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

Pengumuman kolaborasi antara AMD dan Intel menghadirkan perkembangan penting dalam ekosistem prosesor x86. Berkat kolaborasi teknologi ini, AMD dan Intel ingin memperbaiki jalur optimalisasi perangkat lunak. Sebelumnya, kedua perusahaan mengembangkan teknologi percepatan tersendiri. Perbedaan teknologi ini berpotensi menambah pekerjaan penyesuaian perangkat lunak. Dengan memanfaatkan pustaka bersama, kedua perusahaan menargetkan pengembangan pendekatan pemrosesan yang lebih seragam. Melalui strategi tersebut, pengembang aplikasi berpotensi memperoleh pengalaman pengembangan yang lebih konsisten.

Kolaborasi tersebut mengikuti rekomendasi x86 Ecosystem Advisory Group. Forum industri ini bertujuan mendukung standar komputasi yang lebih konsisten. Walaupun kedua perusahaan bersaing dalam penjualan prosesor, pengembangan teknologi bersama mampu menawarkan nilai tambah bagi industri. Pada pengembangan AI saat ini, kompatibilitas perangkat lunak memiliki peran penting. Karena itu, penyatuan optimalisasi berpotensi mengurangi hambatan kompatibilitas tanpa mewajibkan penggunaan satu merek CPU.

Teknologi oneDNN Mendukung Pemrosesan AI pada Arsitektur x86

Salah satu komponen utama adalah oneDNN, yaitu pustaka deep learning terbuka yang dirancang membantu pemrosesan operasi matematika. Teknologi oneDNN memiliki berbagai operasi komputasi yang dioptimalkan untuk aplikasi pembelajaran mesin. Dalam proses pengolahan AI, oneDNN dapat membantu mempercepat pengolahan tensor yang sering digunakan dalam model pembelajaran mendalam. Dengan dukungan framework PyTorch, sistem memiliki kesempatan mengakses optimalisasi CPU tanpa harus membuat setiap komponen dari awal. Mekanisme tersebut dapat mempermudah proses pengembangan.

Melalui kesepakatan bersama, AMD dan Intel menetapkan oneDNN sebagai library utama untuk percepatan CPU x86 dalam PyTorch. Keputusan tersebut bertujuan memberikan jalur optimalisasi yang lebih seragam pada sistem komputer dari kedua produsen. Ketika aplikasi AI dijalankan pada sistem komputasi x86, pustaka optimalisasi dapat memilih kemampuan perangkat keras yang tersedia. Dengan demikian, tim perangkat lunak dapat mengurangi kebutuhan untuk menulis ulang komponen pemrosesan untuk setiap CPU. Meski mendukung kemudahan pengembangan, tingkat percepatan tetap bergantung pada konfigurasi perangkat lunak yang digunakan.

Teknologi ZenDNN Mendukung Optimalisasi AI pada Prosesor AMD

Tindakan utama dalam kerja sama adalah penyatuan kemampuan pemrosesan ZenDNN ke dalam oneDNN. ZenDNN sendiri bertujuan mendukung pengoptimalan pekerjaan jaringan saraf pada prosesor AMD. Selama ini, kemampuan percepatan AMD dikelola melalui pustaka terpisah. Dengan memasukkan kemampuan tersebut ke oneDNN, AMD menyiapkan penggabungan optimalisasi yang telah dikembangkan ke lingkungan optimalisasi terbuka. Integrasi teknologi tersebut diharapkan membantu pemeliharaan satu basis perangkat lunak. Berkat integrasi ini, pengguna prosesor AMD berpotensi memanfaatkan fungsi percepatan arsitektur Zen melalui implementasi oneDNN.

Tidak hanya menyumbangkan teknologi optimalisasi, AMD juga bergabung sebagai Steering Member dalam UXL Foundation. UXL Foundation mendukung tata kelola ekosistem optimalisasi lintas perangkat keras, termasuk oneDNN. Posisi AMD dalam organisasi memberikan kesempatan dalam koordinasi kontribusi komunitas. Sementara itu, Intel melanjutkan pengembangan pada peningkatan dukungan prosesor. Berkat pengembangan bersama, komunitas open-source memiliki peluang menggunakan perbaikan yang lebih terkoordinasi. Meski arah pengembangan sudah disepakati, integrasi seluruh kemampuan tetap membutuhkan pengujian sebelum menjadi bagian dari berbagai rilis perangkat lunak.

