来源：量子位
无需任何修改转换，AMD显卡也跑起原版CUDA程序了！
英国一家初创公司，推出了针对AMD的CUDA程序编译工具，而且免费商用。
工具一经发布就引发了网友们的广泛热议，并登顶了HackerNews热榜。
该工具名为SCALE，开发者给它的定位是一个GPGPU（通用GPU）编程工具包。
目前已有大模型框架llama-cpp等9个程序通过测试，实现了正常运行。
与其他实现方式不同，SCALE直接模拟CUDA工具包的安装，不需要转换成其他语言就能源到源地完成编译。
因此，像内联PTX这种英伟达专用的中间语言，SCALE同样能够提供支持。
无需转换，让AMD跑起CUDA
官网介绍显示，SCALE主要有三个组成部分——兼容的nvcc编译器、CUDA运行时和驱动API的AMD实现，以及ROCm库。
其中编译器可以把用包括nvcc、内联PTX等在内的CUDA专属语言编写的程序，直接编译成可在AMD GPU上运行的二进制代码。
ROCm库则用来提供“CUDA-X”API，SCALE在处理cuBLAS和cuSOLVER等库时均采用这种方式。
SCALE的关键创新点在于按原样接受CUDA程序，而不必将它们移植到另一种语言，兼容nvcc和clang等多种编译方式，同时现有的构建工具和脚本（如cmake）可以正常工作。
按照官方的说法，SCALE实现了对CUDA的完全兼容，让开发者无需针对不同GPU平台分别编写代码。
这一点与AMD推出的HIP存在很大不同，因为HIP是通过一定方式对CUDA代码进行重写，遇到复杂的宏可能无法正确理解，也不支持内联PTX等专属语言。
甚至SCALE作者认为，HIP并不能解决CUDA兼容性问题。
另外，SCALE的语言是CUDA的超集，提供一些可选的语言扩展，可以使希望摆脱nvcc的开发者更轻松、更高效地编写GPU代码。
作者表示，希望未来开发者可以只编写一次代码，就能不同硬件平台上运行，并正在着手通过弥合流行的CUDA编程语言和其他硬件供应商之间的兼容性差距。
目前，SCALE对AMD各系列GPU的支持情况如下：
已支持：gfx1030（RX6000系列）和gfx1100（RX7000系列）
“似乎有效”（seem to work）：gfx1010（RX5000系列）和gfx1101
正在适配：gfx900（RX Vega系列）
另外，作者测试了一些CUDA开源项目，并利用SCALE成功运行了9款CUDA应用。
不过，SCALE毕竟是个全新的项目，所以作者也准备了从安装到编译的一系列教程，给出了不同类型的示例程序。
教程关键步骤都附有相关代码，甚至包括了如何判断自己GPU的型号，可以说是非常细致了。
如果使用过程中遇到问题，作者也介绍了常见故障的排除方式，同时还开通了Discord论坛，可与开发团队直接沟通交流。
打造出SCALE的这家初创公司名为Spectral Compute，2018年成立于英国，自称对CPU和GPU的架构有深入的了解，目标是帮助开发者高效利用算力资源。
网友：挑战英伟达护城河？
有网友认为，如果SCALE真能有（宣传中的）效果，那么将对英伟达护城河发起挑战，让AMD与之展开直接竞争。
不过，现在下定论未免为时过早，毕竟SCALE官方也承认目前和原版CUDA相比还存在一些缺陷。
而且开发者也明确表示有一些CUDA API和功能并不被支持，但也没有给出具体的列表。
关于“AMD方案”的更多不足，一名自称和SCALE团队交流过的网友表示，目前的SCALE还无法操作TensorCore，也就意味着AMD上跑不了FlashAttention加速框架。
另外由于N卡上有强大的矩阵乘法单元，所以即使能编译运行，AMD卡上的性能可能也不及N卡。
更有网友认为，英伟达一家独大的原因是AMD不愿意投资让其GPU拥有更高的机器学习性能（而不只是拥有CUDA这一个优势）。
即便能够高效运行，AMD卡是否真的经济实惠且容易获得，同样是一个问题。
还有一波网友的观点是，最大的问题不是技术上能不能运行，而是背后的法律问题。
这个问题同样引发了广泛的讨论，不过目前也暂未有定论。
有人认为SCALE像ZLUDA（另一种在AMD上运行CUDA程序的方式）一样存在法律疑点，有可能招致英伟达的诉讼。
具体来说，根据英伟达的EULA条款，CUDA SDK只允许开发在N卡上运行的应用程序，这可能禁止了类似SCALE这样的兼容实现。
但立马就又有网友说，SCALE并没有用到英伟达的“SDK”，何谈SDK使用协议呢？
总之，无论是技术不足还是法律问题，对于这个新工具的讨论都还在持续进行。
至于到底好不好用，这就要由开发者用脚投票了。
参考链接：
[1]https://docs.scale-lang.com/
[2]https://news.ycombinator.com/item?id=40970560
推荐阅读
欢迎大家加入DLer-计算机视觉技术交流群！
大家好，群里会第一时间发布计算机视觉方向的前沿论文解读和交流分享，主要方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。
进群请备注：研究方向+学校/公司+昵称（如图像分类+上交+小明）
👆 长按识别，邀请您进群！
1913
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
