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 memperbesar penggunaan sistem komputasi yang dirancang untuk memproses aplikasi AI generatif secara lebih ekonomis. Menanggapi kebutuhan tersebut, Intel memperkenalkan GPU D Series sebagai solusi pemrosesan AI yang mengutamakan efisiensi inferensi. Perangkat komputasi tersebut mula-mula diperkenalkan dengan nama kode Crescent Island sebelum dimasukkan ke lini produk Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan ingin menawarkan solusi komputasi yang lebih fleksibel bagi operator pusat data.
Pengumuman pada Oktober 2026 mengungkap spesifikasi penting mengenai kemampuan komputasi GPU D Series. Sebagai produk dengan sasaran berbeda dari kartu grafis permainan, akselerator ini dirancang untuk menjalankan inferensi AI. Inferensi sendiri merupakan aktivitas pemrosesan permintaan menggunakan model yang sudah tersedia. Sebagai gambaran, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Apabila layanan AI digunakan dalam skala besar, beban infrastruktur menjadi lebih tinggi. Oleh sebab itu, Intel menempatkan GPU D Series sebagai solusi untuk kebutuhan inferensi berskala besar.
Keunggulan Kapasitas Memori dan Bandwidth Intel GPU D270
Salah satu keunggulan utama Intel GPU D Series adalah kapasitas LPDDR5X mencapai 480 GB. Melalui pendekatan perangkat kerasnya, Intel memilih teknologi memori LPDDR5X yang dirancang untuk efisiensi energi. Jumlah memori yang tersedia memungkinkan penempatan data yang diperlukan selama inferensi. Tidak hanya menyediakan memori besar, perangkat ini mendukung bandwidth memori sebesar 1,5 terabyte per detik. Kemampuan transfer data ini berperan penting 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 menggunakan arsitektur Xe3P yang dirancang bagi pemrosesan paralel. Perangkat tersebut memiliki target komputasi sebesar 1,3 petaflops pada presisi FP8. FP8 merupakan format numerik berpresisi rendah yang relevan untuk pengolahan jaringan neural. Pemanfaatan presisi rendah ini berpotensi meningkatkan efisiensi pengolahan data. Walaupun angka performanya tinggi, kemampuan puncak teoritis tidak selalu mencerminkan kinerja aplikasi nyata. Aspek yang memengaruhi kinerja meliputi kompleksitas aplikasi, jenis presisi, dan optimalisasi framework.
Hubungan Memori GPU dengan Performa Large Language Model
Ketika menjalankan aplikasi kecerdasan buatan, ketersediaan memori memiliki peranan utama karena parameter model harus tersedia selama pemrosesan. Model dengan parameter lebih banyak sering membutuhkan kapasitas penyimpanan sementara yang luas. Di samping data utama model, proses inferensi juga menggunakan ruang untuk cache. Bagian penting dalam inferensi transformer adalah KV cache yang mendukung penggunaan kembali informasi dalam konteks percakapan. Saat percakapan melibatkan lebih banyak informasi, kebutuhan memori berpotensi meningkat. Kondisi tersebut menjadi alasan penggunaan GPU dengan memori besar.
Sebagai ilustrasi, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Estimasi sederhana ini masih mengecualikan KV cache dan overhead perangkat lunak. Melalui dukungan memori yang besar, GPU D Series dapat membantu mengurangi kebutuhan membagi model ke banyak perangkat GPU pada beban kerja yang sesuai. Akan tetapi, ruang penyimpanan yang luas belum memastikan throughput tertinggi. Efisiensi framework harus dievaluasi secara bersamaan ketika menentukan perangkat pemrosesan model.
Intel GPU D Series Dirancang untuk Efisiensi Pusat Data
Tidak hanya mengandalkan spesifikasi komputasi, Intel mengembangkan rancangan yang sesuai dengan sistem komputasi enterprise. Perangkat komputasi berbasis Xe3P tersebut menggunakan desain berpendingin udara dengan profil konsumsi daya 350 W. Sistem pendinginan yang digunakan dirancang agar mendukung penggunaan pada infrastruktur enterprise. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut membantu menyederhanakan proses penerapan. Walaupun dirancang lebih praktis, kecukupan aliran udara masih perlu dipastikan agar kinerja GPU dapat dipertahankan.
Dari sisi konektivitas, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Antarmuka perangkat tersebut menyediakan jalur transfer antara GPU dan komponen server. Melalui penggunaan koneksi yang sudah dikenal industri, Intel ingin mempermudah evaluasi perangkat oleh perusahaan. Namun demikian, pemasangan GPU tetap memerlukan pemeriksaan sistem. Faktor seperti kemampuan power supply, ketersediaan tempat pemasangan, dan kapasitas aliran udara. Untuk memastikan penerapan yang tepat, tim teknis dianjurkan menilai kondisi sistem sesuai kebutuhan komputasi.
Ekosistem PyTorch dan vLLM pada GPU D Series
Manfaat nyata GPU pusat data memerlukan dukungan selain kemampuan komputasi. Ekosistem pengembangan yang matang berperan penting dalam menjalankan model AI secara efisien. Dalam upaya memperluas penggunaan produk, Intel mengutamakan ekosistem perangkat lunak terbuka. Pengembang GPU D Series mengembangkan kompatibilitas dengan PyTorch dan vLLM untuk menjalankan model bahasa. Dukungan 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 membangun dan menjalankan model. Adapun, vLLM dikembangkan untuk melayani inferensi model bahasa dengan optimalisasi throughput serta penggunaan cache. Melalui dukungan ekosistem tersebut, GPU D Series diharapkan dapat dimanfaatkan untuk berbagai kebutuhan inferensi. Perlu diperhatikan bahwa, kompatibilitas framework belum menjamin performa terbaik pada seluruh aplikasi. Tim teknis sebaiknya mengevaluasi versi driver, kemampuan kernel pemrosesan, serta performa berdasarkan beban kerja sebelum menerapkan layanan AI berskala besar.
Kesimpulan: GPU D Series Memperkuat Strategi AI Intel
Pengembangan Intel GPU D Series memperlihatkan arah inovasi Intel dalam memperkuat solusi komputasi pusat data yang memprioritaskan efisiensi pemrosesan. Kapasitas memori mencapai 480 GB, kecepatan transfer memori sebesar 1,5 TB/s, dan komputasi puncak 1,3 petaflops FP8 menjadi karakteristik utama untuk menjalankan model bahasa besar. Selain itu, penggunaan antarmuka PCIe 5.0 memberikan pilihan integrasi bagi perusahaan. Walaupun spesifikasinya menjanjikan, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum menentukan manfaat ekonominya. Bagaimana pendapat Anda mengenai perkembangan TEKNOLOGI komputasi AI Intel? Silakan bagikan pendapat Anda mengenai masa depan infrastruktur kecerdasan buatan.
