AMD Silo AI 与拜耳在医药研发基础模型规模化部署方面达成关键里程碑

在此次联合开发项目中，拜耳基于 AMD Instinct GPU 加速器部署面向组织病理学的大规模基础模型，显著提升规模化训练吞吐量。

医药研发会产生海量高分辨率图像数据，但要将这些数据转化为富有实用价值的分析洞见，关键在于训练能够从数十亿个组织切片中学习的基础模型。为应对这一挑战，拜耳自行开发专为数字化组织病理学设计的大型视觉模型，该模型采用自监督方式进行训练。若要将该模型投入规模化商用，需在数百块 GPU 上稳定训练模型，同时确保稳定性能、高效硬件利用率，以及适配新型加速器的灵活拓展能力。通过与 AMD Silo AI 合作，拜耳取得了一个关键里程碑：一条完整部署并经过调优的训练流水线在 AMD Instinct GPU 上稳定运行，其改进的方案相比拜耳现有的高性能计算环境实现了显著吞吐量提升。

在 AMD Instinct GPU 上部署生产级组织病理学模型

拜耳的训练流水线已在 AMD Instinct GPU 上完成端到端部署。该构建环境可直接基于 AMD ROCm 软件栈开箱即用，无需修改任何代码。这种无缝部署切实表明 ROCm 软件栈已走向成熟，可充分降低将大型训练工作负载迁移至新基础设施的相关风险和成本。

在环境就绪后，双方的合作迅速从赋能转向优化，着力解决影响真实医药研发工作负载在生产环境（而非供应商基准测试）中实际表现的系统级问题。

“数字化组织病理学的基础模型规模化训练，既是建模问题，同样也是系统问题。通过与 AMD Silo AI 团队并肩作战，我们成功将基于 DINOv2 的训练流水线部署在 AMD Instinct GPU 上，并使用公开的训练数据子集完成了性能评估。达成这一里程碑让我们确信，AMD 硬件是我们下一代研究基础设施的可靠选择。”，拜耳项目负责人兼研究科学家 Adrian Wolny 如此表示。

联合开发是本次合作的核心。AMD Silo AI 的工程师们不只是提供基础设施，他们还与拜耳并肩作战，将数字化组织病理学模型训练栈部署在 AMD Instinct GPU 上，并为整个流水线配备性能分析工具，以便精准衡量而非主观推测性能表现，并基于这些测量结果为拜耳团队提供切实可行的训练改进方案。

联合开发项目达成有基准测试支撑的里程碑

拜耳与 AMD Silo AI 为该里程碑设定了三大核心目标：端到端部署拜耳的 DinoV2 训练流水线、生成可信的多 GPU 与多节点性能数据，以及将积累的经验反哺到拜耳自身的开发工作流程中。‎

AMD Silo AI 针对 AMD Instinct GPU 提供了支持 FSDP 的训练方案，与拜耳现有的高性能计算环境相比，大幅提升了吞吐量。关键赋能技术包括通过 xFormers 实现的显存高效注意力机制（在 AMD GPU 上开箱即用），同时团队评估了多种并行策略，筛选出最适配拜耳模型规模与集群拓扑架构的方案。

对拜耳而言，这意味着其可依托一套经过验证、吞吐量更高的方案，基于 AMD Instinct GPU 完成数字组织病理学基础模型训练与迭代，同时能获取经团队真实工作负载验证的专家支持；整套系统是针对大规模医药研发场景协同定制，而非基于脱离实际场景的通用基准测试打造。对 AMD Silo AI 而言，该项目充分展现了公司的技术实力：可基于客户现有模型代码，在 AMD 硬件上完成顺畅部署，并在可靠性与可复现性要求严苛、不容妥协的行业场景中，实现可量化的性能提升。

双方合作将继续推进，下一阶段的工作重点包括：开展数据扩容实验，使用拜耳更大范围的数字组织病理学数据集进行模型训练；在 AMD Instinct GPU 上进一步拓展多节点规模；持续联合开发优化方案，支持拜耳长期模型训练路线图。

关于拜耳

拜耳是一家全球性企业，在医疗和营养等生命科学领域拥有核心竞争力。在制药事业部，拜耳大力投资数字化组织病理学和药物研发领域的先进 AI 与基础模型，旨在加速研发进程并改善患者治疗效果。