AMD и Intel договорились объединить наработки по оптимизации PyTorch в открытой библиотеке oneDNN, развиваемой под эгидой Unified Acceleration Foundation (UXL). Цель соглашения — снизить фрагментацию программной экосистемы x86 и упростить процесс создания, сопровождения и развёртывания ИИ‑приложений на процессорах обоих производителей, сохранив при этом существующие разработки обеих сторон.

По итогам обсуждений консультативной группы x86 Ecosystem Advisory Group принято решение закрепить oneDNN в качестве основной открытой библиотеки для аппаратного ускорения ИИ в PyTorch на процессорах x86. Это должно перевести разработчиков на общую платформу, устранив необходимость подстраивать код под каждое конкретное оборудование. В рамках этого шага AMD уже переносит оптимизации из ZenDNN в кодовую базу oneDNN и вошла в управляющий комитет UXL Foundation.

Следующим этапом сотрудничества станет создание AI Compute Extensions — набора расширений системы команд x86, предназначенных для ускорения матричного умножения, широко применяемого в обучении и эксплуатации нейронных сетей. Планируется, что новые инструкции будут интегрированы в PyTorch через обновления oneDNN. При этом в сообщении подчёркивается, что речь идёт о развивающейся технологии, без конкретики по готовности расширений и срокам их появления в серийных процессорах.

Стороны заявляют: общий путь по программной инфраструктуре должен избавлять разработчиков от необходимости выбирать различные средства оптимизации в зависимости от производителя. AMD связывает этот шаг с развитием открытой экосистемы и упрощением создания высокопроизводительных ИИ‑приложений, а участие представителя Red Hat в сообществе PyTorch поддерживает идею унификации инструментов для разработки и развёртывания таких систем.

Соглашение фокусируется на программной инфраструктуре и её развитии, а не на выпуске нового процессора или готового ускорителя. Общая библиотека призвана упростить использование существующих возможностей AMD и Intel, а после появления AI Compute Extensions — обеспечить единый путь для подключения новых аппаратных функций к PyTorch.