ROCm พัฒนาไปไกลแค่ไหนในด้านการรองรับ LLM ขนาดใหญ่และงาน AI สำคัญอื่น ๆ?

ซอฟต์แวร์ AMD ROCm ได้พัฒนาความสามารถอย่างก้าวกระโดดในช่วงหลายปีที่ผ่านมา จากเดิมที่เป็นแพลตฟอร์มเฉพาะทางสำหรับระบบ HPC อย่าง Frontier และ El Capitan ก็ขยายสู่การเป็นสแตกซอฟต์แวร์ด้าน AI แบบครบวงจร รองรับทั้งการเทรนและอินเฟอเรนซ์ LLM ครอบคลุมดาต้าเซ็นเตอร์, ระบบฝั่งไคลเอนต์ และอุปกรณ์ Edge — รวมถึง AMD Instinct GPUs, AMD Radeon GPUs และ AMD Ryzen AI Max APUs
ปัจจุบัน AMD รองรับโมเดลชั้นนำแบบ Day-one เช่น Llama, DeepSeek, OpenAI GPT-OSS 20B และ 120B พร้อมโมเดลมากกว่า 2.1 ล้านรายการบน Hugging Face ที่รันได้ทันทีบน ROCm โดยไม่ต้องแก้โค้ดหนักหรือจูนพิเศษ
ROCm ยังออกอัปเดตรุ่นใหม่ทุก 2 สัปดาห์ เพิ่มความเสถียร ประสิทธิภาพ และฟีเจอร์อย่างต่อเนื่อง
ในเวอร์ชันล่าสุด ROCm 7 ได้เพิ่มประสิทธิภาพด้านการเทรนและอินเฟอเรนซ์แบบรุ่นต่อรุ่น พร้อมฟีเจอร์รองรับการสเกลงาน AI เช่น Distributed Inference และการรองรับ Deployment ระดับองค์กร
การพัฒนานี้สะท้อนถึงการเปลี่ยนโฉมของ AMD — จากแพลตฟอร์มที่เคยต้องอาศัยผู้เชี่ยวชาญเฉพาะทาง สู่ระบบที่ “แค่ใช้งานแล้วมันก็ทำงาน” สำหรับนักพัฒนาทุกระดับ ตั้งแต่นิสิตมหาวิทยาลัยจนถึงทีมวิจัย LLM ในดาต้าเซ็นเตอร์ระดับ Hyperscale

AMD ทำงานร่วมกับ PyTorch, TensorFlow และ JAX อย่างไรเพื่อให้การย้ายงาน AI มาสู่ AMD ง่ายขึ้น?

หัวใจสำคัญของการพัฒนา AI คือผลิตภาพของนักพัฒนา ดังนั้น ROCm จึงเชื่อมต่อโดยตรงกับเฟรมเวิร์กยอดนิยมอย่าง PyTorch, TensorFlow และ JAX

• PyTorch รองรับ ROCm ในตัว ทำให้รันบน GPU AMD ได้ทันทีโดยไม่ต้องแยกโค้ด

• ROCm ทำงานร่วมกับ TensorFlow และ JAX ผ่าน toolchain compiler ที่รองรับ API เดิม

• มี Docker ที่ตรวจสอบแล้ว และแพ็กเกจเฟรมเวิร์กที่ตั้งค่าไว้ล่วงหน้า

• รองรับบนดิสโทร Linux ชั้นนำ (Ubuntu, Red Hat) รวมถึงไดรเวอร์ Windows
  สำหรับการย้ายงาน AI มายัง AMD เครื่องมืออย่าง HIPIFY สามารถแปลงโค้ด CUDA ได้ประมาณ 98% อัตโนมัติ
  ROCm มีการตรวจสอบ nightly builds กับโมเดลและเฟรมเวิร์กต่าง ๆ เพื่อให้ความเสถียร
  ผลลัพธ์คือ ROCm “หายตัวไป” จากมุมมองของนักพัฒนา — ใช้โค้ดเดิม ย้ายจากเครื่องทดสอบไปสู่คลัสเตอร์ AMD ได้โดยไม่ต้องแก้โค้ดใหม่

AMD มีแผนรองรับภาษาโปรแกรมใหม่หรือการเพิ่มประสิทธิภาพระดับล่างสำหรับงานวิจัย AI อย่างไร?

ทิศทางของวงการพัฒนา AI มุ่งไปสู่ระดับนามธรรมที่สูงขึ้น นักพัฒนาอยากได้ความเร็ว ความยืดหยุ่น และไม่ถูกผูกติดกับการเขียนโค้ดระดับล่าง AMD จึงเน้นให้เทคโนโลยีทำงานร่วมกับเฟรมเวิร์กที่นิยมอยู่แล้ว เช่น PyTorch, JAX และ Triton compiler แทนที่จะสร้างภาษาใหม่
แต่สำหรับนักวิจัยที่ต้องการปรับแต่งละเอียด ROCm ก็เปิดให้ใช้งานได้ทั้งระดับสูงและระดับล่าง

• ระดับสูง: ทำงานใน Python ผ่าน PyTorch ที่รองรับ ROCm โดยตรง

• ระดับต่ำ: มี API C/C++ สำหรับเขียนเคอร์เนลเองเพื่อเพิ่มความเร็ว

• HIP และเครื่องมือต่าง ๆ เช่น Hipify ช่วยให้หลายโปรแกรม CUDA ที่คอมไพล์แล้วรันบน GPU AMD ได้
  โครงสร้างหลายชั้นนี้ทำให้นักพัฒนาสามารถเลือกได้ว่าจะใช้งานระดับไหน พร้อมได้ประโยชน์จากระบบแบบเปิดที่รองรับหลายผู้ผลิต

จากมุมซอฟต์แวร์ จุดแข็งทางสถาปัตยกรรมของ GPU และ APU จาก AMD คืออะไร?

