Wearable Temple Bersiap Diluncurkan dengan Sensor di Pelipis untuk Memantau Sinyal Tubuh

Google kembali menghadirkan inovasi teknologi kecerdasan buatan melalui pengenalan ML Drift, mesin komputasi GPU yang dirancang untuk mempercepat pemrosesan AI secara langsung pada perangkat pengguna. Diumumkan pada 8 Oktober 2026, ML Drift dikembangkan oleh tim Google AI Edge sebagai solusi lintas platform yang mendukung Android, iOS, web, dan komputer desktop. Teknologi ini memanfaatkan kemampuan GPU untuk menjalankan model machine learning dengan latensi lebih rendah dan penggunaan sumber daya yang efisien. Melalui integrasi dengan LiteRT serta perilisan sumber terbuka berlisensi Apache 2.0, Google membuka peluang bagi pengembang untuk menghadirkan aplikasi AI lokal yang lebih responsif tanpa selalu mengandalkan server cloud.

Google AI Edge Menghadirkan ML Drift untuk Mempercepat Machine Learning di Perangkat

Perkembangan TEKNOLOGI kecerdasan buatan menghadirkan kebutuhan komputasi yang lebih efisien. Dalam perkembangan industri digital, banyak perangkat lunak menggunakan pusat data jarak jauh untuk memproses permintaan pengguna. Walaupun pemrosesan jarak jauh memiliki berbagai manfaat, pengelolaan informasi pengguna memerlukan perhatian tersendiri. Dengan memperkenalkan mesin komputasi terbaru, Google mengembangkan pendekatan pemrosesan langsung di perangkat. Framework terbaru tersebut bertujuan mengoptimalkan sumber daya GPU yang tersedia. Melalui strategi ini, berbagai tugas machine learning berpotensi diproses tanpa harus bergantung pada server eksternal.

Perusahaan teknologi tersebut merilis ML Drift pada awal Oktober 2026 sebagai framework akselerasi AI di perangkat. Memiliki fungsi berbeda dibandingkan layanan AI percakapan, ML Drift dikembangkan sebagai fondasi perangkat lunak yang membangun aplikasi berbasis AI. Teknologi tersebut mengabstraksikan kerumitan berbagai antarmuka GPU sehingga programmer dapat mengurangi kebutuhan membuat implementasi terpisah untuk setiap platform. Perusahaan membuka proyek tersebut sebagai framework dengan kode terbuka menggunakan lisensi Apache 2.0. Dengan demikian, programmer memiliki akses untuk memeriksa kode sumbernya serta memanfaatkan teknologi untuk kebutuhan yang diizinkan.

Teknologi GPU Compute Google untuk Menjalankan AI Secara Lokal

Salah satu konsep utama ML Drift adalah optimalisasi operasi machine learning pada grafis. Graphics Processing Unit memiliki kemampuan menangani pekerjaan numerik dengan tingkat paralelisme tinggi. Kemampuan ini menjadi relevan bagi sistem kecerdasan buatan yang melibatkan operasi matriks. Melalui ML Drift, pekerjaan inferensi diarahkan menjadi proses yang dapat dijalankan akselerator grafis. Sistem kemudian mengatur penggunaan memori berdasarkan dukungan API pada sistem. Mekanisme pemrosesan tersebut dirancang untuk menekan beban komputasi yang tidak diperlukan. Namun demikian, hasil pengujian ditentukan oleh kombinasi kemampuan perangkat dan optimasi perangkat lunak.

Dalam implementasi teknis, ML Drift memanfaatkan metode pengurangan beban seperti operator fusion, pengelolaan tensor, serta generasi shader saat runtime. Teknik penyatuan operator dapat membantu membatasi overhead pelaksanaan komputasi. Di sisi lain, penyesuaian susunan data berpotensi mempercepat pemanfaatan informasi yang diperlukan. Framework tersebut turut menggunakan pengelolaan buffer yang dapat dipakai kembali untuk menekan penggunaan memori sementara. Ketika menjalankan jaringan saraf kompleks, penghematan sumber daya memiliki manfaat nyata karena memori GPU tidak selalu besar. Dengan demikian, ML Drift berusaha menghasilkan inferensi yang lebih responsif.

