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 kemajuan menarik dalam industri komputasi kecerdasan buatan. Berkat kolaborasi teknologi ini, AMD dan Intel menargetkan penyatuan jalur optimalisasi perangkat lunak. Sebelumnya, pengembang prosesor tersebut mengandalkan pendekatan khusus untuk perangkat kerasnya. Kondisi tersebut dapat meningkatkan pekerjaan penyesuaian perangkat lunak. Melalui oneDNN, kedua perusahaan berusaha menghadirkan satu jalur perangkat lunak. Berkat penyatuan ini, pengembang aplikasi dapat memanfaatkan pengalaman pengembangan yang lebih konsisten.
Penyatuan pengembangan perangkat lunak ini mengikuti arah kerja sama yang dibahas dalam x86 Ecosystem Advisory Group. Organisasi penasihat tersebut mendorong pengembangan ekosistem x86 yang lebih terbuka. Kendati kedua produsen chip tersebut bersaing dalam penjualan prosesor, pengembangan teknologi bersama mampu menawarkan manfaat bagi pengguna. Seiring meningkatnya kebutuhan pemrosesan data, kemudahan penerapan aplikasi menjadi semakin relevan. Oleh sebab itu, pengembangan jalur perangkat lunak bersama diharapkan dapat membatasi fragmentasi teknologi tanpa menghilangkan persaingan perangkat keras.
Teknologi oneDNN Mendukung Pemrosesan AI pada Arsitektur x86
Fondasi perangkat lunak dalam kolaborasi tersebut adalah oneDNN, yaitu perangkat lunak akselerasi komputasi AI yang dikembangkan untuk percepatan perhitungan jaringan saraf. Pustaka tersebut menghadirkan fungsi pemrosesan berperforma tinggi untuk pengembangan model kecerdasan buatan. Sebagai contoh, oneDNN dapat membantu mempercepat perkalian matriks yang sering digunakan dalam algoritma pengolahan data. Dengan dukungan framework PyTorch, aplikasi berpotensi menggunakan operasi komputasi yang telah disesuaikan tanpa menulis seluruh kernel secara manual. Mekanisme tersebut berpotensi mengurangi pemeliharaan aplikasi.
Sebagai bagian dari kolaborasi, AMD dan Intel menetapkan oneDNN sebagai fondasi optimalisasi open-source CPU x86 dalam PyTorch. Langkah penyatuan ini bertujuan memberikan pengalaman yang lebih konsisten pada prosesor AMD maupun Intel. Saat model PyTorch digunakan pada sistem komputasi x86, komponen perangkat lunak percepatan berpotensi memanfaatkan jalur pemrosesan yang dioptimalkan. Berkat pendekatan ini, tim perangkat lunak dapat mengurangi kebutuhan untuk menulis ulang komponen pemrosesan untuk setiap CPU. Meski mendukung kemudahan pengembangan, efisiensi pemrosesan tetap bergantung pada jenis prosesor yang digunakan.
Teknologi ZenDNN Mendukung Optimalisasi AI pada Prosesor AMD
Bagian penting dari implementasi adalah integrasi teknologi ZenDNN ke dalam oneDNN. Pustaka ZenDNN dirancang membantu percepatan operasi AI pada prosesor AMD. Selama ini, fungsi khusus prosesor AMD memiliki jalur pengembangan tersendiri. Berkat strategi penyatuan ini, AMD berencana menyumbangkan optimalisasi yang telah dikembangkan ke proyek oneDNN. Integrasi teknologi tersebut dirancang mempermudah pemeliharaan satu basis perangkat lunak. Dengan demikian, pengguna prosesor AMD tetap dapat memperoleh penyesuaian performa prosesor melalui ekosistem pustaka bersama.
Tidak hanya menyumbangkan teknologi optimalisasi, AMD juga bergabung sebagai Steering Member dalam UXL Foundation. UXL Foundation menjadi wadah pengembangan inisiatif akselerasi komputasi, termasuk oneDNN. Keanggotaan AMD mendukung keterlibatan langsung dalam koordinasi kontribusi komunitas. Di sisi lain, Intel tetap berkontribusi pada peningkatan dukungan prosesor. Berkat pengembangan bersama, komunitas open-source berpotensi memperoleh kemampuan optimalisasi yang lebih konsisten. Walaupun struktur kerja sama telah diumumkan, penggabungan setiap optimalisasi 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 menyiapkan kolaborasi pada AI Compute Extensions atau ACE. Rancangan ACE diperkenalkan sebagai pengembangan instruction set architecture yang dirancang mengoptimalkan operasi matematika AI. Untuk menjalankan model pembelajaran mesin, perkalian matriks memiliki peran penting. Aktivitas tersebut banyak digunakan komputasi algoritma AI. Berkat dukungan arsitektur baru, CPU generasi mendatang dapat memperoleh kemampuan untuk menangani operasi tertentu secara lebih efisien.
