Comparaison des Fonctionnalités

GPU Logiciel pour l'IA: CUDA vs. ROCm

mis à jour le 19 juin 2026

Les spécifications matérielles brutes ne racontent qu’une partie de l’histoire dans le calcul sur GPU. Pour mesurer les performances réelles de l’IA, nous avons exécuté 52 tests distincts comparant le MI300X d’AMD avec les H100, H200 et B200 de NVIDIA dans des scénarios multi-GPU et à haute concurrence.

Bien que le MI300X d’AMD affiche 1 307 TFLOPS contre 990 TFLOPS pour les H100/H200 de NVIDIA, soit un avantage théorique de 32 %, les performances réelles dressent un tableau différent :

L’écart CUDA : quand le logiciel surpasse le matériel

Notre analyse introduit l’écart CUDA, qui quantifie dans quelle mesure l’optimisation logicielle de NVIDIA améliore les performances attendues de son matériel par rapport aux spécifications matérielles.

Un score positif indique que l’écosystème logiciel de NVIDIA offre des gains de performance supérieurs à ce que les TFLOPS bruts prédisent.

Performances de débit multi-GPU

Lors du passage à plusieurs GPUs, l’écart CUDA devient de plus en plus prononcé :

Configuration	AMD MI300X	NVIDIA H100	Avantage TFLOPS théorique d’AMD¹	Avantage de débit réel de NVIDIA²	Score d’écart CUDA³
2x GPU	35 638 tok/s	46 129 tok/s	+32,1 %	29,4 %	61,5
4x GPU	60 986 tok/s	84 683 tok/s	+32,1 %	38,9 %	71,0
8x GPU	101 069 tok/s	147 606 tok/s	+32,1 %	46 %	78,1

Analyse : Malgré l’avantage théorique clair du MI300X, NVIDIA maintient une avance croissante en débit à mesure que le nombre de GPU augmente. Les scores d’écart CUDA dans la fourchette 61–78 reflètent comment la pile logicielle de NVIDIA libère des performances bien au-delà des attentes matérielles. Consultez notre méthodologie de calcul pour plus de détails.

Note : Les valeurs TFLOPS sont basées sur le calcul dense sur tous les GPU.

Analyse de la latence

Pour les applications en temps réel, la latence est souvent plus critique que le débit :

Configuration	Latence AMD MI300X	Latence NVIDIA H100	Avantage NVIDIA
2x GPU	11,95 ms	9,14 ms	23,5 % plus rapide
4x GPU	6,95 ms	5,01 ms	27,9 % plus rapide
8x GPU	4,20 ms	2,86 ms	31,9 % plus rapide

À la configuration 8× GPU, le NVIDIA H100 offre une latence inférieure de 31,9 % par rapport au MI300X.

Impact pratique : Pour les applications d’IA interactives, telles que les chatbots ou les services d’inférence en temps réel, ces différences de latence se traduisent directement par la qualité de l’expérience utilisateur.

Performances en concurrence : scénarios SaaS réels

Les benchmarks les plus révélateurs simulent des environnements de production réels avec de multiples utilisateurs simultanés. Les résultats montrent comment les performances en concurrence changent radicalement en fonction de l’intensité de la charge de travail :

Niveau de concurrence	AMD MI300X (tok/s)	Modèle NVIDIA	Performance NVIDIA (tok/s)	AMD TFLOPS	NVIDIA TFLOPS	Avantage TFLOPS théorique d’AMD¹	Avantage de débit de NVIDIA²	Score d’écart CUDA³
16	1 622	H100 SXM	2 121	1307,4	990	32,1 %	30,8 %	62,9
128	5 298	H100 SXM	7 349	1307,4	990	32,1 %	38,7 %	70,8
512	6 922	H100 SXM	11 559	1307,4	990	32,1 %	67 %	99,1
16	1 622	H200 SXM	2 180	1307,4	990	32,1 %	34,4 %	66,5
128	5 298	H200 SXM	7 574	1307,4	990	32,1 %	43 %	75,1
512	6 922	H200 SXM	9 514	1307,4	990	32,1 %	37,4 %	69,5
16	1 622	B200 SXM	2 863	1307,4	2250	-41,9 %	76,5 %	34,6
128	5 298	B200 SXM	10 876	1307,4	2250	-41,9 %	105,3 %	63,4
512	6 922	B200 SXM	12 316	1307,4	2250	-41,9 %	77,9 %	36

