На конференции PyTorch Conference 2026, проходившей 20–21 октября в Сан-Хосе, компания AMD продемонстрировала свой вклад в развитие открытой экосистемы ИИ в сферах обучения и инференса. Благодаря постоянному развитию программного обеспечения ROCm™, оптимизации производительности и новым нагрузкам ИИ, компания AMD помогает разработчикам создавать более эффективные и масштабируемые приложения ИИ, одновременно укрепляя поддержку открытых инноваций в сообществе PyTorch.
Как AMD обеспечивает нативную разработку на PyTorch на различных платформах
AMD продемонстрировала широкую поддержку PyTorch на облачных платформах, платформах для дата-центров, рабочих станциях и клиентских устройствах. Среди ключевых моментов: нативная интеграция PyTorch в программный стек ROCm, TorchInductor с нативным бэкендом MLIR FlyDSL, обучение с подкреплением после этапа обучения и развертывание, а также инференс PyTorch на архитектуре NPU AMD XDNA™. Ресурсы AMD Skills также предоставили возможности для практического обучения, помогая разработчикам перейти от промптов к высокой производительности.
Повышение производительности за счет оптимизации ядер и фреймворков
Производительность стала ключевой темой технической программы. Обсуждались такие темы, как PerfModel для оптимизации ядер Triton на основе валидации, Grouped GEMM в программном обеспечении ROCm, ядра TorchAO и MXFP8, FlexAttention и оптимизация кэша KV, а также анализ производительности инференса с использованием TraceLens. Другие направления включали оптимизацию агентских рабочих нагрузок с помощью Hyperloom и эффективный инференс языковых моделей на основе маскированной диффузии.
Масштабирование обучения и инференса ИИ на GPU AMD Instinct
Компания AMD рассказала о прогрессе в масштабировании ресурсоемких рабочих нагрузок ИИ, включая предварительное обучение MXFP8 на более чем 1000 GPU AMD Instinct™ MI355X, распределенное обучение с помощью TorchTitan, симметричную память rocSHMEM и сетевые технологии на базе GPU RCCL. Другие работы охватывали MoRI и vLLM для экспертного параллелизма и разделенного обслуживания Mixture of Experts, масштабное обучение с подкреплением и развертывание, а также отказоустойчивую маршрутизацию мультимодального инференса.
Технические доклады и стендовые доклады AMD на конференции PyTorch Conference 2026
Инженеры AMD приняли участие в работе тематических секций, блиц-докладов и стендовых сессий.
- Махди Годси (Mahdi Ghodsi): Создание экономичных смесей моделей (Mixture of Models) на GPU AMD с помощью vLLM Semantic Router, исследование интеллектуальной маршрутизации моделей для балансировки качества, стоимости и задержки.
- Цзяхуэй ЦАО (Jiahui Cao): Расширение TorchInductor с помощью FlyDSL: новый нативный бэкенд MLIR для высокопроизводительных операций GEMM.
- Прачи Гупта (Prachi Gupta): Симметричная память rocSHMEM в PyTorch для GPU AMD, посвященная примитивам связи на стороне устройства. Посмотреть технический доклад.
- Шекхар Пандей (Shekhar Pandey): Предварительное обучение MXFP8/4 в масштабе с помощью TorchTitan на GPU AMD Instinct.
- Аншу Райна (Anshu Raina) и Пейман Разаги (Peyman Razaghi): Primus Tuning: гибридная проэкция и агентский поиск для распределенного обучения.
В дополнительных стендовых докладах были представлены достижения в области обучения и инференса ИИ, в том числе:
- Grouped GEMM в AMD ROCm в PyTorch (автор: Джагадиш Кришнамурти (Jagadish Krishnamoorthy)). Посмотреть стендовый доклад.
- Одна политика, два движка: устранение расхождения между обучением и развертыванием в DeepSeek V4 Flash RL (авторы: Синьюй Кан (Xinyu Kang) и Юанькай Чэнь (Yuankai Chen)). Посмотреть стендовый доклад.
- Эффективный инференс языковых моделей на основе маскированной диффузии на NPU AMD XDNA 2 (авторы: Рави Гупта (Ravi Gupta) и Риши Теха Маддури (Rishi Teja Madduri)). Посмотреть стендовый доклад.
- Анализ производительности инференса с использованием TraceLens (автор: Девал Шах (Deval Shah)). Посмотреть стендовый доклад.
- MoRI + vLLM: широкий экспертный параллелизм и передача кэша KV через RDMA для разделенного обслуживания MoE на AMD (авторы: Шикша Пател (Shiksha Patel) и Риши Теха Маддури (Rishi Teja Madduri)). Посмотреть стендовый доклад
Оцените ИИ от AMD в действии на демонстрационных стендах
Помимо технических докладов и стендовых сессий, AMD продемонстрировала практические возможности разработки ИИ на практических демонстрациях на стенде конференции. Посетители смогли изучить локальные и облачные рабочие процессы ИИ с помощью ROCm и AMD Skills, включая рабочие процессы разработчиков, связанные с Lemonade, и обслуживание моделей с помощью vLLM. Другие демонстрации были посвящены локальному инференсу и дообучению ИИ на платформах AMD, что позволило разработчикам ближе познакомиться с созданием и запуском приложений ИИ на локальном оборудовании.
На стенде также были представлены Hyperloom для оптимизации агентских рабочих нагрузок, а также живые демонстрации робототехнического обучения с подкреплением и моделей мира на устройстве. В совокупности эти примеры показали, как разработчики могут экспериментировать с рабочими нагрузками ИИ на клиентских платформах и платформах дата-центров, от разработки локальных моделей до передовых агентских и робототехнических приложений.
Признание лидерства в сообществе PyTorch
Джефф Дэйли (Jeff Daily) был удостоен чести стать одним из трех программных директоров конференции PyTorch Conference 2026. Он вошел в комитет, отвечающий за рецензирование заявок на конференцию и формирование технической программы.
Конференция подчеркнула растущий импульс развития открытого ИИ и расширяющуюся роль AMD в экосистеме PyTorch. От нативной интеграции и оптимизации ядер до крупномасштабного обучения и инференса — команды AMD повышают производительность, масштабируемость и гибкость для разработчиков в широком спектре рабочих нагрузок ИИ. Постоянное сотрудничество с сообществом PyTorch и инвестиции в ROCm помогают сделать высокопроизводительную разработку ИИ более доступной.
Готовы создавать решения с помощью PyTorch на AMD?
Изучите программу для разработчиков AMD AI Developer Program, чтобы присоединиться к сообществу разработчиков и получить доступ к ресурсам для разработки ИИ. Откройте для себя практические рабочие процессы с помощью руководств AMD AI Playbooks и получите практический опыт работы с AMD Skills, чтобы развить и улучшить свои навыки разработки на PyTorch.
Начните использовать инструменты, ресурсы и возможности обучения, чтобы воплотить в жизнь свой следующий проект в области ИИ на платформах AMD.
