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.

Pengembangan GPU D Series sebagai Akselerator AI Pusat Data

Perkembangan TEKNOLOGI kecerdasan buatan meningkatkan kebutuhan infrastruktur yang dirancang untuk memproses aplikasi AI generatif secara lebih efisien. Menanggapi kebutuhan tersebut, Intel menghadirkan GPU D Series sebagai solusi pemrosesan AI yang menekankan kapasitas memori. Perangkat komputasi tersebut sebelumnya dikenal dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Dengan pendekatan tersebut, perusahaan berupaya menyediakan alternatif akselerasi AI bagi penyedia layanan cloud.

Pengumuman pada Oktober 2026 memperjelas kemampuan perangkat mengenai kapasitas memori GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini dikembangkan guna melayani permintaan AI. Proses inference merupakan kegiatan menjalankan model yang telah dilatih. Dalam penerapan sehari-hari, layanan chatbot memerlukan inferensi untuk menghasilkan jawaban. Apabila layanan AI digunakan dalam skala besar, efisiensi perangkat keras semakin penting. Oleh sebab itu, Intel merancang lini GPU ini sebagai bagian dari infrastruktur AI modern.

Kemampuan Komputasi GPU D Series Berbasis Arsitektur Xe3P

Salah satu keunggulan utama Intel GPU D Series adalah dukungan memori hingga 480 GB. Pada konfigurasi produk ini, Intel memilih teknologi memori LPDDR5X yang menawarkan karakteristik hemat daya. Jumlah memori yang tersedia memungkinkan penempatan data yang diperlukan selama inferensi. Selain kapasitas tinggi, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Kecepatan akses memori tersebut menjadi faktor utama dalam memenuhi kebutuhan akses data model AI. Keseimbangan ruang penyimpanan dan kecepatan akses berpotensi membantu menjalankan inferensi dengan konteks panjang.

Selain kemampuan memori, Intel GPU D Series mengadopsi mikroarsitektur Xe3P yang dikembangkan untuk akselerasi kecerdasan buatan. Perangkat tersebut menawarkan kemampuan puncak hingga 1,3 petaflops FP8. Format floating point 8-bit adalah metode penyimpanan nilai floating point menggunakan delapan bit yang mendukung akselerasi model kecerdasan buatan. Penerapan representasi numerik FP8 dapat mengurangi kebutuhan komputasi tertentu. Perlu diperhatikan bahwa, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Performa sebenarnya dipengaruhi oleh karakteristik jaringan neural, jenis presisi, dan optimalisasi framework.

Peran Bandwidth dan Kapasitas Memori dalam Inferensi Kecerdasan Buatan

Pada penggunaan model bahasa besar, jumlah memori yang dapat digunakan sangat menentukan karena data jaringan neural perlu diakses secara berulang. 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. Ketika konteks semakin panjang, kebutuhan memori dapat bertambah. Kebutuhan data sementara tersebut menjadi alasan penggunaan GPU dengan memori besar.

Sebagai ilustrasi, sebuah model AI dengan 70 miliar parameter memerlukan kurang lebih 140 GB untuk menyimpan bobot dalam format FP16. Gambaran kebutuhan memori tersebut tidak mencakup KV cache dan data pendukung proses komputasi. Berkat ruang LPDDR5X berkapasitas tinggi, GPU D Series dapat membantu mengurangi kebutuhan membagi model ke sejumlah kartu komputasi pada konfigurasi tertentu. Meski demikian, kapasitas besar saja tidak menjamin inferensi lebih cepat. Kecepatan transfer data harus dievaluasi secara bersamaan ketika menentukan perangkat pemrosesan model.

Intel GPU D Series Dirancang untuk Efisiensi Pusat Data

Selain menonjolkan kapasitas memori, Intel menekankan efisiensi penerapan dengan lingkungan server perusahaan. Akselerator D Series yang diperkenalkan menggunakan desain berpendingin udara dengan profil konsumsi daya 350 W. Pendekatan ini berpotensi menyederhanakan integrasi ke rak server yang kompatibel. Tidak seperti konfigurasi yang mengharuskan infrastruktur liquid cooling, desain tersebut dapat mengurangi kebutuhan perubahan fasilitas. Meski demikian, kecukupan aliran udara masih perlu dipastikan agar kinerja GPU dapat dipertahankan.

Dalam aspek integrasi perangkat keras, Intel GPU D Series menggunakan antarmuka PCIe 5.0. Antarmuka perangkat tersebut mendukung komunikasi data berkecepatan tinggi. Dengan memanfaatkan standar umum, Intel berusaha mengurangi kebutuhan infrastruktur khusus. Meskipun demikian, dukungan perangkat keras harus dinilai secara menyeluruh. Faktor seperti kapasitas catu daya, ketersediaan tempat pemasangan, dan pengelolaan temperatur rak. Oleh sebab itu, pengelola infrastruktur sebaiknya memeriksa persyaratan sesuai kebutuhan komputasi.

Dukungan Software Terbuka untuk Pengembangan AI Intel

Efektivitas perangkat komputasi kecerdasan buatan memerlukan dukungan selain kemampuan komputasi. Ekosistem pengembangan yang matang menjadi faktor utama dalam memanfaatkan kemampuan GPU. Untuk mendukung kebutuhan tersebut, Intel mengembangkan dukungan framework yang digunakan industri. Produsen semikonduktor ini menyoroti integrasi dengan ekosistem pemrograman PyTorch dan vLLM untuk menjalankan model bahasa. Pendekatan perangkat lunak ini diharapkan mempermudah integrasi dalam membangun layanan kecerdasan buatan tanpa membatasi pilihan framework pengembangan.

PyTorch merupakan salah satu perangkat pengembangan populer untuk membangun dan menjalankan model. Di sisi lain, vLLM berfokus pada penyajian model bahasa besar dengan optimalisasi throughput serta penggunaan cache. Berkat strategi pengembangan terbuka, GPU D Series dirancang agar sesuai untuk berbagai kebutuhan inferensi. Namun demikian, kompatibilitas framework belum menjamin performa terbaik pada seluruh aplikasi. Pengembang perlu memeriksa kompatibilitas library, dukungan fungsi model, serta performa berdasarkan beban kerja sebelum menggunakan perangkat secara luas.

Masa Depan Pemrosesan AI dengan Memori Besar dari Intel

Pengenalan akselerator AI terbaru Intel memperlihatkan arah inovasi Intel dalam memperkuat solusi komputasi pusat data yang berorientasi pada kapasitas memori. Dukungan LPDDR5X hingga 480 GB, kecepatan transfer memori sebesar 1,5 TB/s, dan kemampuan teoritis 1,3 petaflops dalam format FP8 menawarkan potensi menarik untuk melayani permintaan kecerdasan buatan berskala besar. Sebagai nilai tambah lainnya, penggunaan antarmuka PCIe 5.0 menjadi pertimbangan bagi operator pusat data. Meski demikian, hasil penggunaan perlu dibuktikan melalui benchmark sebelum menentukan manfaat ekonominya. Apa pandangan Anda tentang akselerator AI dengan memori berkapasitas besar? Mari sampaikan pandangan Anda mengenai potensinya bagi pusat data.