ML Drift Mendukung Android iOS Web dan Komputer Desktop

Permasalahan utama dalam integrasi model ke berbagai sistem adalah keragaman dukungan grafis. Smartphone Android sering memiliki driver dengan kemampuan tidak identik. Dengan kondisi tersebut, programmer sering harus membuat implementasi khusus agar aplikasi memperoleh performa sesuai perangkat. Mesin pemrosesan ini dibuat untuk membantu menyatukan pendekatan komputasi melalui dukungan beberapa API GPU. Backend komputasi yang tersedia mencakup OpenGL ES, OpenCL, Metal, dan WebGPU. Dengan pendekatan lintas API, pengembang memiliki pilihan fondasi perangkat lunak yang sama untuk sejumlah sistem operasi.

Dalam ekosistem perangkat Android, ML Drift dapat menggunakan OpenCL serta dukungan grafis lain yang sesuai. Sementara itu, Metal digunakan sebagai API grafis yang relevan untuk menjalankan operasi komputasi. Untuk web, WebGPU memungkinkan pendekatan penggunaan GPU dari lingkungan web. Dukungan tersebut memiliki manfaat bagi pengembang produk multiplatform. Namun demikian, fitur setiap backend mungkin berbeda berdasarkan driver. Karena itu, tim teknis dianjurkan menguji perangkat target secara langsung sebelum menerapkan model dalam produksi.

Dukungan Produsen Chip Membantu Meningkatkan Efisiensi ML Drift

Agar framework dapat digunakan secara luas, Google bekerja sama dengan mitra pengembang GPU termasuk Arm, Intel, dan Qualcomm. Kerja sama tersebut memprioritaskan optimalisasi akses memori berdasarkan kemampuan silikon yang tersedia. Melalui dukungan Arm, Google mengembangkan instruksi pemrosesan GPU dan efisiensi akses cache tekstur untuk keluarga GPU seluler Mali dan Immortalis. Pengembangan bersama ini ditujukan untuk mendukung kinerja komputasi mobile. Melalui penyesuaian akses data, sistem dapat menjalankan pekerjaan machine learning dengan beban lebih terarah. Namun demikian, kemampuan akhir dipengaruhi implementasi pabrikan.

Untuk platform komputer Intel, ML Drift menggunakan WebGPU dan teknologi Intel XMX untuk meningkatkan kemampuan komputasi pada prosesor Intel Core Ultra dengan grafis Xe3. Optimalisasi berbasis matriks tersebut dapat membantu model bahasa. Untuk ekosistem GPU Adreno, Google memperbaiki pemanfaatan komputasi bagi arsitektur grafis seluler Qualcomm. Penyempurnaan ini berfokus pada penggunaan sumber daya komputasi. Berkat kolaborasi lintas arsitektur, framework berpotensi memanfaatkan fitur khusus GPU tanpa mengandalkan satu jenis chipset. Dalam pengembangan produk, strategi tersebut berpotensi menyederhanakan pekerjaan penyesuaian performa lintas platform.

Integrasi ML Drift dengan LiteRT Membuka Kemampuan AI Generatif Baru

Salah satu bagian penting dari peluncuran ML Drift adalah perannya dalam ekosistem Google AI Edge. Platform inferensi AI Google digunakan untuk menjalankan model kecerdasan buatan di perangkat. Dengan menghadirkan akselerator terbaru, LiteRT memanfaatkan sistem pemrosesan yang dioptimalkan untuk GPU modern. Pengembang aplikasi berpeluang memanfaatkan LiteRT ML Drift accelerator untuk memanfaatkan akselerasi GPU tanpa membangun seluruh runtime sendiri. Sistem tersebut menghadirkan pengaturan bagian model berdasarkan kemampuan, virtualisasi tensor, dan optimalisasi model bahasa. Kemampuan tersebut membantu mengurangi pengelolaan pemrosesan AI. Dengan demikian, pengembang memiliki kesempatan memprioritaskan pengalaman pengguna.

