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
Perkenalan kolaborasi antara AMD dan Intel menjadi perkembangan penting dalam pengembangan perangkat lunak AI. Berkat kolaborasi teknologi ini, AMD dan Intel berupaya menyederhanakan jalur optimalisasi perangkat lunak. Sebelumnya, masing-masing produsen memiliki teknologi percepatan tersendiri. Kondisi tersebut dapat meningkatkan kebutuhan pengujian tambahan. Melalui oneDNN, kedua perusahaan ingin menyediakan pendekatan pemrosesan yang lebih seragam. Berkat penyatuan ini, tim rekayasa perangkat lunak berpotensi memperoleh pengalaman pengembangan yang lebih konsisten.
Penyatuan pengembangan perangkat lunak ini berkaitan dengan rekomendasi x86 Ecosystem Advisory Group. Organisasi penasihat tersebut dibentuk untuk memperkuat ekosistem x86 yang lebih terbuka. Meskipun AMD dan Intel memiliki produk yang saling berkompetisi, kolaborasi untuk ekosistem terbuka mampu menawarkan keuntungan untuk pengembang. Dalam lingkungan komputasi modern, kemudahan penerapan aplikasi semakin dibutuhkan. Karena itu, penyatuan optimalisasi diharapkan dapat membatasi pekerjaan penyesuaian berulang tanpa menghilangkan persaingan perangkat keras.
Peran Pustaka oneDNN dalam Mempercepat Pekerjaan Deep Learning
Fondasi perangkat lunak dalam kolaborasi tersebut adalah oneDNN, yaitu library optimalisasi jaringan saraf yang dirancang membantu pengoptimalan pekerjaan machine learning. Sistem optimalisasi ini memiliki fungsi pemrosesan berperforma tinggi untuk kebutuhan deep learning. Pada pekerjaan komputasi tertentu, oneDNN dirancang mengoptimalkan perkalian matriks yang sering digunakan dalam model pembelajaran mendalam. Melalui integrasi PyTorch, sistem memiliki kesempatan mengakses fungsi percepatan perangkat keras tanpa harus membuat setiap komponen dari awal. Pendekatan tersebut berpotensi mengurangi pengelolaan kode AI.
Melalui kesepakatan bersama, AMD dan Intel memilih oneDNN sebagai jalur pustaka terbuka standar CPU x86 dalam PyTorch. Keputusan tersebut bertujuan memberikan dukungan perangkat lunak yang lebih terpadu pada sistem komputer dari kedua produsen. Saat model PyTorch digunakan pada sistem komputasi x86, komponen perangkat lunak percepatan dapat memilih jalur pemrosesan yang dioptimalkan. Melalui mekanisme tersebut, tim perangkat lunak dapat mengurangi kebutuhan untuk membangun jalur khusus bagi setiap vendor. Meski mendukung kemudahan pengembangan, efisiensi pemrosesan tetap bergantung pada karakteristik model AI yang digunakan.
AMD Mengintegrasikan ZenDNN ke dalam Pustaka oneDNN
Salah satu langkah konkret adalah integrasi teknologi ZenDNN ke dalam oneDNN. ZenDNN sendiri dirancang membantu pemrosesan deep learning pada perangkat keras berbasis AMD Zen. Dalam pengembangan sebelumnya, optimalisasi ZenDNN berjalan sebagai bagian dari pendekatan perangkat lunak AMD. Dengan memasukkan kemampuan tersebut ke oneDNN, AMD akan mengintegrasikan fungsi percepatan khususnya ke lingkungan optimalisasi terbuka. Langkah tersebut dirancang mempermudah penyediaan fungsi percepatan yang lebih terpadu. Melalui pendekatan tersebut, pengguna prosesor AMD berpotensi memanfaatkan optimalisasi khusus perangkat keras melalui implementasi oneDNN.
Di samping memperluas kontribusi perangkat lunak, AMD juga bergabung sebagai Steering Member dalam UXL Foundation. Organisasi tersebut mendukung tata kelola inisiatif akselerasi komputasi, termasuk oneDNN. Posisi AMD dalam organisasi memberikan kesempatan dalam pembahasan strategi teknologi. Sebagai bagian dari kerja sama terbuka, Intel mempertahankan keterlibatan pada pengembangan komponen deep learning. Dengan kolaborasi tersebut, pengembang aplikasi dapat memanfaatkan perbaikan yang lebih terkoordinasi. Walaupun struktur kerja sama telah diumumkan, penggabungan setiap optimalisasi harus melalui tahapan implementasi sebelum menjadi bagian dari berbagai rilis perangkat lunak.
