AMD ha intentado resolver su problema competitivo más persistente, la brecha del ecosistema CUDA, convirtiendo a los propios modelos de IA en el puente. En su evento Advancing AI en San Francisco, la compañía presentó ROCm.AI, una plataforma que utiliza modelos de lenguaje de gran escala de vanguardia para implementar, depurar y optimizar automáticamente modelos de IA en el hardware Instinct de AMD, evitando efectivamente la programación manual de bajo nivel que históricamente ha favorecido al stack CUDA de Nvidia.
La plataforma se conecta con asistentes de código existentes, Claude Code, OpenAI Codex, Antigravity de Google y Cursor, y les proporciona la documentación de hardware y la cadena de herramientas de AMD. Cuando un desarrollador le pide al asistente que optimice un modelo para hardware AMD, ROCm.AI puede iniciar un servidor de inferencia en un contenedor, ejecutar pruebas comparativas para establecer un rendimiento de referencia, perfilar la carga de trabajo para identificar cuellos de botella y ajustar la configuración o generar código de kernel personalizado sobre la marcha. AMD afirma que este proceso, impulsado por una herramienta llamada Hyperloom, mejoró el rendimiento del modelo en un 38 % sobre la línea de base en pruebas realizadas en sus nuevos sistemas de rack Helios.
La idea central detrás de ROCm.AI es que los modelos de vanguardia son cada vez más capaces de leer especificaciones de arquitectura de conjunto de instrucciones legibles por máquina y escribir kernels de GPU optimizados, una tarea que antes requería experiencia especializada. El vicepresidente corporativo de software de IA de AMD, Anush Elangovan, señaló que AMD publica especificaciones ISA legibles por máquina para cada generación de GPU, lo que significa que los modelos de vanguardia pueden programar directamente para el hardware de AMD.
AMD también está trabajando con OpenAI, Anthropic y otros desarrolladores de modelos para garantizar que sus modelos estén entrenados para comprender de forma nativa la arquitectura de hardware y software de AMD, en lugar de requerir capas de traducción. Este enfoque traslada la carga de la optimización de la experiencia del desarrollador a la capacidad del modelo, una apuesta a que la trayectoria de mejora de la calidad de los modelos de IA continuará más rápido de lo que el canal de desarrolladores humanos puede expandirse.
El contexto competitivo más amplio explica la urgencia. Frameworks como PyTorch y JAX ya han erosionado gran parte del bloqueo de usuarios finales de CUDA, permitiendo que el código se ejecute en cualquiera de las dos plataformas con modificaciones mínimas. Pero la optimización del rendimiento seguía siendo un diferenciador: los kernels de CUDA ajustados manualmente solían extraer más rendimiento que los kernels genéricos compatibles con ROCm. ROCm.AI busca cerrar esa brecha de rendimiento no contratando a más ingenieros de kernel humanos, una propuesta difícil dada la concentración de talento en programación de GPU, sino dejando que la IA realice el ajuste.
La plataforma está disponible como herramienta de línea de comandos y como complementos para los principales asistentes de codificación. Si las ganancias de rendimiento se mantienen en una amplia gama de arquitecturas de modelos y escenarios de implementación, y si los desarrolladores confían en el código de kernel generado por IA en entornos de producción, determinará si ROCm.AI puede cumplir su promesa de hacer que el foso de CUDA sea genuinamente menos profundo.
Fuentes: The Register (24 jul. 2026); Materiales de prensa de AMD (24 jul. 2026); The Next Platform (jul. 2026)
Traducido por Alessandra