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.
Intel Perkenalkan GPU D Series untuk Infrastruktur Kecerdasan Buatan
Perkembangan ekosistem komputasi AI mendorong penggunaan sistem komputasi yang dapat menjalankan sistem kecerdasan buatan kompleks secara lebih ekonomis. Untuk menghadapi perkembangan ini, Intel memperkenalkan GPU D Series sebagai perangkat komputasi pusat data yang mengutamakan efisiensi inferensi. Produk tersebut pada tahap pengembangan disebut dengan nama kode Crescent Island sebelum mendapatkan identitas resmi Intel GPU D Series. Melalui pengembangan ini, perusahaan menargetkan hadirnya pilihan perangkat keras tambahan bagi perusahaan pengembang kecerdasan buatan.
Pemaparan teknis terbaru Intel mengungkap spesifikasi penting mengenai kemampuan komputasi GPU D Series. Sebagai produk dengan sasaran berbeda dari kartu grafis permainan, akselerator ini difokuskan pada pemrosesan model kecerdasan buatan. Inferensi sendiri merupakan kegiatan menjalankan model yang telah dilatih. Contohnya, layanan chatbot bergantung pada komputasi inferensi untuk membuat respons. Saat permintaan diproses secara bersamaan, efisiensi perangkat keras semakin penting. Karena itulah, Intel merancang lini GPU ini sebagai solusi untuk kebutuhan inferensi berskala besar.
Kemampuan Komputasi GPU D Series Berbasis Arsitektur Xe3P
Salah satu keunggulan utama Intel GPU D Series adalah kemampuan menampung memori berkapasitas besar. Dalam rancangan tersebut, Intel memilih teknologi memori LPDDR5X yang mendukung konsumsi daya yang lebih terkendali. Dukungan penyimpanan data sementara sebesar itu membantu menampung data yang diperlukan selama inferensi. Selain kapasitas tinggi, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Bandwidth tersebut berperan penting dalam mengalirkan informasi selama pemrosesan. Kombinasi kapasitas dan bandwidth dirancang agar mampu menangani inferensi dengan konteks panjang.
Tidak hanya mengandalkan kapasitas LPDDR5X, Intel GPU D Series menggunakan arsitektur Xe3P yang dikembangkan untuk akselerasi kecerdasan buatan. Perangkat tersebut mendukung performa teoritis 1,3 petaflops menggunakan format FP8. Format floating point 8-bit adalah representasi angka dengan delapan bit yang mendukung akselerasi model kecerdasan buatan. Penggunaan format tersebut dapat mengurangi kebutuhan komputasi tertentu. Namun demikian, kemampuan puncak teoritis tidak selalu mencerminkan kinerja aplikasi nyata. Performa sebenarnya dipengaruhi oleh karakteristik jaringan neural, pengaturan numerik, dan efisiensi perangkat lunak.
Hubungan Memori GPU dengan Performa Large Language Model
Dalam pengembangan AI modern, jumlah memori yang dapat digunakan sangat menentukan karena data jaringan neural perlu diakses secara berulang. Sistem AI dengan kompleksitas tinggi umumnya memerlukan memori lebih besar. Di samping data utama model, proses inferensi membutuhkan memori tambahan untuk data pemrosesan. Bagian penting dalam inferensi transformer adalah KV cache yang menyimpan informasi perhatian dari token sebelumnya. Saat percakapan melibatkan lebih banyak informasi, kebutuhan memori dapat bertambah. Karakteristik pemrosesan ini mendukung pengembangan akselerator yang berorientasi pada memori.
Dalam contoh sederhana, sebuah model AI dengan 70 miliar parameter memerlukan kurang lebih 140 GB untuk menyimpan bobot dalam format FP16. Perhitungan tersebut tidak mencakup penyimpanan sementara selama inferensi dan overhead perangkat lunak. Berkat ruang LPDDR5X berkapasitas tinggi, GPU D Series memberikan ruang lebih luas untuk konteks panjang ke beberapa akselerator pada skenario penggunaan tertentu. Namun, kapasitas besar saja tidak menjamin inferensi lebih cepat. Efisiensi framework harus dievaluasi secara bersamaan ketika memilih akselerator AI.
Infrastruktur AI dengan Perangkat GPU yang Lebih Mudah Diintegrasikan
Tidak hanya mengandalkan spesifikasi komputasi, Intel menekankan efisiensi penerapan dengan lingkungan server perusahaan. Akselerator D Series yang diperkenalkan dirancang untuk pengoperasian melalui pendinginan udara dengan daya sekitar 350 watt. Sistem pendinginan yang digunakan ditujukan untuk mempermudah pemasangan di pusat data konvensional. Berbeda dari sistem yang membutuhkan pendinginan cair khusus, desain tersebut membantu menyederhanakan proses penerapan. Walaupun dirancang lebih praktis, 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 memungkinkan pertukaran informasi dengan sistem host. Melalui penggunaan koneksi yang sudah dikenal industri, Intel menargetkan integrasi yang lebih fleksibel. Perlu dipahami bahwa, pemasangan GPU tetap memerlukan pemeriksaan sistem. Faktor seperti ketersediaan suplai listrik, ketersediaan tempat pemasangan, dan kemampuan sistem pendingin. Sebelum melakukan instalasi, tim teknis dianjurkan menilai kondisi sistem sesuai spesifikasi perangkat.
Ekosistem PyTorch dan vLLM pada GPU D Series
Keberhasilan sebuah akselerator AI bergantung pada lebih dari sekadar kapasitas memori. Ekosistem pengembangan yang matang memiliki pengaruh besar dalam memanfaatkan kemampuan GPU. Untuk mendukung kebutuhan tersebut, Intel menekankan pendekatan software terbuka. Pengembang GPU D Series memperkenalkan dukungan dengan PyTorch dan vLLM untuk mengembangkan aplikasi AI generatif. Pendekatan perangkat lunak ini dirancang agar membantu pengembang dalam membangun layanan kecerdasan buatan tanpa sepenuhnya bergantung pada ekosistem tertutup.
PyTorch merupakan salah satu perangkat pengembangan populer untuk membangun dan menjalankan model. Sementara itu, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pendekatan pemrosesan yang memperhatikan efisiensi sumber daya. Dengan menghadirkan kompatibilitas perangkat lunak, GPU D Series berpotensi digunakan untuk beragam model dan aplikasi. Namun demikian, kemampuan menjalankan perangkat lunak tetap membutuhkan evaluasi. Pengembang perlu memeriksa dukungan runtime, dukungan fungsi model, serta performa berdasarkan beban kerja sebelum menerapkan layanan AI berskala besar.
Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series
Peluncuran rincian teknologi GPU D Series menggambarkan upaya produsen semikonduktor tersebut 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 komputasi puncak 1,3 petaflops FP8 menjadi karakteristik utama untuk menjalankan model bahasa besar. Di samping kemampuan teknisnya, dukungan ekosistem perangkat lunak terbuka memberikan pilihan integrasi bagi perusahaan. Kendati memiliki potensi besar, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum menentukan manfaat ekonominya. Seberapa menarik menurut Anda GPU D Series terbaru dari Intel? Mari sampaikan pandangan Anda mengenai potensinya bagi pusat data.
