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 TEKNOLOGI kecerdasan buatan meningkatkan permintaan perangkat keras yang dapat menjalankan sistem kecerdasan buatan kompleks secara lebih efisien. Sebagai bagian dari strategi komputasi AI, Intel menghadirkan 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 mendapatkan identitas resmi Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan berupaya menyediakan alternatif akselerasi AI bagi perusahaan pengembang kecerdasan buatan.
Presentasi perusahaan dalam OCP Global Summit 2026 mengungkap spesifikasi penting mengenai arsitektur pemrosesan GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini dirancang untuk menjalankan inferensi AI. Inferensi sendiri merupakan aktivitas pemrosesan permintaan menggunakan model yang sudah tersedia. Contohnya, layanan chatbot memerlukan inferensi untuk menghasilkan jawaban. Ketika jumlah pengguna meningkat, efisiensi perangkat keras semakin penting. Dengan pertimbangan tersebut, Intel memposisikan akselerator terbarunya sebagai perangkat pendukung layanan AI perusahaan.
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 menawarkan karakteristik hemat daya. Jumlah memori yang tersedia memungkinkan penempatan model AI berukuran besar. Tidak hanya menyediakan memori besar, perangkat ini mendukung bandwidth memori sebesar 1,5 terabyte per detik. Bandwidth tersebut memiliki pengaruh besar dalam mengalirkan informasi selama pemrosesan. Keseimbangan ruang penyimpanan dan kecepatan akses dirancang agar mampu menangani layanan AI dengan permintaan kompleks.
Di samping spesifikasi penyimpanan data, 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 metode penyimpanan nilai floating point menggunakan delapan bit yang banyak digunakan dalam komputasi AI. Pemanfaatan presisi rendah ini membantu mempercepat operasi yang kompatibel. Walaupun angka performanya tinggi, hasil pemrosesan sesungguhnya dapat berbeda dari spesifikasi maksimum. Aspek yang memengaruhi kinerja meliputi kompleksitas aplikasi, format data yang digunakan, dan efisiensi perangkat lunak.
Hubungan Memori GPU dengan Performa Large Language Model
Pada penggunaan model bahasa besar, jumlah memori yang dapat digunakan sangat menentukan karena sistem membutuhkan ruang untuk menyimpan informasi komputasi. Model dengan parameter lebih banyak dapat menggunakan sumber daya memori dalam jumlah tinggi. Tidak hanya bobot jaringan neural, 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 menjadi semakin besar. Karakteristik pemrosesan ini menjelaskan pentingnya kapasitas tinggi.
Dalam contoh sederhana, sebuah model AI dengan 70 miliar parameter membutuhkan sekitar 140 GB hanya untuk bobot FP16. Estimasi sederhana ini belum memasukkan KV cache dan overhead perangkat lunak. Melalui dukungan memori yang besar, GPU D Series berpotensi menampung lebih banyak data model ke banyak perangkat GPU pada skenario penggunaan tertentu. Akan tetapi, ruang penyimpanan yang luas belum memastikan throughput tertinggi. Efisiensi framework masih menentukan hasil akhir ketika memilih akselerator AI.
Keunggulan Pendinginan Udara dan Konsumsi Daya GPU D270
Di samping menawarkan kemampuan inferensi, Intel mengembangkan rancangan yang sesuai dengan sistem komputasi enterprise. Perangkat komputasi berbasis Xe3P tersebut menggunakan desain berpendingin udara dengan batas daya yang dinyatakan sebesar 350 watt. Sistem pendinginan yang digunakan berpotensi menyederhanakan integrasi ke rak server yang kompatibel. Tidak seperti konfigurasi yang mengharuskan infrastruktur liquid cooling, desain tersebut membantu menyederhanakan proses penerapan. Walaupun dirancang lebih praktis, kemampuan pendinginan server tetap harus diperiksa agar operasional pusat data berlangsung optimal.
Dari sisi konektivitas, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Teknologi interkoneksi ini mendukung komunikasi data berkecepatan tinggi. Melalui penggunaan koneksi yang sudah dikenal industri, Intel menargetkan integrasi yang lebih fleksibel. Namun demikian, kompatibilitas server tidak hanya bergantung pada konektor. Faktor seperti kemampuan power supply, dimensi slot ekspansi, dan pengelolaan temperatur rak. Sebelum melakukan instalasi, tim teknis dianjurkan menilai kondisi sistem sesuai lingkungan operasional.
Ekosistem PyTorch dan vLLM pada GPU D Series
Manfaat nyata GPU pusat data bergantung pada lebih dari sekadar kapasitas memori. Framework komputasi yang didukung berperan penting dalam menjalankan model AI secara efisien. Dalam upaya memperluas penggunaan produk, Intel mengutamakan ekosistem perangkat lunak terbuka. Perusahaan tersebut menyoroti integrasi dengan framework pembelajaran mesin PyTorch dan vLLM untuk menjalankan model bahasa. Strategi kompatibilitas tersebut dirancang agar membantu pengembang dalam memanfaatkan model terbuka tanpa membatasi pilihan framework pengembangan.
Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk membangun dan menjalankan model. Adapun, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pengelolaan memori dan permintaan yang efisien. Berkat strategi pengembangan terbuka, GPU D Series dirancang agar sesuai untuk berbagai kebutuhan inferensi. Namun demikian, dukungan awal tidak selalu berarti semua model langsung optimal. Tim teknis sebaiknya mengevaluasi dukungan runtime, operator komputasi yang tersedia, serta hasil benchmark nyata sebelum menggunakan perangkat secara luas.
Peluang Infrastruktur Kecerdasan Buatan melalui GPU D Series
Pengenalan akselerator AI terbaru Intel menunjukkan strategi perusahaan dalam memperkuat solusi komputasi pusat data yang menekankan kebutuhan aplikasi AI modern. Kapasitas memori mencapai 480 GB, bandwidth memori 1,5 terabyte per detik, dan kemampuan teoritis 1,3 petaflops dalam format FP8 menawarkan potensi menarik untuk mendukung inferensi AI dengan konteks panjang. Sebagai nilai tambah lainnya, desain berpendingin udara memberikan pilihan integrasi bagi perusahaan. Walaupun spesifikasinya menjanjikan, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum membandingkan dengan akselerator lain. Seberapa menarik menurut Anda perkembangan TEKNOLOGI komputasi AI Intel? Silakan bagikan pendapat Anda mengenai masa depan infrastruktur kecerdasan buatan.