Performances en concurrence : analyse

À 16 utilisateurs simultanés, NVIDIA offre un débit nettement supérieur :
- H100 : +30,8 % de débit en plus
- H200 : +34,4 % de débit en plus
- B200 : +76,5 % de débit en plus
  Ces résultats montrent que NVIDIA surpasse les attentes basées sur le matériel même à des charges de travail légères, avec des scores d’écart CUDA allant de 34,6 à 66,5.
À 128 utilisateurs simultanés, les avantages de débit s’élargissent à mesure que la surcharge de planification et de gestion de la mémoire devient plus importante :
- H100 : +38,7 % de débit en plus
- H200 : +43,0 % de débit en plus
- B200 : +105,3 % de débit en plus
  Le B200 double plus que le débit du MI300X à ce niveau, tandis que les scores d’écart CUDA grimpent à 63,4–75,1.
À 512 utilisateurs simultanés, l’écosystème logiciel devient le facteur déterminant de performance :
- H100 : +67,0 % de débit en plus
- H200 : +37,4 % de débit en plus
- B200 : +77,9 % de débit en plus

Dans l’ensemble, le benchmark de concurrence révèle la plus forte divergence entre AMD et NVIDIA. À mesure que l’intensité de la charge de travail réelle augmente, la pile d’exécution CUDA plus mature de NVIDIA continue de faire évoluer le débit, tandis que le MI300X plafonne plus tôt. Dans les environnements de type SaaS avec de nombreuses requêtes simultanées, la maturité logicielle, et non la puissance de calcul brute, est le principal moteur de performance.

La gamme actuelle de GPU : générations AMD et NVIDIA

Nos benchmarks opposent le MI300X d’AMD aux H100, H200 et B200 de NVIDIA. Les deux constructeurs ont depuis livré des puces plus récentes, voici donc où en est la gamme à la mi-2026.

Les tableaux ci-dessous listent les taux de calcul dense. Avec la sparsité structurée, les deux constructeurs doublent environ ces chiffres.

GPU	Architecture	Processus	HBM	Bande passante	FP16 dense	FP8 dense	FP4 dense	TBP	Disponibilité
MI300X	CDNA3	5 nm	192 Go HBM3	5,3 To/s	1 307 TFLOPS	2 615 TFLOPS	n/d	750 W	2023
MI325X	CDNA3	5 nm	256 Go HBM3E	6 To/s	1 307 TFLOPS	2 615 TFLOPS	n/d	1 000 W	T1 2025
MI350X	CDNA4	3 nm	288 Go HBM3E	8 To/s	2 300 TFLOPS	4 600 TFLOPS	10 100 TFLOPS	1 000 W	mi-2025
MI355X	CDNA4	3 nm	288 Go HBM3E	8 To/s	2 500 TFLOPS	5 000 TFLOPS	10 100 TFLOPS	1 400 W	mi-2025
MI455X (feuille de route)	CDNA5	2 nm	432 Go HBM4	~19,6 To/s	n/d	n/d	40 000 TFLOPS	n/d	S2 2026

Le fleuron actuel d’AMD est la série CDNA4 MI350 (MI350X et MI355X), la première puce Instinct à prendre en charge nativement les types de données FP6 et FP4 (MXFP4), l’équivalent AMD des formats basse précision de NVIDIA Blackwell. AMD revendique pour la série MI350 jusqu’à 4 fois la puissance de calcul et jusqu’à 35 fois l’inférence du MI300X, bien que ce chiffre compare le MI355X en FP4 au MI300X en FP8 plutôt qu’un test comparable. ¹²³

