شرکت AMD از ابزار ROCm Loom رونمایی کرد؛ اجرای سبک مدل‌های هوش مصنوعی بدون نیاز به پکیج سنگین ROCm

مقدمه و معرفی پروژه

ابزار Loom لایه کامپایلر و بازنمایی میانی (IR) در فریمورک ROCm HRX (کوتاه‌نوشت HIP Runtime Extended) از شرکت AMD است. اولین نسخه رسمی این ابزار با شناسه hrx-loom 0.1.0 در تاریخ ۲۹ اکتبر ۲۰۲۶ روی مخزن PyPI منتشر شد. این بسته توسعه نرم‌افزاری که تنها با یک دستور در ابزار pip نصب می‌شود، کامپایلر Loom، محیط اجرا (Runtime)، رابط‌های برنامه‌نویسی پایتون و ابزارهای خط فرمان را درون یک بسته یکپارچه ارائه می‌دهد و می‌تواند مدل‌های هوش مصنوعی را روی پردازنده‌های مرکزی (CPU)، پردازنده‌های گرافیکی AMD و شتاب‌دهنده‌های هوش مصنوعی AMD XDNA NPU کامپایل و اجرا کند، بدون آنکه نیازی به نصب بسته حجیم ROCm SDK داشته باشد.

ویژگی‌ها و نکات کلیدی

• سخت‌افزارهای هدف: شامل هدف task برای پردازنده‌های مرکزی، amdgpu برای کارت‌های گرافیک بومی AMD از طریق کدهای HSA، xdna برای پردازنده‌های عصبی AMD NPU و vulkan برای مسیر قابل حمل SPIR-V است. بخش‌های محاسباتی مربوط به x86 و WebAssembly نیز مراحل تکامل خود را سپری می‌کنند.
• ابزارهای درون بسته: دستور loom-fetch برنامه‌ها و دارایی‌های مدل را از کاتالوگ مربوطه دریافت می‌کند، فرمان loom-serve وظیفه میزبانی و سرویس‌دهی مدل را بر بستر پروتکل HTTP بر عهده دارد و ابزار loom-benchmark کارایی مدل را ارزیابی می‌کند.
• عدم نیاز به نصب ROCm: عملیات اجرایی روی سخت‌افزارهای AMD تنها به کتابخانه libamdf و درایور پشتیبانی‌شده سیستم‌عامل وابسته است.
• سیستم‌عامل‌ها و بسترهای پشتیبانی‌شده: توزیع‌های لینوکس x86-64 (با نسخه 2.39 به بالای glibc، مانند اوبونتو 24.04)، سیستم‌عامل ویندوز ۱۱ نگارش ۶۴ بیتی و پایتون نسخه ۳.۱۲ به بعد.
• مجوز استفاده: این پروژه تحت مجوز Apache-2.0 به‌همراه استثنای LLVM منتشر شده است و وزن‌های مدل‌ها باید به‌صورت جداگانه دریافت شوند.

چرا این تحول اهمیت دارد؟

پلتفرم ROCm در ابتدا برای سرورها و دیتاسنترها توسعه یافته بود و معمولاً روی رایانه‌های شخصی عملکرد ایده‌آلی نداشت یا راه‌اندازی آن دشوار بود. فریمورک HRX و کامپایلر Loom در واقع بسته‌ای بسیار سبک‌تر هستند که برای سیستم‌های کاربری و مصرف‌کنندگان نهایی هدف‌گذاری شده‌اند؛ به‌ویژه برای تراشه‌های دارای حافظه یکپارچه مانند سری Ryzen AI Max که از ترکیب هم‌زمان پردازنده گرافیکی و شتاب‌دهنده هوش مصنوعی XDNA NPU بهره می‌برند. البته این پروژه در فاز دسترسی اولیه قرار دارد و هنوز نتایج بنچمارک مستقلی برای آن در دسترس نیست.

نحوه استفاده و راه‌اندازی

python -m pip install hrx-loom
loom-run --list_drivers
loom-serve --model=<model.json> --device=amdgpu   # or task / xdna

• پروژه در PyPI: صفحه hrx-loom
• مستندات توسعه: راهنمای برنامه‌نویسی Loom
• گزارش تکمیلی: خبر انتشار در پایگاه Phoronix

در نظر داشته باشید که مدل مورد نظر باید برای سخت‌افزار انتخابی بهینه‌سازی شده باشد؛ صرف نصب این ابزار به این معنا نیست که هر مدلی بلافاصله روی هر تراشه‌ای اجرا خواهد شد.