Tim Google AI Edge menyampaikan bahwa akselerator GPU TensorFlow Lite generasi sebelumnya akan berhenti memperoleh pembaruan kemampuan. Sebagai penggantinya, tim aplikasi disarankan menggunakan LiteRT ML Drift GPU accelerator. Berdasarkan pengumuman perusahaan, sistem mendukung kompatibilitas mundur untuk model yang telah digunakan. Namun demikian, developer sebaiknya memeriksa kesesuaian runtime karena konfigurasi sistem memiliki karakter berlainan. Pada sistem operasi Android, implementasi awal tersedia pada paket LiteRT terpisah. Di sisi distribusi layanan Google, dukungan berbasis Google Play Services akan hadir kemudian. Berdasarkan kondisi tersebut, tim aplikasi dianjurkan menentukan paket runtime berdasarkan dukungan perangkat.

Teknologi GPU Lokal Membantu Pengembangan Fitur AI yang Responsif

Bidang pemanfaatan penting ML Drift adalah aplikasi kamera berbasis AI. Ketika aplikasi menerapkan filter kecerdasan buatan, aplikasi dituntut mengolah informasi visual dalam waktu singkat. Jika pemrosesan gambar tidak cukup cepat, respons kamera berpotensi kurang lancar. Melalui optimalisasi GPU, framework dirancang memperbaiki latensi model. Menurut pengumuman perusahaan bahwa Snap memanfaatkan runtime LiteRT untuk memproses model visual secara lokal. Dalam implementasi tersebut, latensi model menurun sekitar 30 persen pada efek wajah dan gaya berbasis AI. Namun demikian, hasil pengujian tidak menjamin semua aplikasi lebih cepat 30 persen.

Selain efek kamera, ML Drift berpotensi digunakan dalam sistem AI penghasil konten yang menggunakan banyak operasi numerik. Contoh penerapan potensial mencakup model difusi, analisis gambar, serta pemrosesan audio. Dalam lingkungan dengan GPU memadai, sebagian fungsi tersebut dapat berjalan lokal. Kemampuan ini berpotensi menghadirkan keuntungan berupa latensi jaringan yang lebih rendah. Meskipun pemrosesan lokal menawarkan fleksibilitas, privasi tidak otomatis terjamin. Perangkat lunak pendukung berpotensi mengirim data tertentu, sehingga developer harus memahami alur informasi. Tidak kalah penting, suhu perangkat perlu dipertimbangkan saat mengaktifkan fitur real-time dalam waktu lama.

Kesimpulan: Teknologi GPU ML Drift Membuka Peluang Baru bagi Developer

Peluncuran ML Drift oleh Google membawa inovasi menarik dalam pengembangan AI lokal. Melalui dukungan OpenCL, Metal, WebGPU, dan OpenGL ES, framework tersebut dirancang mempermudah optimalisasi aplikasi AI di banyak sistem. Kolaborasi bersama perusahaan semikonduktor turut membantu mengoptimalkan efisiensi akses memori. Di samping dukungan lintas perangkat, integrasi ML Drift dengan LiteRT memberikan pilihan baru untuk mengoptimalkan perangkat lunak generatif. Hasil penggunaan Snapchat Lenses memberikan gambaran potensi melalui penurunan waktu tunggu inferensi sebesar 30 persen pada skenario efek wajah dan gaya.

Namun demikian, performa setiap aplikasi tetap harus diuji berdasarkan arsitektur GPU dan konfigurasi sistem. Agar pemanfaatan lebih optimal, pengembang sebaiknya melakukan benchmark sebelum merilis fitur ke pengguna. Tidak kalah penting, kestabilan aplikasi tetap membutuhkan evaluasi. Dengan kode sumber yang tersedia, ML Drift memberikan kesempatan untuk mempelajari implementasi. Dalam jangka panjang, pendekatan pemrosesan lokal dapat mendukung kemampuan smartphone. Menurut Anda, apakah ML Drift akan membuat aplikasi AI lokal lebih populer? Silakan bagikan pendapat Anda mengenai perkembangan Google ML Drift.

