanje, dolazi računar kome zadajemo cilj. Umesto jednog AI modela koji generiše odgovor, radi čitav sistem agenata koji istražuju, planiraju, koriste programe i podatke, proveravaju rezultate i nastavljaju sa radom dok zadatak ne bude završen.
AMD takvu novu kategoriju naziva Agent PC – lični računar specificiran da AI zadatke izvršava kontinuirano na licu mesta, umesto da svaki korak podiže u cloud.
Kako izgleda ta nova paradigma
Zamislimo klasičan poslovni zadatak:
„Pripremi mi prezentaciju za sutrašnji sastanak uprave o rezultatima kompanije u prethodnom kvartalu.“
Današnji AI četbot može da napiše predlog strukture prezentacije. Ali čovek i dalje mora da pronađe Excel tabele, PDF izveštaje, prezentacije različitih odeljenja i elektronsku prepisku, izdvoji relevantne podatke i zatim ih prosledi AI modelu.
Agentski PC menja upravo taj deo priče.
Agent dobija cilj, samoinicijativno pristupa dokumentima za koje ima dozvolu, pronalazi relevantne fajlove, čita PDF-ove, izvršava OCR nad skeniranim dokumentima, analizira Excel i CSV tabele, prepoznaje zastarele ili kontradiktorne podatke, izdvaja relevantne činjenice, pravi grafikone i na kraju sastavlja prezentaciju i prateći rezime.
AMD je sličan scenario demonstrirao kroz Hermes Executive Presentation Agent – HEPA, gde lokalni agent obrađuje veliki skup poslovnih dokumenata, među kojima ima relevantnih, zastarelih i međusobno konfliktnih podataka, a zatim proizvodi prezentaciju, memorandum, grafikone i citirani dodatak sa izvorima. Tu postaje jasnije šta AMD podrazumeva pod agentskim računarom: Ne tražite od računara da vam napiše prezentaciju. Tražite od njega da je napravi.
Od jednog odgovora do čitavog radnog toka
Ta razlika zapravo predstavlja suštinu agentskog AI-ja. Klasični generativni AI uglavnom radi ovako:
pitanje → model → odgovor
Agentski sistem više liči na ovo:
cilj → razumevanje zadatka → plan → pronalaženje podataka → korišćenje alata → analiza → izvršavanje → provera → eventualna korekcija → završni rezultat
Agent interpretira nameru korisnika, pribavlja kontekst, planira sledeće korake, poziva različite alate, izvršava kod ili druge dozvoljene radnje, proverava rezultat i odlučuje da li je potrebno ponoviti neki deo procesa.
Zato AMD naglašava da agentic AI nije jedan workload, već end-to-end radni tok.
Lični istraživački tim u jednom računaru
Još slikovitiji primer je istraživanje.
Umesto zahteva:
„Napiši mi nešto o tržištu električnih automobila.“
agentskom kompjuteru može da se zada:
„Analiziraj tržište električnih automobila u Evropi, pronađi najvažnije trendove u poslednje tri godine, uporedi pet najvećih proizvođača, napravi tabelu prodaje i izdvoji tri najveća rizika za 2027. godinu. Napravi izveštaj i prezentaciju, sa izvorima.“
Jedan agent može da razloži problem, drugi da pretraži dozvoljene baze i dokumentaciju, treći da analizira tabelarne podatke, četvrti da proverava tvrdnje i izvore, a peti da sastavi konačni dokument.
„Orkestrator“ prati šta je urađeno i, ako otkrije nedostatke, vraća određeni deo procesa na doradu. Korisnik više nije mikro-menadžer AI-ja. Postaje njegov naručilac i urednik.
Programiranje, marketing i svakodnevni posao
Ista promena već je vidljiva u razvoju softvera. Klasičan AI pomoćnik može programeru da napiše funkciju.
Agent dobija širi cilj:
„Dodaj ovu funkcionalnost aplikaciji.“
Zatim može da pregleda strukturu projekta, pronađe relevantne fajlove, pročita postojeći kod, napiše izmene, pokrene testove, analizira greške, koriguje kod i ponovo izvrši testove.
