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 industri artificial intelligence meningkatkan kebutuhan infrastruktur yang mampu menangani aplikasi AI generatif secara lebih ekonomis. Sebagai bagian dari strategi komputasi AI, Intel mengembangkan GPU D Series sebagai solusi pemrosesan AI yang berfokus pada kebutuhan memori besar. Akselerator terbaru ini mula-mula diperkenalkan dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan berupaya menyediakan alternatif akselerasi AI bagi perusahaan pengembang kecerdasan buatan.

Pengumuman pada Oktober 2026 memperjelas kemampuan perangkat mengenai arsitektur pemrosesan GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini dikembangkan guna melayani permintaan AI. Proses inference merupakan kegiatan menjalankan model yang telah dilatih. Sebagai gambaran, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Apabila layanan AI digunakan dalam skala besar, efisiensi perangkat keras semakin penting. Karena itulah, Intel memposisikan akselerator terbarunya sebagai perangkat pendukung layanan AI perusahaan.

Kemampuan Komputasi GPU D Series Berbasis Arsitektur Xe3P

Fitur paling menonjol Intel GPU D Series adalah kapasitas LPDDR5X mencapai 480 GB. Dalam rancangan tersebut, Intel menggunakan teknologi memori LPDDR5X yang menawarkan karakteristik hemat daya. Dukungan penyimpanan data sementara sebesar itu memungkinkan penempatan data yang diperlukan selama inferensi. Di samping menawarkan ruang pemrosesan yang luas, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Kemampuan transfer data ini memiliki pengaruh besar dalam menyediakan data bagi unit komputasi. Keseimbangan ruang penyimpanan dan kecepatan akses ditujukan untuk mendukung layanan AI dengan permintaan kompleks.

Tidak hanya mengandalkan kapasitas LPDDR5X, Intel GPU D Series menggunakan arsitektur Xe3P yang dioptimalkan untuk inferensi. Akselerator ini mendukung performa teoritis 1,3 petaflops menggunakan format 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 dapat mengurangi kebutuhan komputasi tertentu. Namun demikian, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Aspek yang memengaruhi kinerja meliputi karakteristik jaringan neural, format data yang digunakan, dan kemampuan sistem menjalankan beban kerja.

Hubungan Memori GPU dengan Performa Large Language Model

Dalam pengembangan AI modern, kapasitas memori menjadi komponen penting karena parameter model harus tersedia selama pemrosesan. Jaringan neural yang berukuran besar dapat menggunakan sumber daya memori dalam jumlah tinggi. Di samping data utama model, proses inferensi membutuhkan memori tambahan untuk data pemrosesan. Komponen yang sering digunakan adalah KV cache yang mempertahankan data key dan value selama pemrosesan. Apabila jumlah token yang diproses meningkat, kebutuhan memori berpotensi meningkat. Karakteristik pemrosesan ini menjadi alasan penggunaan GPU dengan memori besar.

Dalam contoh sederhana, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Perhitungan tersebut tidak mencakup 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. Kemampuan komputasi masih menentukan hasil akhir ketika merancang infrastruktur pusat data.

Keunggulan Pendinginan Udara dan Konsumsi Daya GPU D270

Di samping menawarkan kemampuan inferensi, Intel mengembangkan rancangan yang sesuai dengan infrastruktur pusat data yang sudah tersedia. GPU D270 dirancang untuk pengoperasian melalui pendinginan udara dengan profil konsumsi daya 350 W. Pendekatan ini berpotensi menyederhanakan pemasangan di pusat data konvensional. Tidak seperti konfigurasi yang mengharuskan infrastruktur liquid cooling, desain tersebut berpeluang menekan kerumitan instalasi. Namun demikian, kecukupan aliran udara masih perlu dipastikan agar perangkat bekerja secara stabil.

Untuk kebutuhan pemasangan server, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Teknologi interkoneksi ini mendukung komunikasi data berkecepatan tinggi. Berkat penerapan antarmuka PCIe, Intel menargetkan integrasi yang lebih fleksibel. Perlu dipahami bahwa, dukungan perangkat keras harus dinilai secara menyeluruh. Aspek yang perlu diperhatikan meliputi ketersediaan suplai listrik, dimensi slot ekspansi, dan kapasitas aliran udara. Untuk memastikan penerapan yang tepat, operator pusat data perlu melakukan evaluasi sesuai spesifikasi perangkat.

Strategi Intel Membangun Infrastruktur AI yang Fleksibel

Efektivitas perangkat komputasi kecerdasan buatan tidak hanya ditentukan oleh spesifikasi perangkat keras. Framework komputasi yang didukung berperan penting dalam menjalankan model AI secara efisien. Untuk mendukung kebutuhan tersebut, Intel mengutamakan ekosistem perangkat lunak terbuka. Pengembang GPU D Series menyoroti integrasi dengan framework pembelajaran mesin PyTorch dan vLLM untuk melayani permintaan inferensi. Pendekatan perangkat lunak ini diharapkan mempermudah integrasi dalam mengoperasikan aplikasi berbasis AI tanpa membatasi pilihan framework pengembangan.

Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk mengembangkan aplikasi kecerdasan buatan. Adapun, vLLM dikembangkan untuk melayani inferensi model bahasa dengan pengelolaan memori dan permintaan yang efisien. Berkat strategi pengembangan terbuka, GPU D Series dirancang agar sesuai untuk beragam model dan aplikasi. Namun demikian, kompatibilitas framework belum menjamin performa terbaik pada seluruh aplikasi. Pengembang perlu memeriksa versi driver, kemampuan kernel pemrosesan, serta performa berdasarkan beban kerja sebelum menggunakan perangkat secara luas.

Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series

Peluncuran rincian teknologi GPU D Series menunjukkan strategi perusahaan dalam mengembangkan perangkat keras kecerdasan buatan yang memprioritaskan efisiensi pemrosesan. 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. Di samping kemampuan teknisnya, penggunaan antarmuka PCIe 5.0 menjadi pertimbangan bagi operator pusat data. Walaupun spesifikasinya menjanjikan, kinerja sesungguhnya tetap memerlukan pengujian sebelum membandingkan dengan akselerator lain. Seberapa menarik menurut Anda akselerator AI dengan memori berkapasitas besar? Mari sampaikan pandangan Anda mengenai perkembangan GPU khusus inferensi AI.