ZLUDA : retour de la bibliothèque open-source avec compatibilité multi-GPU pour l’IA

ZLUDA, la célèbre bibliothèque de « portage de code », fait un retour remarqué avec de nouvelles ambitions, notamment le support de la compatibilité « multi-GPU » pour des charges de travail liées à l’intelligence artificielle.

ZLUDA : Un Retour Prometteur Sous un Commanditaire Anonyme

Pour ceux qui ne sont pas au courant, ZLUDA avait suscité un grand intérêt il y a quelques mois. À l’origine, elle devait faciliter l’utilisation des GPU Intel au sein de l’écosystème logiciel NVIDIA. Grâce à l’implication d’AMD et d’autres développeurs, la bibliothèque a permis d’exploiter CUDA sur du hardware AI AMD, une avancée majeure pour la communauté open-source. Cependant, des préoccupations juridiques ont conduit AMD à abandonner le projet, mais ZLUDA revient cette fois avec une dynamique renouvelée.

Selon un communiqué de Phoronix, Andrzej Janik, le développeur original, a annoncé le renouveau de ZLUDA, désormais soutenu par un commanditaire anonyme. Des développements intéressants sont à prévoir, notamment l’introduction du support multi-GPU, rendant la bibliothèque compatible avec différentes architectures, que ce soit AMD ou NVIDIA. Au lieu de se concentrer sur les charges de travail professionnelles, ZLUDA va désormais s’orienter vers les domaines de l’IA et du ML.

Cette évolution indique que ZLUDA supportera désormais des bibliothèques telles que Llama.cpp, PyTorch, et TensorFlow. Un travail spécial sera effectué pour adapter les chemins de code NVIDIA afin de garantir la compatibilité avec d’autres fournisseurs de GPU. Des tests sont déjà en cours sur les GPU RDNA d’AMD, ZLUDA étant compatible avec les architectures RDNA1+ et le support de la pile de calcul ROCm 6.1+. Ainsi, pour le portefeuille de calcul d’AMD, ZLUDA pourrait bien s’avérer révolutionnaire.

Quant à la disponibilité de la bibliothèque sur le marché, Janik estime qu’il faudra environ un an avant qu’elle ne soit prête. Si le projet s’avère un succès, il pourrait permettre de briser les barrières d’exclusivité présentes dans les écosystèmes de logiciels AI, offrant une opportunité unique de synergie entre différentes architectures pour des résultats optimaux.