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.
Intel Perkenalkan GPU D Series untuk Infrastruktur Kecerdasan Buatan
Perkembangan TEKNOLOGI kecerdasan buatan mendorong penggunaan sistem komputasi yang mampu menangani sistem kecerdasan buatan kompleks secara lebih efisien. Menanggapi kebutuhan tersebut, Intel menghadirkan GPU D Series sebagai akselerator khusus inferensi yang menekankan kapasitas memori. Akselerator terbaru ini sebelumnya dikenal dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Melalui pengembangan ini, perusahaan menargetkan hadirnya solusi komputasi yang lebih fleksibel bagi operator pusat data.
Pengumuman pada Oktober 2026 mengungkap spesifikasi penting mengenai kapasitas memori GPU D Series. Sebagai produk dengan sasaran berbeda dari kartu grafis permainan, akselerator ini dirancang untuk menjalankan inferensi AI. Inferensi sendiri merupakan kegiatan menjalankan model yang telah dilatih. Sebagai gambaran, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Saat permintaan diproses secara bersamaan, beban infrastruktur menjadi lebih tinggi. Dengan pertimbangan tersebut, Intel menempatkan GPU D Series sebagai solusi untuk kebutuhan inferensi berskala besar.
Spesifikasi Intel GPU D Series dengan Memori LPDDR5X hingga 480 GB
Salah satu keunggulan utama Intel GPU D Series adalah kemampuan menampung memori berkapasitas besar. Melalui pendekatan perangkat kerasnya, Intel memilih teknologi memori LPDDR5X yang mendukung konsumsi daya yang lebih terkendali. Dukungan penyimpanan data sementara sebesar itu memungkinkan penempatan model AI berukuran besar. Di samping menawarkan ruang pemrosesan yang luas, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Kecepatan akses memori tersebut menjadi faktor utama dalam mengalirkan informasi selama pemrosesan. Keseimbangan ruang penyimpanan dan kecepatan akses ditujukan untuk mendukung model kecerdasan buatan yang membutuhkan banyak memori.
Tidak hanya mengandalkan kapasitas LPDDR5X, Intel GPU D Series menggunakan arsitektur Xe3P yang dioptimalkan untuk inferensi. GPU pusat data 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 berpotensi meningkatkan efisiensi pengolahan data. Perlu diperhatikan bahwa, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Aspek yang memengaruhi kinerja meliputi ukuran model, format data yang digunakan, dan efisiensi perangkat lunak.
Peran Bandwidth dan Kapasitas Memori dalam Inferensi Kecerdasan Buatan
Dalam pengembangan AI modern, jumlah memori yang dapat digunakan sangat menentukan karena parameter model harus tersedia selama pemrosesan. Sistem AI dengan kompleksitas tinggi umumnya memerlukan memori lebih besar. Selain parameter model, 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 menjelaskan pentingnya kapasitas tinggi.
Sebagai ilustrasi, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Estimasi sederhana ini masih mengecualikan memori kerja tambahan dan overhead perangkat lunak. Dengan kapasitas hingga 480 GB, GPU D Series dapat membantu mengurangi kebutuhan membagi model ke beberapa akselerator pada beban kerja yang sesuai. Namun, kapasitas besar saja tidak menjamin inferensi lebih cepat. Efisiensi framework harus dievaluasi secara bersamaan ketika menentukan perangkat pemrosesan model.
Infrastruktur AI dengan Perangkat GPU yang Lebih Mudah Diintegrasikan
Di samping menawarkan kemampuan inferensi, Intel memprioritaskan kemudahan integrasi dengan sistem komputasi enterprise. GPU D270 menggunakan desain berpendingin udara dengan profil konsumsi daya 350 W. Sistem pendinginan yang digunakan ditujukan untuk mempermudah pemasangan di pusat data konvensional. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut dapat mengurangi kebutuhan perubahan fasilitas. Meski demikian, pengelolaan temperatur tetap membutuhkan perencanaan agar perangkat bekerja secara stabil.
Dalam aspek integrasi perangkat keras, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Antarmuka perangkat tersebut memungkinkan pertukaran informasi dengan sistem host. Berkat penerapan antarmuka PCIe, Intel ingin mempermudah evaluasi perangkat oleh perusahaan. Perlu dipahami bahwa, kompatibilitas server tidak hanya bergantung pada konektor. Faktor seperti kapasitas catu daya, ketersediaan tempat pemasangan, dan kapasitas aliran udara. Sebelum melakukan instalasi, tim teknis dianjurkan menilai kondisi sistem sesuai kebutuhan komputasi.
Ekosistem PyTorch dan vLLM pada GPU D Series
Manfaat nyata GPU pusat data bergantung pada lebih dari sekadar kapasitas memori. Ekosistem pengembangan yang matang memiliki pengaruh besar dalam memanfaatkan kemampuan GPU. 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. Dukungan tersebut bertujuan memberikan fleksibilitas dalam mengoperasikan aplikasi berbasis AI tanpa harus menggunakan satu pendekatan perangkat lunak khusus.
PyTorch merupakan kerangka kerja komputasi neural yang dikenal luas untuk mengembangkan aplikasi kecerdasan buatan. Adapun, vLLM berfokus pada penyajian model bahasa besar dengan pendekatan pemrosesan yang memperhatikan efisiensi sumber daya. Melalui dukungan ekosistem tersebut, GPU D Series berpotensi digunakan untuk sejumlah skenario implementasi AI. Namun demikian, dukungan awal tidak selalu berarti semua model langsung optimal. Pengembang perlu memeriksa versi driver, kemampuan kernel pemrosesan, serta efisiensi komputasi dalam penggunaan produksi sebelum menentukan keputusan infrastruktur.
Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series
Peluncuran rincian teknologi GPU D Series menunjukkan strategi perusahaan dalam mengembangkan perangkat keras kecerdasan buatan yang berorientasi pada kapasitas memori. Dukungan LPDDR5X hingga 480 GB, bandwidth memori 1,5 terabyte per detik, dan kemampuan teoritis 1,3 petaflops dalam format FP8 menjadi karakteristik utama untuk melayani permintaan kecerdasan buatan berskala besar. Selain itu, desain berpendingin udara menjadi pertimbangan bagi operator pusat data. Kendati memiliki potensi besar, hasil penggunaan perlu dibuktikan melalui benchmark sebelum membandingkan dengan akselerator lain. Seberapa menarik menurut Anda GPU D Series terbaru dari Intel? Silakan bagikan pendapat Anda mengenai potensinya bagi pusat data.
