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 industri artificial intelligence meningkatkan kebutuhan infrastruktur yang dapat menjalankan model bahasa berukuran besar secara lebih efisien. Sebagai bagian dari strategi komputasi AI, Intel memperkenalkan GPU D Series sebagai solusi pemrosesan AI yang berfokus pada kebutuhan memori besar. Perangkat komputasi tersebut sebelumnya dikenal dengan nama kode Crescent Island sebelum mendapatkan identitas resmi Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan ingin menawarkan solusi komputasi yang lebih fleksibel bagi operator pusat data.
Pemaparan teknis terbaru Intel memberikan informasi lebih lengkap mengenai arsitektur pemrosesan GPU D Series. Tidak seperti GPU gaming konvensional, akselerator ini difokuskan pada pemrosesan model kecerdasan buatan. Tahap penggunaan model AI merupakan aktivitas pemrosesan permintaan menggunakan model yang sudah tersedia. Sebagai gambaran, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Ketika jumlah pengguna meningkat, beban infrastruktur menjadi lebih tinggi. Oleh sebab itu, Intel memposisikan akselerator terbarunya sebagai bagian dari infrastruktur AI modern.
Keunggulan Kapasitas Memori dan Bandwidth Intel GPU D270
Fitur paling menonjol Intel GPU D Series adalah kemampuan menampung memori berkapasitas besar. Melalui pendekatan perangkat kerasnya, Intel memanfaatkan teknologi memori LPDDR5X yang mendukung konsumsi daya yang lebih terkendali. Jumlah memori yang tersedia memungkinkan penempatan parameter jaringan neural. Selain kapasitas tinggi, perangkat ini menawarkan kecepatan transfer memori 1,5 TB/s. Kemampuan transfer data ini menjadi faktor utama dalam memenuhi kebutuhan akses data model AI. Perpaduan memori besar serta transfer cepat berpotensi membantu menjalankan layanan AI dengan permintaan kompleks.
Di samping spesifikasi penyimpanan data, Intel GPU D Series menggunakan arsitektur Xe3P yang dioptimalkan untuk inferensi. Akselerator ini memiliki target komputasi sebesar 1,3 petaflops pada presisi FP8. FP8 merupakan representasi angka dengan delapan bit yang relevan untuk pengolahan jaringan neural. Pemanfaatan presisi rendah ini membantu mempercepat operasi yang kompatibel. Namun demikian, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Aspek yang memengaruhi kinerja meliputi kompleksitas aplikasi, format data yang digunakan, dan kemampuan sistem menjalankan beban kerja.
Peran Bandwidth dan Kapasitas Memori dalam Inferensi Kecerdasan Buatan
Ketika menjalankan aplikasi kecerdasan buatan, kapasitas memori menjadi komponen penting karena parameter model harus tersedia selama pemrosesan. Jaringan neural yang berukuran besar sering membutuhkan kapasitas penyimpanan sementara yang luas. Di samping data utama model, proses inferensi memerlukan penyimpanan informasi sementara. Komponen yang sering digunakan adalah KV cache yang mendukung penggunaan kembali informasi dalam konteks percakapan. Apabila jumlah token yang diproses meningkat, kebutuhan memori berpotensi meningkat. Kondisi tersebut menjadi alasan penggunaan GPU dengan memori besar.
Untuk memberikan gambaran, sebuah model AI dengan 70 miliar parameter memerlukan kurang lebih 140 GB untuk menyimpan bobot dalam format FP16. Perhitungan tersebut masih mengecualikan memori kerja tambahan dan data pendukung proses komputasi. Dengan kapasitas hingga 480 GB, GPU D Series memberikan ruang lebih luas untuk konteks panjang ke banyak perangkat GPU pada skenario penggunaan tertentu. Namun, ruang penyimpanan yang luas belum memastikan throughput tertinggi. Kemampuan komputasi masih menentukan hasil akhir ketika merancang infrastruktur pusat data.
Infrastruktur AI dengan Perangkat GPU yang Lebih Mudah Diintegrasikan
Tidak hanya mengandalkan spesifikasi komputasi, Intel menekankan efisiensi penerapan dengan lingkungan server perusahaan. Perangkat komputasi berbasis Xe3P tersebut dirancang untuk pengoperasian melalui pendinginan udara dengan profil konsumsi daya 350 W. Sistem pendinginan yang digunakan dirancang agar mendukung penggunaan pada infrastruktur enterprise. Tidak seperti konfigurasi yang mengharuskan infrastruktur liquid cooling, desain tersebut membantu menyederhanakan proses penerapan. Namun demikian, pengelolaan temperatur tetap membutuhkan perencanaan agar perangkat bekerja secara stabil.
Dalam aspek integrasi perangkat keras, Intel GPU D Series menggunakan antarmuka PCIe 5.0. Antarmuka perangkat tersebut menyediakan jalur transfer antara GPU dan komponen server. Berkat penerapan antarmuka PCIe, Intel menargetkan integrasi yang lebih fleksibel. Namun demikian, dukungan perangkat keras harus dinilai secara menyeluruh. Aspek yang perlu diperhatikan meliputi kapasitas catu daya, ruang fisik di dalam server, dan kapasitas aliran udara. Sebelum melakukan instalasi, tim teknis dianjurkan menilai kondisi sistem sesuai kebutuhan komputasi.
Strategi Intel Membangun Infrastruktur AI yang Fleksibel
Manfaat nyata GPU pusat data tidak hanya ditentukan oleh spesifikasi perangkat keras. Framework komputasi yang didukung menjadi faktor utama dalam mengoptimalkan proses inferensi. Sebagai bagian dari strategi pengembangan, Intel mengembangkan dukungan framework yang digunakan industri. Perusahaan tersebut menyoroti integrasi dengan PyTorch dan vLLM untuk melayani permintaan inferensi. Pendekatan perangkat lunak ini diharapkan mempermudah integrasi dalam memanfaatkan model terbuka tanpa sepenuhnya bergantung pada ekosistem tertutup.
Dalam ekosistem AI, PyTorch menjadi platform pembelajaran mesin yang banyak digunakan untuk melakukan pemrosesan jaringan neural. Sementara itu, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pendekatan pemrosesan yang memperhatikan efisiensi sumber daya. Dengan menghadirkan kompatibilitas perangkat lunak, GPU D Series berpotensi digunakan untuk sejumlah skenario implementasi AI. Meskipun demikian, kompatibilitas framework belum menjamin performa terbaik pada seluruh aplikasi. Pengelola sistem dianjurkan menguji kompatibilitas library, dukungan fungsi model, serta efisiensi komputasi dalam penggunaan produksi sebelum menerapkan layanan AI berskala besar.
Masa Depan Pemrosesan AI dengan Memori Besar dari Intel
Pengenalan akselerator AI terbaru Intel menggambarkan upaya produsen semikonduktor tersebut dalam mengembangkan perangkat keras kecerdasan buatan yang berorientasi pada kapasitas memori. Kemampuan menyediakan memori berukuran besar, bandwidth hingga 1,5 TB/s, dan performa maksimum FP8 sebesar 1,3 petaflops menawarkan potensi menarik untuk melayani permintaan kecerdasan buatan berskala besar. Selain itu, dukungan ekosistem perangkat lunak terbuka menjadi pertimbangan bagi operator pusat data. Walaupun spesifikasinya menjanjikan, 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.