AI ใช้งานประสิทธิภาพของ GPU/APU ผ่าน 3 จุดเด่นหลักของ AMD:

1. หน่วยความจำ (Memory)

   • AMD Instinct MI350 ใช้ HBM3E ความจุและแบนด์วิดท์สูงที่สุดในอุตสาหกรรม

   • รองรับโมเดลได้สูงถึง 520 พันล้านพารามิเตอร์บน GPU เดียว

2. ความแม่นยำและฟอร์แมตข้อมูล (Precision)

   • รองรับ datatype ตั้งแต่ FP64 ลงถึง FP4/FP6

   • มี Matrix Cores และ XDNA AI Engines สำหรับงาน Deep Learning

3. การผสานรวม (Integration)

   • APU มี Unified Memory ลดค่า overhead ของการย้ายข้อมูล

   • ROCm ทำให้ความสามารถเหล่านี้ใช้งานได้ผ่าน PyTorch และ JAX โดยตรง

จุดแข็งทั้งหมดนี้ช่วยให้เทรนโมเดลใหญ่ได้เร็วขึ้น ขยายสเกลง่าย และรองรับการใช้งานตั้งแต่แล็ปท็อปจนถึงซูเปอร์คอมพิวเตอร์

มุมมองของ AMD: ทำไมระบบนิเวศแบบเปิดถึงมีบทบาทสำคัญต่อการเข้าถึง AI อย่างทั่วถึง?

“ความเปิด” คือหัวใจยุทธศาสตร์ของ AMD ความตั้งใจคือทำให้ทุกคนเข้าถึง AI ได้ ตั้งแต่นักวิจัยจนถึงสตาร์ทอัป โดยไม่ถูกผูกขาดด้วยเทคโนโลยีปิด
แพลตฟอร์มแบบเปิดช่วยลดต้นทุน ลดความยุ่งยาก เพิ่มอิสระในการพัฒนา และขยายไอเดียได้เร็ว
AMD จึงลงทุนในระบบตั้งแต่ฮาร์ดแวร์ โอเพ่นซอฟต์แวร์ ROCm จนถึงโครงสร้างระบบมาตรฐานสเกลระดับ Rack
ROCm 7 ผสาน PyTorch แบบสมบูรณ์ รองรับโมเดลอย่าง Llama และ DeepSeek ตั้งแต่วันแรก
AMD Developer Cloud ก็ช่วยให้นักพัฒนาทดลองและสเกลงาน AI บน GPU AMD ได้ทันทีผ่านคอนเทนเนอร์ที่ตั้งค่าไว้แล้ว
ทั้งหมดนี้ทำให้ AI พัฒนาโดยถูกขับเคลื่อนโดยนักพัฒนา ไม่ใช่โดยข้อจำกัดจากผู้ขายรายใดรายหนึ่ง

ในมุมของ AMD สแตก AI ในอีก 5 ปีจะมีหน้าตาแบบไหน?

AMD คาดว่าสแตก AI จะมี 3 คุณสมบัติหลัก:

1. เปิดและทำงานร่วมกันได้ (Open & Interoperable)
   ไม่มี vendor lock-in AMD สนับสนุนมาตรฐานเปิดต่าง ๆ เช่น ROCm, UALink, Ultra Ethernet Consortium (UEC)

2. ลดความยุ่งยาก (Frictionless)
   ต้องมีคอนเทนเนอร์สำเร็จรูป เฟรมเวิร์กที่ validated และเครื่องมือที่ย้ายงานได้ง่ายจากวิจัยสู่โปรดักชัน

3. สเกลง่าย (Scalable)
   รองรับตั้งแต่ inference บนอุปกรณ์ Edge ไปจนถึงการเทรนระดับ Multi-Exaflop ในดาต้าเซ็นเตอร์
   ROCm 7 ที่มี Distributed Inference คือก้าวแรกของสแตกอนาคตนี้

AMD แก้ปัญหาด้านมาตรฐาน การทำงานร่วมกัน และความปลอดภัยในระบบเปิดอย่างไร?

ความเปิดจะมีคุณค่าได้ก็ต่อเมื่อมีมาตรฐาน การข้ามแพลตฟอร์ม และความปลอดภัยรองรับ

• AMD เข้าร่วมโครงการเปิดหลายอย่าง เช่น UEC, UALink, OCP และใช้ซอฟต์แวร์โอเพ่นซอร์สอย่าง ROCm

• เทคโนโลยีความปลอดภัย เช่น Caliptra (root-of-trust แบบโอเพ่นซอร์ส) และ SEV-SNP ช่วยปกป้องเวิร์กโหลดสำคัญแม้อยู่ในระบบ Multi-tenant หรือคลาวด์ขนาดใหญ่
  ทั้งหมดนี้ทำให้ผู้พัฒนาเชื่อมั่นได้ว่างานของตนสามารถพกพา ขยาย และทำงานได้อย่างปลอดภัยในระบบนิเวศแบบเปิด