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 industri artificial intelligence meningkatkan kebutuhan infrastruktur yang mampu menangani sistem kecerdasan buatan kompleks secara semakin optimal. Sebagai bagian dari strategi komputasi AI, Intel memperkenalkan GPU D Series sebagai akselerator khusus inferensi yang berfokus pada kebutuhan memori besar. Produk tersebut sebelumnya dikenal dengan nama kode Crescent Island sebelum diperkenalkan dengan nama komersial Intel GPU D Series. Dengan pendekatan tersebut, perusahaan menargetkan hadirnya solusi komputasi yang lebih fleksibel bagi perusahaan pengembang kecerdasan buatan.
Presentasi perusahaan dalam OCP Global Summit 2026 memperjelas kemampuan perangkat mengenai kemampuan komputasi GPU D Series. Berbeda dari kartu grafis konsumen, akselerator ini dikembangkan guna melayani permintaan AI. Proses inference merupakan kegiatan menjalankan model yang telah dilatih. Sebagai gambaran, layanan chatbot menggunakan proses inferensi ketika merespons pertanyaan. Ketika jumlah pengguna meningkat, kebutuhan memori dan daya komputasi bertambah. Oleh sebab itu, Intel memposisikan akselerator terbarunya sebagai bagian dari infrastruktur AI modern.
Keunggulan Kapasitas Memori dan Bandwidth Intel GPU D270
Karakteristik penting Intel GPU D Series adalah kemampuan menampung memori berkapasitas besar. Dalam rancangan tersebut, Intel memilih teknologi memori LPDDR5X yang menawarkan karakteristik hemat daya. Dukungan penyimpanan data sementara sebesar itu membantu menampung parameter jaringan neural. Di samping menawarkan ruang pemrosesan yang luas, perangkat ini memiliki bandwidth hingga 1,5 TB/s. Kecepatan akses memori tersebut berperan penting dalam mengalirkan informasi selama pemrosesan. Keseimbangan ruang penyimpanan dan kecepatan akses ditujukan untuk mendukung layanan AI dengan permintaan kompleks.
Selain kemampuan memori, Intel GPU D Series menggunakan arsitektur Xe3P yang dioptimalkan untuk inferensi. GPU pusat data tersebut menawarkan kemampuan puncak hingga 1,3 petaflops FP8. Format floating point 8-bit adalah metode penyimpanan nilai floating point menggunakan delapan bit yang relevan untuk pengolahan jaringan neural. Pemanfaatan presisi rendah ini dapat mengurangi kebutuhan komputasi tertentu. Namun demikian, kecepatan inferensi aktual bergantung pada konfigurasi sistem. Performa sebenarnya dipengaruhi oleh ukuran model, pengaturan numerik, dan optimalisasi framework.
Mengapa Memori Besar Penting untuk Menjalankan Model AI
Pada penggunaan model bahasa besar, ketersediaan memori memiliki peranan utama karena parameter model harus tersedia selama pemrosesan. Jaringan neural yang berukuran besar dapat menggunakan sumber daya memori dalam jumlah tinggi. Tidak hanya bobot jaringan neural, proses inferensi memerlukan penyimpanan informasi sementara. Salah satu contohnya adalah KV cache yang menyimpan informasi perhatian dari token sebelumnya. Apabila jumlah token yang diproses meningkat, kebutuhan memori menjadi semakin besar. Kondisi tersebut menjelaskan pentingnya kapasitas tinggi.
Dalam contoh sederhana, sebuah model AI dengan 70 miliar parameter menggunakan sekitar 140 gigabyte ketika bobot disimpan pada presisi 16-bit. Perhitungan tersebut belum memasukkan KV cache dan overhead perangkat lunak. Dengan kapasitas hingga 480 GB, GPU D Series berpotensi menampung lebih banyak data model ke sejumlah kartu komputasi pada beban kerja yang sesuai. Namun, ruang penyimpanan yang luas belum memastikan throughput tertinggi. Efisiensi framework harus dievaluasi secara bersamaan ketika merancang infrastruktur pusat data.
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 mengandalkan sistem pendinginan udara dengan profil konsumsi daya 350 W. Sistem pendinginan yang digunakan berpotensi menyederhanakan penggunaan pada infrastruktur enterprise. Sebagai alternatif terhadap perangkat dengan kebutuhan pendinginan kompleks, desain tersebut berpeluang menekan kerumitan instalasi. Walaupun dirancang lebih praktis, kecukupan aliran udara masih perlu dipastikan agar operasional pusat data berlangsung optimal.
Dari sisi konektivitas, Intel GPU D Series menggunakan antarmuka PCIe 5.0. Antarmuka perangkat tersebut mendukung komunikasi data berkecepatan tinggi. Melalui penggunaan koneksi yang sudah dikenal industri, Intel berusaha mengurangi kebutuhan infrastruktur khusus. Meskipun demikian, kompatibilitas server tidak hanya bergantung pada konektor. Faktor seperti kapasitas catu daya, ruang fisik di dalam server, dan pengelolaan temperatur rak. Oleh sebab itu, tim teknis dianjurkan menilai kondisi sistem sesuai spesifikasi perangkat.
Dukungan Software Terbuka untuk Pengembangan AI Intel
Manfaat nyata GPU pusat data bergantung pada lebih dari sekadar kapasitas memori. Ekosistem pengembangan yang matang berperan penting dalam memanfaatkan kemampuan GPU. Dalam upaya memperluas penggunaan produk, Intel menekankan pendekatan software terbuka. Produsen semikonduktor ini memperkenalkan dukungan dengan framework pembelajaran mesin PyTorch dan vLLM untuk menjalankan model bahasa. Pendekatan perangkat lunak ini bertujuan memberikan fleksibilitas dalam mengoperasikan aplikasi berbasis AI tanpa harus menggunakan satu pendekatan perangkat lunak khusus.
Framework PyTorch dikenal sebagai kerangka kerja komputasi neural yang dikenal luas untuk mengembangkan aplikasi kecerdasan buatan. Di sisi lain, vLLM dirancang agar mendukung pengoperasian layanan LLM dengan pendekatan pemrosesan yang memperhatikan efisiensi sumber daya. Berkat strategi pengembangan terbuka, GPU D Series diharapkan dapat dimanfaatkan untuk berbagai kebutuhan inferensi. Namun demikian, dukungan awal tidak selalu berarti semua model langsung optimal. Tim teknis sebaiknya mengevaluasi dukungan runtime, dukungan fungsi model, serta efisiensi komputasi dalam penggunaan produksi sebelum menerapkan layanan AI berskala besar.
Kesimpulan: GPU D Series Memperkuat Strategi AI Intel
Pengenalan akselerator AI terbaru Intel menggambarkan upaya produsen semikonduktor tersebut dalam memperkuat solusi komputasi pusat data yang menekankan kebutuhan aplikasi AI modern. Dukungan LPDDR5X hingga 480 GB, kecepatan transfer memori sebesar 1,5 TB/s, dan komputasi puncak 1,3 petaflops FP8 menawarkan potensi menarik untuk melayani permintaan kecerdasan buatan berskala besar. Sebagai nilai tambah lainnya, desain berpendingin udara membantu memperkuat daya tarik produk. Meski demikian, efisiensi aktual harus dinilai berdasarkan aplikasi sebelum menentukan manfaat ekonominya. Bagaimana pendapat Anda mengenai akselerator AI dengan memori berkapasitas besar? Silakan bagikan pendapat Anda mengenai masa depan infrastruktur kecerdasan buatan.
