لمدة خمس سنوات كانت الإجابة بسيطة: إذا كنت تريد الذكاء الاصطناعي، فاشترِ Nvidia. كان تقدم برنامج CUDA هائلاً للغاية لدرجة أن ميزة أجهزة AMD على الورق لم تُترجم أبدًا إلى سير عمل حقيقي. في عام 2026، لم يعد هذا صحيحًا تمامًا - ولكنه أيضًا ليس خاطئًا تمامًا.
قمنا بتشغيل أعباء عمل الذكاء الاصطناعي نفسها على جهاز Radeon RX 7900 XTX (24 جيجابايت، ROCm 6.3) وRTX 4090 (24 جيجابايت، CUDA 12.6). نفس المطالبات ونفس الطرازات ونفس الجهاز. إليك ما حدث بالفعل.
أبرز الاستنتاجات
- للاستدلال (LLMs، الانتشار المستقر): أصبحت ROCm الآن قابلة للإنتاج على 7900 XTX. 10-25% أبطأ من CUDA، ولكنها تعمل.
- للتدريب/الضبط الدقيق: لا تزال CUDA تفوز في معظم عمليات سير العمل. يحتوي ROCm على ثغرات في كود البحث الجديد.
- للأوراق ذات الحواف النازفة: يتم إسقاط كود CUDA فقط أسبوعيًا؛ ويتبع ذلك دعم ROCm خلال 2-4 أسابيع.
- بالنسبة لبناة الذكاء الاصطناعي للمستهلكين: 7900 XTX 7900 XTX في $900 مع 24 جيجابايت هو بديل حقيقي لـ 4090 المستخدم $1300.
- لقد أغلقت الفجوة بما يكفي لجعل AMD “خيارًا حقيقيًا” في عام 2026 - ولكن ليس بما يكفي للتخلف عن الركب.
ما الذي تغير في عام 2026
جلبت ROCm 6.3 ثلاثة أشياء مهمة:
1. PyTorch ليلي + 6.3 + 7900 XTX = يعمل في الغالب فقط. قبل عامين، كنت بحاجة إلى صور Docker، و env vars غريبة، والحظ. أما الآن pip install torch --index-url=https://download.pytorch.org/whl/rocm6.3 وLlama 3 8B يتدرب من المحاولة الأولى.
2. تطابق الواجهة الخلفية لـ llama.cpp ROCm الخلفية مع مسارات Metal/CUDA للأداء على النماذج الكمية. بعض أعباء العمل في حدود 5% من CUDA على أجهزة مكافئة.
3. أضاف vLLM 0.7+ دعم ROCm الرسمي. يمكن الآن تشغيل الخوادم الاستدلالية للإنتاج على AMD بدون شوكات أو تصحيحات.
ما لم يتغير: لا تزال التعليمات البرمجية البحثية المتطورة تعتمد على CUDA أولاً. تُشحن الأوراق الجديدة مع تثبيت نقطة تثبيت -r requirements.txt التي تسحب تريتون, فلاش-آتن, أو إكسفورمرز - وكلها لا تزال تحتاج إلى نقل أو إنشاءات ROCm مجتمعية.
مقارنة عبء العمل بالذكاء الاصطناعي (RX 7900 XTX مقابل RTX 4090، كلاهما بسعة 24 جيجابايت)
| الحمل الوظيفي | RX 7900 XTX (RX 7900 XTX) (ROCm 6.3) | RTX 4090 (CUDA 12.6) | Δ |
|---|---|---|---|
| نماذج لاما 3 بسعة 8 مليار معلمة، كمية التكميم Q4 (عدد التوكنات/الثانية) | 98 | 122 | CUDA+24% |
| لاما 3 70B 70B Q4 (t/s) | 13.6 | 16.4 | CUDA +21% +21% |
| Qwen 2.5 32B 32B Q5 (t/s) | 32 | 40 | CUDA+25% |
| SDXL بدقة 1024×1024 (تكرار/ثانية) | 14.2 | 18.3 | CUDA +29% +29% |
| FLUX.1 dev (تكرار/ثانية) | 1.6 | 2.2 | CUDA +38% +38% |
| لاما 3 8 ب 8 ب لورا (1 حقبة زمنية) | 2 ساعة و32 دقيقة | 1 ساعة و51 دقيقة | CUDA +37% +37% |
| الضبط الدقيق ل BERT (1 حقبة زمنية) | الأعمال | الأعمال | ~25% أبطأ |
النمط المتكرر هو: الاستدلال أقرب، والتدريب وتوليد الصور لصالح CUDA أكثر. هذا أمر منطقي - يهيمن عرض النطاق الترددي للذاكرة على الاستدلال (حيث تتشابه البطاقتان) بينما يعتمد التدريب وتوليد الصور على FlashAttention 2.5 والتحسينات الأخرى الخاصة بـ CUDA التي لم تتوافق مع ROCm بشكل كامل.
