Intel memperkenalkan rincian terbaru GPU D Series sebagai solusi komputasi kecerdasan buatan yang dirancang untuk menangani pemrosesan AI dengan kebutuhan memori besar. Dalam ajang Open Compute Project Global Summit pada 12 Oktober 2026, perusahaan tersebut mengungkap kemampuan akselerator yang sebelumnya dikenal dengan nama kode Crescent Island. GPU berbasis arsitektur Xe3P ini menawarkan kapasitas memori LPDDR5X hingga 480 GB, bandwidth 1,5 TB/s, dan kemampuan komputasi hingga 1,3 petaflops FP8. Kehadirannya memperlihatkan strategi Intel dalam mengembangkan teknologi pusat data yang lebih efisien untuk menjalankan model AI generatif, layanan inferensi, dan sistem agentic AI.
Pengembangan GPU D Series sebagai Akselerator AI Pusat Data
Perkembangan industri artificial intelligence memperbesar penggunaan sistem komputasi yang mampu menangani sistem kecerdasan buatan kompleks secara lebih ekonomis. Sebagai bagian dari strategi komputasi AI, Intel memperkenalkan GPU D Series sebagai perangkat komputasi pusat data yang menekankan kapasitas memori. Perangkat komputasi tersebut pada tahap pengembangan disebut dengan nama kode Crescent Island sebelum dimasukkan ke lini produk Intel GPU D Series. Melalui pengembangan ini, perusahaan berupaya menyediakan pilihan perangkat keras tambahan bagi perusahaan pengembang kecerdasan buatan.
Presentasi perusahaan dalam OCP Global Summit 2026 memberikan informasi lebih lengkap mengenai kemampuan komputasi GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini difokuskan pada pemrosesan model kecerdasan buatan. Proses inference merupakan proses menghasilkan keluaran dari model kecerdasan buatan. Dalam penerapan sehari-hari, layanan chatbot menggunakan proses inferensi ketika merespons pertanyaan. Saat permintaan diproses secara bersamaan, beban infrastruktur menjadi lebih tinggi. Oleh sebab itu, Intel memposisikan akselerator terbarunya sebagai bagian dari infrastruktur AI modern.
Kemampuan Komputasi GPU D Series Berbasis Arsitektur Xe3P
Karakteristik penting Intel GPU D Series adalah kapasitas LPDDR5X mencapai 480 GB. Dalam rancangan tersebut, Intel memanfaatkan teknologi memori LPDDR5X yang menawarkan karakteristik hemat daya. Kapasitas memori tersebut memungkinkan penempatan parameter jaringan neural. Di samping menawarkan ruang pemrosesan yang luas, perangkat ini menawarkan kecepatan transfer memori 1,5 TB/s. Kecepatan akses memori tersebut memiliki pengaruh besar dalam mengalirkan informasi selama pemrosesan. Keseimbangan ruang penyimpanan dan kecepatan akses berpotensi membantu menjalankan inferensi dengan konteks panjang.
Tidak hanya mengandalkan kapasitas LPDDR5X, Intel GPU D Series mengadopsi mikroarsitektur Xe3P yang dikembangkan untuk akselerasi kecerdasan buatan. Akselerator ini mendukung performa teoritis 1,3 petaflops menggunakan format FP8. FP8 merupakan format numerik berpresisi rendah yang relevan untuk pengolahan jaringan neural. Penggunaan format tersebut membantu mempercepat operasi yang kompatibel. Perlu diperhatikan bahwa, kemampuan puncak teoritis tidak selalu mencerminkan kinerja aplikasi nyata. Faktor seperti ukuran model, pengaturan numerik, dan optimalisasi framework.
Peran Bandwidth dan Kapasitas Memori dalam Inferensi Kecerdasan Buatan
Dalam pengembangan AI modern, jumlah memori yang dapat digunakan sangat menentukan karena sistem membutuhkan ruang untuk menyimpan informasi komputasi. Sistem AI dengan kompleksitas tinggi umumnya memerlukan memori lebih besar. Di samping data utama model, proses inferensi juga menggunakan ruang untuk cache. Komponen yang sering digunakan adalah KV cache yang mempertahankan data key dan value selama pemrosesan. Apabila jumlah token yang diproses meningkat, kebutuhan memori menjadi semakin besar. Kondisi tersebut menjadi alasan penggunaan GPU dengan memori besar.
