AMD et Intel ont annoncé le 20 octobre 2026 une collaboration pour faciliter l’exécution d’intelligences artificielles sur les processeurs x86. Les deux rivaux veulent rassembler leurs optimisations pour PyTorch dans oneDNN, une bibliothèque libre utilisée pour accélérer les calculs de deep learning sur CPU. AMD prévoit d’y intégrer son travail réalisé avec ZenDNN. Pour les développeurs, le but est de rendre plus simple le déploiement d’une même application IA sur des machines équipées de processeurs AMD ou Intel.
Dernière mise à jour : 21 octobre 2026.
Ce qu’il faut retenir
- AMD et Intel annoncent une collaboration le 20 octobre 2026 autour de PyTorch.
- Ils veulent faire de oneDNN leur point commun pour optimiser les calculs IA sur CPU x86.
- AMD va intégrer ses optimisations ZenDNN dans oneDNN.
- L’initiative suit une recommandation de l’x86 Ecosystem Advisory Group.
- AMD devient membre du comité de pilotage de la fondation UXL, chargée de ce projet open source.
- Les futures instructions AI Compute Extensions (ACE) devraient également être exploitées par PyTorch.
- Aucun gain chiffré universel ni date de disponibilité sur toutes les configurations n’est annoncé.
Pourquoi AMD et Intel collaborent malgré leur rivalité
AMD et Intel sont concurrents sur les processeurs pour PC et serveurs. Mais les bibliothèques d’apprentissage automatique doivent fonctionner sur un grand nombre de matériels. Aujourd’hui, un développeur peut devoir choisir ou configurer plusieurs outils d’optimisation selon le processeur cible.
Les deux groupes souhaitent éviter cette fragmentation dans PyTorch, un framework largement employé pour entraîner et exécuter des modèles d’intelligence artificielle. Ils vont donc rapprocher les optimisations de leurs processeurs au sein de oneDNN, une bibliothèque ouverte dédiée aux opérations de calcul intensives.
Ce rapprochement concerne avant tout les CPU de la famille x86. Il ne signifie pas que les cartes graphiques AMD et Intel utilisent soudain les mêmes pilotes, ni que toutes les applications IA bénéficient automatiquement d’un nouveau mode rapide.
oneDNN et ZenDNN : à quoi servent ces logiciels ?
Les modèles d’IA effectuent de nombreuses multiplications de matrices et autres opérations répétitives. Leur exécution peut être accélérée par des bibliothèques capables d’exploiter efficacement les instructions du processeur, sa mémoire cache et le parallélisme.
oneDNN fournit ces briques optimisées pour les frameworks d’IA. AMD possède de son côté ZenDNN, développé pour tirer parti de ses processeurs Ryzen et EPYC. Avec cette annonce, AMD prévoit d’apporter ses optimisations à oneDNN plutôt que de multiplier les chemins logiciels indépendants.
Le projet est gouverné par la Unified Acceleration Foundation (UXL), et AMD rejoint son comité de pilotage. Les équipes prévoient de poursuivre les améliorations propres à chaque architecture au sein de cette base commune.
Qu’est-ce qui change pour les développeurs PyTorch ?
Le but est d’offrir une voie logicielle unique pour accélérer les calculs PyTorch sur les CPU AMD et Intel. Une application pourrait ainsi bénéficier des optimisations adaptées au matériel présent sans nécessiter deux chaînes de déploiement entièrement séparées.
| Avant l’initiative | Objectif annoncé |
|---|---|
| Optimisations CPU parfois séparées | Centraliser dans oneDNN |
| Maintenance spécifique selon le processeur | Simplifier le développement et le déploiement |
| Bibliothèques d’accélération concurrentes | Conserver des optimisations par architecture dans un socle commun |
| Performances variables selon la configuration | Mieux exploiter le matériel, sans promettre de gain fixe |
Les progrès dépendront des versions de PyTorch et oneDNN, ainsi que des bibliothèques utilisées par chaque application. L’annonce ne prouve pas qu’un modèle donné va tourner plus vite dès aujourd’hui sur n’importe quel PC.