نظرة عامة على مراكز البيانات: MI300X / MI355X مقابل H100 / B200
تركز معظم النقاشات حول “ROCm مقابل CUDA” على بطاقات الرسومات المخصصة للمستهلكين، لكن الفجوة تقلصت بأسرع وتيرة في المجال الذي تنافس فيه AMD بأشد قوة — مراكز البيانات. Instinct من AMD MI300X والأحدث MI355X هي تلك الرقائق التي دفعت الحوار إلى اتخاذ منحى جديد.
عند MLPerf Inference 6.0 (النتائج نُشرت في 1 أبريل 2026)، حقق معالج MI355X أفضل أداء على الإطلاق لشركة AMD — حيث اقترب بفارق نقاط مئوية من خانة واحدة من أداء معالج B200 من Nvidia في أحمال عمل الاستدلال على الخوادم. أما بالنسبة للاستدلال القياسي لنماذج اللغة الكبيرة (LLM) على PyTorch وvLLM، فإن معدل ROCm على الأجهزة من فئة MI300X يصل الآن إلى ما يقارب 90–95% من معدل إنتاج H100. وبشكل عام، انخفض متوسط فجوة الاستدلال إلى حوالي 20%، وهو أضيق مستوى سُجل على الإطلاق.
هناك عاملان يضمنان بقاء CUDA في الصدارة في الفئة الراقية:
- لا تزال شركة «إينفيديا» هي المفضلة في مجال التدريب. تتسع الفجوة في عمليات التدريب واسعة النطاق، حيث تظل أدوات CUDA المتطورة المخصصة للعمل مع وحدات معالجة الرسومات المتعددة (NCCL، Transformer Engine، وصفات FP8) أكثر سلاسة من نظيراتها في ROCm.
- المكتبات الخاصة بـ CUDA. لا توجد حتى الآن نظائر كاملة لـ ROCm لأحمال العمل المبنية على TensorRT-LLM أو FlashAttention 3، لذا فإن أي شيء مرتبط بهذه المجموعات يتطلب جهدًا إضافيًا عند نقلها إلى منصة AMD.
الجانب الإيجابي: ستوفر كل من PyTorch وvLLM وSGLang دعمًا رسميًا لـ ROCm في عام 2026، مما يعني أن مسارات الاستدلال الأكثر شيوعًا ستعمل فورًا دون الحاجة إلى إعدادات إضافية. الملخص الصريح لمشتري مراكز البيانات هو نفسه بالنسبة لمصنعي أجهزة الكمبيوتر المكتبية — تظل Nvidia هي الخيار الافتراضي، لكن AMD أصبحت الآن خيارًا موثوقًا به بدلاً من أن تكون مجرد حل وسط.
حيث تفوز ROCm
هناك أماكن تتفوق فيها AMD على Nvidia في عام 2026:
- تجربة Linux الأصلية. تم تصميم ROCm لنظام لينكس أولاً. CUDA على لينكس جيد ولكن برامج تشغيل Nvidia تسبب أحيانًا مشاكل في النواة.
- روح المصدر المفتوح. مكدس ROCm الكامل مفتوح. CUDA مغلقة. مهم إذا كنت تهتم.
- السعر لكل VRAM للاستدلال. RX 7900 XTX بسعر $900 جديد مع 24 جيجابايت من الإيقاعات RTX 5070 Ti ($749، 16 جيجابايت) وتقترب من RTX 4090 ($1300، 24 جيجابايت) المستعملة من حيث السعر.
- كفاءة الطاقة في بعض أعباء العمل (RX 7900 XTX TDP 355 واط مقابل 4090 450 واط).
حيث تفوز CUDA (لا تزال)
- اتساع منظومة البرمجيات. TensorRT-LLM و NVIDIA NIM و NeMo و Megatron و FlashAttention و xformers - CUDA فقط.
