Intel Arcを搭載したノートパソコンを購入したので、AI開発の低レイヤーライブラリーが動かないか試行錯誤したメモです。
記事内ではIntel GPUを使用した支援のXPUと呼称します。
タイトルとにらめっこしてたら微妙だったので変えました。

前提環境

ハードウェア

Intel GPUカードまたはIntel Core Ultra CPUを搭載しているマシン
- Intel® Arc™ B-Series Graphics
- Intel® Arc™ A-Series Graphics
- Intel® Core™ Ultra Series 2 Mobile Processors (Arrow Lake-H)
- Intel® Core™ Ultra Series 2 with Intel® Arc™ Graphics (Lunar Lake-V)
- Intel® Core™ Ultra Processors with Intel® Arc™ Graphics (Meteor Lake-H)

ソフトウェア

OS: Windows 11
グラフィックドライバ: とりあえず最新(Intel Arc Graphis Driver 32.0.101.6554)
Python: 3.12(今回はmise上にのせた)

TL;DR

手順はIntelが出してるこれに沿えば行ける。
でもmise+uv環境でどうにかしたい。
四苦八苦してuvでも動いた！

まずは普通にpipで

この項はIntel Extension for PyTorch Installation Guideのトレスです。
こちら(https://pytorch-extension.intel.com/installation) にアクセスして手順を表示しておきましょう。

Pythonが動く環境を何らかの方法で用意します。
- 先駆者がいろいろ記事を出しているのでここでは割愛

適当な開発ディレクトリにvenvを作ってアクティブ化する。

PS > python.exe -m venv .venv
PS > .\.venv\Scripts\activate
(.venv) PS >

Torchをインストールする(XPU指定)

PS > python -m pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/xpu
(いろいろ出力される)
Successfully installed MarkupSafe-2.1.5 dpcpp-cpp-rt-2025.1.1 filelock-3.20.0 fsspec-2025.12.0 intel-cmplr-lib-rt-2025.1.1 intel-cmplr-lib-ur-2025.1.1 intel-cmplr-lic-rt-2025.1.1 intel-opencl-rt-2025.1.1 intel-openmp-2025.1.1 intel-pti-0.12.3 intel-sycl-rt-2025.1.1 jinja2-3.1.6 mkl-2025.1.0 mpmath-1.3.0 networkx-3.6.1 numpy-2.3.5 onemkl-sycl-blas-2025.1.0 onemkl-sycl-dft-2025.1.0 onemkl-sycl-lapack-2025.1.0 onemkl-sycl-rng-2025.1.0 onemkl-sycl-sparse-2025.1.0 pillow-12.0.0 pytorch-triton-xpu-3.4.0 setuptools-70.2.0 sympy-1.14.0 tbb-2022.1.0 tcmlib-1.3.0 torch-2.8.0+xpu torchaudio-2.8.0+xpu torchvision-0.23.0+xpu typing-extensions-4.15.0 umf-0.10.0

Intelの手順通りに続けてintel-extension-for-pytorchをインストールしようとするとパッケージが足りないと怒られるので、psutilとpackagingをあらかじめインストールする。
```
(.venv) PS > python -m pip install psutil packaging
```

intel-extension-for-pytorch をインストール

(.venv) PS > python -m pip install intel-extension-for-pytorch==2.8.10+xpu --index-url https://pytorch-extension.intel.com/release-whl/stable/xpu/us/

これでPytorchが動くはず。テストスクリプトを動かす。

(.venv) PS > python -c "import torch; import intel_extension_for_pytorch as ipex; print(torch.__version__); print(ipex.__version__); [print(f'[{i}]: {torch.xpu.get_device_properties(i)}') for i in range(torch.xpu.device_count())];"

(初回実行時結構待ちます。5分ほどお待ちを…)

# こんなのが出ればOK
[0]: _XpuDeviceProperties(name='Intel(R) Arc(TM) 140T GPU (16GB)', platform_name='Intel(R) oneAPI Unified Runtime over Level-Zero', type='gpu', driver_version='1.6.31896', total_memory=16797MB, max_compute_units=128, gpu_eu_count=128, gpu_subslice_count=16, max_work_group_size=1024, max_num_sub_groups=128, sub_group_sizes=[8 16 32], has_fp16=1, has_fp64=1, has_atomic64=1)