AMD dan Intel Menyiapkan Instruksi Baru untuk Mempercepat Operasi AI
Selain menyatukan pustaka perangkat lunak, AMD dan Intel juga bekerja sama pada AI Compute Extensions atau ACE. Rancangan ACE merupakan perluasan arsitektur instruksi x86 yang ditujukan untuk mendukung pemrosesan perkalian matriks. Dalam pengembangan kecerdasan buatan, pengolahan data numerik memiliki peran penting. Aktivitas tersebut menjadi bagian dari proses pemrosesan jaringan saraf. Dengan pengembangan ACE, perangkat keras x86 kompatibel diharapkan mampu memproses perkalian matriks dengan optimalisasi tambahan.
Rencana pengembangan ACE juga berkaitan dengan integrasi oneDNN dalam PyTorch. Perusahaan pengembang x86 tersebut menyampaikan bahwa dukungan ACE ditargetkan tersedia melalui pembaruan oneDNN pada masa depan. Melalui integrasi pada library, pembuat aplikasi machine learning berpotensi memanfaatkan fitur percepatan perangkat keras tanpa mengembangkan jalur pemrosesan terpisah. Meski arah pengembangannya telah dijelaskan, teknologi tersebut bukan bukti adanya dukungan otomatis untuk seluruh perangkat x86. Dukungan ACE dalam aplikasi memerlukan dukungan framework yang telah disiapkan.
Penyatuan Software AI Membantu Efisiensi Pengembangan dan Penerapan
Salah satu manfaat utama dari kolaborasi optimalisasi PyTorch adalah penyederhanaan pemeliharaan perangkat lunak pada infrastruktur komputasi berbasis CPU. Dalam lingkungan perusahaan, penggunaan sistem dari beberapa vendor dapat menimbulkan kebutuhan pengujian tambahan. Sebagai contoh, sebuah perusahaan dapat mengoperasikan sistem Intel Xeon untuk menjalankan layanan AI. Dengan pustaka yang lebih terpadu, organisasi memiliki peluang menyederhanakan pekerjaan pemeliharaan kode yang terpisah. Berkat penyatuan ini, pengujian perangkat lunak berpotensi menjadi lebih praktis.
Tidak hanya untuk infrastruktur data center, optimalisasi CPU untuk PyTorch berpotensi berguna bagi peneliti. Tidak semua pekerjaan AI membutuhkan perangkat komputasi grafis. Untuk model tertentu, CPU berpotensi menjadi pilihan untuk pengembangan awal berdasarkan persyaratan sistem. Sebagai ilustrasi, aplikasi klasifikasi sederhana mampu diuji pada server yang tersedia. Dengan pemanfaatan pustaka percepatan, perhitungan jaringan saraf dapat memanfaatkan kernel yang telah dioptimalkan. Meski teknologi optimalisasi terus berkembang, kebutuhan GPU tetap relevan, terutama ketika model membutuhkan pemrosesan paralel tinggi.
Kolaborasi oneDNN Membuka Peluang Pengembangan AI yang Lebih Fleksibel
Kesepakatan pengembangan AMD dan Intel menunjukkan perkembangan strategis dalam industri teknologi prosesor. Berkat integrasi optimalisasi ZenDNN ke dalam oneDNN, kedua perusahaan ingin menghadirkan lingkungan pemrosesan PyTorch yang lebih terpadu. Strategi pengembangan ini diharapkan membantu organisasi pengguna PyTorch dalam menerapkan model pada berbagai sistem CPU x86. Tidak hanya itu, rencana dukungan instruksi ACE diharapkan mendukung optimalisasi pemrosesan generasi berikutnya. Walaupun rencana tersebut menjanjikan, hasil peningkatan performa harus dievaluasi berdasarkan perangkat keras yang digunakan.
Dalam perkembangan TEKNOLOGI, kompatibilitas lintas prosesor tetap menjadi faktor strategis untuk mendukung inovasi. Keterlibatan AMD dalam UXL Foundation berpotensi berkembang sebagai contoh pengembangan teknologi bersama. Walaupun kedua perusahaan bekerja sama, AMD dan Intel masih memiliki produk yang berkompetisi dalam penjualan perangkat keras komputasi. Berkat keseimbangan antara persaingan dan kolaborasi, pengguna dapat memiliki kemudahan penerapan aplikasi AI. Keberhasilan strategi ini akan terlihat melalui realisasi integrasi pada rilis perangkat lunak mendatang. Apa pendapat Anda, apakah penyatuan optimalisasi melalui oneDNN mampu meningkatkan efisiensi pemrosesan CPU? Jangan ragu menyampaikan pandangan mengenai pengembangan AI menggunakan PyTorch.