- توافر السحابة. تعمل كل من AWS وGCP وAzure على دفع CUDA. مثيلات AMD موجودة ولكنها من الدرجة الثانية.
- وقت البحث إلى وقت التشغيل. تعمل مستودعات GitHub للأبحاث الجديدة في اليوم الأول مع CUDA. غالبًا ما تنتظر ROCm أسابيع.
- أجهزة عالية المستوى. H100 وH200 وH200 وB200 ليس لها مثيل من AMD بأسعار المستهلكين. قمة المكدس الاستهلاكي: RX 7900 XTX مقابل RTX 5090 ليست منافسة.
- مساحة سطح الحشرة. ينتج أحيانًا عن كود ROCm + كود نزيف الحافة أخطاء عددية صامتة. كان لدى CUDA عقد من الزمن للتخلص منها.
المزايا والعيوب
AMD ROCm في عام 2026
- قابل للإنتاج قابل للاستدلال
- كومة كاملة مفتوحة المصدر ومفتوحة المصدر
- سعر ثابت لكل VRAM
- يعمل PyTorch + llama.cpp + vLLM جميعًا
حدود AMD ROCm
- 10-25% أبطأ من CUDA عند التكافؤ
- كود البحث الجديد يحتاج إلى نقل
- لا توجد بطاقة استهلاكية متطورة (لا توجد بطاقة AMD 5090 مكافئة)
- مجتمع أصغر، عدد أقل من المرشدين
التوصية حسب نوع المستخدم
- أنت تبني استدلال الذكاء الاصطناعي للإنتاج وتهتم بالتكلفة: AMD خيار حقيقي. يمكن أن يوفر RX 7900 XTX أو Instinct MI300X (مركز البيانات) أموالاً طائلة.
- أنت تجري بحثاً باستخدام نماذج جديدة تماماً: ابق على CUDA. إن توفير $400 لا يستحق خسارة أسبوع أو أسبوعين من تصحيح مشاكل البيئة.
- أنت هاوٍ لتعلم القانون المحلي: كلاهما يعملان. اختر السعر/ذاكرة الوصول العشوائي أولاً.
- أنت تقوم بضبطها بانتظام: CUDA. لا تزال الفجوة في جانب التدريب ذات مغزى في عام 2026.
- أنت متوافق فلسفيًا مع المصدر المفتوح: AMD. إنها الآن جيدة بما يكفي للتصويت بمحفظتك.
منظور السحابة: استئجار ROCm مقابل CUDA بالساعة
شراء وحدة معالجة رسومات (GPU) ليس سوى خيار واحد من بين خيارات عديدة. فإذا كان حجم العمل الذي تقوم به يتسم بالتقلبات، أو كنت ترغب فقط في اختبار ROCm قبل اتخاذ قرار نهائي، فقد أصبحت أسعار خدمات السحابة القائمة على وحدات معالجة الرسومات (GPU) بهدوء المجال الذي تتمتع فيه AMD بأقوى موقف في عام 2026 — لأن المقارنة هنا تتعلق بالتكلفة لكل توكن، وليس بنضج النظام البيئي.
على مستوى المستهلك، تتوفر كلتا البطاقتين بأسعار منخفضة وبكميات وفيرة. وعلى منصات السحابة التجارية مثل Vast.ai، يمكنك استئجار بطاقة RX 7900 XTX أو RTX 4090 مقابل ما يقارب $0.30–$0.55/ساعة, ، شريطة توفر المخزون. وبهذه الأسعار، فإن العجز في قدرة الاستدلال البالغ حوالي 20% يكاد لا يُلاحظ؛ فأنت تدفع ثمن البطاقة الأبطأ لفترة أطول قليلاً ثم تمضي قدماً. هذه هي الطريقة الأقل مخاطرة لتجربة ROCm: قم بتشغيل صورة Docker الخاصة بـ ROCm، وشغّل نموذجك، ثم قم بإيقافها دون شراء أي شيء.
