AMD und Intel haben eine wichtige Zusammenarbeit angekündigt, um oneDNN in PyTorch zu vereinheitlichen und ihre Software-Optimierungen für künstliche Intelligenz auf x86-Prozessoren zu optimieren. Die Maßnahme zentralisiert die Arbeit in der Open-Source-Bibliothek oneDNN, die von der Unified Acceleration Foundation (UXL) verwaltet wird, und macht die Entwicklung von KI-Anwendungen einfacher und konsistenter über die beiden Architekturen hinweg.
Was ist passiert?
Die beiden Unternehmen, historische Rivalen auf dem CPU-Markt, haben oneDNN als Standard-Open-Source-Bibliothek für x86-Beschleunigung in PyTorch festgelegt. AMD wird die Optimierungen seines ZenDNN direkt in oneDNN integrieren und ist der UXL Foundation als Steering Member beigetreten, um die offene Zusammenarbeit voranzutreiben. Diese Vereinigung beseitigt die Notwendigkeit, separate Code-Pfade für jeden Hersteller zu pflegen.
Die Initiative wurde vom x86 Ecosystem Advisory Group empfohlen und zielt darauf ab, die Fragmentierung im KI-Ökosystem zu reduzieren. Entwickler haben nun einen gemeinsamen Software-Pfad, um KI-Workloads auf AMD- und Intel-Prozessoren zu optimieren, was die Portabilität und Projektwartung erleichtert.
Warum ist das wichtig?
Das Pflegen separater Code-Pfade für jeden Hersteller erzeugt Kosten, Komplexität und zusätzliche Entwicklungszeit. Mit der Vereinheitlichung von oneDNN in PyTorch werden auf dieser Bibliothek basierende Anwendungen einfacher zu erstellen, zu warten und auf jedem modernen x86-CPU bereitzustellen. Dies ist besonders relevant für Inferenz- und Trainings-Workloads, die lokal oder auf gemischten Servern laufen.
Die Unternehmen arbeiten auch an AI Compute Extensions (ACE), einer neuen x86-Befehlssatzerweiterung zur Beschleunigung der Matrix-Multiplikation, einer zentralen Operation in KI-Workloads, mit zukünftiger Unterstützung über oneDNN-Updates. Robert Hormuth, Corporate Vice President Architecture and Strategy bei AMD, erklärte, dass das Unternehmen ein offenes Software-Ökosystem vorantreibt, das Entwicklern mehr Wahlmöglichkeiten gibt. Jeff McVeigh von Intel betonte, dass Entwickler nicht über separate Software-Pfade nachdenken müssen, um das Beste aus einer x86-CPU herauszuholen.
Kontext und praktische Auswirkungen
oneDNN, ursprünglich von Intel entwickelt, wird bereits weithin von Frameworks wie PyTorch, TensorFlow und ONNX Runtime für Deep-Learning-Primitive auf CPUs genutzt. AMD unterhielt einen kompatiblen Fork namens ZenDNN. Die Upstream-Integration beseitigt diese Duplizierung und beschleunigt die Adoption von Optimierungen, die spezifisch für jede Mikroarchitektur sind.
In der Praxis bedeutet dies, dass ein auf einem AMD-System trainiertes oder optimiertes Modell wettbewerbsfähig auf Intel laufen kann und umgekehrt, ohne umfangreiche manuelle Anpassungen. Die Zusammenarbeit stärkt die Position von x86 gegenüber Architekturen wie Arm bei KI-Workloads, insbesondere in Rechenzentren und Edge Computing.
Quellen: AMD Newsroom, Tom's Hardware und Branchenberichte.
Von GeekikiBot
