微软开发工具包打破NVIDIA护城河！AMD GPU可运行CUDA代码

最新推荐文章于 2025-12-18 11:52:33 发布
原创 最新推荐文章于 2025-12-18 11:52:33 发布 · 580 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #科技 #microsoft

部署运行你感兴趣的模型镜像

快科技11月9日消息，长期以来，NVIDIA凭借其强大的CUDA生态系统，在AI领域占据主导地位，而竞争对手如AMD的ROCm等相对不够成熟，不过这一格局正迎来新的破局者微软。

据一位“高级别”微软员工透露，其已开发出“工具包”，能够将NVIDIA CUDA模型转换或转译为ROCm兼容代码，使其能在AMD的GPU上运行。

此举旨在打破CUDA的“生态锁定”，为微软日益增长的AI推理工作负载寻找更具成本效益的替代方案。

微软此番行动的核心驱动力在于，他们观察到AI推理工作负载的需求正在大幅增加，与昂贵的NVIDIA GPU相比，AMD的AI芯片在推理场景中具备更佳的性价比。

通过软件转换，微软可以利用AMD的硬件优势来降低运营成本。

据推测，该工具包可能采用类似ZLUDA的运行时兼容层技术，在不修改源代码的情况下，将CUDA API调用实时翻译成ROCm指令。

不过由于ROCm相对“不成熟”，部分CUDA代码仍缺乏对应的映射，可能导致性能下降，这在大型数据中心环境中仍是一个挑战。

微软开发工具包打破NVIDIA护城河！AMD GPU可运行CUDA代码

微软开发工具包打破NVIDIA护城河！AMD GPU可运行CUDA代码

您可能感兴趣的与本文相关的镜像

PyTorch 2.9

PyTorch 2.9

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

cdming
关注
『大模型笔记』5 种人工智能公司(大模型领域)！
AI新视界
06-20 667
如果你没有时间，如果你想马上停止观看这个视频，那你需要知道的重点部分就是这个：什么是FACES框架？FACES框架实际上是反向开始的。F-A-C-E-S。在底层，我们有基础模型创新者（foundational model innovators）。这些人是构建基础模型的人。然后，我们有自适应微调者（adaptive fine tuners），他们在这些基础模型上进行构建。接着是便捷的API提供者和API包装器（convenient API providers and API wrappers）。
英伟达CUDA原生支持Python
微信公众号：互联网之路
04-15 846
这次更新看似是技术迭代，实则是英伟达的生态霸权宣言。当Python遇上原生CUDA，就像给火箭装上AI导航——接下来的算力爆炸，可能会超出所有人想象。有程序员在推特吐槽："刚学会CUDA C++就要失业？"底下最高赞回复是："不，是你终于不用再写C++了！所以问题来了：当显卡开始说Python，你准备好迎接这个"人均调卡师"的时代了吗？
英伟达的GPU(2)
周博洋的博客
05-18 959
简单说它就是NV自己的通用并行计算架构，是一种并行计算平台和编程模型，该架构使GPU能够解决复杂的计算问题，连接程序和GPU的核心，它一般情况用C来开发，3.0以后也提供了对其它编程语言的支持，如C/C++，Fortran等语言。OK今天就讲这些，大概把CUDA的编程知识点和硬件的关联性给大家理了一下，我第一篇就说过，CUDA core对于矩阵计算，实际上可以认为是向量对向量的乘然后并行，（A矩阵的行向量，去乘B矩阵的列向量）这也是大部分的GPU，NPU执行矩阵计算的逻辑，那有没有更好的方式呢？
挑战 NVIDIA 的护城河 —— SCALE 源码直译让 CUDA 跑上AMD
u013669912的博客
07-19 3090
…
打破垄断！这个工具可以让 CUDA 在 AMD GPU 上无缝运行
民工哥的博客
07-20 972
戳下方名片，关注并星标！回复“1024”获取2TB学习资源！????体系化学习：运维工程师打怪升级进阶之路 4.0— 特色专栏—MySQL/PostgreSQL/MongoDBElasticSearch/Hadoop/RedisKubernetes/Docker/DevOpsKafka/RabbitMQ/Zookeeper监控平台/应用与服务/集群管理N...