تتسم المرحلة المتعلقة بمراكز البيانات بأن الحسابات فيها تصبح مثيرة للاهتمام. وفيما يلي الأرقام الرئيسية:
| النظام المتري | AMD MI300X (192 جيجابايت) | Nvidia H100 (80 جيجابايت) |
|---|---|---|
| السعر الأدنى للسحابة | ~$1.85–$1.99/ساعة | ~$1.38–$1.74/ساعة |
| التكلفة لكل غيغابايت من ذاكرة VRAM | ~$0.010/GB | ~$0.022/GB |
| الأفضل في | النماذج الكبيرة، أحجام الدُفعات الكبيرة | زمن انتقال الدُفعات الصغيرة، مجموعة واسعة من الأدوات |
بالساعة، عادةً ما يكون سعر H100 أرخص. يبلغ سعر جهاز MI300X، لكل غيغابايت من الذاكرة، نصف السعر تقريبًا — وهذا يقلب النتيجة بالنسبة لاستدلال نماذج اللغة الكبيرة (LLM) المقيدة بالذاكرة. فتركيب نموذج يزيد حجمه عن 70 مليار معادلة على بطاقة واحدة سعة 192 جيجابايت يتجنب العبء الإضافي المترتب على المعالجة المتوازية للتنسور، بالإضافة إلى تكلفة الشبكة الناتجة عن تقسيمه بين بطاقتي H100 سعة 80 جيجابايت لكل منهما. في الاختبارات المعيارية المنشورة، تظل بطاقة MI300X في نطاق 10–151 TP3T مقارنةً ببطاقة H100 في معظم أحمال عمل المحولات، وتنافسها بقوة عند أحجام الدُفعات الصغيرة، وتتقدم عليها بوضوح عند أحجام الدُفعات التي تبلغ 256 أو أكثر، أو في النماذج الضخمة جدًّا مثل Llama 3 405B.
المشكلة هي نفسها التي تطارد قطاع أجهزة الكمبيوتر المكتبية: التوافر والأدوات. فقدرة AMD السحابية محدودة، ومركزة في عدد قليل من مزودي الخدمة، ولا تزال تحسينات فئة TensorRT-LLM مقتصرة على CUDA فقط. ولكن إذا كنت تقوم بتشغيل نموذج ضخم على نطاق واسع وكانت منصة التطبيقات الخاصة بك تعمل على vLLM أو SGLang، فإن استئجار MI300X يمكن أن يقلل فعليًّا من التكلفة لكل مليون رمز — وهو المجال الوحيد الذي تظهر فيه ميزة أجهزة AMD أخيرًا في فاتورتك.
الأسئلة الشائعة
Is ROCm faster than CUDA?
No—CUDA is still faster than ROCm across nearly every workload. On the RX 7900 XTX versus RTX 4090, CUDA leads by roughly 21–24% on Llama 3 inference, 29% on SDXL image generation, and 37% on LoRA training. Data-center ROCm on MI300X closes to about 90–95% of H100 throughput, but never overtakes it.
هل يمكنني بالفعل تدريب LLMs على وحدات معالجة الرسومات AMD في عام 2026؟
نعم، في الغالب. يدعم PyTorch + ROCm 6.3 البنى الرئيسية (Llama وMistral وQwen) لضبط LoRA بدقة خارج الصندوق. يعمل الضبط الدقيق الكامل ولكن أبطأ بـ 30-401 تيرابايت 3 تيرابايت من مكافئات CUDA. أين ستصطدم بالحواجز: التقنيات التي تتطلب نواة CUDA مخصصة (DeepSpeed ZeRO-Infinity، وبعض متغيرات الانتباه، وبعض مكتبات التكميم) قد لا تحتوي على مكافئات ROCm حتى الآن.
هل RX 7900 XTX أسرع حقًا من RTX 3090 للذكاء الاصطناعي؟
بالنسبة للرمز، فإن 7900 XTX أسرع بحوالي 5-81 تيرابايت أسرع من 3090 في أعباء عمل الاستدلال (كلاهما 24 جيجابايت). بالنسبة للانتشار المستقر فهما متعادلتان تقريبًا. يفوز 7900 XTX على كفاءة الطاقة (355 واط مقابل 350 واط مع أداء أفضل لكل واط) والضوضاء. لكن 3090 يفوز في النظام البيئي (CUDA)، والتسعير المستخدم ($700 مقابل $900 الجديد)، ودعم المجتمع.
