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
Transformasi TEKNOLOGI kecerdasan buatan terus membuka permintaan pemrosesan yang lebih cepat. Seiring meningkatnya penggunaan AI generatif, banyak perangkat lunak menggunakan pusat data jarak jauh untuk menjalankan model kecerdasan buatan. Meskipun cloud menawarkan kemampuan besar, latensi komunikasi jaringan dapat menghadirkan keterbatasan. Berkat pengembangan Google AI Edge, Google mengembangkan kerangka akselerasi machine learning berbasis GPU. Teknologi tersebut dirancang untuk memanfaatkan unit komputasi paralel pada perangkat pengguna. Dengan pendekatan tersebut, berbagai tugas machine learning berpotensi diproses tanpa harus bergantung pada server eksternal.
Tim Google AI Edge memperkenalkan ML Drift pada 8 Oktober 2026 sebagai mesin komputasi GPU lintas platform. Memiliki fungsi berbeda dibandingkan layanan AI percakapan, ML Drift dikembangkan sebagai fondasi perangkat lunak yang membutuhkan pemrosesan GPU dalam produk digital. Teknologi tersebut mengabstraksikan kerumitan karakteristik perangkat keras sehingga tim pengembangan berpotensi menghindari penyusunan implementasi terpisah untuk setiap platform. ML Drift juga dirilis sebagai proyek open-source menggunakan ketentuan lisensi Apache versi 2.0. Dengan demikian, programmer memiliki akses untuk memeriksa implementasi framework serta memanfaatkan teknologi untuk kebutuhan yang diizinkan.
Cara Kerja ML Drift dalam Mengoptimalkan Pemrosesan GPU
Prinsip penting ML Drift adalah pemanfaatan komputasi paralel GPU. GPU dapat memproses pekerjaan numerik dengan tingkat paralelisme tinggi. Kemampuan ini memiliki manfaat besar bagi jaringan saraf tiruan yang melibatkan operasi matriks. Dengan memanfaatkan framework ini, perhitungan AI dipetakan menjadi kernel komputasi yang didukung perangkat. Sistem kemudian mengoptimalkan penjadwalan pekerjaan berdasarkan kemampuan perangkat keras. Mekanisme pemrosesan tersebut dirancang untuk menekan beban komputasi yang tidak diperlukan. Walaupun GPU dapat mempercepat AI, performa sebenarnya masih dipengaruhi oleh kemampuan perangkat dan jenis operasi yang dijalankan.
Dalam implementasi teknis, ML Drift memanfaatkan metode pengurangan beban seperti penyatuan beberapa operator, pengelolaan tensor, serta generasi shader saat runtime. Teknik penyatuan operator berfungsi mengurangi perpindahan data yang tidak perlu. Di sisi lain, pengelolaan tata letak tensor membantu GPU membaca blok data numerik. Mesin Google ini menyediakan mekanisme memory reuse untuk menekan penggunaan memori sementara. Untuk aplikasi generatif, efisiensi tersebut menjadi penting karena kapasitas RAM dan VRAM perangkat terbatas. Berkat pendekatan optimalisasi menyeluruh, Google menargetkan tercapainya kinerja lokal yang lebih konsisten.
Framework Google Mempermudah Pengembangan AI Lintas Platform
Permasalahan utama dalam pengembangan AI di perangkat adalah keragaman dukungan grafis. Perangkat iOS dapat menggunakan driver dengan kemampuan tidak identik. Karena perbedaan lingkungan, tim aplikasi membutuhkan implementasi khusus agar model berjalan dengan baik. Mesin pemrosesan ini dibuat untuk mengurangi kerumitan tersebut melalui lapisan kompatibilitas komputasi. Backend komputasi yang tersedia mencakup OpenGL ES, OpenCL, Metal, dan WebGPU. Melalui dukungan tersebut, tim aplikasi berpotensi menggunakan sistem akselerasi dengan antarmuka lebih konsisten untuk lingkungan pengembangan yang berbeda.
Dalam ekosistem perangkat Android, ML Drift dapat menggunakan OpenCL serta backend lain pada perangkat kompatibel. Dalam lingkungan iOS dan macOS, Metal berperan sebagai jalur akselerasi untuk menjalankan operasi komputasi. Dalam aplikasi browser, WebGPU membuka kesempatan pemrosesan AI melalui akselerasi grafis. Dukungan tersebut memberikan keuntungan bagi tim aplikasi dengan banyak target perangkat. Namun demikian, hasil performa dapat berubah berdasarkan driver. Dalam penerapan nyata, tim teknis dianjurkan menguji implementasi pada GPU yang digunakan sebelum menerapkan model dalam produksi.