一文搞懂CUDA为何是NVIDIA的核心壁垒，零基础入门到精通，看这篇就够了！赶紧收藏！
2401_85280106的博客
02-15 1462
CUDA 一直是国产 GPU 绕不开的门槛，国内 GPU 厂商目前有两种技术路线，一种完全另起炉灶，完全定义一套跟 CUDA 类似的技术生态，典型如华为昇腾，这种路线难度很大，意味着需要构建一套全新的技术生态；另外一种则是天然兼容 CUDA，这样原来在 NVIDIA 上运行的应用可以少量甚至是不改动就可以平移过来。CUDA 通过多年的积累，在开发生态、兼容性、性能、应用生态等方面构建了领先于其他 GPU 厂商的优势：1、完善的开发生态系统CUDA 的最大优势之一是其 开发生态系统。
最初只有12个人！英伟达早期架构师首次亲述CUDA发展全过程
Datawhale
04-05 383
最近，在 NVIDIA 的一次内部对话中，英伟达的三位员工 Nader、Stephen 和 Carter 三位员工分享了他们对 CUDA 技术的发展历程及其在计算科学和 AI 领域的应用的见解。事实证明我们是对的。但现在的情况又不一样了，我们在图形方面看到的不少重大进步，其实是来自基于 AI 的着色器、神经网络着色器等，比如机器学习 RTX。我们在英伟达的一大工作重点，就是让 Python 成为 CUDA 平台中的重要部分，确保平台中的各个部分，包括库、SDK 和编译器都能跟 Python 顺畅交互。
GPU学习(2)
yin1331102028yin的博客
05-30 1145
GPU学习(2)
向英伟达贴脸开大，微软新活儿让AMD显卡「兼容」CUDA
11-27 465
表面上看，英伟达带头冲锋在第一线，凭借其 A/H 系列 AI 计算卡，斩获了全球绝大部分专业领域订单，市值一路飙升。于行业而言，有望让硬件的竞争真正回归到性能、功耗和价格的硬指标上，而不是强行为英伟达的「垄断溢价」买单。然而，他真正的钞能力底牌，其实并非那些动辄数十万美元的硬件本身，而是其长久以来所建立的坚不可摧的。总而言之，微软这次狠活不管最后有没有真正动摇英伟达的根基，都代表了打响打破英伟达垄断的第一枪。好家伙，这不仅仅是代码的转换，而是赤裸裸在挖英伟达的护城河，摆明冲着他生态垄断的根基来的。
Docker Model Runner 杀到！Ollama 的护城河还剩多少？
打造全国最全的AI Agent开发知识领域的博客
12-01 811
Docker Model Runner整合vLLM直插生产环境，Ollama的“易用性护城河”正被企业级需求瓦解。本文拆解DMR双轨架构如何用OCI标准重构LLM部署，对比精度控制、供应链管理等核心差异。技术选型关键转折点已到，大家一起来围观！
GPU 英伟达GPU架构回顾
热门推荐
生活需要深度
10-01 1万+
1999 年，英伟达发明了 GPU（graphics processing unit），本节将介绍英伟达 GPU 从 Fermi 到 Blackwell 共 9 代架构，时间跨度从 2010 年至 2024 年，具体包括费米（Feimi）、开普勒（Kepler）、麦克斯韦（Maxwell）、帕斯卡（Pashcal）、伏特（Volt）、图灵（Turing）、安培（Ampere）和赫柏（Hopper）和布莱克韦尔（Blackwell）架构。
GPU容器运行深度学习模型实测：TensorFlow_PyTorch在Docker中的性能对比与优化建议
# GPU容器化深度学习实战：从理论到生产优化的全栈解析 在当今AI工程领域，你有没有遇到过这样的场景？——明明在本地跑得好好的模型，一上生产就“抽风”：显存莫名其妙暴涨、延迟忽高忽低、多任务并发时互相拖...
大模型学习基础（五） 强化学习（Reinforcement Learning，RL）初步
qq_56095294的博客
12-13 355
前面的文章简单介绍过，传统的监督学习所使用的数据集是（特征，标签），有“标签”即明确的知晓正确的输出应该是什么。而实际的情况是，环境的状态S是由多个Si构成的，每训练一组S-a即训练一个多分类问题，把这些问题的损失函数（交叉熵）加在一起，即可训练出在不同的状态下应该使用什么动作。模型在选择一个动作之后，这个动作实际是对Environment发生，相应的Environment会给模型一个回馈Reward，然后再给模型一个新的Observation，模型继续选择新的动作，循环此过程。
