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.
Kolaborasi AMD Intel Memperkuat Ekosistem PyTorch
Perkenalan kolaborasi antara AMD dan Intel menghadirkan langkah strategis dalam pengembangan perangkat lunak AI. Dengan menggabungkan kemampuan kedua perusahaan, AMD dan Intel berupaya menyederhanakan pengembangan aplikasi berbasis PyTorch. Pada pengembangan terdahulu, pengembang prosesor tersebut memiliki optimalisasi yang berbeda. Perbedaan teknologi ini dapat meningkatkan pekerjaan penyesuaian perangkat lunak. Berkat penggunaan sistem optimalisasi terpadu, kedua perusahaan menargetkan pengembangan lingkungan optimalisasi yang konsisten. Berkat penyatuan ini, programmer AI berpotensi memperoleh optimalisasi yang lebih mudah dikelola.
Penyatuan pengembangan perangkat lunak ini berkaitan dengan masukan kelompok penasihat ekosistem x86. Kelompok tersebut mendorong pengembangan ekosistem x86 yang lebih terbuka. Walaupun kedua perusahaan merupakan pesaing utama, kerja sama pada standar perangkat lunak mampu menawarkan manfaat bagi pengguna. Pada pengembangan AI saat ini, kompatibilitas perangkat lunak semakin dibutuhkan. Dengan mempertimbangkan kebutuhan tersebut, penyatuan optimalisasi dirancang untuk menekan fragmentasi teknologi tanpa menghilangkan persaingan perangkat keras.
Peran Pustaka oneDNN dalam Mempercepat Pekerjaan Deep Learning
Teknologi yang menjadi pusat kerja sama adalah oneDNN, yaitu pustaka deep learning terbuka yang dirancang membantu pengoptimalan pekerjaan machine learning. Teknologi oneDNN menghadirkan fungsi pemrosesan berperforma tinggi untuk kebutuhan deep learning. Pada pekerjaan komputasi tertentu, oneDNN dirancang mengoptimalkan operasi konvolusi yang menjadi bagian penting dalam algoritma pengolahan data. Berkat hubungan antara pustaka dan framework, pengembang dapat memanfaatkan optimalisasi CPU tanpa mengembangkan semua operasi matematika sendiri. Mekanisme tersebut membantu menyederhanakan pemeliharaan aplikasi.
Sebagai bagian dari kolaborasi, 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 sistem komputer dari kedua produsen. Saat model PyTorch digunakan pada sistem komputasi x86, sistem pemrosesan tersebut dirancang menggunakan kemampuan perangkat keras yang tersedia. Berkat pendekatan ini, tim perangkat lunak dapat mengurangi kebutuhan untuk menulis ulang komponen pemrosesan untuk setiap CPU. Walaupun integrasi ini menjanjikan, efisiensi pemrosesan dipengaruhi oleh karakteristik model AI yang digunakan.
Teknologi ZenDNN Mendukung Optimalisasi AI pada Prosesor AMD
Tindakan utama dalam kerja sama adalah integrasi teknologi ZenDNN ke dalam oneDNN. ZenDNN sendiri bertujuan mendukung pemrosesan deep learning pada perangkat keras berbasis AMD Zen. Pada pendekatan yang digunakan terdahulu, kemampuan percepatan AMD memiliki jalur pengembangan tersendiri. Berkat strategi penyatuan ini, AMD akan mengintegrasikan optimalisasi yang telah dikembangkan ke proyek oneDNN. Pengembangan ini berpotensi mendukung penyediaan fungsi percepatan yang lebih terpadu. Melalui pendekatan tersebut, pengguna prosesor AMD tetap dapat memperoleh fungsi percepatan arsitektur Zen melalui implementasi oneDNN.
Di samping memperluas kontribusi perangkat lunak, AMD turut menjadi bagian sebagai Steering Member dalam UXL Foundation. Yayasan teknologi ini menjadi wadah pengembangan sejumlah proyek perangkat lunak terbuka, termasuk oneDNN. Posisi AMD dalam organisasi mendukung keterlibatan langsung dalam pembahasan strategi teknologi. Sebagai bagian dari kerja sama terbuka, Intel mempertahankan keterlibatan pada pengembangan komponen deep learning. Berkat pengembangan bersama, pengembang aplikasi dapat memanfaatkan perbaikan yang lebih terkoordinasi. Namun demikian, integrasi seluruh kemampuan tetap membutuhkan pengujian sebelum dapat digunakan secara luas.
