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 menjadi kemajuan menarik dalam industri komputasi kecerdasan buatan. Dengan menggabungkan kemampuan kedua perusahaan, AMD dan Intel berupaya menyederhanakan jalur optimalisasi perangkat lunak. Dalam pendekatan yang telah berjalan, pengembang prosesor tersebut mengembangkan optimalisasi yang berbeda. Perbedaan teknologi ini berpotensi menambah kebutuhan pengujian tambahan. Berkat penggunaan sistem optimalisasi terpadu, kedua perusahaan ingin menyediakan satu jalur perangkat lunak. Berkat penyatuan ini, pengembang aplikasi berpotensi memperoleh optimalisasi yang lebih mudah dikelola.
Kolaborasi tersebut berkaitan dengan arah kerja sama yang dibahas dalam x86 Ecosystem Advisory Group. Forum industri ini bertujuan mendukung standar komputasi yang lebih konsisten. Meskipun AMD dan Intel memiliki produk yang saling berkompetisi, kolaborasi untuk ekosistem terbuka dapat memberikan keuntungan untuk pengembang. Dalam lingkungan komputasi modern, kemudahan penerapan aplikasi menjadi semakin relevan. Oleh sebab itu, integrasi pustaka percepatan diharapkan dapat membatasi hambatan kompatibilitas tanpa menghilangkan persaingan perangkat keras.
Teknologi oneDNN Mendukung Pemrosesan AI pada Arsitektur x86
Salah satu komponen utama adalah oneDNN, yaitu pustaka deep learning terbuka yang berfungsi mendukung pemrosesan operasi matematika. Pustaka tersebut menyediakan fungsi pemrosesan berperforma tinggi untuk pengembangan model kecerdasan buatan. Dalam proses pengolahan AI, oneDNN dapat membantu mempercepat pengolahan tensor yang sering digunakan dalam algoritma pengolahan data. Melalui integrasi PyTorch, sistem memiliki kesempatan mengakses operasi komputasi yang telah disesuaikan tanpa harus membuat setiap komponen dari awal. Rancangan ini membantu menyederhanakan pengelolaan kode AI.
Melalui kesepakatan bersama, AMD dan Intel memilih oneDNN sebagai library utama untuk percepatan CPU x86 dalam PyTorch. Pendekatan bersama tersebut diharapkan menyediakan pengalaman yang lebih konsisten pada berbagai CPU berbasis x86. Saat model PyTorch digunakan pada CPU dengan arsitektur yang bervariasi, pustaka optimalisasi berpotensi memanfaatkan jalur pemrosesan yang dioptimalkan. Dengan demikian, pengembang tidak harus membangun jalur khusus bagi setiap vendor. Namun demikian, efisiensi pemrosesan tetap bergantung pada jenis prosesor 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 dirancang membantu percepatan operasi AI pada arsitektur CPU AMD. Pada pendekatan yang digunakan terdahulu, optimalisasi ZenDNN dikelola melalui pustaka terpisah. Melalui integrasi terbaru, AMD berencana menyumbangkan optimalisasi yang telah dikembangkan ke proyek oneDNN. Langkah tersebut diharapkan membantu pengembangan optimasi lintas prosesor. Berkat integrasi ini, pengembang berbasis AMD berpotensi memanfaatkan fungsi percepatan arsitektur Zen melalui implementasi oneDNN.
Di samping memperluas kontribusi perangkat lunak, AMD mengambil peran sebagai Steering Member dalam UXL Foundation. Yayasan teknologi ini mengelola sejumlah proyek perangkat lunak terbuka, termasuk oneDNN. Keanggotaan AMD mendukung keterlibatan langsung dalam arah pengembangan proyek. Di sisi lain, Intel tetap berkontribusi pada pengembangan komponen deep learning. Melalui kontribusi kedua perusahaan, pengelola framework memiliki peluang menggunakan kemampuan optimalisasi yang lebih konsisten. Namun demikian, realisasi dukungan teknis 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 turut mengembangkan pada AI Compute Extensions atau ACE. Pengembangan instruksi ini merupakan perluasan arsitektur instruksi x86 yang dirancang mengoptimalkan pemrosesan perkalian matriks. Dalam pengembangan kecerdasan buatan, operasi tensor memiliki peran penting. Perhitungan semacam ini menjadi bagian dari proses inferensi model. Melalui instruksi khusus, CPU generasi mendatang diharapkan mampu memproses perkalian matriks dengan optimalisasi tambahan.