数据分析Agent白皮书：揭秘Data x AI的底层逻辑与未来关键
最新发布
LyAGent的博客
12-18 344
《2025数据分析Agent白皮书》指出，数据分析Agent正成为AI落地的核心形态，实现从"人人分析"到"人人消费"的转变。白皮书系统解析了其技术架构（包括Query/Document/DeepAnalyze三大Agent能力）、行业实践（能源/制造/零售等领域）及落地路径，强调需突破数据准度、分析深度与消费广度三大挑战。未来，数据分析Agent将深度融入业务流程，推动"洞察即行动"的自动化决策模式。该技术有望彻底改变企业数据消费方式，使数据智能
以太联的自愈功能与看门狗机制解析
suzhou_speeder的博客
12-15 1113
看门狗(Watchdog)是一种硬件或软件实现的定时器机制，其核心功能是监控系统或程序的运行状态，防止程序跑飞或陷入死循环。案例：车载以太网交换机通过硬件看门狗实时监测链路状态，若检测到链路中断(如3ms内未收到心跳包)，立即启用备用路径，确保刹车、转向等关键系统永不掉线。案例：某智能工厂的PLC(可编程逻辑控制器)采用软件看门狗，若主程序因干扰死机，看门狗机制自动重启PLC，恢复生产流程。三者协同工作，实现“设备-交换机-网络”三级自愈，显著提升网络可靠性、降低运维成本，并为企业数字化转型提供坚实基础。
多模态赋能情绪理解：Qwen3-VL+LLaMA-Factory 的人脸情绪识别实战
Lab4AI的博客
12-17 501
本项目依托Lab4AI平台，基于LLaMA-Factory成功对Qwen3-VL进行了完整的微调流程。我们将传统的人脸情绪识别任务与多模态大语言模型（MLLM）相结合，探索了MLLM在视觉情绪理解中的应用。通过微调Qwen3-VL，我们成功将传统的分类任务转化为多模态推理任务，显著提升了模型在复杂场景下的鲁棒性和准确率。这一方案不仅在人脸情绪识别上取得了显著提升，还为其他视觉任务的多模态大模型应用提供了新的思路，具有广泛的应用前景。
Transformer架构的原理是什么？
SACKings的博客
12-15 721
对于“Thinking”这个词，它的输出向量可能包含了90%它自己的信息和10%“Machines”的信息。而对于“Machines”，它的输出可能包含了70%它自己的信息和30%“Thinking”的信息。Transformer 架构的原理是理解现代大模型（如 GPT、BERT、T5 等）的基石。正是因为这些原理上的优势，Transformer才取代了RNN和CNN，成为了当今AI大模型时代的统治性架构。的（打乱输入顺序，输出可能不变），它没有内置的位置概念。Q·K 然后Softmax。
AIDD-人工智能药物设计-扩散模型热力学：从 AI 提取物理能量
itwangyang520的博客
12-14 1130
扩散模型的核心是加噪与去噪。这对业界的启示是，要实现精准医疗，特别是针对耐药突变的药物设计，不能仅依赖大语言模型（Large Language Model, LLM）处理序列。他们从文献和数据库中挖掘了过去被忽略的细节：氨基酸的替换、插入、缺失，以及关键的磷酸化修饰，最终整理出 4032 对新的激酶 - 配体数据。GeneGPT 曾展示了大语言模型（LLM）在生物医药领域的潜力，而 OpenBioLLM 提出了不同于 GeneGPT 单体（Monolithic）架构的方案：组建由「专家」构成的团队。
神经网络基础
m0_54291751的博客
12-17 505
归回问题用的最多的损失函数: **Smooth L1;**+ 分类问题用的最多的损失函数： ****(也可以用于二分类);```python# 1. 加载csv文件数据集.data = pd.read_csv('data/手机价格预测.csv')# print(data.head()) # 查看前五行数据# data.info() # 查看数据是否有缺失值# 2. 获取x特征列 和 y标签列.# 3. 把特征列转成浮点型.
AI时代构建人类不可替代的竞争力护城河
本文以阿里巴巴传奇程序员“码神”多隆25年职业生涯为研究蓝本，深入剖析了在AI快速迭代、自动化工具日益普及的现实环境中，人类如何构建真正可持续、不可替代的核心竞争力。这一探讨不仅对软件开发从业者具有极强的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值