هل لدى AMD إجابة على RTX 5090؟
ليس في المستهلك. لا يستهدف الجيل الرابع من AMD RDNA 4 من AMD (المعلن عنه لعام 2026 ولكن تم تغيير إصدار المستهلك) فئة ذاكرة الوصول العشوائي VRAM >32 جيجابايت. إن مطرقة الذكاء الاصطناعي الخاصة بهم هي Instinct MI300X (192 جيجابايت) و MI400 القادمة، ولكن هذه بطاقات مركز البيانات التي تبدأ من $15K+، وليست بدائل للمستهلكين.
هل يجب أن أنتقل من Nvidia إلى AMD في 2026؟
فقط إذا كان لديك سبب محدد. إذا كان إعداد Nvidia الحالي الخاص بك يعمل، فإن التبديل يكلف 2-4 أسابيع من التعلم + خطر الوقوع في كود غير متوافق مع ROCm. الخطوة الصحيحة هي اشترِ AMD إذا كانت وحدة معالجة الرسومات التالية وكانت حسابات السعر/ذاكرة الوصول العشوائي (VRAM) هي الأفضل لأعباء العمل لديك - عدم ترحيل الإعدادات الحالية.
ماذا عن Intel Arc للذكاء الاصطناعي؟
يعمل Intel Arc B580 (12 جيجابايت، $249) مع OpenVINO + IPEX-LLM ويشغل Llama 3 8B بسرعة 38 ت/ثانية تقريبًا. إنه بديل اقتصادي ولكن النظام البيئي للبرامج أرق من ROCm. مفيد للترقيع وليس للعمل الجاد. انظر دليل وحدات معالجة الرسومات المُخصَّصة للذكاء الاصطناعي ضمن الميزانية للحصول على التفاصيل.
هل سيكون نظام ROCm جاهزًا للإنتاج في عام 2026؟
بالنسبة إلى PyTorch والاستدلال باستخدام vLLM، نعم. وصلت ROCm إلى مرحلة الإنتاج لهذه المجموعات في عام 2026، مع دعم رسمي من PyTorch و vLLM و SGLang. وهي أقل نضجًا فيما يتعلق بالتدريب على نطاق واسع وأي شيء يعتمد على مكتبات تعمل بنظام CUDA فقط مثل TensorRT-LLM.
ما مدى تقارب ROCm مع CUDA في عمليات الاستدلال على النماذج اللغوية الكبيرة (LLM)؟
على أجهزة مراكز البيانات (MI300X / MI355X)، يصل ROCm إلى ما يقارب 90–95% من معدل نقل البيانات لبطاقة H100 في عمليات الاستدلال القياسية باستخدام PyTorch/vLLM، وقد حقق MI355X أداءً يقارب أداء بطاقة B200 من Nvidia بنسبة مئوية من خانة واحدة في اختبار MLPerf Inference 6.0. ويبلغ متوسط الفارق في الاستدلال حاليًا حوالي 20% — وهو الأصغر على الإطلاق.
هل يعمل ROCm مع Stable Diffusion؟
نعم. يعمل Stable Diffusion على ROCm عبر PyTorch، وتحتوي واجهات المستخدم الشائعة (ComfyUI وAutomatic1111) على مسارات ROCm فعالة. توقع أن تكون عملية الإعداد أكثر تعقيدًا قليلاً مقارنة بتجربة CUDA التي تعمل بمجرد التوصيل، لكن إنشاء الصور هو أحد أحمال العمل التي تُعد فيها AMD الأكثر فائدةً في الوقت الحالي.
هل يعمل برنامج ROCm على نظام ويندوز حتى الآن، أم ما زلت بحاجة إلى نظام لينكس؟
كلا الأمرين، مع وجود شرط. اعتبارًا من عام 2026، ستقوم AMD بتوفير حزم PyTorch الرسمية المبنية على ROCm 7.2.1 والتي تعمل بشكل أصلي على نظام Windows لأجهزة Radeon وRyzen المخصصة للذكاء الاصطناعي، كما أن ROCm-on-WSL2 قد نضجت بشكل كبير. وهذا يغطي معظم عمليات الاستدلال المحلي والضبط الدقيق. لكن كامل لا تزال حزمة ROCm — التي تضم جميع المكتبات وأدوات تحليل الأداء والأدوات ذات المستوى الأدنى — تُعتمد في المقام الأول على نظام لينكس، كما أن العديد من مشاريع الذكاء الاصطناعي التي يطورها المجتمع تفترض وجود بيئة لينكس. بالنسبة للمستخدمين العاديين نموذج لغوي كبير محلي (local LLM) أصبح الآن من الممكن العمل باستخدام نظام ويندوز الأصلي أو WSL2؛ أما بالنسبة لأعمال التطوير الجادة أو أي مشاريع خارجة عن المألوف، فإن تثبيت نظام لينكس الأصلي يظل الخيار الأسهل.