Rencana pengembangan ACE juga berkaitan dengan integrasi oneDNN dalam PyTorch. AMD dan Intel menjelaskan bahwa dukungan ACE akan dikembangkan melalui rilis perangkat lunak lanjutan. Berkat dukungan pustaka bersama, pembuat aplikasi machine learning berpotensi memanfaatkan optimalisasi instruksi generasi berikutnya tanpa mengembangkan jalur pemrosesan terpisah. Walaupun rencana ini menjanjikan, pengumuman ini tidak berarti telah tersedia dukungan otomatis untuk seluruh perangkat x86. Dukungan ACE dalam aplikasi harus mempertimbangkan implementasi perangkat keras yang kompatibel.
Penyatuan Software AI Membantu Efisiensi Pengembangan dan Penerapan
Nilai tambah penting dari kolaborasi optimalisasi PyTorch adalah penyederhanaan pemeliharaan perangkat lunak pada prosesor AMD dan Intel. Untuk organisasi yang mengelola server, penggunaan sistem dari beberapa vendor dapat menimbulkan pekerjaan optimalisasi tersendiri. Pada infrastruktur komputasi tertentu, sebuah perusahaan mungkin menggunakan beberapa kelompok server x86 untuk memproses analisis data. Dengan pustaka yang lebih terpadu, organisasi memiliki peluang menyederhanakan pengelolaan beberapa implementasi. Dengan demikian, pengujian perangkat lunak dapat dilakukan dengan alur yang lebih konsisten.
Tidak hanya untuk infrastruktur data center, optimalisasi CPU untuk PyTorch memiliki manfaat potensial bagi pengembang independen. Tidak semua pekerjaan AI membutuhkan perangkat komputasi grafis. Pada beban kerja yang sesuai, CPU dapat digunakan untuk pengembangan awal berdasarkan persyaratan sistem. Sebagai ilustrasi, model pengolahan data tertentu mampu diuji pada komputer berbasis x86. Dengan pemanfaatan pustaka percepatan, bagian pemrosesan model dapat memanfaatkan efisiensi tambahan. Meski teknologi optimalisasi terus berkembang, penggunaan akselerator AI tidak otomatis tergantikan, terutama ketika beban komputasi sangat besar.
Kesimpulan: AMD dan Intel Memperkuat Ekosistem AI x86 melalui PyTorch
Kolaborasi AMD dan Intel menandai perkembangan strategis dalam ekosistem komputasi AI berbasis x86. Melalui penyatuan kemampuan percepatan AMD ke dalam oneDNN, kedua perusahaan menargetkan pengembangan pustaka optimalisasi bersama. Langkah penyatuan tersebut diharapkan membantu organisasi pengguna PyTorch dalam memelihara kode pada berbagai sistem CPU x86. Sebagai bagian dari pengembangan jangka panjang, pengembangan arsitektur instruksi baru diharapkan mendukung percepatan operasi matriks. Meski kerja sama memiliki potensi besar, manfaat aktual bagi aplikasi masih perlu diuji berdasarkan perangkat keras yang digunakan.
Pada era pertumbuhan aplikasi AI, penyederhanaan jalur optimalisasi merupakan faktor strategis untuk mempermudah pekerjaan pengembang. Integrasi ZenDNN ke oneDNN dapat menjadi fondasi kerja sama terbuka. Meski demikian, AMD dan Intel tetap bersaing dalam pasar prosesor. Dengan demikian, industri diharapkan mendapatkan pilihan CPU yang lebih luas. Dampak jangka panjang kolaborasi dapat dievaluasi dari pengujian performa pada berbagai sistem x86. Bagaimana menurut Anda, apakah pengembangan PyTorch untuk prosesor x86 mampu meningkatkan efisiensi pemrosesan CPU? Jangan ragu menyampaikan pandangan mengenai masa depan prosesor x86.
