In questo articolo Indice dei contenuti 2 sezioni
Due storici rivali del mercato dei processori hanno deciso di lavorare fianco a fianco: AMD e Intel collaboreranno sul software che consente di sfruttare la potenza di calcolo delle CPU x86 nelle applicazioni di intelligenza artificiale. L’idea è adottare un percorso comune per accelerare i progetti sviluppati con PyTorch, così da non dover più mantenere implementazioni diverse per ciascuna architettura. L’annuncio è arrivato ufficialmente da Intel ed è stato poi confermato da AMD.
Al centro dell’intesa c’è oneDNN, una libreria open source pensata per eseguire in modo efficiente le operazioni matematiche su cui si reggono le reti neurali. AMD porterà nel progetto le ottimizzazioni nate per ZenDNN, la propria libreria dedicata ai processori con architettura Zen, capace di velocizzare moltiplicazioni di matrici, convoluzioni e meccanismi di attenzione. Entrando nella Unified Acceleration Foundation (UXL) come Steering Member, l’azienda potrà inoltre intervenire in modo più diretto sullo sviluppo della libreria condivisa.
Perché serve una libreria comune per PyTorch
Avere tanti core o istruzioni vettoriali avanzate non basta. Un’applicazione AI non sfrutta automaticamente tutta la potenza del chip, perché tra il modello e l’hardware si interpongono diversi livelli software che decidono come eseguire i calcoli, come suddividere il lavoro tra i thread e come gestire registri, cache e memoria. Le reti neurali macinano senza sosta moltiplicazioni di matrici, convoluzioni, normalizzazioni e trasformazioni di tensori, e il modo in cui queste operazioni vengono implementate pesa parecchio sulle prestazioni.
Negli anni i due produttori hanno costruito strumenti propri, in grado di scegliere il codice più adatto ai rispettivi chip. Il problema nasce quando più librerie offrono funzioni simili attraverso interfacce e integrazioni differenti, perché mantenere software efficiente su piattaforme diverse diventa complicato. Su raccomandazione dell’x86 Ecosystem Advisory Group, AMD e Intel hanno quindi scelto oneDNN come riferimento per l’accelerazione x86 dentro PyTorch, con ottimizzazioni specifiche per ogni architettura.
oneDNN implementa le cosiddette primitive del deep learning, cioè operazioni di base come moltiplicazioni di matrici, convoluzioni e funzioni di attivazione sulle quali si costruiscono modelli più complessi. Il vantaggio sta nel poter usare implementazioni diverse della stessa operazione senza toccare la logica del modello. PyTorch, framework open source nato in casa Meta e basato soprattutto su Python, già si appoggia a oneDNN tramite il backend storicamente chiamato MKLDNN. Gli sviluppatori possono verificarne disponibilità e attivazione con poche righe di codice, e una modalità diagnostica chiamata verbose mostra i kernel richiamati con i relativi tempi di esecuzione.
Le AI Compute Extensions e le nuove istruzioni per le CPU x86
L’accordo non si ferma al software. Le due aziende stanno lavorando anche alle AI Compute Extensions (ACE), una nuova famiglia di istruzioni x86 nata dall’intesa siglata a ottobre 2024 con la fondazione dell’x86 Ecosystem Advisory Group. Il documento tecnico pubblicato ad aprile 2026 descrive istruzioni pensate per lavorare in stretta relazione con AVX10, così da permettere ai futuri processori di eseguire più calcoli AI con meno istruzioni.
Il trucco sta nel modo di trattare le matrici. Invece di elaborare soltanto numeri disposti in sequenza, come fanno le classiche istruzioni vettoriali, ACE lavora direttamente su blocchi organizzati in righe e colonne, chiamati tile, conservati in appositi registri interni alla CPU. Le specifiche prevedono 8 registri tile, ciascuno con 16 righe da 512 bit, pari a 1 KB per registro. Con i numeri interi a 8 bit una singola istruzione può esprimere fino a 1.024 moltiplicazioni contro le 64 dell’operazione AVX10 di riferimento, mentre in formato BF16 il confronto è tra 512 e 32. In pratica si concentrano 16 volte più moltiplicazioni in una sola operazione, anche se il risultato reale dipenderà dalla realizzazione hardware e dalla capacità di alimentare di continuo le unità di calcolo con i dati.
Gli effetti più immediati riguarderanno chi gestisce carichi AI su server e workstation. Per EPYC e Xeon una libreria condivisa può semplificare lo sviluppo su infrastrutture miste, dove convivono macchine dei due produttori, mentre su Ryzen e Core i benefici potrebbero emergere in alcuni scenari di inferenza locale e di elaborazione dei dati basati su PyTorch. La concorrenza tra le rispettive gamme resta intatta, ma gli sviluppatori potrebbero valorizzare ogni architettura senza dover mantenere percorsi software completamente separati.
Fonte: TecnoAndroid