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
Pertumbuhan TEKNOLOGI kecerdasan buatan memperbesar penggunaan sistem komputasi yang dirancang untuk memproses aplikasi AI generatif secara lebih ekonomis. Sebagai bagian dari strategi komputasi AI, Intel menghadirkan GPU D Series sebagai perangkat komputasi pusat data yang menekankan kapasitas memori. Perangkat komputasi tersebut mula-mula diperkenalkan dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Berkat rancangan yang berorientasi pada inferensi, perusahaan ingin menawarkan pilihan perangkat keras tambahan bagi operator pusat data.
Pengumuman pada Oktober 2026 memperjelas kemampuan perangkat mengenai kapasitas memori GPU D Series. Sebagai produk dengan sasaran berbeda dari kartu grafis permainan, akselerator ini dikembangkan guna melayani permintaan AI. Proses inference merupakan kegiatan menjalankan model yang telah dilatih. Contohnya, layanan chatbot menggunakan proses inferensi ketika merespons pertanyaan. Ketika jumlah pengguna meningkat, efisiensi perangkat keras semakin penting. Karena itulah, Intel memposisikan akselerator terbarunya sebagai solusi untuk kebutuhan inferensi berskala besar.
Keunggulan Kapasitas Memori dan Bandwidth Intel GPU D270
Fitur paling menonjol Intel GPU D Series adalah kapasitas LPDDR5X mencapai 480 GB. Pada konfigurasi produk ini, Intel menggunakan teknologi memori LPDDR5X yang mendukung konsumsi daya yang lebih terkendali. 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 mengalirkan informasi selama pemrosesan. Keseimbangan ruang penyimpanan dan kecepatan akses ditujukan untuk mendukung inferensi dengan konteks panjang.
Selain kemampuan memori, Intel GPU D Series dibangun berdasarkan desain komputasi Xe3P yang dioptimalkan untuk inferensi. Akselerator ini memiliki target komputasi sebesar 1,3 petaflops pada presisi FP8. FP8 merupakan format numerik berpresisi rendah yang relevan untuk pengolahan jaringan neural. Penggunaan format tersebut berpotensi meningkatkan efisiensi pengolahan data. Namun demikian, kemampuan puncak teoritis tidak selalu mencerminkan kinerja aplikasi nyata. Faktor seperti kompleksitas aplikasi, jenis presisi, dan efisiensi perangkat lunak.
Hubungan Memori GPU dengan Performa Large Language Model
Dalam pengembangan AI modern, kapasitas memori menjadi komponen penting karena data jaringan neural perlu diakses secara berulang. Model dengan parameter lebih banyak sering membutuhkan kapasitas penyimpanan sementara yang luas. Selain parameter model, proses inferensi membutuhkan memori tambahan untuk data pemrosesan. Bagian penting dalam inferensi transformer adalah KV cache yang mendukung penggunaan kembali informasi dalam konteks percakapan. Apabila jumlah token yang diproses meningkat, kebutuhan memori berpotensi meningkat. 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. Gambaran kebutuhan memori tersebut masih mengecualikan KV cache dan overhead perangkat lunak. Dengan kapasitas hingga 480 GB, GPU D Series memberikan ruang lebih luas untuk konteks panjang ke banyak perangkat GPU pada konfigurasi tertentu. Namun, jumlah memori bukan satu-satunya penentu performa. Kemampuan komputasi tetap perlu dipertimbangkan ketika memilih akselerator AI.
Keunggulan Pendinginan Udara dan Konsumsi Daya GPU D270
Selain menonjolkan kapasitas memori, Intel memprioritaskan kemudahan integrasi 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 integrasi ke rak server yang kompatibel. Tidak seperti konfigurasi yang mengharuskan infrastruktur liquid cooling, desain tersebut membantu menyederhanakan proses penerapan. Walaupun dirancang lebih praktis, kecukupan aliran udara masih perlu dipastikan agar perangkat bekerja secara stabil.
Dalam aspek integrasi perangkat keras, Intel GPU D Series dirancang dengan standar interkoneksi PCIe 5.0. Standar tersebut menyediakan jalur transfer antara GPU dan komponen server. Melalui penggunaan koneksi yang sudah dikenal industri, Intel menargetkan integrasi yang lebih fleksibel. Perlu dipahami bahwa, pemasangan GPU tetap memerlukan pemeriksaan sistem. Aspek yang perlu diperhatikan meliputi kapasitas catu daya, ruang fisik di dalam server, dan kemampuan sistem pendingin. Sebelum melakukan instalasi, operator pusat data perlu melakukan evaluasi sesuai kebutuhan komputasi.
Dukungan Software Terbuka untuk Pengembangan AI Intel
Efektivitas perangkat komputasi kecerdasan buatan memerlukan dukungan selain kemampuan komputasi. Framework komputasi yang didukung menjadi faktor utama dalam memanfaatkan kemampuan GPU. Sebagai bagian dari strategi pengembangan, Intel mengutamakan ekosistem perangkat lunak terbuka. Produsen semikonduktor ini mengembangkan kompatibilitas dengan framework pembelajaran mesin PyTorch dan vLLM untuk melayani permintaan inferensi. Strategi kompatibilitas tersebut dirancang agar membantu pengembang dalam membangun layanan kecerdasan buatan tanpa membatasi pilihan framework pengembangan.
Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk melakukan pemrosesan jaringan neural. Sementara itu, vLLM dikembangkan untuk melayani inferensi model bahasa dengan optimalisasi throughput serta penggunaan cache. Dengan menghadirkan kompatibilitas perangkat lunak, GPU D Series berpotensi digunakan untuk beragam model dan aplikasi. Namun demikian, dukungan awal tidak selalu berarti semua model langsung optimal. Pengelola sistem dianjurkan menguji versi driver, dukungan fungsi model, serta efisiensi komputasi dalam penggunaan produksi sebelum menggunakan perangkat secara luas.
Masa Depan Pemrosesan AI dengan Memori Besar dari Intel
Pengembangan Intel GPU D Series memperlihatkan arah inovasi Intel dalam menghadirkan infrastruktur inferensi AI 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 mendukung inferensi AI dengan konteks panjang. Sebagai nilai tambah lainnya, dukungan ekosistem perangkat lunak terbuka menjadi pertimbangan bagi operator pusat data. Walaupun spesifikasinya menjanjikan, hasil penggunaan perlu dibuktikan melalui benchmark sebelum mengambil keputusan penerapan skala besar. Seberapa menarik menurut Anda akselerator AI dengan memori berkapasitas besar? Mari sampaikan pandangan Anda mengenai masa depan infrastruktur kecerdasan buatan.