Kolaborasi Google dengan Arm Intel dan Qualcomm Mengoptimalkan ML Drift
Untuk meningkatkan performa lintas perangkat, Google melakukan kolaborasi bersama sejumlah produsen semikonduktor termasuk Arm, Intel, dan Qualcomm. Pengembangan lintas perusahaan berfokus pada pemanfaatan karakter GPU berdasarkan dukungan prosesor grafis tertentu. Melalui dukungan Arm, Google menyempurnakan operasi komputasi paralel dan efisiensi akses cache tekstur untuk arsitektur grafis Arm Mali serta Immortalis. Penyempurnaan teknis itu bertujuan meningkatkan efisiensi penggunaan energi. Berkat pemanfaatan arsitektur GPU, perangkat berpotensi memproses pekerjaan machine learning dengan beban lebih terarah. Namun demikian, kemampuan akhir dipengaruhi implementasi pabrikan.
Untuk platform komputer Intel, ML Drift memanfaatkan WebGPU dan Xe Matrix Extensions untuk meningkatkan kemampuan komputasi pada prosesor Intel Core Ultra dengan grafis Xe3. Dukungan komputasi itu dapat membantu pekerjaan computer vision. Di sisi lain, Google memperbaiki pemanfaatan komputasi bagi arsitektur grafis seluler Qualcomm. Penyempurnaan ini berfokus pada penggunaan sumber daya komputasi. Melalui kerja sama ini, mesin inferensi dirancang mengoptimalkan kemampuan perangkat tanpa hanya mendukung satu produsen grafis. Dalam pengembangan produk, strategi tersebut berpotensi menyederhanakan kebutuhan optimalisasi manual.
Google Menjadikan ML Drift Mesin GPU Utama dalam LiteRT
Salah satu bagian penting dari peluncuran ML Drift adalah penggunaannya sebagai mesin akselerasi LiteRT. Platform inferensi AI Google mendukung pelaksanaan inferensi machine learning lokal. Dengan menghadirkan akselerator terbaru, LiteRT mengintegrasikan teknologi akselerasi yang dirancang menangani model generatif. Programmer dapat menggunakan LiteRT ML Drift accelerator untuk mendukung inferensi dalam aplikasi. Sistem tersebut mendukung pembagian komputasi model, tensor virtualization, dan optimalisasi model bahasa. Kemampuan tersebut membantu mengurangi penggunaan akselerasi perangkat keras. Melalui integrasi ini, tim produk dapat mengurangi pekerjaan pengelolaan GPU tingkat rendah.
Perusahaan turut menjelaskan bahwa akselerator GPU TensorFlow Lite generasi sebelumnya tidak menjadi fokus penambahan fungsi berikutnya. Dalam strategi migrasi, tim aplikasi disarankan menggunakan LiteRT ML Drift GPU accelerator. Menurut Google, akselerator baru mempertahankan kompatibilitas dengan model sebelumnya. Walaupun dukungan kompatibilitas tersedia, proses migrasi masih perlu dievaluasi karena penggunaan backend yang berbeda membutuhkan validasi. Untuk Android, akselerasi ML Drift sudah tersedia melalui paket LiteRT mandiri. Sebagai tahap pengembangan berikutnya, integrasi dengan Google Play Services masih disiapkan. Dengan demikian, tim aplikasi dianjurkan menentukan paket runtime berdasarkan strategi pemeliharaan aplikasi.
Teknologi GPU Lokal Membantu Pengembangan Fitur AI yang Responsif
Salah satu penerapan yang menarik ML Drift adalah aplikasi kamera berbasis AI. Pada penggunaan efek visual modern, sistem perlu memproses berbagai frame video. Jika pemrosesan gambar tidak cukup cepat, respons kamera berpotensi kurang lancar. Melalui optimalisasi GPU, aplikasi berpotensi menekan waktu pengolahan frame. Google menjelaskan bahwa Snap menggunakan dukungan akselerasi LiteRT untuk memproses model visual secara lokal. Pada penggunaan Snapchat Lenses, terjadi peningkatan latensi sebesar 30 persen dalam arti waktu tunggu lebih rendah pada efek wajah dan gaya berbasis AI. Meski angka tersebut menunjukkan peningkatan, hasil pengujian tidak menjamin semua aplikasi lebih cepat 30 persen.