TEKNOLOGI, Google ML Drift, Google AI Edge, GPU AI, AI Lokal, LiteRT, Machine Learning, Teknologi GPU 2026

Teks yang ditempel (1)(20261011-063454).txtDokumen

Wearable Temple Bersiap Diluncurkan dengan Sensor di Pelipis untuk Memantau Sinyal Tubuh
Perkembangan teknologi wearable semakin menarik dengan kehadiran Temple, perangkat pemantau sinyal tubuh yang dikembangkan oleh perusahaan rintisan milik Deepinder Goyal, pendiri Zomato. Berbeda dari smartwatch dan smart ring yang digunakan di pergelangan tangan atau jari, Temple dirancang menempel pada bagian pelipis untuk membaca perubahan sinyal optik yang berkaitan dengan aliran darah. Perangkat ini menggunakan teknologi sensor photoplethysmography atau PPG serta memperkenalkan metrik bernama BrainFlow. Menjelang peluncurannya pada 2026, Temple mulai menarik perhatian karena menawarkan pendekatan pemantauan yang berbeda. Namun, kemampuan pengukurannya masih memerlukan validasi ilmiah independen sebelum dapat dianggap sebagai indikator kesehatan yang andal.

Perangkat Wearable Temple Menawarkan Desain Berbeda dari Smartwatch

Perkembangan TEKNOLOGI perangkat wearable terus membuka sejumlah kemungkinan berbeda dalam pengamatan sinyal fisiologis. Selama beberapa tahun terakhir, perangkat pemantauan berbasis pergelangan tangan dan jari menjadi pilihan populer karena mampu mencatat aktivitas harian. Walaupun pasar wearable semakin berkembang, sejumlah perusahaan berusaha memanfaatkan lokasi sensor yang berbeda. Perangkat yang menjadi sorotan adalah Temple, yaitu alat pemantau berbentuk ringkas yang ditempatkan di sisi kepala. Produk tersebut diperkenalkan oleh Deepinder Goyal, salah satu pendiri perusahaan layanan makanan Zomato. Berkat pendekatan penempatan sensor ini, Temple berupaya mengamati indikator optik yang berkaitan dengan sirkulasi secara real-time.

Produk pemantau ini menarik minat publik setelah Deepinder Goyal mengungkapkan informasi pengembangan perangkat melalui sejumlah pernyataan publik. Melalui pengumuman pada Agustus 2026, Goyal mengungkapkan bahwa ukuran prototipe telah diperkecil hingga di bawah 50 persen ukuran desain terdahulu. Menjelang Oktober 2026, perusahaan memperlihatkan enam pilihan warna untuk produk generasi pertamanya. Meski informasi produk semakin banyak, tanggal pemesanan resmi masih menunggu konfirmasi. Pengiriman awal ditargetkan berlangsung sebelum akhir 2026. Karena itu, calon pengguna sebaiknya mengikuti informasi resmi perusahaan sebelum melakukan pemesanan.

Memahami Sensor Optik Temple yang Serupa dengan Teknologi Smartwatch

Bagian penting Temple adalah sensor photoplethysmography yang memanfaatkan cahaya untuk mengamati perubahan volume darah. Untuk memahami prinsipnya, sensor memancarkan cahaya ke jaringan, kemudian mengukur cahaya yang kembali. Perubahan tersebut mencerminkan sebagian perubahan volume darah pada jaringan. Pendekatan pengukuran yang sejenis telah digunakan pada berbagai gelang kebugaran. Namun demikian, fungsi perangkat belum tentu sama dari jam tangan pintar. Karakter jaringan di area pelipis berpotensi mengubah kualitas data yang diperoleh.

