Intel Perinci GPU D Series untuk Pemrosesan AI dengan Memori Berkapasitas Besar

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 ekosistem komputasi AI memperbesar penggunaan sistem komputasi yang dapat menjalankan sistem kecerdasan buatan kompleks secara semakin optimal. Menanggapi kebutuhan tersebut, Intel menghadirkan GPU D Series sebagai akselerator khusus inferensi yang menekankan kapasitas memori. Produk tersebut mula-mula diperkenalkan dengan nama kode Crescent Island sebelum mendapatkan identitas resmi Intel GPU D Series. Melalui pengembangan ini, perusahaan menargetkan hadirnya pilihan perangkat keras tambahan bagi penyedia layanan cloud.

Pemaparan teknis terbaru Intel memperjelas kemampuan perangkat mengenai arsitektur pemrosesan GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini dirancang untuk menjalankan inferensi AI. Inferensi sendiri merupakan proses menghasilkan keluaran dari model kecerdasan buatan. Dalam penerapan sehari-hari, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Ketika jumlah pengguna meningkat, beban infrastruktur menjadi lebih tinggi. Karena itulah, Intel memposisikan akselerator terbarunya sebagai perangkat pendukung layanan AI perusahaan.

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 memanfaatkan teknologi memori LPDDR5X yang dirancang untuk efisiensi energi. Kapasitas memori tersebut memberikan ruang bagi parameter jaringan neural. Selain kapasitas tinggi, perangkat ini menawarkan kecepatan transfer memori 1,5 TB/s. Bandwidth tersebut memiliki pengaruh besar dalam mengalirkan informasi selama pemrosesan. Kombinasi kapasitas dan bandwidth dirancang agar mampu menangani inferensi dengan konteks panjang.

Di samping spesifikasi penyimpanan data, Intel GPU D Series mengadopsi mikroarsitektur Xe3P yang dirancang bagi pemrosesan paralel. 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. Pemanfaatan presisi rendah ini dapat mengurangi kebutuhan komputasi tertentu. Walaupun angka performanya tinggi, kemampuan puncak teoritis tidak selalu mencerminkan kinerja aplikasi nyata. Performa sebenarnya dipengaruhi oleh karakteristik jaringan neural, jenis presisi, dan efisiensi perangkat lunak.

Hubungan Memori GPU dengan Performa Large Language Model

Dalam pengembangan AI modern, ketersediaan memori memiliki peranan utama karena sistem membutuhkan ruang untuk menyimpan informasi komputasi. Jaringan neural yang berukuran besar umumnya memerlukan memori lebih besar. Tidak hanya bobot jaringan neural, proses inferensi juga menggunakan ruang untuk cache. Bagian penting dalam inferensi transformer adalah KV cache yang menyimpan informasi perhatian dari token sebelumnya. Ketika konteks semakin panjang, kebutuhan memori berpotensi meningkat. Karakteristik pemrosesan ini menjadi alasan penggunaan GPU dengan memori besar.

Sebagai ilustrasi, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Gambaran kebutuhan memori tersebut tidak mencakup penyimpanan sementara selama inferensi dan berbagai kebutuhan sistem lainnya. Melalui dukungan memori yang besar, GPU D Series dapat membantu mengurangi kebutuhan membagi model ke sejumlah kartu komputasi pada skenario penggunaan tertentu. Akan tetapi, kapasitas besar saja tidak menjamin inferensi lebih cepat. Kemampuan komputasi masih menentukan hasil akhir ketika memilih akselerator AI.

Keunggulan Pendinginan Udara dan Konsumsi Daya GPU D270

Di samping menawarkan kemampuan inferensi, Intel memprioritaskan kemudahan integrasi dengan infrastruktur pusat data yang sudah tersedia. Perangkat komputasi berbasis Xe3P tersebut mengandalkan sistem pendinginan udara dengan profil konsumsi daya 350 W. Sistem pendinginan yang digunakan dirancang agar mendukung pemasangan di pusat data konvensional. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut membantu menyederhanakan proses penerapan. Namun demikian, kecukupan aliran udara masih perlu dipastikan agar operasional pusat data berlangsung optimal.

Dalam aspek integrasi perangkat keras, Intel GPU D Series menggunakan antarmuka PCIe 5.0. Antarmuka perangkat tersebut mendukung komunikasi data berkecepatan tinggi. Melalui penggunaan koneksi yang sudah dikenal industri, Intel ingin mempermudah evaluasi perangkat oleh perusahaan. Meskipun demikian, dukungan perangkat keras harus dinilai secara menyeluruh. Pertimbangan teknisnya mencakup ketersediaan suplai listrik, dimensi slot ekspansi, dan kemampuan sistem pendingin. Untuk memastikan penerapan yang tepat, operator pusat data perlu melakukan evaluasi sesuai kebutuhan komputasi.

Strategi Intel Membangun Infrastruktur AI yang Fleksibel

Efektivitas perangkat komputasi kecerdasan buatan memerlukan dukungan selain kemampuan komputasi. Perangkat lunak yang kompatibel berperan penting dalam memanfaatkan kemampuan GPU. Untuk mendukung kebutuhan tersebut, Intel mengutamakan ekosistem perangkat lunak terbuka. Produsen semikonduktor ini memperkenalkan dukungan dengan ekosistem pemrograman PyTorch dan vLLM untuk menjalankan model bahasa. Dukungan tersebut diharapkan mempermudah integrasi dalam memanfaatkan model terbuka tanpa membatasi pilihan framework pengembangan.

Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk membangun dan menjalankan model. Sementara itu, vLLM dikembangkan untuk melayani inferensi model bahasa dengan optimalisasi throughput serta penggunaan cache. Berkat strategi pengembangan terbuka, GPU D Series berpotensi digunakan untuk sejumlah skenario implementasi AI. Namun demikian, kemampuan menjalankan perangkat lunak tetap membutuhkan evaluasi. Pengelola sistem dianjurkan menguji kompatibilitas library, kemampuan kernel pemrosesan, serta performa berdasarkan beban kerja sebelum menentukan keputusan infrastruktur.

Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series

Pengenalan akselerator AI terbaru Intel menggambarkan upaya produsen semikonduktor tersebut dalam menghadirkan infrastruktur inferensi AI yang berorientasi pada kapasitas memori. Dukungan LPDDR5X hingga 480 GB, bandwidth memori 1,5 terabyte per detik, dan komputasi puncak 1,3 petaflops FP8 menawarkan potensi menarik untuk mendukung inferensi AI dengan konteks panjang. Sebagai nilai tambah lainnya, desain berpendingin udara memberikan pilihan integrasi bagi perusahaan. Meski demikian, hasil penggunaan perlu dibuktikan melalui benchmark sebelum mengambil keputusan penerapan skala besar. Bagaimana pendapat Anda mengenai akselerator AI dengan memori berkapasitas besar? Silakan bagikan pendapat Anda mengenai masa depan infrastruktur kecerdasan buatan.