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.
Strategi Intel Menghadirkan Pemrosesan AI dengan Memori Besar
Perkembangan ekosistem komputasi AI mendorong permintaan perangkat keras yang dirancang untuk memproses sistem kecerdasan buatan kompleks secara lebih efisien. Untuk menghadapi perkembangan ini, Intel memperkenalkan GPU D Series sebagai solusi pemrosesan AI yang berfokus pada kebutuhan memori besar. Perangkat komputasi tersebut pada tahap pengembangan disebut dengan nama kode Crescent Island sebelum dimasukkan ke lini produk Intel GPU D Series. Dengan pendekatan tersebut, perusahaan berupaya menyediakan alternatif akselerasi AI bagi penyedia layanan cloud.
Presentasi perusahaan dalam OCP Global Summit 2026 mengungkap spesifikasi penting mengenai arsitektur pemrosesan GPU D Series. Sebagai produk dengan sasaran berbeda dari kartu grafis permainan, akselerator ini difokuskan pada pemrosesan model kecerdasan buatan. Inferensi sendiri merupakan proses menghasilkan keluaran dari model kecerdasan buatan. Contohnya, layanan chatbot menggunakan proses inferensi ketika merespons pertanyaan. Saat permintaan diproses secara bersamaan, efisiensi perangkat keras semakin penting. Karena itulah, Intel merancang lini GPU ini sebagai solusi untuk kebutuhan inferensi berskala besar.
Kemampuan Komputasi GPU D Series Berbasis Arsitektur Xe3P
Salah satu keunggulan utama Intel GPU D Series adalah dukungan memori hingga 480 GB. Dalam rancangan tersebut, Intel menggunakan teknologi memori LPDDR5X yang dirancang untuk efisiensi energi. Dukungan penyimpanan data sementara sebesar itu memungkinkan penempatan data yang diperlukan selama inferensi. Tidak hanya menyediakan memori besar, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Bandwidth tersebut memiliki pengaruh besar dalam memenuhi kebutuhan akses data model AI. Kombinasi kapasitas dan bandwidth berpotensi membantu menjalankan layanan AI dengan permintaan kompleks.
Di samping spesifikasi penyimpanan data, Intel GPU D Series dibangun berdasarkan desain komputasi Xe3P yang dirancang bagi pemrosesan paralel. GPU pusat data tersebut mendukung performa teoritis 1,3 petaflops menggunakan format FP8. Presisi FP8 mengacu pada metode penyimpanan nilai floating point menggunakan delapan bit yang banyak digunakan dalam komputasi AI. Penerapan representasi numerik FP8 membantu mempercepat operasi yang kompatibel. Namun demikian, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Aspek yang memengaruhi kinerja meliputi ukuran model, format data yang digunakan, dan optimalisasi framework.
Mengapa Memori Besar Penting untuk Menjalankan Model AI
Pada penggunaan model bahasa besar, kapasitas memori menjadi komponen penting karena sistem membutuhkan ruang untuk menyimpan informasi komputasi. Model dengan parameter lebih banyak dapat menggunakan sumber daya memori dalam jumlah tinggi. Selain parameter model, proses inferensi juga menggunakan ruang untuk cache. Komponen yang sering digunakan adalah KV cache yang mendukung penggunaan kembali informasi dalam konteks percakapan. Ketika konteks semakin panjang, kebutuhan memori menjadi semakin besar. Kondisi tersebut menjadi alasan penggunaan GPU dengan memori besar.
Untuk memberikan gambaran, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Perhitungan tersebut tidak mencakup memori kerja tambahan dan berbagai kebutuhan sistem lainnya. Berkat ruang LPDDR5X berkapasitas tinggi, GPU D Series dapat membantu mengurangi kebutuhan membagi model ke banyak perangkat GPU pada beban kerja yang sesuai. Meski demikian, jumlah memori bukan satu-satunya penentu performa. Kecepatan transfer data tetap perlu dipertimbangkan ketika merancang infrastruktur pusat data.
Infrastruktur AI dengan Perangkat GPU yang Lebih Mudah Diintegrasikan
Di samping menawarkan kemampuan inferensi, Intel memprioritaskan kemudahan integrasi dengan lingkungan server perusahaan. Perangkat komputasi berbasis Xe3P tersebut dirancang untuk pengoperasian melalui pendinginan udara dengan batas daya yang dinyatakan sebesar 350 watt. Sistem pendinginan yang digunakan dirancang agar mendukung pemasangan di pusat data konvensional. Tidak seperti konfigurasi yang mengharuskan infrastruktur liquid cooling, desain tersebut membantu menyederhanakan proses penerapan. Walaupun dirancang lebih praktis, pengelolaan temperatur tetap membutuhkan perencanaan agar kinerja GPU dapat dipertahankan.
Dalam aspek integrasi perangkat keras, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Standar tersebut memungkinkan pertukaran informasi dengan sistem host. Berkat penerapan antarmuka PCIe, Intel menargetkan integrasi yang lebih fleksibel. Perlu dipahami bahwa, pemasangan GPU tetap memerlukan pemeriksaan sistem. Aspek yang perlu diperhatikan meliputi kemampuan power supply, ketersediaan tempat pemasangan, dan kemampuan sistem pendingin. Sebelum melakukan instalasi, operator pusat data perlu melakukan evaluasi sesuai lingkungan operasional.
Strategi Intel Membangun Infrastruktur AI yang Fleksibel
Efektivitas perangkat komputasi kecerdasan buatan memerlukan dukungan selain kemampuan komputasi. Framework komputasi yang didukung berperan penting dalam menjalankan model AI secara efisien. Sebagai bagian dari strategi pengembangan, Intel mengutamakan ekosistem perangkat lunak terbuka. Pengembang GPU D Series memperkenalkan dukungan dengan PyTorch dan vLLM untuk menjalankan model bahasa. Dukungan tersebut diharapkan mempermudah integrasi dalam memanfaatkan model terbuka tanpa harus menggunakan satu pendekatan perangkat lunak khusus.
Dalam ekosistem AI, PyTorch menjadi platform pembelajaran mesin yang banyak digunakan untuk melakukan pemrosesan jaringan neural. Di sisi lain, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pendekatan pemrosesan yang memperhatikan efisiensi sumber daya. Berkat strategi pengembangan terbuka, GPU D Series dirancang agar sesuai untuk sejumlah skenario implementasi AI. Perlu diperhatikan bahwa, kompatibilitas framework belum menjamin performa terbaik pada seluruh aplikasi. Tim teknis sebaiknya mengevaluasi versi driver, dukungan fungsi model, serta efisiensi komputasi dalam penggunaan produksi sebelum menggunakan perangkat secara luas.
Masa Depan Pemrosesan AI dengan Memori Besar dari Intel
Pengembangan Intel GPU D Series menunjukkan strategi perusahaan dalam memperkuat solusi komputasi pusat data yang berorientasi pada kapasitas memori. Kemampuan menyediakan memori berukuran besar, kecepatan transfer memori sebesar 1,5 TB/s, dan kemampuan teoritis 1,3 petaflops dalam format FP8 menjadi karakteristik utama untuk menjalankan model bahasa besar. Di samping kemampuan teknisnya, penggunaan antarmuka PCIe 5.0 menjadi pertimbangan bagi operator pusat data. Walaupun spesifikasinya menjanjikan, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum membandingkan dengan akselerator lain. Seberapa menarik menurut Anda GPU D Series terbaru dari Intel? Mari sampaikan pandangan Anda mengenai perkembangan GPU khusus inferensi AI.