おめでとうございます。これでIntel GPUの支援下でTorchが使えます。

uv環境でこの環境を作成する

AI開発でPythonはuvで管理されている方も多いと思います。
ネイティブにインストールしたPythonだと不便なのでこれをuv環境下に移植します。

uvはパッケージの依存管理が厳密

pipでは管理がかなり緩いため、前項のようにサクッと動きましたがuvではそうサクッとは行きません。

結論

intel-extension-for-pytorch関連で403エラーが頻発するので、uvの時点で管理する物を明示しています。

pyproject.toml

[build-system]
requires = ["hatchling"]
build-backend = "hatchling.build"

[project]
name = "Your-Torch-XPU-Project"
version = "0.1.0"
description = "Intel XPU Environment"
requires-python = ">=3.12"
dependencies = [
    "markupsafe==2.1.5",
    "filelock==3.20.0",
    "jinja2==3.1.6",
    "networkx==3.6.1",
    "numpy==2.3.5",
    "pillow==12.0.0",
    "psutil==7.2.1",
    "mpmath==1.3.0",
    "sympy==1.14.0",

    # --- Torch (XPU) ---
    "torch==2.8.0",
    "torchaudio==2.8.0",
    "torchvision==0.23.0",

    # --- IPEX (Intel Extension) ---
    "intel-extension-for-pytorch==2.8.10+xpu",
]

[tool.uv]
package = false

# --- 1. PyTorch公式 XPUリポジトリ ---
[[tool.uv.index]]
name = "pytorch-xpu"
url = "https://download.pytorch.org/whl/xpu"
explicit = false  # これにより triton 等の隠れた依存関係が見つかるようになりました

# --- 2. Intel公式 IPEXリポジトリ ---
[[tool.uv.index]]
name = "intel-ipex"
url = "https://pytorch-extension.intel.com/release-whl/stable/xpu/us/"
explicit = true   # 403回避のために管理

# --- ソース割り当て ---
[tool.uv.sources]
# PyTorch関連
torch = { index = "pytorch-xpu" }
torchaudio = { index = "pytorch-xpu" }
torchvision = { index = "pytorch-xpu" }

# IPEX
intel-extension-for-pytorch = { index = "intel-ipex" }

ここまで出来れば uv sync でサクッと環境が作れます。

PS > uv sync
Using CPython 3.12.12 interpreter at: C:\Users\me\AppData\Local\mise\installs\python\3.12.12\python.exe
Creating virtual environment at: .venv
Resolved 39 packages in 2.22s
Installed 35 packages in 2.75s

ベンチマーク

CPUで演算した場合とIntel GPU(XPU)で演算した場合の差を計測しました。

ベンチマークスクリプト

Geminiに作って貰いました。
処理内容は「行列積（Matrix Multiplication）」を行い、CPUとXPU（Intel GPU）の演算速度を比較するものです。

行列のサイズを変えることで処理を大小を変えられます。

benchmark_xpu.py

import torch
import intel_extension_for_pytorch as ipex
import time
import sys

def run_benchmark():
    # --- 設定 ---
    # 行列のサイズ (N x N)
    MATRIX_SIZE = 16384
    
    print(f"--- Intel XPU Benchmark Environment ---")
    print(f"Python: {sys.version.split()[0]}")
    print(f"Torch:  {torch.__version__}")
    print(f"IPEX:   {ipex.__version__}")
    
    if not torch.xpu.is_available():
        print("Error: XPU device not found!")
        return

    device_name = torch.xpu.get_device_properties(0).name
    print(f"Device: {device_name}")
    print("-" * 40)
    print(f"Task: Matrix Multiplication ({MATRIX_SIZE}x{MATRIX_SIZE}) Float32")
    print("-" * 40)

    # --- 1. CPUでの計測 ---
    print("Running on CPU... (Please wait)")
    try:
        # データ作成
        a_cpu = torch.randn(MATRIX_SIZE, MATRIX_SIZE, device="cpu")
        b_cpu = torch.randn(MATRIX_SIZE, MATRIX_SIZE, device="cpu")