Slično važi i za marketing.
Agentu se može zadati:
„Na osnovu rezultata prethodne kampanje pripremi predlog kampanje za novi proizvod.“
On zatim može da pregleda rezultate ranijih kampanja, izdvoji najuspešnije poruke, analizira tabele, pročita smernice proizvoda, napravi nekoliko predloga komunikacije i pripremi prezentaciju.
Čovek i dalje odlučuje šta je dobro, ali AI može da odradi mnogo više rutinskih koraka između početne ideje i materijala spremnog za proveru.
Isto važi za analitičara koji želi poređenje cena dobavljača, novinara koji treba da prođe kroz konferencijske materijale i transkripte, inženjera koji poredi rezultate simulacija ili malu firmu koja želi da razvrsta veliki broj upita kupaca.
A šta ako treba analizirati 300 dokumenata?
Tu dolazimo do jedne od važnijih AMD-ovih tehničkih poruka. Naime, u HEPA testu lokalni sistem obrađuje više od 300 izvora. CPU parsira dokumente, izvršava OCR, deli sadržaj na segmente, formira dodatke, pronalazi relevantne delove, sastavlja paket dokaza i proverava rezultat. GPU je uglavnom zadužen za generativni deo procesa.
AMD navodi da se u njihovom konkretnom osmostepenom toku rada sedam od osam faza izvršava na CPU-u! To lepo pokazuje zašto agentska era nije samo nova trka za što bržim GPU-om. Kada agent radi, veliki jezički model predstavlja samo jedan deo sistema:
Neko mora da otvori dokument.
Neko mora da izvrši OCR.
Neko mora da pronađe podatak.
Neko mora da pozove program ili bazu.
Neko mora da proveri rezultat.
I neko mora da odluči šta agent radi sledeće.
Veliki deo tog posla predstavlja orkestraciju i prirodno pada na CPU, dok GPU obavlja paralelne AI operacije i generisanje.
Upravo iz svih navedenih razloga AMD predstavlja Ryzen AI Halo APU, kao platformu prilagođenu Agentom tipu opterećenja: snažan CPU, GPU, NPU i velika količina objedinjene memorije omogućavaju da modeli i podaci ostanu dostupni tokom čitavog radnog toka.
Više nije važno samo koliko brzo AI „govori“
Tradicionalni AI benchmark testovi često mere vreme do prvog tokena ili broj tokena u sekundi. Za standardni AI četbot je to logično. Međutim, za agentski AI to više nije dovoljno.
Zamislimo da dva računara dobiju zadatak da od 300 poslovnih dokumenata naprave prezentaciju. Prvi počne da generiše tekst za pola sekunde, drugi za dve sekunde. Ali ako prvi kompletan posao završi za šest minuta, a drugi za pet, drugi sistem je korisniku zapravo produktivniji. Zato AMD predlaže metriku „Time to Finished Work „– vreme do završenog posla.
U AMD-ovom HEPA testu Ryzen AI Halo sistem završio je kompletan validirani radni tok za 311,6 sekundi, naspram 367,1 sekundi za NVIDIA DGX Spark. Iako je DGX Spark bio brži u izolovanoj inferenciji, AMD sistem je prema internom testu završio kompletan posao oko 15% brže, zahvaljujući pre svega bržoj orkestraciji. To je možda i najbolja ilustracija promene prioriteta: nije više pitanje koliko brzo AI generiše odgovor, već koliko brzo završava posao.
Računar koji nastavlja da radi posle prvog prompta
Generativni AI nas je naučio da razgovaramo sa računarom. Agentski AI pokušava da ga nauči kompjuter da nastavi da radi kada se razgovor završi.
Ako mu kažete da napravi izveštaj, ne mora da vas pita za svaki sledeći korak. Razlaže cilj na zadatke, izvršava ih, posmatra rezultat i po potrebi ponavlja deo procesa. Zbog toga jedan agent tokom samo jednog zadatka može mnogo puta da poziva modele i alate. U intenzivnoj upotrebi to znači ogromnu potrošnju tokena.
