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
Pertumbuhan industri artificial intelligence mendorong permintaan perangkat keras yang dapat menjalankan sistem kecerdasan buatan kompleks secara lebih ekonomis. Menanggapi kebutuhan tersebut, 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. Dengan pendekatan tersebut, perusahaan berupaya menyediakan pilihan perangkat keras tambahan bagi perusahaan pengembang kecerdasan buatan.
Presentasi perusahaan dalam OCP Global Summit 2026 memberikan informasi lebih lengkap mengenai kemampuan komputasi GPU D Series. Tidak seperti GPU gaming konvensional, akselerator ini dirancang untuk menjalankan inferensi AI. Tahap penggunaan model AI merupakan kegiatan menjalankan model yang telah dilatih. Contohnya, layanan chatbot menggunakan proses inferensi ketika merespons pertanyaan. Ketika jumlah pengguna meningkat, kebutuhan memori dan daya komputasi bertambah. Dengan pertimbangan tersebut, Intel menempatkan GPU D Series sebagai bagian dari infrastruktur AI modern.
Spesifikasi Intel GPU D Series dengan Memori LPDDR5X hingga 480 GB
Fitur paling menonjol Intel GPU D Series adalah dukungan memori hingga 480 GB. Dalam rancangan tersebut, Intel menggunakan teknologi memori LPDDR5X yang dirancang untuk efisiensi energi. Kapasitas memori tersebut memberikan ruang bagi data yang diperlukan selama inferensi. Selain kapasitas tinggi, perangkat ini menawarkan kecepatan transfer memori 1,5 TB/s. Kecepatan akses memori tersebut memiliki pengaruh besar dalam menyediakan data bagi unit komputasi. Kombinasi kapasitas dan bandwidth ditujukan untuk mendukung inferensi dengan konteks panjang.
Di samping spesifikasi penyimpanan data, Intel GPU D Series dibangun berdasarkan desain komputasi Xe3P yang dioptimalkan untuk inferensi. 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, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Performa sebenarnya dipengaruhi oleh kompleksitas aplikasi, pengaturan numerik, dan optimalisasi framework.
Hubungan Memori GPU dengan Performa Large Language Model
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 dapat menggunakan sumber daya memori dalam jumlah tinggi. Selain parameter model, proses inferensi juga menggunakan ruang untuk cache. Salah satu contohnya adalah KV cache yang mempertahankan data key dan value selama pemrosesan. Apabila jumlah token yang diproses meningkat, kebutuhan memori menjadi semakin besar. Kebutuhan data sementara 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. Gambaran kebutuhan memori tersebut masih mengecualikan KV cache dan berbagai kebutuhan sistem lainnya. Melalui dukungan memori yang besar, GPU D Series memberikan ruang lebih luas untuk konteks panjang ke beberapa akselerator pada konfigurasi tertentu. Akan tetapi, jumlah memori bukan satu-satunya penentu performa. Kecepatan transfer data masih menentukan hasil akhir ketika menentukan perangkat pemrosesan model.
Keunggulan Pendinginan Udara dan Konsumsi Daya GPU D270
Selain menonjolkan kapasitas memori, Intel menekankan efisiensi penerapan dengan infrastruktur pusat data yang sudah tersedia. Perangkat komputasi berbasis Xe3P tersebut menggunakan desain berpendingin udara dengan profil konsumsi daya 350 W. Rancangan perangkat tersebut berpotensi menyederhanakan integrasi ke rak server yang kompatibel. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut membantu menyederhanakan proses penerapan. Meski demikian, pengelolaan temperatur tetap membutuhkan perencanaan agar operasional pusat data berlangsung optimal.
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 ingin mempermudah evaluasi perangkat oleh perusahaan. Namun demikian, dukungan perangkat keras harus dinilai secara menyeluruh. Aspek yang perlu diperhatikan meliputi ketersediaan suplai listrik, ruang fisik di dalam server, dan pengelolaan temperatur rak. Sebelum melakukan instalasi, operator pusat data perlu melakukan evaluasi sesuai kebutuhan komputasi.
Ekosistem PyTorch dan vLLM pada GPU D Series
Efektivitas perangkat komputasi kecerdasan buatan tidak hanya ditentukan oleh spesifikasi perangkat keras. Framework komputasi yang didukung memiliki pengaruh besar dalam menjalankan model AI secara efisien. Sebagai bagian dari strategi pengembangan, Intel mengembangkan dukungan framework yang digunakan industri. Pengembang GPU D Series mengembangkan kompatibilitas dengan framework pembelajaran mesin PyTorch dan vLLM untuk menjalankan model bahasa. Strategi kompatibilitas tersebut dirancang agar membantu pengembang dalam memanfaatkan model terbuka tanpa sepenuhnya bergantung pada ekosistem tertutup.
PyTorch merupakan kerangka kerja komputasi neural yang dikenal luas untuk mengembangkan aplikasi kecerdasan buatan. Di sisi lain, vLLM dikembangkan untuk melayani inferensi model bahasa dengan pendekatan pemrosesan yang memperhatikan efisiensi sumber daya. Berkat strategi pengembangan terbuka, GPU D Series berpotensi digunakan untuk sejumlah skenario implementasi AI. Perlu diperhatikan bahwa, dukungan awal tidak selalu berarti semua model langsung optimal. Pengelola sistem dianjurkan menguji dukungan runtime, dukungan fungsi model, serta hasil benchmark nyata sebelum menerapkan layanan AI berskala besar.
Masa Depan Pemrosesan AI dengan Memori Besar dari Intel
Pengembangan Intel GPU D Series menggambarkan upaya produsen semikonduktor tersebut dalam menghadirkan infrastruktur inferensi AI yang menekankan kebutuhan aplikasi AI modern. Kemampuan menyediakan memori berukuran besar, bandwidth hingga 1,5 TB/s, dan kemampuan teoritis 1,3 petaflops dalam format FP8 merupakan spesifikasi penting untuk mendukung inferensi AI dengan konteks panjang. Di samping kemampuan teknisnya, dukungan ekosistem perangkat lunak terbuka menjadi pertimbangan bagi operator pusat data. Walaupun spesifikasinya menjanjikan, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum membandingkan dengan akselerator lain. Apa pandangan Anda tentang GPU D Series terbaru dari Intel? Silakan bagikan pendapat Anda mengenai potensinya bagi pusat data.
