Die beiden Halbleiterhersteller AMD und Intel haben am 20. Oktober 2026 eine Vereinbarung bekannt gegeben, ihre Entwicklungsarbeit für die x86-CPU-Optimierung im Bereich Künstliche Intelligenz zusammenzulegen.
Künftig bündeln beide Unternehmen ihre Anpassungen für das Framework PyTorch in der quelloffenen Deep-Learning-Bibliothek oneDNN. AMD integriert seine bisherigen ZenDNN-Optimierungen in dieses Projekt, wodurch oneDNN zum zentralen Standardpfad für die x86-Beschleunigung unter PyTorch wird.
Die Grundlage für diesen Schritt bildet eine Empfehlung der x86 Ecosystem Advisory Group, die von AMD und Intel im Jahr 2024 ins Leben gerufen wurde und den Beschluss noch im selben Jahr fasste.
Im Zuge der Kooperation tritt AMD der Unified Acceleration Foundation (UXL), welche die oneDNN-Bibliothek verwaltet, als leitendes Mitglied bei und besetzt dort einen entsprechenden Sitz. Laut Berichten entrichtet AMD dafür eine jährliche Mitgliedsgebühr von 20.000 US-Dollar. Die Ankündigung wird nach vorliegenden Berichten auch vom Softwareanbieter Red Hat unterstützt.
Einheitlicher Softwarepfad für Entwickler
Das primäre Ziel der gemeinsamen Initiative besteht darin, einen einheitlichen Softwarepfad für PyTorch-Berechnungen auf x86-Prozessoren zu schaffen. Ein Modell, das auf den Rechenkernen eines Herstellers entwickelt wurde, soll ohne manuelle Anpassungen oder Umschreiben des Codes direkt auf den Chips des Wettbewerbers lauffähig sein. Dies erspart Entwicklern die parallele Pflege herstellerspezifischer Softwarepfade.
Jeff McVeigh, Vizepräsident und Geschäftsführer für strategische Rechenzentrumsprogramme bei Intel, erklärte hierzu, Entwickler sollten sich nicht mit getrennten Softwarepfaden befassen müssen. Robert Hormuth, Corporate Vice President für Architektur und Strategie bei AMD, hob das offene Ökosystem als essenzielles Fundament der Kooperation hervor.
Während Chiphersteller an der technischen Standardisierung arbeiten, müssen Unternehmen auch die rechtlichen Rahmenbedingungen für den Einsatz solcher Technologien im Blick behalten. Dieser kostenlose Umsetzungsleitfaden bietet einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen der EU-KI-Verordnung. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Die Version oneDNN 3.14 führt bereits erste Optimierungen für AMD-Zen-Architekturen ein, die Entwickler derzeit jedoch noch über ein explizites Opt-in aktivieren müssen.
Die ZenDNN-Technologie von AMD umfasst angepasste Microkernels, spezielle Speicherverwaltung, Graph-Optimierungen, Kernel-Fusion sowie Anpassungen an hohe Kernzahlen und umfangreiche L3-Caches in EPYC-Systemen, wobei neben PyTorch auch TensorFlow und ONNX Runtime unterstützt werden.
Die gemeinsame Basis erzeugt jedoch keinen identischen Maschinencode: oneDNN wählt die jeweilige Implementierung weiterhin hardwareabhängig aus. Bei der Intel Extension for PyTorch in Version 2.1.0 sind CPU-Optimierungen mit AVX-512 VNNI und AMX sowie XMX für diskrete GPUs dokumentiert, während GPU-Funktionen in reinen CPU-Paketen entfallen.
Fokus auf Rechenzentren und offene Fragen
Der unmittelbare Nutzen dieses Schrittes wird vor allem bei Unternehmens- und Niedriglatenzsystemen gesehen. In diesen Umgebungen wird die CPU-basierte Inferenz gegenüber spezialisierten, kostenintensiven Beschleunigern oft bevorzugt, um Latenzen, Hardwarekosten und den Ressourcenverbrauch gering zu halten.
Wer KI-Systeme in geschäftskritischen Umgebungen entwickelt oder einsetzt, sollte die neuen EU-weiten Regeln für Risikodokumentation und Qualitätssicherung kennen. Erfahren Sie in diesem kostenlosen Report, welche Systeme als Hochrisiko gelten und was Unternehmen nun konkret tun müssen. Kostenlosen Umsetzungsleitfaden zum EU AI Act sichern
Parallel dazu arbeiten beide Unternehmen an den AI Compute Extensions (ACE), einem neuen Befehlssatz zur Beschleunigung von Matrixmultiplikationen auf x86-CPUs. Die Unterstützung für PyTorch soll über spätere oneDNN-Versionen folgen, wofür AMD bisher keinen Termin nannte; hardwareseitig wird die Integration von ACE erst im weiteren Verlauf des Jahrzehnts erwartet.
Mit dem Schritt ist kein neuer Prozessorstart verbunden, und die Bibliothek garantiert nicht automatisch schnellere Berechnungen auf jedem chip. Offizielle Release-Ziele wurden nicht genannt.
Ebenso bleiben der genaue Zeitplan der Integration, Zielversionen für PyTorch und oneDNN, der exakte Umfang der übernommenen ZenDNN-Komponenten sowie der künftige Status von Projekten wie zentorch und einer eigenständigen ZenDNN-Entwicklung ungeklärt. Zudem liegen bisher weder gemessene Beschleunigungsfaktoren noch unabhängige Benchmarks zu den tatsächlichen Leistungseffekten vor.