Intel en AMD verenigen oneDNN en ZenDNN voor x86 AI

Intel en AMD integreren oneDNN en ZenDNN tot een uniforme interface om AI-modellen op x86-CPU's eenvoudiger te draaien. Samenwerking richt zich ook op ACE-matrixextensies; praktische winst hangt af van hardware en software.

.
Intel en AMD verenigen oneDNN en ZenDNN voor x86 AI

2 Minuten

Volgen op Google

Intel en AMD hebben een samenwerking aangekondigd om Intels oneDNN en AMD's ZenDNN onder te brengen in een uniformere programmeerinterface. Die moet het eenvoudiger maken om AI-modellen op x86-processors uit te voeren.

Intel bevestigt dat het zijn oneDNN-bibliotheken gaat afstemmen op AMD's ZenDNN. Volgens de bedrijven moet dat de ondersteuning voor PyTorch vereenvoudigen, zodat ontwikkelaars minder afzonderlijke softwarepaden nodig hebben voor processors van beide leveranciers.

oneDNN is een verzameling geoptimaliseerde bibliotheken voor deep-learningbewerkingen op processors en andere hardware. ZenDNN is AMD's set softwaretools voor het optimaliseren van deep learning op AMD-CPU's.

Volgens de bedrijven moet het harmoniseren van deze tools softwarefragmentatie terugdringen en het onderhoud en de ontwikkeling van AI-toepassingen vereenvoudigen.

Naast de software werken Intel en AMD aan ACE, ofwel Advanced Matrix Extensions. Deze technologie is gericht op het verbeteren van matrixberekeningen voor taalmodellen en neurale netwerken op x86-processors.

Hardwareondersteuning voor ACE is nog niet beschikbaar. De bedrijven verwachten dat ACE later dit decennium in hardware verschijnt. De praktische voordelen hangen dus af van de komst van compatibele processors en ondersteunende software.

De samenwerking kan van belang zijn voor enterprise-omgevingen en systemen met een lage latentie, waar het draaien van modellen op CPU's in plaats van dure versnellers de voorkeur kan hebben als latentie, resourcegebruik en hardwarekosten belangrijke aandachtspunten zijn.

Ondanks de langdurige concurrentie tussen Intel en AMD kan gezamenlijk werk aan standaarden en tools ontwikkelaars ten goede komen. Het uiteindelijke effect op de prestaties van AI-modellen hangt af van de definitieve implementatiedetails en onafhankelijke testresultaten.

Thijs Bakker
"Data-analist en AI-expert. Ik duik diep in de cijfers om de trends achter het nieuws te onthullen."

Laat een reactie achter

Reacties

Nog geen reacties. Wees de eerste.