Di luar pengolahan wajah, ML Drift dikembangkan agar mampu menangani sistem AI penghasil konten yang membutuhkan komputasi besar. Bidang penggunaan yang relevan mencakup model difusi, computer vision, serta analisis suara. Dalam lingkungan dengan GPU memadai, sebagian fungsi tersebut dapat berjalan lokal. Pendekatan tersebut dapat memberikan manfaat berupa pengurangan kebutuhan transfer data. Namun demikian, keamanan data tetap membutuhkan perhatian. Perangkat lunak pendukung berpotensi mengirim data tertentu, sehingga pengguna perlu memeriksa izin. Tidak kalah penting, kapasitas memori perlu dipertimbangkan saat mengaktifkan fitur real-time dalam waktu lama.
Kesimpulan: Google Menghadirkan Akselerasi Machine Learning Lintas Platform
Peluncuran ML Drift oleh Google menunjukkan langkah baru dalam pengembangan AI lokal. Berkat integrasi OpenCL, Metal, WebGPU, dan OpenGL ES, mesin akselerasi tersebut berupaya menyederhanakan pengembangan inferensi lintas platform. Kolaborasi bersama perusahaan semikonduktor berperan dalam menyempurnakan performa GPU. Selain itu, penggunaan ML Drift sebagai mesin akselerasi LiteRT memberikan pilihan baru untuk membangun aplikasi AI. Demonstrasi akselerasi di aplikasi Snap menunjukkan manfaat nyata melalui pengurangan latensi model sekitar 30 persen pada beban kerja yang diuji.
Namun demikian, hasil akselerasi tidak selalu identik berdasarkan jenis model AI dan konfigurasi sistem. Agar pemanfaatan lebih optimal, programmer perlu mengevaluasi hasil nyata sebelum merilis fitur ke pengguna. Tidak kalah penting, perlindungan data tetap membutuhkan evaluasi. Dengan kode sumber yang tersedia, ML Drift memungkinkan komunitas untuk mempelajari implementasi. Untuk pengembangan berikutnya, pendekatan pemrosesan lokal memiliki peluang meningkatkan fungsi aplikasi desktop. Menurut Anda, apakah pemrosesan AI langsung di perangkat lebih menarik daripada cloud? Anda dapat berbagi pemikiran mengenai perkembangan Google ML Drift.
TEKNOLOGI, Google ML Drift, Google AI Edge, GPU AI, AI Lokal, LiteRT, Machine Learning, Teknologi GPU 2026Teks 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
Kemajuan TEKNOLOGI perangkat wearable terus membuka berbagai pilihan baru dalam pemantauan aktivitas. Selama beberapa tahun terakhir, perangkat pemantauan berbasis pergelangan tangan dan jari semakin banyak digunakan karena memberikan informasi mengenai kebiasaan pengguna. Namun demikian, sejumlah perusahaan berusaha memanfaatkan area tubuh selain pergelangan tangan. Inovasi yang sedang dipersiapkan adalah Temple, yaitu alat pemantau berbentuk ringkas yang dipasang pada area pelipis. Produk tersebut dikembangkan melalui startup milik Deepinder Goyal, pengusaha teknologi asal India. Berkat pendekatan penempatan sensor ini, Temple berupaya mengamati informasi fisiologis tertentu secara real-time.
Produk pemantau ini menarik minat publik setelah Deepinder Goyal memperlihatkan informasi pengembangan perangkat melalui sejumlah pernyataan publik. Pada Agustus 2026, Goyal menjelaskan bahwa dimensi wearable telah mengalami penyusutan hingga lebih kecil daripada separuh rancangan awal. Menjelang Oktober 2026, perusahaan memperlihatkan enam opsi warna peluncuran untuk versi peluncuran terbatas. Meski informasi produk semakin banyak, waktu ketersediaan setiap wilayah belum dipastikan. Pengiriman awal diharapkan dimulai sebelum 2026 berakhir. Karena itu, konsumen dianjurkan memeriksa informasi resmi perusahaan sebelum menentukan keputusan pembelian.