هل استئجار وحدة معالجة رسومات AMD عبر السحابة أرخص أم شراء بطاقة 7900 XTX؟
يعتمد ذلك بشكل شبه كامل على معدل الاستخدام. شهدت أسعار بطاقات RX 7900 XTX الجديدة تقلبات في عام 2026 — حيث تراوحت عادةً بين $800–$1,000، على الرغم من أن الأسعار في العروض الترويجية والوحدات المستعملة تنخفض إلى ما دون ذلك — في حين أن استئجار بطاقة استهلاكية مكافئة يكلف حوالي $0.30–$0.55/ساعة. يقع نقطة التعادل التقريبية في مكان ما بالقرب من 1,500–3,000 ساعة من الاستخدام الفعلي، لذا إذا كنت ستبقي البطاقة مشغولة لعدة أشهر، فإن الشراء يكون الخيار الأفضل بكثير وستصبح مالكًا للجهاز. إذا كان استخدامك متقطعًا أو تجريبيًا أو متذبذبًا، فإن الاستئجار يتجنب النفقات الرأسمالية، ويتجنب الاستهلاك، ويسمح لك بالانتقال إلى جهاز MI300X أكبر حجمًا عندما تتطلب المهمة فعليًا سعة 192 جيجابايت. اشترِ الجهاز لأحمال العمل المحلية الثابتة؛ واستأجره للتجربة أو للاستخدام المكثف.
ما مدى صعوبة الانتقال من CUDA إلى ROCm في الواقع العملي؟
بالنسبة لشفرة PyTorch العادية، فإن الأمر أسهل بكثير مما توحي به سمعتها — حيث تعمل معظم البرامج النصية دون أي تعديل لأن طبقة HIP في ROCm تتولى معالجتها cuda يقوم الجهاز باستدعاء هذه الأوامر وتوجيهها إلى برنامج تشغيل AMD؛ ما عليك سوى تبديل عجلة التثبيت والانطلاق. تكمن الصعوبة في نوى CUDA المخصصة والمكتبات المخصصة لـ CUDA فقط. تقوم أدوات HIPIFY من AMD (hipify-clang و hipify-perl) بترجمة الجزء الأكبر من كود CUDA المكتوب يدويًّا إلى HIP آليًّا، ولكن توقع الحاجة إلى تنظيف يدوي ومراجعة دقيقة للتأكد من صحة الكود بعد ذلك. قم بالنقل تدريجيًّا، واختبر كل قسم على حدة، وخصص وقتًا كافيًّا لأي تبعيات تأتي مع نواة خاصة بها.
الخلاصة
الفجوة بين CUDA-ROCm في عام 2026 هي أصغر مما كانت عليه في أي وقت مضى - حوالي 201 تيرابايت 3 تيرابايت في المتوسط للاستدلال، وأكبر من ذلك للتدريب، وتقترب من الصفر لأعباء العمل الاستهلاكية الأكثر شيوعًا. منذ ثلاث سنوات، كانت “Nvidia للذكاء الاصطناعي” أمرًا لا يحتاج إلى تفكير، أما اليوم، لا تزال “Nvidia للذكاء الاصطناعي” هي الإجابة الافتراضية ولكنها ليست الإجابة الوحيدة الموثوقة.
إذا كنت تقوم بالبناء اليوم، فإن الإجابة العملية لا تزال CUDA لمعظم المستخدمين - ويرجع ذلك في المقام الأول إلى اتساع نطاق البرامج، وليس الأداء الخام. إذا كنت تقدر النظم الإيكولوجية المفتوحة على وجه التحديد، أو تحتاج إلى أقصى قدر من ذاكرة الوصول العشوائي لكل دولار جديدة، أو كنت تبني استدلالًا على نطاق واسع حيث تتألق خيارات AMD السحابية وخيارات مركز البيانات، فقد حصلت ROCm على مقعد حقيقي على الطاولة.
انتهى أخيرًا الاحتكار الذي دام عقدًا من الزمن. وبدأ الانتقال منه بعد خمس سنوات.
