AMD、PyTorchカンファレンス2026でAIの進展を発表

PyTorchカンファレンス2026は、10 20–21にサンノゼで開催され、AMDはトレーニング、推論、およびパフォーマンスの最適化における革新を通じてオープンAIエコシステムを進展させるというコミットメントを示しました。同社はROCm™ソフトウェアスタックへの貢献と、多様なプラットフォームでスケーラブルで効率的なAIアプリケーションをサポートする姿勢を強調しました。

プラットフォーム全体でのPyTorch統合の拡張

AMDは、ROCmソフトウェアスタックを通じたネイティブPyTorch統合を披露し、クラウド、データセンター、ワークステーション、およびクライアントプラットフォームでのシームレスな開発を可能にしました。主なハイライトには、TorchInductor用のMLIRネイティブのFlyDSLバックエンド、強化学習のポストトレーニングと展開、およびAMD XDNA™ NPUアーキテクチャでのPyTorch推論が含まれました。さらに、AMD Skillsによるハンズオン学習セッションは、開発者がAIワークフローを最適化する力を高めました。

カーネルとフレームワークの強化によるパフォーマンスの最適化

パフォーマンスの最適化は、AMDの貢献の中心テーマでした。同社は、Tritonカーネル最適化のためのPerfModel、ROCm上のGrouped GEMM、MXFP8を使用したTorchAOカーネル、FlexAttentionおよびKVキャッシュ最適化、TraceLensを使用した推論分析などの進展を発表しました。その他の取り組みには、Hyperloomによるエージェント作業負荷の最適化と、効率的なマスク付き拡散言語モデル推論が含まれます。

AMD Instinct GPUによるAI作業負荷のスケールアウト

AMDは、AI学習と推論の作業負荷を拡大する進展を強調しました。これには、MXFP8の事前トレーニングを経て、1,000のAMD Instinct™ MI355X GPU、TorchTitanによる分散トレーニング、rocSHMEM対称メモリおよびRCCL GPU開始ネットワーキングなどの革新が含まれました。その他の進展には、専門的な並行性と非集中的な専門家の提供のためのMoRIおよびvLLM、さらには大規模な強化学習のトレーニングおよび展開が含まれています。

技術的貢献と開発者のエンゲージメント

AMDのエンジニアは、カンファレンスでブレークアウトセッション、ライトニングトーク、ポスターを提供しました。著名なプレゼンテーションには、以下が含まれます：

• Mahdi Ghodsi: "AMD GPUs上でのvLLMセマンティックルーターを使用したコスト効率的なモデルの混合の構築"
• Jiahui Cao: "高性能GEMM用の新しいMLIRネイティブバックエンドFlyDSLでTorchInductorを拡張"
• Prachi Gupta: "AMD GPUsのためのPyTorchにおけるrocSHMEM対称メモリ"
• Shekhar Pandey: "TorchTitan上でのMXFP8/4のスケールでの事前トレーニング"
• Anshu RainaおよびPeyman Razaghi: "Primus Tuning: 分散トレーニングのためのハイブリッドプロジェクションとエージェント検索"

ポスターの貢献には、ROCm上のGrouped GEMM、マスク付き拡散言語モデルの効率的な推論、MoRIおよびvLLMによる広範な専門家の並行性などが含まれました。

AMDブースでのインタラクティブなデモンストレーション

AMDのブースでは、ROCmとAMD Skillsを使用したローカルおよびクラウドベースの開発を含むAIワークフローのハンズオンデモンストレーションが行われました。参加者はvLLMによるモデル提供、Hyperloomによる作業負荷の最適化、ロボティック強化学習およびデバイス上の世界モデルのライブデモを探索しました。これらの体験は、AMDがクライアントとデータセンターのプラットフォームでのAI開発をサポートできる能力を示しました。

PyTorchコミュニティにおけるリーダーシップの認識

PyTorchカンファレンス2026のプログラムチェアの一人であるJeff Dailyは、イベントの技術プログラムを形成する役割が認識されました。AMDの貢献は、性能、スケーラビリティ、オープンソースのコラボレーションに焦点を当てたことにより、PyTorchエコシステム内での影響力の増大を強調しました。