L’IA en local sur PC en bénéficiera-t-elle ?
Potentiellement, oui. Les ordinateurs dotés de processeurs AMD Ryzen ou Intel Core peuvent exécuter des modèles IA sans connexion à un serveur distant. Une bibliothèque de calcul mieux optimisée peut améliorer les tâches exécutées sur CPU, en particulier lorsque le logiciel s’appuie déjà sur PyTorch et les opérations oneDNN.
Mais de nombreux outils grand public utilisent d’autres moteurs d’inférence, notamment llama.cpp, ou privilégient une accélération par GPU ou NPU. La collaboration ne les accélérera pas automatiquement. Il faudra attendre des intégrations concrètes et des mesures indépendantes sur les applications populaires.
Pour déterminer le rôle respectif du processeur, de la mémoire et du GPU, consultez notre guide de l’IA en local et notre dossier sur le choix d’un GPU pour les LLM.
AI Compute Extensions : des instructions x86 pour l’avenir
AMD et Intel travaillent également sur AI Compute Extensions (ACE), un projet de nouvelles instructions destinées à améliorer les opérations matricielles importantes pour l’IA. L’objectif est qu’elles soient exploitées à terme dans PyTorch grâce à de futures mises à jour de oneDNN.
C’est un chantier de long terme : aucune date de sortie commerciale, aucun processeur spécifique et aucun gain en pourcentage ne sont confirmés dans l’annonce. Il ne faut donc pas confondre ce projet avec une mise à jour actuellement téléchargeable par tous les utilisateurs de Windows ou Linux.
Quels usages en France ?
Les entreprises françaises qui exploitent PyTorch sur des serveurs x86 pourraient, à terme, simplifier leurs environnements logiciels et éviter de maintenir des variantes dédiées à chaque fournisseur de processeurs. Les laboratoires, petites structures et développeurs indépendants travaillant sans GPU puissant sont également concernés.
Cette démarche s’inscrit dans l’intérêt croissant pour des déploiements d’IA sur des infrastructures contrôlées par l’entreprise. Mais le caractère open source de oneDNN ne suffit pas, à lui seul, à rendre un projet conforme au RGPD : le traitement des données, les accès et la sécurité restent à examiner.
Notre guide de déploiement d’une IA locale en entreprise détaille ces considérations pratiques.
Notre avis
Cette coopération peut avoir davantage d’impact qu’une annonce marketing de puce : un même outil optimisé pour plusieurs marques simplifie réellement le travail des développeurs. Elle démontre aussi que la standardisation logicielle peut être utile malgré la concurrence matérielle.
Il reste toutefois deux inconnues importantes : la vitesse d’intégration des optimisations AMD dans les versions de oneDNN utilisées par PyTorch, et les gains réels sur les modèles exécutés en local. En l’absence de benchmarks indépendants, il serait prématuré de promettre une IA deux fois plus rapide.
FAQ
AMD et Intel travaillent-ils ensemble sur l’IA ?
Oui, leur collaboration annoncée le 20 octobre 2026 porte sur les optimisations CPU de PyTorch dans oneDNN, ainsi que sur de futures instructions x86.
Qu’est-ce que oneDNN ?
Une bibliothèque open source qui accélère certaines opérations de deep learning, notamment sur les processeurs.
Est-ce que mon Ryzen ou mon Intel Core sera plus rapide avec PyTorch ?
C’est l’objectif à terme, mais les gains dépendent du processeur, de l’application et des versions logicielles. Aucun gain universel n’a été annoncé.
Cette annonce accélère-t-elle Ollama ou llama.cpp ?
Pas automatiquement. Ces outils ont leurs propres moteurs : une intégration serait nécessaire pour tirer directement parti des travaux annoncés.