GPU	Architecture	Processus	HBM	Bande passante	FP16 dense	FP8 dense	FP4 dense	TBP	Disponibilité
H100 SXM	Hopper	4 nm	80 Go HBM3	3,35 To/s	990 TFLOPS	1 979 TFLOPS	n/d	700 W	2022
H200 SXM	Hopper	4 nm	141 Go HBM3E	4,8 To/s	990 TFLOPS	1 979 TFLOPS	n/d	700 W	2024
B200	Blackwell	4 nm	192 Go HBM3E	8 To/s	2 250 TFLOPS	4 500 TFLOPS	9 000 TFLOPS	1 000 W	2025
B300 (Blackwell Ultra)	Blackwell Ultra	4 nm	288 Go HBM3E	8 To/s	2 500 TFLOPS	5 000 TFLOPS	15 000 TFLOPS	1 400 W	fin 2025
Rubin (feuille de route)	Vera Rubin	3 nm	288 Go HBM4	n/d	n/d	n/d	~50 000 TFLOPS	n/d	S2 2026

NVIDIA a également dépassé le B200 de notre benchmark. Blackwell Ultra (la puce B300 et la carte GB300) est devenu le haut de gamme de production fin 2025, avec 288 Go de HBM3e (contre 192 Go pour le B200 à la même bande passante d’environ 8 To/s) et 15 PFLOPS de calcul NVFP4 dense. À l’échelle du rack, l’unité est le GB300 NVL72 : 72 GPU Blackwell Ultra et 36 CPU Grace dans un seul domaine NVLink de 130 To/s. La prochaine plateforme de NVIDIA, Vera Rubin, a été annoncée au GTC 2026 avec une disponibilité prévue pour les partenaires au second semestre 2026 ; les spécifications par puce de Rubin restent rapportées par la presse plutôt que confirmées.⁴

Comparaison des fonctionnalités

Fonctionnalité	NVIDIA CUDA	AMD ROCm
Maturité	18+ ans (depuis 2006)	8+ ans (depuis 2016)
Licence	Propriétaire	Open Source
Verrouillage matériel	NVIDIA GPUs uniquement	AMD GPUs uniquement
Écosystème de bibliothèques	Étendu, hautement optimisé	En croissance, moins optimisé
Communauté de développeurs	Ressources étendues	Communauté plus petite, en croissance
Documentation	Complète, mature	En amélioration, moins complète
Écart de performance	Dépasse les spécifications matérielles	Sous-performe par rapport au potentiel matériel
Coût	Élevé	Plus compétitif

NVIDIA CUDA

CUDA (Compute Unified Device Architecture) est la plateforme de calcul parallèle et le modèle de programmation propriétaires de NVIDIA. Lancé en 2006, CUDA bénéficie de près de deux décennies de développement, d’optimisation et de construction d’écosystème.

Principaux avantages :

Écosystème mature : Bibliothèques étendues (cuDNN, cuBLAS, TensorRT) optimisées depuis plus de 18 ans.
Adoption par les développeurs : Des millions de développeurs formés à la programmation CUDA.
Intégration des frameworks : Intégration profonde avec PyTorch, TensorFlow et tous les principaux frameworks d’IA.
Optimisations du compilateur : Optimisations de compilation et d’exécution très sophistiquées.

Limites :

Verrouillage fournisseur : Technologie propriétaire liée exclusivement au matériel NVIDIA.
Source fermée : Contributions de la communauté et transparence limitées.
Coût : La domination du marché permet des prix plus élevés.

AMD ROCm

ROCm (Radeon Open Compute) est la plateforme de calcul GPU open source d’AMD, conçue comme une alternative à CUDA.

Principaux avantages :

Open source : Développement piloté par la communauté et transparence.
Valeur matérielle : Souvent associé à du matériel plus puissant sur le papier (TFLOPS plus élevés).
Portabilité : Conçu pour fonctionner sur les architectures GPU d’AMD.
Rapport coût-compétitif : Options matérielles plus abordables.

Limites :

Maturité de l’écosystème : Plateforme nettement plus jeune (lancée en 2016).
Optimisation des bibliothèques : Bibliothèques et intégrations de frameworks moins optimisées.
Adoption par les développeurs : Communauté de développeurs plus petite et moins de ressources.
Problèmes de compatibilité : Défis de compatibilité fréquents avec les frameworks populaires.
Documentation : Moins complète par rapport à CUDA.

Laissez notre équipe automatiser l'un de vos processus métier avec des agents IA, gratuitement.

Automatiser un processus

Pourquoi l’écart CUDA existe-t-il ?

