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
Kemajuan ekosistem komputasi AI memperbesar penggunaan sistem komputasi yang mampu menangani sistem kecerdasan buatan kompleks secara lebih efisien. Untuk menghadapi perkembangan ini, Intel menghadirkan GPU D Series sebagai solusi pemrosesan AI yang berfokus pada kebutuhan memori besar. Produk tersebut pada tahap pengembangan disebut dengan nama kode Crescent Island sebelum dimasukkan ke lini produk Intel GPU D Series. Dengan pendekatan tersebut, perusahaan menargetkan hadirnya pilihan perangkat keras tambahan bagi penyedia layanan cloud.
Pemaparan teknis terbaru Intel mengungkap spesifikasi penting mengenai kapasitas memori GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini dikembangkan guna melayani permintaan AI. Tahap penggunaan model AI merupakan kegiatan menjalankan model yang telah dilatih. Contohnya, layanan chatbot memerlukan inferensi untuk menghasilkan jawaban. Saat permintaan diproses secara bersamaan, efisiensi perangkat keras semakin penting. Karena itulah, Intel menempatkan GPU D Series sebagai perangkat pendukung layanan AI perusahaan.
Spesifikasi Intel GPU D Series dengan Memori LPDDR5X hingga 480 GB
Karakteristik penting Intel GPU D Series adalah kemampuan menampung memori berkapasitas besar. Pada konfigurasi produk ini, Intel memanfaatkan teknologi memori LPDDR5X yang menawarkan karakteristik hemat daya. Jumlah memori yang tersedia memungkinkan penempatan model AI berukuran besar. Di samping menawarkan ruang pemrosesan yang luas, perangkat ini mendukung bandwidth memori sebesar 1,5 terabyte per detik. Kecepatan akses memori tersebut memiliki pengaruh besar dalam mengalirkan informasi selama pemrosesan. Perpaduan memori besar serta transfer cepat berpotensi membantu menjalankan layanan AI dengan permintaan kompleks.
Tidak hanya mengandalkan kapasitas LPDDR5X, Intel GPU D Series mengadopsi mikroarsitektur Xe3P yang dikembangkan untuk akselerasi kecerdasan buatan. Perangkat tersebut memiliki target komputasi sebesar 1,3 petaflops pada presisi FP8. Format floating point 8-bit adalah format numerik berpresisi rendah yang banyak digunakan dalam komputasi AI. Penerapan representasi numerik FP8 berpotensi meningkatkan efisiensi pengolahan data. Perlu diperhatikan bahwa, hasil pemrosesan sesungguhnya dapat berbeda dari spesifikasi maksimum. Performa sebenarnya dipengaruhi oleh ukuran model, pengaturan numerik, dan optimalisasi framework.
Hubungan Memori GPU dengan Performa Large Language Model
Ketika menjalankan aplikasi kecerdasan buatan, ketersediaan memori memiliki peranan utama karena data jaringan neural perlu diakses secara berulang. Model dengan parameter lebih banyak umumnya memerlukan memori lebih besar. Tidak hanya bobot jaringan neural, proses inferensi membutuhkan memori tambahan untuk data pemrosesan. Bagian penting dalam inferensi transformer adalah KV cache yang mempertahankan data key dan value selama pemrosesan. Ketika konteks semakin panjang, kebutuhan memori menjadi semakin besar. Karakteristik pemrosesan ini menjelaskan pentingnya kapasitas tinggi.
Sebagai ilustrasi, sebuah model AI dengan 70 miliar parameter memerlukan kurang lebih 140 GB untuk menyimpan bobot dalam format FP16. Estimasi sederhana ini masih mengecualikan penyimpanan sementara selama inferensi dan overhead perangkat lunak. Berkat ruang LPDDR5X berkapasitas tinggi, GPU D Series berpotensi menampung lebih banyak data model ke beberapa akselerator pada konfigurasi tertentu. Akan tetapi, jumlah memori bukan satu-satunya penentu performa. Kecepatan transfer data harus dievaluasi secara bersamaan ketika menentukan perangkat pemrosesan model.
Intel GPU D Series Dirancang untuk Efisiensi Pusat Data
Di samping menawarkan kemampuan inferensi, Intel menekankan efisiensi penerapan dengan sistem komputasi enterprise. Perangkat komputasi berbasis Xe3P tersebut dirancang untuk pengoperasian melalui pendinginan udara dengan daya sekitar 350 watt. Sistem pendinginan yang digunakan ditujukan untuk mempermudah integrasi ke rak server yang kompatibel. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut berpeluang menekan kerumitan instalasi. Namun demikian, pengelolaan temperatur tetap membutuhkan perencanaan agar kinerja GPU dapat dipertahankan.
Dari sisi konektivitas, Intel GPU D Series menggunakan antarmuka PCIe 5.0. Antarmuka perangkat tersebut menyediakan jalur transfer antara GPU dan komponen server. Melalui penggunaan koneksi yang sudah dikenal industri, Intel berusaha mengurangi kebutuhan infrastruktur khusus. Perlu dipahami bahwa, dukungan perangkat keras harus dinilai secara menyeluruh. Pertimbangan teknisnya mencakup kapasitas catu daya, dimensi slot ekspansi, dan pengelolaan temperatur rak. Untuk memastikan penerapan yang tepat, tim teknis dianjurkan menilai kondisi sistem sesuai spesifikasi perangkat.
Strategi Intel Membangun Infrastruktur AI yang Fleksibel
Efektivitas perangkat komputasi kecerdasan buatan bergantung pada lebih dari sekadar kapasitas memori. Ekosistem pengembangan yang matang menjadi faktor utama dalam mengoptimalkan proses inferensi. Dalam upaya memperluas penggunaan produk, Intel menekankan pendekatan software terbuka. Produsen semikonduktor ini memperkenalkan dukungan dengan PyTorch dan vLLM untuk menjalankan model bahasa. Pendekatan perangkat lunak ini dirancang agar membantu pengembang dalam membangun layanan kecerdasan buatan tanpa harus menggunakan satu pendekatan perangkat lunak khusus.
Framework PyTorch dikenal sebagai salah satu perangkat pengembangan populer untuk mengembangkan aplikasi kecerdasan buatan. Adapun, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pengelolaan memori dan permintaan yang efisien. Dengan menghadirkan kompatibilitas perangkat lunak, GPU D Series diharapkan dapat dimanfaatkan untuk berbagai kebutuhan inferensi. Perlu diperhatikan bahwa, kemampuan menjalankan perangkat lunak tetap membutuhkan evaluasi. Pengembang perlu memeriksa dukungan runtime, kemampuan kernel pemrosesan, serta hasil benchmark nyata sebelum menerapkan layanan AI berskala besar.
Masa Depan Pemrosesan AI dengan Memori Besar dari Intel
Peluncuran rincian teknologi GPU D Series memperlihatkan arah inovasi Intel dalam menghadirkan infrastruktur inferensi AI yang memprioritaskan efisiensi pemrosesan. Kemampuan menyediakan memori berukuran besar, bandwidth hingga 1,5 TB/s, dan kemampuan teoritis 1,3 petaflops dalam format FP8 menjadi karakteristik utama untuk melayani permintaan kecerdasan buatan berskala besar. Di samping kemampuan teknisnya, penggunaan antarmuka PCIe 5.0 memberikan pilihan integrasi bagi perusahaan. Walaupun spesifikasinya menjanjikan, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum menentukan manfaat ekonominya. Bagaimana pendapat Anda mengenai akselerator AI dengan memori berkapasitas besar? Anda dapat berbagi pemikiran mengenai perkembangan GPU khusus inferensi AI.
