Intel et AMD unifient les outils d’IA pour processeurs x86

Intel et AMD ont annoncé une collaboration visant à intégrer oneDNN d’Intel et ZenDNN d’AMD dans une interface de programmation plus unifiée, afin de simplifier l’exécution de modèles d’IA sur les processeurs x86.

Intel a confirmé qu’il coordonnerait ses bibliothèques oneDNN avec ZenDNN d’AMD. Les deux entreprises indiquent vouloir simplifier la prise en charge de PyTorch, afin que les développeurs n’aient plus à recourir à autant de voies logicielles distinctes pour gérer les processeurs des deux fournisseurs.

oneDNN est un ensemble de bibliothèques optimisées pour les opérations de deep learning sur les processeurs et d’autres types de matériel. ZenDNN est la suite d’outils logiciels d’AMD conçue pour optimiser le deep learning sur ses processeurs.

Les deux entreprises estiment que l’harmonisation de ces outils devrait réduire la fragmentation logicielle et faciliter la maintenance comme le développement d’applications d’intelligence artificielle.

Au-delà des logiciels, Intel et AMD travaillent sur ACE, pour Advanced Matrix Extensions, une technologie destinée à améliorer les calculs matriciels utilisés par les modèles de langage et les réseaux neuronaux sur processeurs x86.

La prise en charge matérielle d’ACE n’est pas encore disponible. Les entreprises prévoient son arrivée dans le matériel plus tard au cours de cette décennie. Les bénéfices concrets dépendront donc de la disponibilité de processeurs compatibles et des logiciels associés.

Cette collaboration pourrait revêtir une certaine importance pour les entreprises et les systèmes à faible latence, où l’exécution de modèles sur CPU plutôt que sur des accélérateurs coûteux peut être préférable lorsque la latence, la consommation de ressources et le coût du matériel sont des enjeux majeurs.

Malgré leur concurrence historique, Intel et AMD pourraient, par leur travail conjoint sur des normes et des outils, bénéficier aux développeurs. L’incidence finale sur les performances des modèles d’IA dépendra des détails de l’implémentation et des résultats de tests indépendants.