AMD Présente des Avancées en IA lors de la Conférence PyTorch 2026

Lors de la Conférence PyTorch 2026, tenue 10 20–21 à San José, AMD a démontré son engagement à faire avancer l'écosystème ouvert de l'IA grâce à des innovations dans l'entraînement, l'inférence et l'optimisation des performances. L'entreprise a souligné ses contributions à la pile logicielle ROCm™ et son soutien aux applications IA scalables et efficaces sur diverses plateformes.

Extension de l'Intégration de PyTorch sur Plusieurs Plates-formes

AMD a montré l'intégration native de PyTorch dans sa pile logicielle ROCm, permettant un développement fluide sur des plateformes cloud, de centres de données, de stations de travail et de clients. Les points forts incluaient le backend FlyDSL natif MLIR pour TorchInductor, le renforcement de l'apprentissage après l'entraînement et le déploiement, ainsi que l'inférence PyTorch sur l'architecture NPU AMD XDNA™. Des sessions d'apprentissage pratique à travers AMD Skills ont en outre permis aux développeurs d'optimiser leurs flux de travail en IA.

Optimisation des Performances par des Améliorations du Noyau et du Framework

L'optimisation des performances a été un thème central des contributions d'AMD. L'entreprise a présenté des avancées telles que PerfModel pour l'optimisation du noyau Triton, Grouped GEMM sur ROCm, des noyaux TorchAO avec MXFP8, l'optimisation de FlexAttention et de la cache KV, ainsi qu'une analyse d'inférence utilisant TraceLens. D'autres efforts incluaient l'optimisation des charges de travail agentiques avec Hyperloom et une inférence efficace du modèle de langage de diffusion masquée.

Scalabilité des Charges de Travail d'IA avec GPU AMD Instinct

AMD a mis en avant ses progrès dans le scalage des charges de travail d'entraînement et d'inférence en IA. Cela incluait le pré-entraînement MXFP8 sur plus de 1,000 GPU AMD Instinct™ MI355X, l'entraînement distribué avec TorchTitan, et des innovations telles que la mémoire symétrique rocSHMEM et le réseau initié par GPU RCCL. D'autres avancées comprenaient MoRI et vLLM pour le parallélisme d'expertise et le service désagrégé de mélange d'experts, ainsi que l'entraînement et le déploiement de l'apprentissage par renforcement à grande échelle.

Contributions Techniques et Engagement des Développeurs

Les ingénieurs d'AMD ont dispensé des sessions de groupe, des présentations éclair et des affichages lors de la conférence. Les présentations notables comprenaient :

• Mahdi Ghodsi : "Construire des Mélanges de Modèles Rentables sur GPU AMD avec vLLM Semantic Router"
• Jiahui Cao : "Étendre TorchInductor avec FlyDSL : Un Nouveau Backend MLIR Natifs pour GEMMs de Hautes Performances"
• Prachi Gupta : "rocSHMEM Mémoire Symétrique dans PyTorch pour GPU AMD"
• Shekhar Pandey : "MXFP8/4 Pré-entraînement à Grande Échelle avec TorchTitan sur GPU AMD Instinct"
• Anshu Raina et Peyman Razaghi : "Primus Tuning : Projection Hybride et Recherche Agentique pour l'Entraînement Distribué"

Les contributions d'affichage incluaient des sujets tels que Grouped GEMM sur ROCm, l'inférence efficace des modèles de langage de diffusion masquée, et le parallélisme d'experts large avec MoRI et vLLM.

Démo Interactives au Stand d'AMD

Le stand d'AMD a proposé des démonstrations pratiques de flux de travail en IA, y compris le développement local et basé sur le cloud avec ROCm et AMD Skills. Les participants ont exploré la conservation de modèles avec vLLM, Hyperloom pour l'optimisation de la charge de travail, ainsi que des démonstrations en direct d'apprentissage par renforcement robotique et de modèles du monde sur appareil. Ces expériences ont mis en avant la capacité d'AMD à soutenir le développement de l'IA sur des plateformes client et de centre de données.

Reconnaître le Leadership dans la Communauté PyTorch

Jeff Daily, l'un des trois présidents de programme de la Conférence PyTorch 2026, a été reconnu pour son rôle dans la définition du programme technique de l'événement. Les contributions d'AMD ont souligné son influence croissante au sein de l'écosystème PyTorch, portée par son attention portée sur la performance, la scalabilité et la collaboration en open source.