AMD dan Intel Berkolaborasi Mempermudah Pengembangan AI pada Prosesor x86 melalui PyTorch

AMD dan Intel mengumumkan kolaborasi teknologi pada 20 Oktober 2026 untuk menyederhanakan pengembangan aplikasi kecerdasan buatan berbasis prosesor x86 menggunakan PyTorch. Kedua perusahaan sepakat menyatukan optimalisasi CPU melalui oneDNN, pustaka perangkat lunak terbuka untuk mempercepat pekerjaan deep learning. Dalam kerja sama tersebut, AMD akan mengintegrasikan teknologi ZenDNN ke dalam oneDNN yang juga digunakan Intel. Langkah ini bertujuan mengurangi perbedaan jalur optimalisasi perangkat lunak antara kedua produsen prosesor. Pengembangan bersama tersebut diharapkan mempermudah programmer membangun, memelihara, dan menjalankan aplikasi AI pada beragam sistem komputer tanpa harus mengandalkan pengaturan khusus untuk setiap merek CPU.

Kerja Sama Dua Produsen CPU Mendukung Pengembangan Kecerdasan Buatan

Perkenalan kolaborasi antara AMD dan Intel menghadirkan kemajuan menarik dalam pengembangan perangkat lunak AI. Dengan menggabungkan kemampuan kedua perusahaan, AMD dan Intel ingin memperbaiki pengembangan aplikasi berbasis PyTorch. Pada pengembangan terdahulu, kedua perusahaan mengembangkan pendekatan khusus untuk perangkat kerasnya. Karakteristik ekosistem sebelumnya berpotensi menambah kompleksitas pengembangan. Melalui oneDNN, kedua perusahaan ingin menyediakan lingkungan optimalisasi yang konsisten. Dengan demikian, tim rekayasa perangkat lunak dapat memanfaatkan optimalisasi yang lebih mudah dikelola.

Kerja sama AMD dan Intel berkaitan dengan rekomendasi x86 Ecosystem Advisory Group. Forum industri ini mendorong pengembangan kompatibilitas antarteknologi prosesor. Kendati kedua produsen chip tersebut bersaing dalam penjualan prosesor, kerja sama pada standar perangkat lunak berpotensi menghadirkan manfaat bagi pengguna. Seiring meningkatnya kebutuhan pemrosesan data, kompatibilitas perangkat lunak menjadi semakin relevan. Oleh sebab itu, pengembangan jalur perangkat lunak bersama diharapkan dapat membatasi fragmentasi teknologi tanpa mewajibkan penggunaan satu merek CPU.

Teknologi oneDNN Mendukung Pemrosesan AI pada Arsitektur x86

Salah satu komponen utama adalah oneDNN, yaitu perangkat lunak akselerasi komputasi AI yang dikembangkan untuk percepatan perhitungan jaringan saraf. Pustaka tersebut memiliki berbagai operasi komputasi yang dioptimalkan untuk kebutuhan deep learning. Dalam proses pengolahan AI, oneDNN dapat membantu mempercepat perkalian matriks yang menjadi bagian penting dalam algoritma pengolahan data. Berkat hubungan antara pustaka dan framework, pengembang dapat memanfaatkan fungsi percepatan perangkat keras tanpa mengembangkan semua operasi matematika sendiri. Pendekatan tersebut dapat mempermudah pemeliharaan aplikasi.

Dalam strategi terbaru, AMD dan Intel memilih oneDNN sebagai library utama untuk percepatan CPU x86 dalam PyTorch. Keputusan tersebut diharapkan menyediakan dukungan perangkat lunak yang lebih terpadu pada berbagai CPU berbasis x86. Saat model PyTorch digunakan pada CPU dengan arsitektur yang bervariasi, komponen perangkat lunak percepatan dapat memilih jalur pemrosesan yang dioptimalkan. Dengan demikian, tim perangkat lunak dapat mengurangi kebutuhan untuk menulis ulang komponen pemrosesan untuk setiap CPU. Namun demikian, efisiensi pemrosesan tetap bergantung pada jenis prosesor yang digunakan.

Penggabungan ZenDNN dan oneDNN Memperkuat Kompatibilitas x86

Bagian penting dari implementasi adalah penggabungan optimalisasi AMD ke dalam oneDNN. ZenDNN sendiri dikembangkan untuk pengoptimalan pekerjaan jaringan saraf pada arsitektur CPU AMD. Selama ini, kemampuan percepatan AMD memiliki jalur pengembangan tersendiri. Dengan memasukkan kemampuan tersebut ke oneDNN, AMD berencana menyumbangkan kemampuan pemrosesan ZenDNN ke proyek oneDNN. Integrasi teknologi tersebut diharapkan membantu penyediaan fungsi percepatan yang lebih terpadu. Dengan demikian, pengembang berbasis AMD berpotensi memanfaatkan optimalisasi khusus perangkat keras melalui ekosistem pustaka bersama.