I upravo tu lokalno izvršavanje počinje da menja ekonomiku AI-ja.
„Plati jednom, pa koristi“
Ako AI koristimo nekoliko puta dnevno, cloud je izuzetno praktičan. Ako agenti rade satima i stalno izvršavaju nove korake, svaki poziv ka modelu, provera i ponavljanje postaju deo računa. AMD zato Agent PC predstavlja i kao ekonomski koncept: korisnik ulaže u lokalni hardver i zatim veliki deo svakodnevnog AI rada izvršava bez plaćanja svakog pojedinačnog tokena.
Poenta nije da cloud nestaje. Naprotiv, AMD budućnost vidi kao hibridnu.
Najteži problemi mogu da odu do velikog frontier modela u data centru, dok rutinsko sortiranje dokumenata, OCR, sažimanje, ekstrakcija podataka, iteracije koda, obrada sadržaja i veliki broj agentskih koraka mogu ostati lokalno.
Cloud kada nam treba maksimalna snaga. Lokalni računar kada su važni privatnost, brz odziv, kontrola i veliki obim svakodnevnog rada, koji troši najviše tokena.
Privatni podaci mogu da ostanu privatni
Postoji i argument koji nema veze sa čistim performansama. Konkretno, ako agent treba da bude zaista koristan, moraće da poznaje mnogo više konteksta od običnog četbota: poslovnu dokumentaciju, projekte, lokalne baze podataka, fotografije, finansijske tabele ili programski kod.
Što je agent sposobniji, to mu je potencijalno potreban pristup osetljivijim informacijama. Ako se veliki deo obrade izvršava lokalno, ti podaci ne moraju za svaki AI korak da napuštaju računar.
Za kompanije, istraživače, programere i kreativne profesionalce to može biti podjednako važno kao i sama brzina.
Od personalnog računara do personalne AI infrastrukture
Zbog toga naziv Agentski PC možda ima više smisla nego što na prvi pogled izgleda. Klasičan PC je zbir aplikacija koje čekaju da ih čovek pokrene. Agentski PC više liči na malu lokalnu AI infrastrukturu na radnom stolu.
Na njemu istovremeno mogu da postoje veliki jezički model, manji model za orkestraciju, OCR i modeli za prepoznavanje govora na maternjem ili stranom jeziku, ugradni modeli, modeli za slike i nekoliko agenata koji ih koriste. Drugim rečima, ne kupujemo samo brži računar na kome ćemo mi raditi. Kupujemo i računarski kapacitet na kome će naši digitalni saradnici raditi za nas.
Nije daleka budućnost
Najvažnije je izbeći jednu zamku: Agentski PC ne treba predstavljati kao futuristički koncept iz neke udaljene 2035. godine. Ključne komponente su već sad na raspolaganju korisnicima! Lokalni jezički modeli već mogu da izvršavaju ozbiljne zadatke. Agentski sistemi već mogu da koriste alate, izvršavaju kod, analiziraju dokumente i iterativno rade na problemima. Lokalni AI sistemi sa velikom količinom memorije mogu da drže više modela aktivnim istovremeno.
Ono što se tek formira jeste softverski ekosistem koji će sve te mogućnosti učiniti dovoljno jednostavnim, pouzdanim i bezbednim za svakodnevnog korisnika.
I upravo tu AMD vidi novu etapu evolucije PC-ja. Produktivnost je svojevremeno definisala kancelarijski računar. 3D grafika i igre definisale su gaming PC. Obrada videa i profesionalnog sadržaja definisala je workstation…
AI agenti bi sada mogli da definišu sledeću kategoriju. Najveća promena možda neće biti u tome što će računar postati „pametniji“. Biće u tome što ćemo prestati da mu objašnjavamo kako da obavi svaki pojedinačni korak. Umesto toga, reći ćemo mu šta želimo da bude završeno… I otići da radimo nešto drugo.