Untuk memberikan gambaran, sebuah model AI dengan 70 miliar parameter memerlukan kurang lebih 140 GB untuk menyimpan bobot dalam format FP16. Estimasi sederhana ini tidak mencakup KV cache dan data pendukung proses komputasi. Melalui dukungan memori yang besar, GPU D Series dapat membantu mengurangi kebutuhan membagi model ke beberapa akselerator pada konfigurasi tertentu. Meski demikian, kapasitas besar saja tidak menjamin inferensi lebih cepat. Kecepatan transfer data masih menentukan hasil akhir ketika menentukan perangkat pemrosesan model.
Infrastruktur AI dengan Perangkat GPU yang Lebih Mudah Diintegrasikan
Tidak hanya mengandalkan spesifikasi komputasi, Intel mengembangkan rancangan yang sesuai dengan sistem komputasi enterprise. Perangkat komputasi berbasis Xe3P tersebut mengandalkan sistem pendinginan udara dengan batas daya yang dinyatakan sebesar 350 watt. Sistem pendinginan yang digunakan dirancang agar mendukung integrasi ke rak server yang kompatibel. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut membantu menyederhanakan proses penerapan. Namun demikian, kemampuan pendinginan server tetap harus diperiksa agar kinerja GPU dapat dipertahankan.
Dari sisi konektivitas, Intel GPU D Series menggunakan antarmuka PCIe 5.0. Standar tersebut memungkinkan pertukaran informasi dengan sistem host. Melalui penggunaan koneksi yang sudah dikenal industri, Intel berusaha mengurangi kebutuhan infrastruktur khusus. Perlu dipahami bahwa, pemasangan GPU tetap memerlukan pemeriksaan sistem. Faktor seperti kemampuan power supply, dimensi slot ekspansi, dan pengelolaan temperatur rak. Untuk memastikan penerapan yang tepat, pengelola infrastruktur sebaiknya memeriksa persyaratan sesuai kebutuhan komputasi.
Ekosistem PyTorch dan vLLM pada GPU D Series
Manfaat nyata GPU pusat data tidak hanya ditentukan oleh spesifikasi perangkat keras. Ekosistem pengembangan yang matang berperan penting dalam mengoptimalkan proses inferensi. Dalam upaya memperluas penggunaan produk, Intel menekankan pendekatan software terbuka. Produsen semikonduktor ini menyoroti integrasi dengan framework pembelajaran mesin PyTorch dan vLLM untuk menjalankan model bahasa. Dukungan tersebut bertujuan memberikan fleksibilitas dalam mengoperasikan aplikasi berbasis AI tanpa harus menggunakan satu pendekatan perangkat lunak khusus.
Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk melakukan pemrosesan jaringan neural. Di sisi lain, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pengelolaan memori dan permintaan yang efisien. Dengan menghadirkan kompatibilitas perangkat lunak, GPU D Series diharapkan dapat dimanfaatkan untuk beragam model dan aplikasi. Namun demikian, kemampuan menjalankan perangkat lunak tetap membutuhkan evaluasi. Tim teknis sebaiknya mengevaluasi dukungan runtime, dukungan fungsi model, serta hasil benchmark nyata sebelum menentukan keputusan infrastruktur.
Masa Depan Pemrosesan AI dengan Memori Besar dari Intel
Peluncuran rincian teknologi GPU D Series menggambarkan upaya produsen semikonduktor tersebut dalam menghadirkan infrastruktur inferensi AI yang memprioritaskan efisiensi pemrosesan. Kemampuan menyediakan memori berukuran besar, kecepatan transfer memori sebesar 1,5 TB/s, dan performa maksimum FP8 sebesar 1,3 petaflops merupakan spesifikasi penting untuk melayani permintaan kecerdasan buatan berskala besar. Sebagai nilai tambah lainnya, penggunaan antarmuka PCIe 5.0 memberikan pilihan integrasi bagi perusahaan. Walaupun spesifikasinya menjanjikan, hasil penggunaan perlu dibuktikan melalui benchmark sebelum mengambil keputusan penerapan skala besar. Bagaimana pendapat Anda mengenai perkembangan TEKNOLOGI komputasi AI Intel? Anda dapat berbagi pemikiran mengenai masa depan infrastruktur kecerdasan buatan.
