Hugging Face lança ferramenta para criar e compartilhar kernels ROCm sem complicação
Plataforma simplifica o desenvolvimento de código otimizado para GPUs da AMD, antes restrito a especialistas.
A Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados) anunciou uma nova ferramenta que facilita a criação e o compartilhamento de kernels ROCm — pedaços de código otimizados que fazem modelos de inteligência artificial rodarem mais rápido em GPUs (chips gráficos) da AMD. Até agora, escrever esses kernels exigia conhecimento profundo de programação de baixo nível e ambiente de desenvolvimento complexo, o que mantinha a tecnologia nas mãos de poucos especialistas.
A novidade permite que qualquer desenvolvedor compile, teste e publique kernels ROCm diretamente na plataforma Hugging Face, sem precisar configurar servidores próprios nem instalar ferramentas pesadas localmente. A empresa disponibilizou ambientes de compilação prontos e integrou o processo ao sistema de repositórios que já usa para compartilhar modelos de IA — quem quiser usar um kernel desenvolvido por outra pessoa pode simplesmente baixá-lo e rodá-lo, como faz hoje com modelos prontos.
O movimento é importante porque a maior parte do ecossistema de IA ainda depende de GPUs da Nvidia, que dominam o mercado e têm ferramentas mais maduras (como o CUDA, a plataforma de programação da própria Nvidia). O ROCm é a resposta da AMD para competir nesse espaço, mas sofria com a falta de uma comunidade ativa e de infraestrutura acessível para desenvolvedores testarem suas ideias. Ao simplificar o processo, a Hugging Face aposta que mais gente vai experimentar otimizações para hardware da AMD — o que pode acelerar a adoção dessas GPUs em projetos de IA.
Segundo informou a Hugging Face em post no blog oficial, a ferramenta já está disponível para uso público e funciona com as principais GPUs da linha Instinct da AMD, usadas em servidores e data centers. A empresa também disponibilizou exemplos prontos de kernels otimizados para operações comuns em redes neurais (como multiplicação de matrizes, uma das tarefas mais repetidas no treinamento e na inferência de modelos), para que novos desenvolvedores possam aprender com código real e começar a modificar o que já existe.