Pada pendekatan yang dikembangkan Goyal, pengumpulan sinyal berlangsung pada bagian kulit dan pembuluh darah sekitar pelipis. Menurut keterangan perusahaan bahwa sinyal tersebut digunakan untuk memperkirakan variasi sirkulasi yang disebut berhubungan dengan cerebral blood flow. Sebagai pembeda ilmiah penting, sinyal yang diperoleh dari jaringan luar tidak otomatis mewakili sirkulasi semua bagian otak. Hasil pembacaan berpotensi berubah akibat kondisi kontak sensor dan variasi jaringan. Karena itu, klaim akurasi perlu diuji menggunakan pengujian independen yang terkontrol.

Metrik BrainFlow dan Entropy Membawa Pendekatan Baru pada Wearable

Fitur yang paling menonjol dalam perangkat wearable terbaru adalah BrainFlow. Dalam konsep yang disampaikan Goyal, BrainFlow merupakan metrik khusus yang dirancang memperkirakan variasi sinyal yang dikaitkan dengan sirkulasi serebral. Metrik tersebut diperkenalkan sebagai informasi berkelanjutan. Pengembang mengaitkan kondisi istirahat, kebiasaan pemulihan, dan variasi kondisi tubuh. Meski konsep tersebut terdengar menjanjikan, keakuratan interpretasinya belum dapat dianggap pasti. Angka BrainFlow tidak seharusnya ditafsirkan sebagai hasil diagnosis medis.

Sebagai bagian dari informasi yang dikembangkan, Temple menjelaskan konsep Entropy sebagai metrik tambahan. Menurut deskripsi pengembang, Entropy diperkenalkan guna menunjukkan tuntutan fisiologis serta respons simpatik. Secara fisiologis, respons simpatik turut terlibat pada respons terhadap tantangan lingkungan. Namun demikian, skor perangkat tersebut bukan ukuran klinis baku. Hubungan antara sinyal optik dan kondisi fisiologis kompleks perlu dikaji berdasarkan perbandingan dengan instrumen standar. Oleh sebab itu, pengguna sebaiknya memandang hasil sebagai informasi eksploratif sampai akurasi serta kegunaan klinis terbukti.

Kenyamanan Pemakaian Temple Menjadi Bagian Penting Pengembangan Produk

Tidak hanya mengembangkan algoritma, Temple memprioritaskan kenyamanan pemasangan. Wearable tersebut ditempatkan pada bagian samping kepala dengan komponen penempel yang disebut Grips. Dalam penjelasan produk, Grips dirancang dengan bahan adhesif khusus agar wearable tidak mudah bergeser selama kegiatan pengguna. Pengembang mengklaim bahwa satu pemasangan Grips ditargetkan digunakan selama 2–3 hari. Walaupun ketahanan tersebut telah disebutkan, respons kulit pengguna tidak selalu sama. Kondisi kulit berminyak berpotensi memengaruhi kenyamanan.

Pemasangan wearable pada sisi kepala juga membutuhkan pemeliharaan kebersihan yang baik. Sebelum menggunakan produk, pengguna sebaiknya memastikan bahwa lokasi sensor sesuai petunjuk resmi. Apabila timbul rasa gatal, perekat sebaiknya dilepas sesuai instruksi untuk menghindari gangguan lebih lanjut. Di samping aspek kulit, pemasangan terlalu longgar berpotensi menurunkan kestabilan pembacaan. Oleh sebab itu, pengembangan produk perlu memperhatikan ketahanan perekat serta keamanan kulit. Pemeriksaan lanjutan diperlukan untuk menilai konsistensi penggunaan jangka panjang.

