AMD und Intel wollen KI-Software auf x86-CPUs vereinfachen

21. Oktober 2026

Zwei generische Prozessoren mit Verbindung zu einer gemeinsamen Software-Schicht.

KI-Illustration · Symbolbild

AMD und Intel wollen ihre CPU-Optimierungen für PyTorch in der offenen Bibliothek oneDNN zusammenführen. Damit soll KI-Software auf x86-Prozessoren einfacher zu entwickeln und zu pflegen sein. Die am 20. Oktober vorgestellte Zusammenarbeit beschreibt einen gemeinsamen Entwicklungsweg.

Eine Bibliothek für wiederkehrende KI-Berechnungen

AMD will dafür Funktionen aus ZenDNN in oneDNN einbringen. Das Projekt steht unter dem Dach der UXL Foundation; AMD ist deren Lenkungsgremium beigetreten. Der gemeinsame Ansatz geht auf eine Empfehlung der x86 Ecosystem Advisory Group zurück.

oneDNN stellt optimierte Grundoperationen bereit, etwa Matrixmultiplikation, Faltungen und Attention. Solche Bausteine werden in KI-Modellen immer wieder ausgeführt. Das Projekt nennt neben PyTorch auch TensorFlow, OpenVINO und ONNX Runtime als Nutzer. Die Bibliothek kann Hardwareeigenschaften zur Laufzeit erkennen und Rechenkerne daran anpassen. Das ist Hintergrundtechnik, keine neue Chat-Anwendung für Endnutzer.

Unsere Einordnung: Weniger doppelte Arbeit wäre der Gewinn

Ein gemeinsamer Softwarepfad kann Entwicklern helfen, dieselbe Anwendung auf unterschiedlichen Prozessoren zu betreuen. Sie müssten dann weniger herstellerspezifische Varianten abstimmen. Das macht vor allem dort einen Unterschied, wo verschiedene CPU-Generationen parallel eingesetzt werden und Updates zuverlässig ausgerollt werden sollen.

Aus der Ankündigung ergibt sich jedoch noch kein belastbarer Geschwindigkeitsvorteil für eine konkrete Anwendung. Dafür wären veröffentlichte Integrationsstände und vergleichbare Messungen nötig. Auch ersetzt die Kooperation keinen Leistungsvergleich zwischen einzelnen Prozessoren. Wer die Hardwareseite einordnen möchte, findet dazu unseren Überblick zum Ryzen 9 9950X. Für Softwareteams lautet die praktische Frage zunächst: Wann erreicht die gemeinsame Umsetzung die von ihnen verwendete PyTorch-Version?