AMD, PyTorch Conference 2026에서 AI 발전을 선보이다

PyTorch Conference 2026는 10 20–21에 샌호세에서 개최되었고, AMD는 교육, 추론 및 성능 최적화에 있어서의 혁신을 통해 개방형 AI 생태계를 발전시키겠다는 의지를 보여주었습니다. 회사는 ROCm™ 소프트웨어 스택에 대한 기여와 다양한 플랫폼에서의 확장 가능하고 효율적인 AI 애플리케이션 지원을 강조했습니다.

플랫폼 전반에 걸친 PyTorch 통합 확장

AMD는 ROCm 소프트웨어 스택을 통한 네이티브 PyTorch 통합을 선보였고, 클라우드, 데이터 센터, 워크스테이션 및 클라이언트 플랫폼에서 원활한 개발을 가능하게 했습니다. 주요 하이라이트에는 TorchInductor용 MLIR 네이티브 FlyDSL 백엔드, 강화 학습 후 교육 및 롤아웃, 그리고 AMD XDNA™ NPU 아키텍처에서의 PyTorch 추론이 포함되었습니다. AMD Skills를 통한 실습 학습 세션은 개발자들이 AI 워크플로우를 최적화할 수 있도록 도왔습니다.

커널 및 프레임워크 개선을 통한 성능 최적화

성능 최적화는 AMD의 기여의 중심 주제였습니다. 회사는 Triton 커널 최적화를 위한 PerfModel, ROCm에서의 Grouped GEMM, MXFP8을 사용하는 TorchAO 커널, FlexAttention 및 KV 캐시 최적화, TraceLens를 이용한 추론 분석과 같은 혁신을 발표했습니다. 그 외에도 Hyperloom을 통한 업무 최적화와 효율적인 마스크 확산 언어 모델 추론이 포함되었습니다.

AMD Instinct GPU로 AI 작업 부하 확장

AMD는 AI 교육 및 추론 작업 부하를 확장하는 데 있어서의 진전을 강조했습니다. 이는 MXFP8의 사전 교육을 거쳐 1,000 AMD Instinct™ MI355X GPU, TorchTitan을 통한 분산 교육, 그리고 rocSHMEM 대칭 메모리 및 RCCL GPU 시작 네트워킹과 같은 혁신을 포함했습니다. 또한, 전문적인 병렬성과 비집중형 전문 제공을 위한 MoRI와 vLLM, 대규모 강화 학습 교육 및 롤아웃과 같은 추가 진전을 이루었습니다.

기술 기여 및 개발자 참여

AMD의 엔지니어는 이번 컨퍼런스에서 브레이크아웃 세션, 라이트닝 토크 및 포스터 발표를 진행했습니다. 주목할 만한 프레젠테이션으로는:

• Mahdi Ghodsi: "AMD GPUs에서 vLLM 세맨틱 라우터로 비용 효율적인 모델 혼합 구축"
• Jiahui Cao: "TorchInductor를 FlyDSL로 확장: 고성능 GEMMs를 위한 새로운 MLIR 네이티브 백엔드"
• Prachi Gupta: "AMD GPUs를 위한 PyTorch에서의 rocSHMEM 대칭 메모리"
• Shekhar Pandey: "TorchTitan에서의 MXFP8/4 사전 교육의 규모"
• Anshu Raina 및 Peyman Razaghi: "Primus Tuning: 분산 교육을 위한 하이브리드 프로젝션 및 에이전트 검색"

포스터 기여에는 ROCm에서의 Grouped GEMM, 마스크된 확산 언어 모델의 효율적인 추론, MoRI 및 vLLM과 관련된 폭넓은 전문병렬성이 포함되었습니다.

AMD 부스에서의 인터랙티브 시연

AMD의 부스에서는 ROCm 및 AMD Skills를 통한 로컬 및 클라우드 기반 개발을 포함하여 AI 워크플로우의 실습 시연이 제공되었습니다. 참석자들은 vLLM을 사용한 모델 서빙, Hyperloom을 통한 작업 부하 최적화, 로봇 강화 학습 및 장치 내 세계 모델의 실시간 데모를 탐험했습니다. 이러한 경험은 AMD가 클라이언트 및 데이터 센터 플랫폼에서 AI 개발을 지원할 수 있는 능력을 보여주었습니다.

PyTorch 커뮤니티에서의 리더십 인정

PyTorch Conference 2026의 세 프로그램 의장 중 한 명인 Jeff Daily는 이벤트의 기술 프로그램을 형성하는 데에 대한 그의 역할이 인정받았습니다. AMD의 기여는 성능, 확장성 및 오픈 소스 협업에중점을 두어 PyTorch 생태계 내에서의 영향력을 더욱 강조하였습니다.