IT之家 Nachricht vom 21. Oktober: AMD und Intel kündigten gestern (20. Oktober) gemeinsam eine Zusammenarbeit bei der x86-CPU-Optimierung von PyTorch an:Beide Parteien werden ihre jeweiligen Optimierungsarbeiten in die Open-Source-Deep-Learning-Bibliothek oneDNN integrieren, um Entwicklern einen einheitlichen Softwarepfad über die CPUs beider Hersteller hinweg bereitzustellen.
Hinweis von IT之家: PyTorch ist ein Open-Source-Python-Deep-Learning-Framework, das hauptsächlich zum Aufbau, Training und Einsatz neuronaler Netze verwendet wird. Es ist für seine Flexibilität, einfache Debugbarkeit und Python-nahe Programmierweise bekannt und wird häufig in der akademischen Forschung sowie in kommerziellen KI-Anwendungen eingesetzt.
Gemäß der Ankündigung planen beide Parteien, ihre jeweiligen Prozessoroptimierungen in der Open-Source-Bibliothek oneDNN zu bündeln, um sie zur Standard-Open-Source-Bibliothek für die x86-Beschleunigung in PyTorch zu machen. AMD wird seine ZenDNN-Optimierung in oneDNN integrieren und der Unified Acceleration Foundation (UXL Foundation) als Mitglied des Lenkungsausschusses beitreten.
Die x86-Ökosystem-Beratungsgruppe trieb diese seltene Zusammenarbeit voran, um in der CPU-Software-Ökosphäre „aus Konkurrenz Kooperation“ zu machen. Wenn die Umsetzung gelingt, könnten Entwickler, Cloud-Anbieter und Unternehmensnutzer auf x86-Servern, Workstations und KI-PCs ein einheitlicheres PyTorch-Leistungserlebnis erhalten.
Neben oneDNN treiben AMD und Intel auch die „AI Compute Extensions“ (ACE) voran. Dabei handelt es sich um die nächste Befehlssatzarchitektur-Generation für x86 mit dem Schwerpunkt auf der Beschleunigung von Matrixmultiplikationen (einer Kernberechnung beim Training und Inferieren von KI-Modellen); die entsprechenden Fähigkeiten sollen künftig über oneDNN-Updates in PyTorch integriert werden.
Für Entwickler, die PyTorch-Workloads bisher möglicherweise separat an AMD- oder Intel-CPUs anpassen und optimieren mussten, könnte künftig Optimierungsunterstützung über einen einzigen Softwarepfad erfolgen. Beide Unternehmen erklären, dies werde die Fragmentierung des x86-KI-Ökosystems verringern, die Kosten für doppelte Entwicklung und Wartung senken und Aufbau, Einsatz sowie plattformübergreifende Migration von KI-Anwendungen reibungsloser machen.