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 TEKNOLOGI kecerdasan buatan memperbesar permintaan perangkat keras yang dirancang untuk memproses aplikasi AI generatif secara semakin optimal. Menanggapi kebutuhan tersebut, Intel memperkenalkan GPU D Series sebagai solusi pemrosesan AI yang mengutamakan efisiensi inferensi. Produk tersebut pada tahap pengembangan disebut dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan berupaya menyediakan pilihan perangkat keras tambahan bagi operator pusat data.
Pengumuman pada Oktober 2026 memberikan informasi lebih lengkap mengenai kemampuan komputasi GPU D Series. Tidak seperti GPU gaming konvensional, akselerator ini difokuskan pada pemrosesan model kecerdasan buatan. Inferensi sendiri merupakan proses menghasilkan keluaran dari model kecerdasan buatan. Contohnya, layanan chatbot memerlukan inferensi untuk menghasilkan jawaban. Apabila layanan AI digunakan dalam skala besar, kebutuhan memori dan daya komputasi bertambah. Oleh sebab itu, Intel memposisikan akselerator terbarunya sebagai perangkat pendukung layanan AI perusahaan.
Keunggulan Kapasitas Memori dan Bandwidth Intel GPU D270
Karakteristik penting Intel GPU D Series adalah dukungan memori hingga 480 GB. Dalam rancangan tersebut, Intel menggunakan teknologi memori LPDDR5X yang menawarkan karakteristik hemat daya. Jumlah memori yang tersedia membantu menampung model AI berukuran besar. Selain kapasitas tinggi, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Kecepatan akses memori tersebut memiliki pengaruh besar dalam memenuhi kebutuhan akses data model AI. Keseimbangan ruang penyimpanan dan kecepatan akses berpotensi membantu menjalankan layanan AI dengan permintaan kompleks.
Di samping spesifikasi penyimpanan data, Intel GPU D Series mengadopsi mikroarsitektur Xe3P yang dioptimalkan untuk inferensi. Akselerator ini mendukung performa teoritis 1,3 petaflops menggunakan format FP8. Presisi FP8 mengacu pada representasi angka dengan delapan bit yang relevan untuk pengolahan jaringan neural. Pemanfaatan presisi rendah ini membantu mempercepat operasi yang kompatibel. Namun demikian, hasil pemrosesan sesungguhnya dapat berbeda dari spesifikasi maksimum. Performa sebenarnya dipengaruhi oleh kompleksitas aplikasi, pengaturan numerik, dan kemampuan sistem menjalankan beban kerja.
Hubungan Memori GPU dengan Performa Large Language Model
Dalam pengembangan AI modern, kapasitas memori menjadi komponen penting karena data jaringan neural perlu diakses secara berulang. Sistem AI dengan kompleksitas tinggi umumnya memerlukan memori lebih besar. Di samping data utama model, proses inferensi memerlukan penyimpanan informasi sementara. Bagian penting dalam inferensi transformer adalah KV cache yang menyimpan informasi perhatian dari token sebelumnya. Saat percakapan melibatkan lebih banyak informasi, kebutuhan memori dapat bertambah. Karakteristik pemrosesan ini menjelaskan pentingnya kapasitas tinggi.
Sebagai ilustrasi, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Gambaran kebutuhan memori tersebut belum memasukkan penyimpanan sementara selama inferensi dan overhead perangkat lunak. Melalui dukungan memori yang besar, GPU D Series berpotensi menampung lebih banyak data model ke sejumlah kartu komputasi pada skenario penggunaan tertentu. Namun, kapasitas besar saja tidak menjamin inferensi lebih cepat. Efisiensi framework harus dievaluasi secara bersamaan ketika merancang infrastruktur pusat data.
Infrastruktur AI dengan Perangkat GPU yang Lebih Mudah Diintegrasikan
Selain menonjolkan kapasitas memori, Intel memprioritaskan kemudahan integrasi dengan infrastruktur pusat data yang sudah tersedia. GPU D270 menggunakan desain berpendingin udara dengan profil konsumsi daya 350 W. Pendekatan ini berpotensi menyederhanakan penggunaan pada infrastruktur enterprise. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut membantu menyederhanakan proses penerapan. Namun demikian, pengelolaan temperatur tetap membutuhkan perencanaan agar perangkat bekerja secara stabil.
Dari sisi konektivitas, Intel GPU D Series mendukung koneksi PCI Express generasi kelima. Teknologi interkoneksi ini 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. Faktor seperti kemampuan power supply, dimensi slot ekspansi, dan pengelolaan temperatur rak. Oleh sebab itu, tim teknis dianjurkan menilai kondisi sistem sesuai spesifikasi perangkat.
Dukungan Software Terbuka untuk Pengembangan AI Intel
Keberhasilan sebuah akselerator AI tidak hanya ditentukan oleh spesifikasi perangkat keras. Ekosistem pengembangan yang matang memiliki pengaruh besar dalam menjalankan model AI secara efisien. Dalam upaya memperluas penggunaan produk, Intel mengutamakan ekosistem perangkat lunak terbuka. Produsen semikonduktor ini menyoroti integrasi dengan framework pembelajaran mesin PyTorch dan vLLM untuk melayani permintaan inferensi. Strategi kompatibilitas tersebut bertujuan memberikan fleksibilitas dalam membangun layanan kecerdasan buatan tanpa sepenuhnya bergantung pada ekosistem tertutup.
Dalam ekosistem AI, PyTorch menjadi platform pembelajaran mesin yang banyak digunakan untuk membangun dan menjalankan model. 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 berbagai kebutuhan inferensi. Meskipun demikian, kemampuan menjalankan perangkat lunak tetap membutuhkan evaluasi. Pengelola sistem dianjurkan menguji dukungan runtime, operator komputasi yang tersedia, serta performa berdasarkan beban kerja sebelum menerapkan layanan AI berskala besar.
Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series
Pengembangan Intel GPU D Series menggambarkan upaya produsen semikonduktor tersebut dalam menghadirkan infrastruktur inferensi AI yang menekankan kebutuhan aplikasi AI modern. Dukungan LPDDR5X hingga 480 GB, bandwidth memori 1,5 terabyte per detik, dan performa maksimum FP8 sebesar 1,3 petaflops menawarkan potensi menarik untuk mendukung inferensi AI dengan konteks panjang. Selain itu, desain berpendingin udara memberikan pilihan integrasi bagi perusahaan. Meski demikian, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum menentukan manfaat ekonominya. Apa pandangan Anda tentang akselerator AI dengan memori berkapasitas besar? Silakan bagikan pendapat Anda mengenai masa depan infrastruktur kecerdasan buatan.