1. Optimisation des bibliothèques

Les bibliothèques cuDNN, cuBLAS et TensorRT de NVIDIA sont méticuleusement optimisées pour des opérations spécifiques. Des années de profilage et d’optimisation signifient que les opérations d’IA quotidiennes s’exécutent à une efficacité proche du maximum théorique.

2. Technologie du compilateur

Le compilateur CUDA effectue des optimisations sophistiquées, notamment :

Fusion automatique de noyaux fusion
Optimisation des schémas d’accès mémoire
Parallélisme au niveau des instructions
Stratégies d’allocation des registres

3. Intégration des frameworks

PyTorch et TensorFlow intègrent profondément CUDA dans leur cœur :

Noyaux CUDA personnalisés pour les opérations courantes
Allocateurs mémoire optimisés
Communication multi-GPU efficace
Implémentations matures de l’entraînement distribué

4. Effets d’écosystème

Plus de développeurs trouvent et signalent des opportunités d’optimisation
Avantages de la co-conception matériel-logiciel
Partenariats industriels qui orientent les priorités d’optimisation
Tests et profilage approfondis sur diverses charges de travail

Implications réelles

Pour les ingénieurs ML et les data scientists

Déploiements en production : Les avantages de performance de CUDA se multiplient dans les environnements de production à forte concurrence
Vélocité de développement : De meilleurs outils et une documentation plus riche accélèrent le développement
Dépannage : Un écosystème mature signifie une résolution plus rapide des problèmes

Pour les organisations

Analyse du TCO : Les économies de coût matériel avec AMD peuvent être compensées par une réduction du débit et une latence accrue
Considérations de mise à l’échelle : L’écart CUDA augmente avec l’échelle, les déploiements d’entreprise favorisent NVIDIA
Évaluation des risques : Le verrouillage fournisseur par rapport aux compromis de performance nécessite une évaluation minutieuse

Pour l’industrie

Concurrence : La compétitivité matérielle d’AMD est minée par l’écart logiciel.
Innovation : Pression sur AMD pour accélérer le développement de ROCm.
Potentiel open source : La nature ouverte de ROCm pourrait éventuellement mobiliser des efforts d’optimisation communautaires.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Méthodologie de calcul de l’écart CUDA

Le score d’écart CUDA est utilisé tout au long pour quantifier dans quelle mesure les performances réelles de NVIDIA dépassent (ou sont inférieures à) ce que les seules spécifications matérielles prédisent. Tous les benchmarks de débit, de latence et d’évolutivité référencés ici :

Le score est calculé comme suit :

Avantage TFLOPS théorique d’AMD

1¹AMD's Theoretical TFLOPS Advantage: (1307.4 - NVIDIA TFLOPS) / NVIDIA TFLOPS × 100.

Positif → AMD est théoriquement plus puissant
Négatif → NVIDIA est théoriquement plus puissant

Avantage de débit de NVIDIA

1²NVIDIA's Throughput Advantage: (NVIDIA tok/s - AMD tok/s) / AMD tok/s × 100.

Indique de combien le débit de NVIDIA est plus élevé dans les charges de travail réelles.

Score d’écart CUDA

1³CUDA gap score: |NVIDIA Real Advantage - Expected NVIDIA Advantage|

Où :

1Expected NVIDIA Advantage= −(AMD Theoretical Advantage)

Formulation équivalente :

1|Real Advantage + AMD Theoretical Advantage|

Un score d’écart CUDA plus élevé indique que la pile logicielle de NVIDIA, CUDA, ses bibliothèques, les optimisations du compilateur et le runtime d’exécution, offrent des performances supérieures aux attentes basées sur le matériel.

Valeurs de référence TFLOPS

Tous les chiffres TFLOPS ci-dessous sont des taux de calcul denses (non clairsemés), alignés sur les spécifications du fabricant et utilisés de manière cohérente dans tous les benchmarks :

AMD MI300X : 1307,4 TFLOPS
NVIDIA H100 SXM : 990 TFLOPS
NVIDIA H200 SXM : 990 TFLOPS
NVIDIA B200 SXM : 2250 TFLOPS

Normalisation du calcul dense

Pour garantir une comparaison équitable :

AMD MI300X : taux dense fourni directement
NVIDIA H100, H200, B200 : taux dense dérivé des TFLOPS clairsemés du fabricant / 2

Cela garantit que les scores d’écart CUDA reflètent l’impact logiciel plutôt que les différences d’accélération du calcul clairsemé.

