AMD Muestra Avances en IA en la Conferencia de PyTorch 2026

En la Conferencia de PyTorch 2026, celebrada 10 20–21 en San José, AMD demostró su compromiso con el avance del ecosistema abierto de IA a través de innovaciones en entrenamiento, inferencia y optimización de rendimiento. La compañía enfatizó sus contribuciones a la pila de software ROCm™ y su apoyo a aplicaciones de IA escalables y eficientes en diversas plataformas.

Expandiendo la Integración de PyTorch en Diversas Plataformas

AMD mostró la integración nativa de PyTorch en su pila de software ROCm, permitiendo un desarrollo sin problemas en plataformas de nube, centros de datos, estaciones de trabajo y clientes. Los aspectos más destacados incluyeron el backend FlyDSL nativo de MLIR para TorchInductor, el aprendizaje por refuerzo post-entrenamiento y la implementación, y la inferencia de PyTorch en la arquitectura NPU AMD XDNA™. Las sesiones de aprendizaje práctico a través de AMD Skills empoderaron aún más a los desarrolladores para optimizar sus flujos de trabajo de IA.

Optimizando el Rendimiento a través de Mejoras en el Kernel y el Framework

La optimización del rendimiento fue un tema central de las contribuciones de AMD. La compañía presentó avances como PerfModel para la optimización del kernel Triton, Grouped GEMM en ROCm, núcleos TorchAO con MXFP8, optimización de FlexAttention y caché KV, y análisis de inferencia utilizando TraceLens. Otros esfuerzos incluyeron la optimización de carga de trabajo agencial con Hyperloom y una inferencia de modelo de lenguaje de difusión enmascarada eficiente.

Escalando Cargas de Trabajo de IA con GPU AMD Instinct

AMD destacó su progreso en la escala de cargas de trabajo de entrenamiento e inferencia de IA. Esto incluyó preentrenamiento MXFP8 en más de 1,000 GPU AMD Instinct™ MI355X, entrenamiento distribuido con TorchTitan, e innovaciones como la memoria simétrica rocSHMEM y la red iniciada por GPU RCCL. Otras mejoras incluyeron MoRI y vLLM para paralelismo experto y servicio disgregado de Mezcla de Expertos, así como entrenamiento y despliegue de aprendizaje por refuerzo a gran escala.

Contribuciones Técnicas y Participación de Desarrolladores

Los ingenieros de AMD realizaron sesiones de grupo, charlas rápidas y presentaciones de carteles en la conferencia. Las presentaciones notables incluyeron:

• Mahdi Ghodsi: "Construyendo Mezclas de Modelos Rentables en GPU AMD con vLLM Semantic Router"
• Jiahui Cao: "Extendiendo TorchInductor con FlyDSL: Un Nuevo Backend Nativo de MLIR para GEMMs de Alto Rendimiento"
• Prachi Gupta: "rocSHMEM Memoria Simétrica en PyTorch para GPU AMD"
• Shekhar Pandey: "MXFP8/4 Preentrenamiento a Gran Escala con TorchTitan en GPU AMD Instinct"
• Anshu Raina y Peyman Razaghi: "Primus Tuning: Proyección Híbrida y Búsqueda Agencial para Entrenamiento Distribuido"

Las contribuciones de carteles incluyeron temas como Grouped GEMM en ROCm, inferencia eficiente de modelos de lenguaje de difusión enmascarada y paralelismo de expertos amplio con MoRI y vLLM.

Demostraciones Interactivas en el Stand de AMD

El stand de AMD ofreció demostraciones prácticas de flujos de trabajo de IA, incluyendo desarrollo local y basado en la nube con ROCm y AMD Skills. Los asistentes exploraron el servicio de modelos con vLLM, Hyperloom para optimización de carga de trabajo y demostraciones en vivo de aprendizaje por refuerzo robótico y modelos del mundo en dispositivo. Estas experiencias mostraron la capacidad de AMD para apoyar el desarrollo de IA en plataformas de cliente y centro de datos.

Reconociendo el Liderazgo en la Comunidad de PyTorch

Jeff Daily, uno de los tres presidentes del programa para la Conferencia de PyTorch 2026, fue reconocido por su papel en la definición del programa técnico del evento. Las contribuciones de AMD subrayaron su creciente influencia dentro del ecosistema de PyTorch, impulsada por su enfoque en rendimiento, escalabilidad y colaboración de código abierto.