AMD a tenté de résoudre son problème concurrentiel le plus persistant, l’écart dans l’écosystème CUDA, en transformant les modèles d’IA eux-mêmes en pont. Lors de son événement Advancing AI à San Francisco, l’entreprise a dévoilé ROCm.AI, une plateforme qui utilise de grands modèles de langage de pointe pour déployer, déboguer et optimiser automatiquement les modèles d’IA sur le matériel Instinct d’AMD, contournant ainsi la programmation manuelle de bas niveau qui a historiquement favorisé la pile CUDA de Nvidia.
La plateforme s’intègre aux assistants de code existants, Claude Code, OpenAI Codex, Antigravity de Google et Cursor, et leur fournit la documentation matérielle et la chaîne d’outils d’AMD. Lorsqu’un développeur demande à l’assistant d’optimiser un modèle pour le matériel AMD, ROCm.AI peut lancer un serveur d’inférence dans un conteneur, exécuter des tests de performance pour établir une référence, profiler la charge de travail pour identifier les goulots d’étranglement, et ajuster les paramètres de configuration ou générer du code de noyau personnalisé à la volée. AMD affirme que ce processus, alimenté par un outil appelé Hyperloom, a amélioré les performances du modèle de 38 % par rapport à la référence lors des tests sur ses nouveaux systèmes de racks Helios.
L’idée centrale derrière ROCm.AI est que les modèles de pointe sont de plus en plus capables de lire des spécifications d’architecture de jeu d’instructions lisibles par machine et d’écrire des noyaux GPU optimisés, une tâche qui nécessitait auparavant une expertise spécialisée. Anush Elangovan, vice-président directeur du logiciel d’IA chez AMD, a noté qu’AMD publie des spécifications ISA lisibles par machine pour chaque génération de GPU, ce qui signifie que les modèles de pointe peuvent programmer directement le matériel AMD.
AMD travaille également avec OpenAI, Anthropic et d’autres développeurs de modèles pour s’assurer que leurs modèles sont entraînés à comprendre nativement l’architecture matérielle et logicielle d’AMD, plutôt que de nécessiter des couches de traduction. Cette approche déplace la charge de l’optimisation de l’expertise du développeur vers la capacité du modèle, un pari que la trajectoire de la qualité des modèles d’IA continuera de s’améliorer plus rapidement que le pipeline de développeurs humains ne peut s’étendre.
Le contexte concurrentiel plus large explique l’urgence. Les frameworks comme PyTorch et JAX ont déjà largement érodé le verrouillage des utilisateurs finaux de CUDA, permettant au code de fonctionner sur l’une ou l’autre plateforme avec des modifications minimales. Mais l’optimisation des performances restait un différenciateur : les noyaux CUDA réglés à la main extrayaient généralement plus de débit que les noyaux ROCm génériques. ROCm.AI vise à combler cet écart de performance non pas en embauchant plus d’ingénieurs de noyaux humains, une proposition difficile compte tenu de la concentration des talents en programmation GPU, mais en laissant l’IA faire le réglage.
La plateforme est disponible en tant qu’outil en ligne de commande et sous forme de plugins pour les principaux assistants de codage. La question de savoir si les gains de performance se confirment sur un large éventail d’architectures de modèles et de scénarios de déploiement, et si les développeurs font confiance au code de noyau généré par l’IA dans les environnements de production, déterminera si ROCm.AI peut tenir sa promesse de rendre le fossé CUDA véritablement moins profond.
Sources : The Register (24 juill. 2026) ; Documents de presse AMD (24 juill. 2026) ; The Next Platform (juill. 2026)
Traduit par Lydie