Conclusion

Pour qu’AMD réduise l’écart CUDA, plusieurs stratégies émergent :

Optimisation des bibliothèques : Se concentrer sur l’optimisation des opérations critiques pour les frameworks populaires.
Incitations pour les développeurs : Créer des programmes pour attirer les développeurs CUDA vers ROCm.
Stratégie de partenariat : Travailler directement avec les mainteneurs de frameworks pour des optimisations natives.
Investissement dans la documentation : Égaler ou dépasser la qualité de la documentation de CUDA.
Construction de la communauté : Tirer parti des avantages de l’open source pour externaliser les optimisations.
Co-conception matériel-logiciel : Utiliser les informations des benchmarks pour concevoir du matériel optimisé pour ROCm.

La bataille entre CUDA et ROCm illustre une vérité fondamentale en informatique : les écosystèmes logiciels peuvent être plus précieux que les capacités matérielles brutes. Le MI300X d’AMD offre des TFLOPS impressionnants sur le papier, mais l’investissement de 18 ans de NVIDIA dans CUDA crée des avantages de performance qui défient les spécifications matérielles.

Le score d’écart CUDA, allant de 28,7 à 99,1 dans nos benchmarks, quantifie cet avantage logiciel. Il montre qu’à l’échelle et dans des conditions réelles, un logiciel optimisé peut offrir des gains de performance équivalents à un matériel 30-99 % plus puissant qu’il ne l’est en réalité.

FAQ

Lorsque l’on compare CUDA et ROCm d’AMD, les organisations évaluent souvent quel écosystème offre les meilleurs résultats en calcul haute performance, en apprentissage automatique et en développement d’IA. CUDA de NVIDIA conserve une réputation de performance supérieure, de maturité de l’écosystème et de support étendu des frameworks, en particulier parmi les principaux frameworks d’IA utilisés par les développeurs IA, les ingénieurs logiciels et les ingénieurs AMD travaillant sur des charges de travail d’IA modernes. CUDA reste largement adopté en raison de sa solide communauté de développeurs, de son architecture de dispositif unifiée et de son intégration profonde avec les environnements Linux modernes, permettant une optimisation des performances avec un minimum d’effort.
D’un autre côté, le matériel AMD, en particulier les accélérateurs AMD Instinct, est devenu une alternative viable grâce à la nature open source de ROCm, aux améliorations rapides du support ROCm et à des performances de plus en plus comparables dans les applications d’IA réelles et le développement HPC. La plateforme logicielle open source de ROCm séduit la communauté open source, et de nombreux fournisseurs cloud offrent désormais un support complet pour cet écosystème. Pour les organisations recherchant une efficacité des coûts, ROCm offre une alternative convaincante aux équivalents NVIDIA. Cependant, CUDA reste le pari le plus sûr pour les équipes disposant de grandes bases de code CUDA existantes ou de charges de travail spécialisées en traitement d’image, apprentissage profond et accélération de l’IA qui dépendent des bibliothèques CUDA de NVIDIA.

Le portage d’applications de CUDA vers ROCm d’AMD dépend de la profondeur avec laquelle le projet repose sur les APIs spécifiques à CUDA et les pilotes propriétaires. Pour de nombreuses charges de travail, en particulier en apprentissage profond, en apprentissage automatique et en intelligence artificielle, ROCm offre une interface de calcul hétérogène, des binaires précompilés et des frameworks d’IA de plus en plus matures qui permettent d’exécuter des modèles avec des modifications minimales. Cela rend ROCm plus accessible pour les équipes qui souhaitent affiner des modèles ou tester un nouvel environnement informatique sans remplacer entièrement leur infrastructure existante.
Cependant, CUDA de NVIDIA fournit une suite complète de bibliothèques, un modèle d’API bien établi et un support étendu sur les distributions Linux. La part de marché de CUDA et le support de l’écosystème signifient également que les ingénieurs logiciels et les développeurs IA peuvent accéder à une multitude de documentation, de tutoriels et de contributions de la communauté. Bien que la nature open source de ROCm soit attrayante, lui permettant de devenir de plus en plus compétitif, la migration d’applications complexes nécessite toujours une comparaison pratique des fonctionnalités, du support matériel et des attentes de performance. Dans la plupart des cas, les équipes évaluent si les solutions évolutives de ROCm et l’implication de la communauté open source offrent un avantage significatif par rapport à l’écosystème CUDA plus établi.