Cara Kerja Teknologi Photoplethysmography pada Wearable Pelipis
Teknologi mendasar Temple adalah sistem pendeteksian optik PPG yang menggunakan pengukuran berbasis sinar untuk mendeteksi variasi sinyal pembuluh darah. Dalam penjelasan dasar, rangkaian pemancar mengarahkan cahaya ke kulit, kemudian membaca variasi intensitas optik. Variasi sinyal ini dapat dipengaruhi oleh kondisi sirkulasi setempat. Pendekatan pengukuran yang sejenis juga ditemukan pada sejumlah smartwatch. Walaupun menggunakan kategori sensor serupa, fungsi perangkat belum tentu sama dari perangkat kebugaran konvensional. Perbedaan lokasi pemasangan dapat memengaruhi karakter sinyal.
Pada pendekatan yang dikembangkan Goyal, pembacaan dilakukan pada jaringan di sisi kepala. Menurut keterangan perusahaan bahwa perubahan optik dimanfaatkan sebagai indikator tidak langsung variasi sirkulasi yang disebut berhubungan dengan cerebral blood flow. Perlu dipahami, sinyal yang diperoleh dari jaringan luar belum tentu menggambarkan kondisi pembuluh darah di dalam otak. Hasil pembacaan juga dapat dipengaruhi gerakan tubuh dan perbedaan fisiologi individu. Dengan mempertimbangkan faktor tersebut, hasil metrik harus dievaluasi menggunakan standar penelitian fisiologis yang relevan.
Teknologi BrainFlow Temple Dirancang Mengamati Indikator Sirkulasi
Salah satu istilah yang diperkenalkan dalam pengembangan Temple adalah BrainFlow. Menurut pengembangnya, BrainFlow merupakan metrik khusus yang dimaksudkan untuk menunjukkan variasi sinyal yang dikaitkan dengan sirkulasi serebral. Indikator ini diperkenalkan sebagai hasil pemantauan real-time. Pihak perusahaan menghubungkan perubahan postur, kualitas tidur, dan kemungkinan perubahan hidrasi. Namun demikian, hubungan tersebut masih memerlukan pembuktian. Angka BrainFlow tidak seharusnya ditafsirkan sebagai hasil diagnosis medis.
Selain BrainFlow, Temple juga memperkenalkan Entropy sebagai bagian dari sistem analisis. Berdasarkan informasi produk, Entropy dirancang sebagai perkiraan tuntutan fisiologis serta respons simpatik. Dalam ilmu tubuh manusia, respons simpatik turut terlibat pada perubahan keadaan kesiagaan. Perlu dibedakan, indeks khusus yang dikembangkan perusahaan tidak otomatis menjadi standar kesehatan medis. Korelasi data sensor dengan keadaan tubuh membutuhkan evaluasi menggunakan pengujian pada populasi beragam. Dengan mempertimbangkan keterbatasan tersebut, nilai yang dihasilkan lebih tepat dianggap indikator pengembangan sampai akurasi serta kegunaan klinis terbukti.
Desain Kecil dan Perekat Khusus Menjadi Ciri Khas Wearable Temple
Tidak hanya mengembangkan algoritma, Temple memprioritaskan bentuk perangkat. Wearable tersebut menggunakan posisi pemakaian pada bagian samping kepala dengan komponen penempel yang disebut Grips. Berdasarkan informasi pengembang, Grips dirancang dengan bahan adhesif khusus agar sensor tetap berada pada posisinya selama aktivitas sehari-hari. Perusahaan menyebutkan bahwa perekat dapat bertahan sekitar dua hingga tiga hari. Meski desain adhesif menawarkan kepraktisan, ketahanan perekat dipengaruhi kondisi pemakaian. Aktivitas yang meningkatkan kelembapan dapat mengubah kenyamanan.
Penempatan sensor yang menyentuh area wajah sebaiknya mempertimbangkan penilaian kenyamanan pribadi. Ketika pertama kali memasang sensor, calon pemakai perlu memperhatikan bahwa permukaan kulit bersih. Apabila timbul rasa gatal, penggunaan perlu dihentikan sementara untuk mengurangi kemungkinan iritasi. Tidak kalah penting, pemasangan terlalu longgar dapat memengaruhi kualitas sinyal optik. Oleh sebab itu, pengembangan produk perlu memperhatikan ketahanan perekat serta keamanan kulit. Evaluasi desain secara independen dapat memberikan gambaran kecocokan perangkat untuk pengguna yang berbeda.
