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 menandai langkah strategis dalam ekosistem prosesor x86. Melalui kerja sama tersebut, AMD dan Intel ingin memperbaiki jalur optimalisasi perangkat lunak. Pada pengembangan terdahulu, kedua perusahaan mengandalkan optimalisasi yang berbeda. Perbedaan teknologi ini dapat meningkatkan kompleksitas pengembangan. Berkat penggunaan sistem optimalisasi terpadu, kedua perusahaan ingin menyediakan lingkungan optimalisasi yang konsisten. Melalui strategi tersebut, programmer AI berpotensi memperoleh pengalaman pengembangan yang lebih konsisten.
Kerja sama AMD dan Intel dilakukan setelah arah kerja sama yang dibahas dalam x86 Ecosystem Advisory Group. Kelompok tersebut bertujuan mendukung ekosistem x86 yang lebih terbuka. Walaupun kedua perusahaan bersaing dalam penjualan prosesor, kerja sama pada standar perangkat lunak mampu menawarkan manfaat bagi pengguna. Dalam lingkungan komputasi modern, kompatibilitas perangkat lunak menjadi semakin relevan. Oleh sebab itu, penyatuan optimalisasi diharapkan dapat membatasi pekerjaan penyesuaian berulang tanpa menghilangkan persaingan perangkat keras.
Peran Pustaka oneDNN dalam Mempercepat Pekerjaan Deep Learning
Salah satu komponen utama adalah oneDNN, yaitu perangkat lunak akselerasi komputasi AI yang dikembangkan untuk pemrosesan operasi matematika. Teknologi oneDNN memiliki fungsi pemrosesan berperforma tinggi untuk pengembangan model kecerdasan buatan. Dalam proses pengolahan AI, oneDNN berpotensi meningkatkan efisiensi perkalian matriks yang banyak ditemukan dalam jaringan saraf tiruan. Dengan dukungan framework PyTorch, pengembang dapat memanfaatkan operasi komputasi yang telah disesuaikan tanpa mengembangkan semua operasi matematika sendiri. Pendekatan tersebut membantu menyederhanakan pengelolaan kode AI.
Dalam strategi terbaru, AMD dan Intel menyepakati oneDNN sebagai fondasi optimalisasi open-source CPU x86 dalam PyTorch. Pendekatan bersama tersebut bertujuan memberikan pengalaman yang lebih konsisten pada prosesor AMD maupun Intel. Apabila pekerjaan deep learning diproses pada perangkat keras berbeda, komponen perangkat lunak percepatan dapat memilih jalur pemrosesan yang dioptimalkan. Melalui mekanisme tersebut, programmer berpotensi lebih jarang perlu membangun jalur khusus bagi setiap vendor. Meski mendukung kemudahan pengembangan, efisiensi pemrosesan dapat berbeda menurut konfigurasi perangkat lunak yang digunakan.
AMD Mengintegrasikan ZenDNN ke dalam Pustaka oneDNN
Tindakan utama dalam kerja sama adalah integrasi teknologi ZenDNN ke dalam oneDNN. ZenDNN sendiri dikembangkan untuk percepatan operasi AI pada arsitektur CPU AMD. Dalam pengembangan sebelumnya, fungsi khusus prosesor AMD memiliki jalur pengembangan tersendiri. Dengan memasukkan kemampuan tersebut ke oneDNN, AMD akan mengintegrasikan kemampuan pemrosesan ZenDNN ke lingkungan optimalisasi terbuka. Langkah tersebut diharapkan membantu pemeliharaan satu basis perangkat lunak. Berkat integrasi ini, pengembang berbasis AMD diharapkan memiliki akses terhadap fungsi percepatan arsitektur Zen melalui ekosistem pustaka bersama.
Tidak hanya menyumbangkan teknologi optimalisasi, AMD turut menjadi bagian sebagai Steering Member dalam UXL Foundation. Organisasi tersebut mengelola inisiatif akselerasi komputasi, termasuk oneDNN. Keanggotaan AMD memberikan kesempatan dalam pembahasan strategi teknologi. Di sisi lain, Intel melanjutkan pengembangan pada peningkatan dukungan prosesor. Dengan kolaborasi tersebut, komunitas open-source berpotensi memperoleh kemampuan optimalisasi yang lebih konsisten. Meski arah pengembangan sudah disepakati, realisasi dukungan teknis harus melalui tahapan implementasi sebelum tersedia dalam semua lingkungan.