Strategi pengembangan arsitektur x86 memiliki hubungan penting terhadap integrasi oneDNN dalam PyTorch. Perusahaan pengembang x86 tersebut mengumumkan bahwa integrasi teknologi tersebut ditargetkan tersedia melalui pembaruan oneDNN pada masa depan. Dengan pendekatan tersebut, pengembang AI berpotensi memanfaatkan kemampuan CPU baru tanpa menulis setiap instruksi secara manual. Meski arah pengembangannya telah dijelaskan, ACE belum dapat dianggap sebagai dukungan otomatis untuk seluruh perangkat x86. Pemanfaatan teknologi tersebut harus mempertimbangkan dukungan framework yang sesuai.
Penyatuan Software AI Membantu Efisiensi Pengembangan dan Penerapan
Keuntungan yang diharapkan dari pengembangan software bersama adalah kemudahan membangun aplikasi AI pada berbagai sistem x86. Pada kebutuhan pusat data, penggunaan sistem dari beberapa vendor berpotensi menghadirkan pekerjaan optimalisasi tersendiri. Pada infrastruktur komputasi tertentu, sebuah perusahaan berpotensi memiliki sistem Intel Xeon untuk menjalankan layanan AI. Dengan pustaka yang lebih terpadu, tim perangkat lunak berpotensi membatasi kebutuhan penyesuaian khusus vendor. Berkat penyatuan ini, penerapan model AI mampu mendukung pengelolaan sistem yang lebih sederhana.
Selain kebutuhan server, dukungan perangkat lunak yang lebih konsisten berpotensi berguna bagi pengembang independen. Sebagian eksperimen machine learning selalu memerlukan akselerator khusus. Dalam skenario dengan ukuran model terbatas, CPU mampu menjalankan untuk inferensi berdasarkan persyaratan sistem. Sebagai ilustrasi, sistem inferensi dengan beban moderat berpotensi diproses pada komputer berbasis x86. Melalui optimalisasi oneDNN, perhitungan jaringan saraf berpotensi memperoleh efisiensi tambahan. Walaupun CPU tetap memiliki peran penting, pemilihan perangkat keras khusus tetap relevan, terutama ketika model membutuhkan pemrosesan paralel tinggi.
Penyatuan Optimalisasi CPU Menjadi Langkah Penting Teknologi Kecerdasan Buatan
Kerja sama AMD dan Intel menandai perkembangan strategis dalam industri teknologi prosesor. Berkat integrasi kemampuan percepatan AMD ke dalam oneDNN, kedua perusahaan ingin menghadirkan lingkungan pemrosesan PyTorch yang lebih terpadu. Strategi pengembangan ini berpotensi mempermudah organisasi pengguna PyTorch dalam memelihara kode pada prosesor AMD maupun Intel. Tidak hanya itu, kolaborasi AI Compute Extensions diharapkan mendukung optimalisasi pemrosesan generasi berikutnya. Walaupun rencana tersebut menjanjikan, dampak terhadap pengguna masih perlu diuji berdasarkan jenis model AI yang digunakan.
Pada era pertumbuhan aplikasi AI, keterbukaan ekosistem perangkat lunak merupakan faktor strategis untuk memperluas pilihan infrastruktur. 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 penjualan perangkat keras komputasi. Melalui kondisi tersebut, pengembang berpotensi memperoleh dukungan perangkat lunak yang lebih konsisten. Hasil pengembangan bersama dapat dievaluasi dari pengujian performa pada rilis perangkat lunak mendatang. Bagaimana menurut Anda, apakah pengembangan PyTorch untuk prosesor x86 akan mempermudah pembuatan aplikasi AI? Anda dapat berbagi pemikiran mengenai pengembangan AI menggunakan PyTorch.