Pour les déploiements de data center axés sur la haute performance, l’accélération de l’IA et les charges de travail d’IA modernes, NVIDIA et AMD offrent des solutions convaincantes. Les deux, NVIDIA et AMD, fournissent des environnements matériels performants. Cependant, CUDA de NVIDIA bénéficie d’années d’optimisation, d’une intégration étroite avec les frameworks d’IA et d’une grande stabilité, ce qui en fait un pari plus sûr pour les organisations. CUDA maintient de meilleures performances dans de nombreuses tâches de développement IA et HPC grâce à son écosystème mature et à ses outils complets.
En revanche, ROCm d’AMD continue de s’améliorer régulièrement, soutenu par des investissements substantiels de grandes entreprises, de fournisseurs cloud et de la communauté open source au sens large. La combinaison du matériel AMD, des accélérateurs AMD Instinct et de la pile logicielle en maturation de ROCm rend ROCm de plus en plus viable pour l’intelligence artificielle, l’apprentissage automatique et le développement HPC. Pour les équipes qui privilégient l’ouverture, l’efficacité des coûts et une stratégie à long terme basée sur des écosystèmes ouverts, ROCm offre une alternative convaincante avec un potentiel significatif. Pourtant, CUDA de Nvidia conserve un avantage significatif en termes de maturité de l’écosystème, d’outillage pour les développeurs et d’architecture de dispositif unifiée, ce qui continue d’attirer les développeurs IA, les ingénieurs logiciels et les entreprises disposant de ressources substantielles.

Pour approfondir

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

Cem Dilmegani (2026) - "GPU Logiciel pour l'IA: CUDA vs. ROCm". Publié en ligne sur AIMultiple.com. Consulté le 19 Juin 2026, à : https://aimultiple.com/cuda-vs-rocm [Ressource en ligne]

Dilmegani, C. (2026, 19 Juin). GPU Logiciel pour l'IA: CUDA vs. ROCm. AIMultiple. https://aimultiple.com/cuda-vs-rocm

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{GPU Logiciel pour l'IA: CUDA vs. ROCm}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/cuda-vs-rocm}},
  note   = {AIMultiple. Consulté le 19 Juin 2026}
}

Liens de référence

AMD Instinct™ MI355X GPUs

AMD Instinct™ MI350X GPUs

AMD Instinct™ MI325X Accelerators

NVIDIA Vera Rubin Opens Agentic AI Frontier | NVIDIA Newsroom

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe des centaines de milliers d'entreprises (selon SimilarWeb) dont 60 % du Fortune 500 chaque mois.

Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.

Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.

Voir le profil complet

Commentaires 1

Partagez vos idées

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

bob

Jun 24, 2026 at 02:24

"Hardware Lock-in NVIDIA GPUs only AMD GPUs only" This is false. You can compile and runs Rocm on Nvidia Gpu.

Ekrem Sarı

Jun 25, 2026 at 18:09

I think there might be a small mix-up in terminology here, and it actually changes the meaning a bit. You can't run ROCm itself on an NVIDIA GPU, since ROCm's runtime and kernel driver (ROCclr/HSA, /dev/kfd) only work on AMD hardware. What you can do is compile HIP code to target an NVIDIA GPU. HIP is the portable source language that comes with the ROCm toolchain. The catch is that when you target NVIDIA, hipcc just calls nvcc and the program runs on CUDA underneath, so it's really HIP producing a CUDA binary rather than ROCm running on the card. The binaries aren't portable between the two vendors either. So the ROCm runtime is AMD only, while HIP source is portable but falls back to CUDA on NVIDIA. You're right that GPU code doesn't have to be CUDA-locked, it's just that HIP is the part doing the heavy lifting there. Hope that helps clarify!