Selain mengintegrasikan ZenDNN, AMD mengambil peran sebagai Steering Member dalam UXL Foundation. Yayasan teknologi ini menjadi wadah pengembangan sejumlah proyek perangkat lunak terbuka, termasuk oneDNN. Keanggotaan AMD memberikan kesempatan dalam pembahasan strategi teknologi. Sebagai bagian dari kerja sama terbuka, Intel melanjutkan pengembangan pada peningkatan dukungan prosesor. Dengan kolaborasi tersebut, komunitas open-source berpotensi memperoleh dukungan hardware yang lebih luas. Meski arah pengembangan sudah disepakati, realisasi dukungan teknis harus melalui tahapan implementasi sebelum dapat digunakan secara luas.

AMD dan Intel Menyiapkan Instruksi Baru untuk Mempercepat Operasi AI

Tidak hanya mengembangkan oneDNN bersama, AMD dan Intel turut mengembangkan pada AI Compute Extensions atau ACE. Teknologi tersebut diperkenalkan sebagai perluasan arsitektur instruksi x86 yang bertujuan mempercepat operasi matematika AI. Untuk menjalankan model pembelajaran mesin, operasi tensor merupakan komponen mendasar. Aktivitas tersebut sering muncul komputasi algoritma AI. Dengan pengembangan ACE, perangkat keras x86 kompatibel diharapkan mampu memproses operasi tertentu secara lebih efisien.

Kolaborasi pada instruksi baru memiliki hubungan penting terhadap integrasi oneDNN dalam PyTorch. AMD dan Intel mengumumkan bahwa integrasi teknologi tersebut direncanakan hadir melalui pembaruan oneDNN pada masa depan. Melalui integrasi pada library, pemrogram PyTorch diharapkan bisa menggunakan optimalisasi instruksi generasi berikutnya tanpa harus mengubah seluruh kode aplikasi. Meski arah pengembangannya telah dijelaskan, ACE belum dapat dianggap sebagai dukungan otomatis untuk seluruh perangkat x86. Pemanfaatan teknologi tersebut harus mempertimbangkan implementasi perangkat keras yang kompatibel.

Optimalisasi PyTorch pada CPU x86 Mendukung Infrastruktur Data Center

Keuntungan yang diharapkan dari penyatuan oneDNN adalah fleksibilitas penerapan model pada prosesor AMD dan Intel. Pada kebutuhan pusat data, perbedaan merek prosesor dapat menimbulkan pekerjaan optimalisasi tersendiri. Pada infrastruktur komputasi tertentu, sebuah perusahaan mungkin menggunakan server AMD EPYC untuk menjalankan layanan AI. Melalui satu jalur optimalisasi, tim perangkat lunak berpotensi membatasi pengelolaan beberapa implementasi. Dengan demikian, penerapan model AI dapat dilakukan dengan alur yang lebih konsisten.

Selain kebutuhan server, pengembangan AI berbasis x86 berpotensi berguna bagi pengembang independen. Berbagai aplikasi kecerdasan buatan harus menggunakan GPU. Pada beban kerja yang sesuai, CPU mampu menjalankan untuk inferensi berdasarkan persyaratan sistem. Contohnya, sistem inferensi dengan beban moderat dapat dijalankan pada komputer berbasis x86. Melalui optimalisasi oneDNN, operasi tertentu berpotensi memperoleh efisiensi tambahan. Walaupun CPU tetap memiliki peran penting, pemilihan perangkat keras khusus tetap relevan, terutama ketika beban komputasi sangat besar.

Penyatuan Optimalisasi CPU Menjadi Langkah Penting Teknologi Kecerdasan Buatan

Kesepakatan pengembangan AMD dan Intel menandai langkah penting dalam ekosistem komputasi AI berbasis x86. Berkat integrasi kemampuan percepatan AMD ke dalam oneDNN, kedua perusahaan berupaya menciptakan pustaka optimalisasi bersama. Strategi pengembangan ini diharapkan membantu pengembang AI dalam memelihara kode pada berbagai sistem CPU x86. Tidak hanya itu, rencana dukungan instruksi ACE diharapkan mendukung percepatan operasi matriks. Walaupun rencana tersebut menjanjikan, dampak terhadap pengguna masih perlu diuji berdasarkan perangkat keras yang digunakan.

Pada era pertumbuhan aplikasi AI, keterbukaan ekosistem perangkat lunak tetap menjadi prioritas pengembangan untuk mendukung inovasi. Integrasi ZenDNN ke oneDNN berpotensi berkembang sebagai contoh pengembangan teknologi bersama. Kendati memiliki proyek perangkat lunak bersama, AMD dan Intel masih memiliki produk yang berkompetisi dalam industri semikonduktor. Berkat keseimbangan antara persaingan dan kolaborasi, industri diharapkan mendapatkan pilihan CPU yang lebih luas. Dampak jangka panjang kolaborasi akan terlihat melalui pengujian performa pada rilis perangkat lunak mendatang. Apa pendapat Anda, apakah penyatuan optimalisasi melalui oneDNN dapat memperkuat ekosistem kecerdasan buatan? Jangan ragu menyampaikan pandangan mengenai pengembangan AI menggunakan PyTorch.