Teknologi ACE Mendukung Perkalian Matriks pada CPU Generasi Mendatang

Di samping kolaborasi optimalisasi PyTorch, AMD dan Intel menyiapkan kolaborasi pada AI Compute Extensions atau ACE. Teknologi tersebut diperkenalkan sebagai kelompok instruksi baru untuk prosesor x86 yang dirancang mengoptimalkan perhitungan yang digunakan dalam deep learning. Pada proses komputasi jaringan saraf, pengolahan data numerik merupakan komponen mendasar. Perhitungan semacam ini sering muncul komputasi algoritma AI. Melalui instruksi khusus, prosesor yang mendukung teknologi tersebut dapat memperoleh kemampuan untuk menangani perkalian matriks dengan optimalisasi tambahan.

Rencana pengembangan ACE memiliki hubungan penting terhadap integrasi oneDNN dalam PyTorch. Kedua produsen prosesor mengumumkan bahwa pemanfaatan instruksi baru ditargetkan tersedia melalui pembaruan oneDNN pada masa depan. Dengan pendekatan tersebut, pemrogram PyTorch diharapkan bisa menggunakan optimalisasi instruksi generasi berikutnya tanpa menulis setiap instruksi secara manual. Namun demikian, pengumuman ini tidak berarti telah tersedia kemampuan yang langsung aktif pada setiap sistem. Pemanfaatan teknologi tersebut akan bergantung pada dukungan framework yang kompatibel.

Kolaborasi AMD Intel Mempermudah Pengembangan Aplikasi AI Perusahaan

Keuntungan yang diharapkan dari kolaborasi optimalisasi PyTorch adalah fleksibilitas penerapan model pada berbagai sistem x86. Pada kebutuhan pusat data, penggunaan sistem dari beberapa vendor berpotensi menghadirkan tantangan kompatibilitas. Dalam penerapan operasional, sebuah perusahaan berpotensi memiliki server AMD EPYC untuk menjalankan layanan AI. Melalui satu jalur optimalisasi, tim perangkat lunak berpotensi membatasi pengelolaan beberapa implementasi. Berkat penyatuan ini, pengujian perangkat lunak dapat dilakukan dengan alur yang lebih konsisten.

Selain kebutuhan server, dukungan perangkat lunak yang lebih konsisten juga relevan bagi tim pendidikan teknologi. Sebagian eksperimen machine learning selalu memerlukan akselerator khusus. Pada beban kerja yang sesuai, CPU berpotensi menjadi pilihan untuk inferensi berdasarkan kapasitas memori. Dalam kegiatan pengembangan, sistem inferensi dengan beban moderat berpotensi diproses pada komputer berbasis x86. Melalui optimalisasi oneDNN, operasi tertentu mampu menggunakan efisiensi tambahan. Walaupun CPU tetap memiliki peran penting, pemilihan perangkat keras khusus masih diperlukan untuk banyak pekerjaan, terutama ketika pelatihan berskala besar dilakukan.

Penyatuan Optimalisasi CPU Menjadi Langkah Penting Teknologi Kecerdasan Buatan

Kerja sama AMD dan Intel memperlihatkan perkembangan strategis dalam pengembangan perangkat lunak deep learning. Dengan menggabungkan teknologi pemrosesan CPU ke dalam oneDNN, kedua perusahaan berupaya menciptakan jalur perangkat lunak yang lebih konsisten. Pendekatan tersebut dirancang mendukung pengembang AI dalam membangun aplikasi pada berbagai sistem CPU x86. Tidak hanya itu, rencana dukungan instruksi ACE dapat membuka peluang terhadap optimalisasi pemrosesan generasi berikutnya. Meski kerja sama memiliki potensi besar, hasil peningkatan performa masih perlu diuji berdasarkan perangkat keras yang digunakan.

Dalam perkembangan TEKNOLOGI, penyederhanaan jalur optimalisasi menjadi bagian penting untuk mempermudah pekerjaan pengembang. Keterlibatan AMD dalam UXL Foundation berpotensi berkembang sebagai contoh pengembangan teknologi bersama. Meski demikian, AMD dan Intel tetap menjadi pesaing dalam penjualan perangkat keras komputasi. Berkat keseimbangan antara persaingan dan kolaborasi, industri diharapkan mendapatkan dukungan perangkat lunak yang lebih konsisten. Dampak jangka panjang kolaborasi perlu dinilai berdasarkan realisasi integrasi pada rilis perangkat lunak mendatang. Apa pendapat Anda, apakah pengembangan PyTorch untuk prosesor x86 dapat memperkuat ekosistem kecerdasan buatan? Anda dapat berbagi pemikiran mengenai masa depan prosesor x86.