AMD Apresenta Avanços em IA na Conferência PyTorch 2026

Na Conferência PyTorch 2026, realizada 10 20–21 em San Jose, a AMD demonstrou seu compromisso em avançar o ecossistema aberto de IA por meio de inovações em treinamento, inferência e otimização de desempenho. A empresa enfatizou suas contribuições para a pilha de software ROCm™ e seu suporte a aplicações de IA escaláveis e eficientes em diversas plataformas.

Expansão da Integração do PyTorch em Plataformas

A AMD apresentou a integração nativa do PyTorch em toda a sua pilha de software ROCm, permitindo o desenvolvimento sem costura em plataformas de nuvem, data centers, workstations e clientes. Os principais destaques incluíram o backend FlyDSL nativo do MLIR para TorchInductor, aprendizado por reforço pós-treinamento e rollout, e inferência do PyTorch na arquitetura NPU AMD XDNA™. As sessões de aprendizado prático por meio das Habilidades da AMD capacitaram ainda mais os desenvolvedores a otimizar seus fluxos de trabalho de IA.

Otimização de Desempenho Através de Melhorias em Kernel e Framework

A otimização do desempenho foi um tema central das contribuições da AMD. A empresa apresentou avanços como o PerfModel para otimização do kernel Triton, Grouped GEMM no ROCm, kernels TorchAO com MXFP8, otimização de FlexAttention e cache KV, e análise de inferência usando TraceLens. Outros esforços incluíram otimização de carga de trabalho agentic com Hyperloom e inferência eficiente de modelos de linguagem de difusão mascarados.

Escalando Cargas de Trabalho de IA com GPUs AMD Instinct

A AMD destacou seu progresso na escalabilidade de cargas de trabalho de treinamento e inferência de IA. Isso incluiu pré-treinamento com MXFP8 em mais de 1,000 GPUs AMD Instinct™ MI355X, treinamento distribuído com TorchTitan, e inovações como memória simétrica rocSHMEM e networking iniciado pelo GPU RCCL. Avanços adicionais incluíram MoRI e vLLM para paralelismo especializado e serviço de Mistura de Especialistas desagregada, bem como treinamento em larga escala de aprendizado por reforço e rollout.

Contribuições Técnicas e Envolvimento dos Desenvolvedores

Engenheiros da AMD realizaram sessões de breakout, palestras relâmpago e pôsteres na conferência. As apresentações notáveis incluíram:

• Mahdi Ghodsi: "Construindo Mistura de Modelos Custo-Eficientes em GPUs AMD com o Roteador Semântico vLLM"
• Jiahui Cao: "Estendendo o TorchInductor com FlyDSL: Uma Nova Backend MLIR Nativo para GEMMs de Alto Desempenho"
• Prachi Gupta: "Memória Simétrica rocSHMEM no PyTorch para GPUs AMD"
• Shekhar Pandey: "Pré-treinamento em Escala com MXFP8/4 no GPUs AMD Instinct"
• Anshu Raina e Peyman Razaghi: "Ajuste Primus: Projeção Híbrida e Pesquisa Agentica para Treinamento Distribuído"

As contribuições dos pôsteres incluíram tópicos como Grouped GEMM no ROCm, inferência eficiente de modelos de linguagem de difusão mascarados, e paralelismo amplo de especialistas com MoRI e vLLM.

Demonstracões Interativas no Estande da AMD

O estande da AMD ofereceu demonstrações práticas de fluxos de trabalho de IA, incluindo desenvolvimento local e baseado em nuvem com ROCm e Habilidades da AMD. Os participantes exploraram a oferta de modelos com vLLM, Hyperloom para otimização de carga de trabalho, e demonstrações ao vivo de aprendizado por reforço robótico e modelos de mundo em dispositivo. Essas experiências mostraram a capacidade da AMD de apoiar o desenvolvimento de IA em plataformas de cliente e data center.

Reconhecimento da Liderança na Comunidade PyTorch

Jeff Daily, um dos três presidentes do programa da Conferência PyTorch 2026, foi reconhecido por seu papel na formação do programa técnico do evento. As contribuições da AMD destacaram sua crescente influência dentro do ecossistema PyTorch, impulsionada pelo foco em desempenho, escalabilidade e colaboração de código aberto.