AMD dan Intel Menyiapkan Instruksi Baru untuk Mempercepat Operasi AI
Selain menyatukan pustaka perangkat lunak, AMD dan Intel menyiapkan kolaborasi pada AI Compute Extensions atau ACE. Teknologi tersebut merupakan kelompok instruksi baru untuk prosesor x86 yang bertujuan mempercepat perhitungan yang digunakan dalam deep learning. Untuk menjalankan model pembelajaran mesin, operasi tensor menjadi kebutuhan utama. Perhitungan semacam ini menjadi bagian dari proses inferensi model. Melalui instruksi khusus, prosesor yang mendukung teknologi tersebut diharapkan mampu memproses perhitungan AI melalui jalur instruksi khusus.
Kolaborasi pada instruksi baru memiliki hubungan penting terhadap integrasi oneDNN dalam PyTorch. Perusahaan pengembang x86 tersebut menyampaikan bahwa dukungan ACE akan dikembangkan melalui pembaruan oneDNN pada masa depan. Berkat dukungan pustaka bersama, pembuat aplikasi machine learning dapat memperoleh akses terhadap optimalisasi instruksi generasi berikutnya tanpa harus mengubah seluruh kode aplikasi. Namun demikian, ACE belum dapat dianggap sebagai kemampuan yang langsung aktif pada setiap sistem. Ketersediaan aktual memerlukan implementasi perangkat keras yang sesuai.
Penyatuan Software AI Membantu Efisiensi Pengembangan dan Penerapan
Salah satu manfaat utama dari kolaborasi optimalisasi PyTorch adalah fleksibilitas penerapan model pada berbagai sistem x86. Pada kebutuhan pusat data, variasi konfigurasi perangkat keras sering menjadi pekerjaan optimalisasi tersendiri. Dalam penerapan operasional, sebuah perusahaan berpotensi memiliki beberapa kelompok server x86 untuk mendukung aplikasi bisnis. Melalui satu jalur optimalisasi, organisasi memiliki peluang menyederhanakan kebutuhan penyesuaian khusus vendor. Berkat penyatuan ini, pengujian perangkat lunak dapat dilakukan dengan alur yang lebih konsisten.
Tidak hanya untuk infrastruktur data center, dukungan perangkat lunak yang lebih konsisten juga relevan bagi tim pendidikan teknologi. Tidak semua pekerjaan AI membutuhkan perangkat komputasi grafis. Pada beban kerja yang sesuai, CPU dapat digunakan untuk inferensi berdasarkan kebutuhan performa. Dalam kegiatan pengembangan, model pengolahan data tertentu mampu diuji pada komputer berbasis x86. Dengan pemanfaatan pustaka percepatan, perhitungan jaringan saraf mampu menggunakan efisiensi tambahan. Namun demikian, kebutuhan GPU tidak otomatis tergantikan, terutama ketika model membutuhkan pemrosesan paralel tinggi.
Kesimpulan: AMD dan Intel Memperkuat Ekosistem AI x86 melalui PyTorch
Kolaborasi AMD dan Intel menunjukkan perkembangan strategis dalam ekosistem komputasi AI berbasis x86. Berkat integrasi optimalisasi ZenDNN ke dalam oneDNN, kedua perusahaan menargetkan pengembangan pustaka optimalisasi bersama. Pendekatan tersebut dirancang mendukung tim rekayasa perangkat lunak dalam memelihara kode pada berbagai sistem CPU x86. Selain itu, kolaborasi AI Compute Extensions diharapkan mendukung optimalisasi pemrosesan generasi berikutnya. Namun demikian, hasil peningkatan performa masih perlu diuji berdasarkan jenis model AI yang digunakan.
Dalam perkembangan TEKNOLOGI, penyederhanaan jalur optimalisasi merupakan prioritas pengembangan untuk mendukung inovasi. Integrasi ZenDNN ke oneDNN mampu menghadirkan contoh pengembangan teknologi bersama. Kendati memiliki proyek perangkat lunak bersama, AMD dan Intel masih memiliki produk yang berkompetisi dalam penjualan perangkat keras komputasi. Dengan demikian, pengguna dapat memiliki kemudahan penerapan aplikasi AI. Hasil pengembangan bersama dapat dievaluasi dari realisasi integrasi pada implementasi PyTorch berikutnya. Apa pendapat Anda, apakah penyatuan optimalisasi melalui oneDNN dapat memperkuat ekosistem kecerdasan buatan? Jangan ragu menyampaikan pandangan mengenai masa depan prosesor x86.