Temple Menyiapkan Preorder Edisi Terbatas untuk Pengguna Awal
Menjelang peluncuran komersial, Temple mulai mengungkapkan perkembangan rancangan wearable. Pada pengumuman terbaru sebelum peluncuran, Deepinder Goyal menunjukkan enam pilihan warna untuk edisi peluncuran. Beragam varian warna ini berpotensi menghadirkan variasi estetika bagi calon pembeli. Perusahaan juga menyiapkan akses pemesanan bagi kelompok pengguna awal. Pengguna yang telah mendaftar direncanakan mendapat kesempatan lebih awal ketika pemesanan resmi dimulai. Walaupun persiapan terus berjalan, tanggal peluncuran pasti belum diumumkan. Perkiraan ketersediaan produk adalah pada periode sebelum 2026 berakhir, tetapi waktu sebenarnya bergantung pada pengumuman perusahaan.
Di samping informasi pemesanan, perkiraan biaya perangkat juga menjadi pembahasan. Informasi yang beredar menyebut estimasi biaya sekitar 72.000 rupee India, sementara beberapa sumber memberikan estimasi lebih tinggi. Sebagai informasi penting, banderol final belum diumumkan perusahaan. Di luar harga pembelian awal, calon pengguna juga perlu memahami kemungkinan biaya langganan. Dalam pembahasan produk disebutkan bahwa model bisnis mungkin mencakup pembayaran berkala dan penggantian perekat secara rutin. Karena itu, pengguna dianjurkan mengikuti struktur harga resmi.
Peluang dan Tantangan Wearable Temple dalam Industri Pemantauan Tubuh
Ketika sistem sensor berhasil divalidasi, penggunaan sensor optik pada sisi kepala berpotensi membuka aplikasi pemantauan tambahan. Dalam penggunaan potensial, perubahan sinyal dapat dibandingkan bersama kebiasaan pemulihan. Para ilmuwan berkesempatan mengevaluasi apakah perubahan metrik BrainFlow berkaitan secara terukur dengan kondisi fisiologis tertentu. Walaupun peluang penelitian cukup luas, korelasi tidak otomatis membuktikan sebab akibat. Sistem pemantauan yang dapat dipercaya harus dievaluasi dalam kondisi beragam sebelum klaim manfaatnya diterapkan secara luas.
Tidak hanya memperhatikan kemampuan sensor, keamanan informasi fisiologis memerlukan perhatian serius dalam penerapan teknologi pemantauan tubuh. Informasi hasil pengukuran mungkin berkaitan dengan aktivitas individu. Dengan mempertimbangkan karakter informasi tersebut, calon pembeli sebaiknya memahami siapa yang memperoleh akses. Apabila aplikasi menggunakan cloud, penyedia layanan perlu menerangkan pilihan penghapusan data. Di samping aspek keamanan, penjelasan hasil pengukuran perlu mudah dipahami. Melalui kebijakan yang jelas, konsumen lebih mudah memahami batas kemampuan perangkat. Pengembangan teknologi yang bertanggung jawab sebaiknya memadukan perlindungan privasi tanpa menjanjikan manfaat medis yang belum terbukti.
Kesimpulan: BrainFlow dan Sensor PPG Temple Masih Memerlukan Validasi Ilmiah
Pengembangan perangkat sensor pelipis Temple membuka arah penelitian baru dalam dunia TEKNOLOGI wearable. Dengan memanfaatkan pengukuran optik, Temple berupaya mengamati perubahan sinyal pada jaringan pelipis. Indikator pengukuran utama menjadi fitur yang paling menonjol, sedangkan perekat Grips memperlihatkan upaya pengembangan terhadap pengalaman pemakai. Meski produk tersebut menawarkan pendekatan baru, kemampuan pemantauan masih membutuhkan validasi independen. Dengan mempertimbangkan bukti yang tersedia, informasi wearable belum layak menjadi satu-satunya dasar keputusan kesehatan.
Seiring perkembangan produk, masyarakat yang tertarik perlu memeriksa ketentuan layanan sebelum mengikuti preorder. Ketersediaan layanan regional dapat memengaruhi keputusan pembelian karena biaya berulang mungkin menjadi bagian penggunaan. Dalam jangka panjang, Temple berpotensi memberikan pilihan baru pemantauan fisiologis apabila hasilnya konsisten dalam pengujian. Dari sudut pandang Anda, seberapa penting bukti ilmiah sebelum menggunakan perangkat pemantau tubuh? Anda dapat berbagi pemikiran mengenai penggunaan perangkat pintar untuk pemantauan fisiologis sehari-hari.