Teknologi ACE Mendukung Perkalian Matriks pada CPU Generasi Mendatang
Tidak hanya mengembangkan oneDNN bersama, AMD dan Intel turut mengembangkan pada AI Compute Extensions atau ACE. Pengembangan instruksi ini merupakan kelompok instruksi baru untuk prosesor x86 yang ditujukan untuk mendukung operasi matematika AI. Dalam pengembangan kecerdasan buatan, perkalian matriks memiliki peran penting. Perhitungan semacam ini sering muncul komputasi algoritma AI. Melalui instruksi khusus, perangkat keras x86 kompatibel berpotensi menjalankan perhitungan AI melalui jalur instruksi khusus.
Strategi pengembangan arsitektur x86 dirancang terhubung dengan integrasi oneDNN dalam PyTorch. Perusahaan pengembang x86 tersebut menjelaskan bahwa pemanfaatan instruksi baru akan dikembangkan melalui rilis perangkat lunak lanjutan. Dengan pendekatan tersebut, pembuat aplikasi machine learning berpotensi memanfaatkan fitur percepatan perangkat keras tanpa menulis setiap instruksi secara manual. Walaupun rencana ini menjanjikan, ACE belum dapat dianggap sebagai kemampuan yang langsung aktif pada setiap sistem. Ketersediaan aktual harus mempertimbangkan pembaruan pustaka yang kompatibel.
Kolaborasi AMD Intel Mempermudah Pengembangan Aplikasi AI Perusahaan
Keuntungan yang diharapkan dari kolaborasi optimalisasi PyTorch adalah kemudahan membangun aplikasi AI pada berbagai sistem x86. Untuk organisasi yang mengelola server, variasi konfigurasi perangkat keras sering menjadi pekerjaan optimalisasi tersendiri. Pada infrastruktur komputasi tertentu, sebuah perusahaan dapat mengoperasikan server AMD EPYC untuk memproses analisis data. Dengan pustaka yang lebih terpadu, organisasi memiliki peluang menyederhanakan pekerjaan pemeliharaan kode yang terpisah. Dengan demikian, pengembangan aplikasi berpotensi menjadi lebih praktis.
Selain kebutuhan server, optimalisasi CPU untuk PyTorch berpotensi berguna bagi tim pendidikan teknologi. Sebagian eksperimen machine learning harus menggunakan GPU. Pada beban kerja yang sesuai, CPU dapat digunakan untuk pengujian model berdasarkan kapasitas memori. Sebagai ilustrasi, sistem inferensi dengan beban moderat dapat dijalankan pada CPU kompatibel. Dengan pemanfaatan pustaka percepatan, operasi tertentu berpotensi memperoleh kernel yang telah dioptimalkan. Namun demikian, penggunaan akselerator AI masih diperlukan untuk banyak pekerjaan, terutama ketika pelatihan berskala besar dilakukan.
Penyatuan Optimalisasi CPU Menjadi Langkah Penting Teknologi Kecerdasan Buatan
Kesepakatan pengembangan AMD dan Intel menandai perkembangan strategis dalam industri teknologi prosesor. Dengan menggabungkan optimalisasi ZenDNN ke dalam oneDNN, kedua perusahaan berupaya menciptakan jalur perangkat lunak yang lebih konsisten. Langkah penyatuan tersebut diharapkan membantu organisasi pengguna PyTorch dalam membangun aplikasi pada prosesor AMD maupun Intel. Tidak hanya itu, pengembangan arsitektur instruksi baru diharapkan mendukung percepatan operasi matriks. Namun demikian, hasil peningkatan performa harus dievaluasi berdasarkan versi perangkat lunak yang digunakan.
Pada era pertumbuhan aplikasi AI, kompatibilitas lintas prosesor menjadi prioritas pengembangan untuk mempermudah pekerjaan pengembang. Kolaborasi Intel dan AMD pada PyTorch berpotensi berkembang sebagai langkah menuju kompatibilitas yang lebih baik. Walaupun kedua perusahaan bekerja sama, AMD dan Intel masih memiliki produk yang berkompetisi dalam penjualan perangkat keras komputasi. Berkat keseimbangan antara persaingan dan kolaborasi, industri diharapkan mendapatkan pilihan CPU yang lebih luas. Keberhasilan strategi ini dapat dievaluasi dari pengujian performa pada implementasi PyTorch berikutnya. Menurut pandangan Anda, apakah penyatuan optimalisasi melalui oneDNN dapat memperkuat ekosistem kecerdasan buatan? Jangan ragu menyampaikan pandangan mengenai kolaborasi AMD dan Intel dalam teknologi kecerdasan buatan.
