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
Kemajuan TEKNOLOGI kecerdasan buatan meningkatkan penggunaan sistem komputasi yang dirancang untuk memproses model bahasa berukuran besar secara lebih ekonomis. Menanggapi kebutuhan tersebut, Intel memperkenalkan GPU D Series sebagai solusi pemrosesan AI yang menekankan kapasitas memori. Produk tersebut sebelumnya dikenal dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan menargetkan hadirnya pilihan perangkat keras tambahan bagi penyedia layanan cloud.
Pengumuman pada Oktober 2026 memperjelas kemampuan perangkat mengenai kapasitas memori GPU D Series. Tidak seperti GPU gaming konvensional, akselerator ini difokuskan pada pemrosesan model kecerdasan buatan. Proses inference merupakan aktivitas pemrosesan permintaan menggunakan model yang sudah tersedia. Sebagai gambaran, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Saat permintaan diproses secara bersamaan, efisiensi perangkat keras semakin penting. Dengan pertimbangan tersebut, Intel memposisikan akselerator terbarunya sebagai perangkat pendukung layanan AI perusahaan.
Kemampuan Komputasi GPU D Series Berbasis Arsitektur Xe3P
Fitur paling menonjol Intel GPU D Series adalah dukungan memori hingga 480 GB. Dalam rancangan tersebut, Intel menggunakan teknologi memori LPDDR5X yang mendukung konsumsi daya yang lebih terkendali. Dukungan penyimpanan data sementara sebesar itu memungkinkan penempatan parameter jaringan neural. Selain kapasitas tinggi, perangkat ini mendukung bandwidth memori sebesar 1,5 terabyte per detik. Bandwidth tersebut berperan penting dalam memenuhi kebutuhan akses data model AI. Keseimbangan ruang penyimpanan dan kecepatan akses ditujukan untuk mendukung layanan AI dengan permintaan kompleks.
Tidak hanya mengandalkan kapasitas LPDDR5X, Intel GPU D Series mengadopsi mikroarsitektur Xe3P yang dikembangkan untuk akselerasi kecerdasan buatan. Perangkat tersebut memiliki target komputasi sebesar 1,3 petaflops pada presisi FP8. Format floating point 8-bit adalah 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, kemampuan puncak teoritis tidak selalu mencerminkan kinerja aplikasi nyata. Aspek yang memengaruhi kinerja meliputi ukuran model, jenis presisi, dan efisiensi perangkat lunak.
Peran Bandwidth dan Kapasitas Memori dalam Inferensi Kecerdasan Buatan
Dalam pengembangan AI modern, ketersediaan memori memiliki peranan utama karena sistem membutuhkan ruang untuk menyimpan informasi komputasi. Jaringan neural yang berukuran besar sering membutuhkan kapasitas penyimpanan sementara yang luas. Tidak hanya bobot jaringan neural, proses inferensi juga menggunakan ruang untuk cache. Salah satu contohnya adalah KV cache yang mendukung penggunaan kembali informasi dalam konteks percakapan. Saat percakapan melibatkan lebih banyak informasi, kebutuhan memori menjadi semakin besar. Kondisi tersebut menjadi alasan penggunaan GPU dengan memori besar.
Untuk memberikan gambaran, sebuah model AI dengan 70 miliar parameter menggunakan sekitar 140 gigabyte ketika bobot disimpan pada presisi 16-bit. Perhitungan tersebut masih mengecualikan memori kerja tambahan dan data pendukung proses komputasi. Melalui dukungan memori yang besar, GPU D Series memberikan ruang lebih luas untuk konteks panjang ke beberapa akselerator pada beban kerja yang sesuai. Namun, kapasitas besar saja tidak menjamin inferensi lebih cepat. 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 menekankan efisiensi penerapan dengan sistem komputasi enterprise. Perangkat komputasi berbasis Xe3P tersebut menggunakan desain berpendingin udara dengan profil konsumsi daya 350 W. Sistem pendinginan yang digunakan berpotensi menyederhanakan pemasangan di pusat data konvensional. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut dapat mengurangi kebutuhan perubahan fasilitas. Meski demikian, kemampuan pendinginan server tetap harus diperiksa agar perangkat bekerja secara stabil.
Dalam aspek integrasi perangkat keras, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Standar tersebut memungkinkan pertukaran informasi dengan sistem host. Dengan memanfaatkan standar umum, Intel ingin mempermudah evaluasi perangkat oleh perusahaan. Meskipun demikian, pemasangan GPU tetap memerlukan pemeriksaan sistem. Pertimbangan teknisnya mencakup kapasitas catu daya, dimensi slot ekspansi, dan kemampuan sistem pendingin. Untuk memastikan penerapan yang tepat, tim teknis dianjurkan menilai kondisi sistem sesuai lingkungan operasional.
Dukungan Software Terbuka untuk Pengembangan AI Intel
Efektivitas perangkat komputasi kecerdasan buatan tidak hanya ditentukan oleh spesifikasi perangkat keras. Ekosistem pengembangan yang matang berperan penting dalam menjalankan model AI secara efisien. Dalam upaya memperluas penggunaan produk, Intel mengembangkan dukungan framework yang digunakan industri. Pengembang GPU D Series mengembangkan kompatibilitas dengan framework pembelajaran mesin PyTorch dan vLLM untuk mengembangkan aplikasi AI generatif. Strategi kompatibilitas tersebut dirancang agar membantu pengembang dalam mengoperasikan aplikasi berbasis AI tanpa membatasi pilihan framework pengembangan.
Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk mengembangkan aplikasi kecerdasan buatan. Adapun, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pengelolaan memori dan permintaan yang efisien. Melalui dukungan ekosistem tersebut, GPU D Series berpotensi digunakan untuk berbagai kebutuhan inferensi. Namun demikian, kompatibilitas framework belum menjamin performa terbaik pada seluruh aplikasi. Pengembang perlu memeriksa versi driver, kemampuan kernel pemrosesan, serta performa berdasarkan beban kerja sebelum menerapkan layanan AI berskala besar.
Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series
Peluncuran rincian teknologi GPU D Series menggambarkan upaya produsen semikonduktor tersebut dalam memperkuat solusi komputasi pusat data 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 menjadi karakteristik utama untuk menjalankan model bahasa besar. Sebagai nilai tambah lainnya, desain berpendingin udara memberikan pilihan integrasi bagi perusahaan. Meski demikian, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum membandingkan dengan akselerator lain. Bagaimana pendapat Anda mengenai perkembangan TEKNOLOGI komputasi AI Intel? Silakan bagikan pendapat Anda mengenai perkembangan GPU khusus inferensi AI.