        # 修正点: ipex.optimize はモデルがない場合エラーになることがあるため削除
        # import intel_extension_for_pytorch している時点で
        # OneDNNなどの基本的なCPU最適化は自動的に有効になっています。

        # ウォームアップ
        _ = torch.matmul(a_cpu, b_cpu)

        # 計測開始
        start_time = time.time()
        c_cpu = torch.matmul(a_cpu, b_cpu)
        cpu_time = time.time() - start_time
        
        print(f"CPU Time: {cpu_time:.4f} sec")

    except Exception as e:
        print(f"CPU Benchmark Failed: {e}")
        # 詳細なエラートレースを表示したい場合はコメントアウトを外す
        # import traceback
        # traceback.print_exc()
        cpu_time = float('inf')

    print("-" * 20)

    # --- 2. XPU (GPU) での計測 ---
    print("Running on XPU... (Please wait)")
    try:
        # データ作成 (XPUへ転送)
        a_xpu = torch.randn(MATRIX_SIZE, MATRIX_SIZE, device="xpu")
        b_xpu = torch.randn(MATRIX_SIZE, MATRIX_SIZE, device="xpu")

        # ウォームアップ
        _ = torch.matmul(a_xpu, b_xpu)
        torch.xpu.synchronize() # 処理完了を待つ

        # 計測開始
        start_time = time.time()
        c_xpu = torch.matmul(a_xpu, b_xpu)
        torch.xpu.synchronize() # 処理完了を待つ
        xpu_time = time.time() - start_time

        print(f"XPU Time: {xpu_time:.4f} sec")

    except Exception as e:
        print(f"XPU Benchmark Failed: {e}")
        xpu_time = float('inf')

    # --- 結果表示 ---
    print("=" * 40)
    if xpu_time < cpu_time and cpu_time != float('inf'):
        speedup = cpu_time / xpu_time
        print(f"Result: XPU is {speedup:.2f}x faster than CPU 🚀")
    elif cpu_time == float('inf'):
         print("Result: CPU Failed, but XPU is working perfectly! 🚀")
    else:
        print("Result: CPU was faster (Increase matrix size?)")
    print("=" * 40)

if __name__ == "__main__":
    run_benchmark()

ベンチマーク結果

CPUで処理するより、 XPUで処理した方が3.5倍ほど高速になりました！ (ﾉ´∀｀)ﾉ
Nvidia GPUと比較すれば非力ですが、大分普及したいわゆるAIパソコンのリソースを開発に活用できるのはとても喜ばしいことかと思います！

--- Intel XPU Benchmark Environment ---
Python: 3.12.12
Torch:  2.8.0+xpu
IPEX:   2.8.10+xpu
Device: Intel(R) Arc(TM) 140T GPU (16GB)
----------------------------------------
Task: Matrix Multiplication (16384x16384) Float32
----------------------------------------
Running on CPU... (Please wait)
CPU Time: 9.9230 sec
--------------------
Running on XPU... (Please wait)
XPU Time: 2.8024 sec
========================================
Result: XPU is 3.54x faster than CPU 🚀
========================================

開発の仕方

XPU環境ではTorchを使用したPythonスクリプトを書く際に次のようにインポートすれば良いようです。

import torch
import intel_extension_for_pytorch as ipex

後は普段通りにtorchを呼べばOK

まとめ

近年は家電量販店でAI PCと呼ばれるパソコンが普及してきました。
しかしローカルで実用的に動作するAIモデルはまだまだ少なく、一部のソフトウェアの機能支援に使われる程度に留まっています。

これをAI製品開発に有効活用できれば良いのにを思いながら、WindowsノートPCを買い換えたのでチャレンジしてみました。
Nvidia GPU・CUDAと比較すれば動作安定性や開発ツールの整備はまだまだだなと感じますがTorchなどAI開発における低レイヤー部分が動けば趣味レベル～PoCレベルでは十分に価値があるのではないでしょうか。

手元のPCのリソース活用につながれば幸いです。
誤りがあれば優しく教えてください。