Informasi Warna Harga dan Ketersediaan Wearable Temple

Seiring semakin dekatnya distribusi awal, Temple membagikan sejumlah informasi produk. Pada pengumuman terbaru sebelum peluncuran, Deepinder Goyal mengonfirmasi rencana enam pilihan warna untuk versi awal yang disiapkan. Beragam varian warna ini ditujukan untuk memberikan pilihan personalisasi bagi calon pembeli. Perusahaan juga menyiapkan pemesanan awal edisi terbatas. Anggota daftar tunggu direncanakan mendapat kesempatan lebih awal ketika penjualan tahap pertama tersedia. Meski pengumuman semakin banyak, jadwal preorder belum dipastikan sepenuhnya. Perkiraan ketersediaan produk adalah sebelum akhir 2026, tetapi jadwal tersebut masih dapat berubah.

Tidak kalah menarik perhatian, banderol produk generasi pertama masih menimbulkan pertanyaan. Sejumlah laporan media melaporkan kemungkinan banderol sekitar 72.000 rupee India, sementara beberapa sumber memberikan estimasi lebih tinggi. Perlu ditegaskan, harga tersebut belum dikonfirmasi resmi. Tidak hanya mempertimbangkan harga unit, konsumen sebaiknya memeriksa pengeluaran untuk perekat pengganti. Informasi awal menunjukkan bahwa model bisnis mungkin mencakup pembayaran berkala dan pembelian ulang Grips. Oleh sebab itu, calon konsumen perlu memeriksa ketentuan langganan final.

Teknologi Sensor Pelipis Membuka Arah Baru Perangkat Wearable

Jika teknologi Temple berkembang, rancangan wearable nonkonvensional tersebut memiliki peluang menciptakan cara berbeda dalam mengamati sinyal fisiologis. Pada skenario penelitian, perubahan sinyal dapat dibandingkan bersama waktu tidur. Penelitian lanjutan dapat menguji apakah indikator yang dihasilkan memiliki hubungan yang konsisten dengan hasil instrumen pembanding. Meski konsep tersebut menarik, korelasi tidak otomatis membuktikan sebab akibat. Perangkat kesehatan yang baik harus dievaluasi dalam kondisi beragam sebelum hasilnya digunakan untuk keputusan kesehatan.

Di samping pengujian akurasi, privasi pengguna memerlukan perhatian serius dalam pengembangan wearable Temple. Rekaman sinyal tubuh mungkin berkaitan dengan aktivitas individu. Dengan mempertimbangkan karakter informasi tersebut, pengguna perlu mengetahui bagaimana informasi diproses. Ketika hasil sensor dikirim ke jaringan, penyedia layanan perlu menerangkan pilihan penghapusan data. Selain itu, penjelasan hasil pengukuran perlu mudah dipahami. Dengan pendekatan tersebut, pengguna dapat mengambil keputusan lebih tepat. Inovasi wearable yang berkelanjutan harus mempertimbangkan kenyamanan pengguna tanpa menyampaikan klaim berlebihan.

Kesimpulan: Wearable Temple Membuka Peluang Baru Pemantauan Sinyal Tubuh

Persiapan peluncuran wearable Temple membuka arah penelitian baru dalam pengembangan sensor fisiologis pribadi. Berkat teknologi photoplethysmography, sistem ini dikembangkan untuk memantau variasi fisiologis dari area sisi kepala. Indikator pengukuran utama memberikan pembeda dari wearable konvensional, sedangkan perekat Grips menunjukkan perhatian terhadap pengalaman pemakai. Walaupun konsepnya menjanjikan, klaim mengenai aliran darah otak perlu ditafsirkan dengan hati-hati. Karena alasan tersebut, informasi wearable belum layak menjadi satu-satunya dasar keputusan kesehatan.

Seiring perkembangan produk, calon pengguna sebaiknya memperhatikan harga final sebelum memilih perangkat. Ketersediaan layanan regional dapat memengaruhi keputusan pembelian karena struktur pembayaran dapat menentukan biaya jangka panjang. Untuk perkembangan berikutnya, Temple berpotensi memberikan pilihan baru pemantauan fisiologis apabila hasilnya konsisten dalam pengujian. Menurut Anda, apakah wearable yang dipasang di pelipis lebih menarik daripada smartwatch? Mari sampaikan pandangan Anda mengenai perkembangan wearable Temple.