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
Kesepakatan kolaborasi antara AMD dan Intel menandai langkah strategis dalam ekosistem prosesor x86. Berkat kolaborasi teknologi ini, AMD dan Intel berupaya menyederhanakan jalur optimalisasi perangkat lunak. Dalam pendekatan yang telah berjalan, pengembang prosesor tersebut memiliki teknologi percepatan tersendiri. Perbedaan teknologi ini dapat meningkatkan kompleksitas pengembangan. Berkat penggunaan sistem optimalisasi terpadu, kedua perusahaan menargetkan pengembangan lingkungan optimalisasi yang konsisten. Dengan demikian, programmer AI dapat memanfaatkan dukungan lintas prosesor.
Penyatuan pengembangan perangkat lunak ini berkaitan dengan masukan kelompok penasihat ekosistem x86. Kelompok tersebut mendorong pengembangan ekosistem x86 yang lebih terbuka. Meskipun AMD dan Intel memiliki produk yang saling berkompetisi, kolaborasi untuk ekosistem terbuka dapat memberikan keuntungan untuk pengembang. Pada pengembangan AI saat ini, kemudahan penerapan aplikasi memiliki peran penting. Oleh sebab itu, integrasi pustaka percepatan berpotensi mengurangi fragmentasi teknologi tanpa membatasi pilihan prosesor pengguna.
Teknologi oneDNN Mendukung Pemrosesan AI pada Arsitektur x86
Salah satu komponen utama adalah oneDNN, yaitu library optimalisasi jaringan saraf yang dikembangkan untuk pemrosesan operasi matematika. Teknologi oneDNN menyediakan fungsi pemrosesan berperforma tinggi untuk aplikasi pembelajaran mesin. Pada pekerjaan komputasi tertentu, oneDNN dapat membantu mempercepat pengolahan tensor yang menjadi bagian penting dalam model pembelajaran mendalam. Melalui integrasi PyTorch, pengembang dapat memanfaatkan fungsi percepatan perangkat keras tanpa mengembangkan semua operasi matematika sendiri. Rancangan ini membantu menyederhanakan pengelolaan kode AI.
Dalam strategi terbaru, AMD dan Intel menetapkan oneDNN sebagai fondasi optimalisasi open-source CPU x86 dalam PyTorch. Langkah penyatuan ini dirancang menghadirkan jalur optimalisasi yang lebih seragam pada prosesor AMD maupun Intel. Apabila pekerjaan deep learning diproses pada CPU dengan arsitektur yang bervariasi, komponen perangkat lunak percepatan berpotensi memanfaatkan kemampuan perangkat keras yang tersedia. Berkat pendekatan ini, pengembang tidak harus menangani seluruh perbedaan secara manual. Meski mendukung kemudahan pengembangan, hasil performa dapat berbeda menurut jenis prosesor yang digunakan.
Penggabungan ZenDNN dan oneDNN Memperkuat Kompatibilitas x86
Tindakan utama dalam kerja sama adalah penyatuan kemampuan pemrosesan ZenDNN ke dalam oneDNN. Teknologi optimalisasi milik AMD dikembangkan untuk pemrosesan deep learning pada arsitektur CPU AMD. Pada pendekatan yang digunakan terdahulu, optimalisasi ZenDNN berjalan sebagai bagian dari pendekatan perangkat lunak AMD. Dengan memasukkan kemampuan tersebut ke oneDNN, AMD akan mengintegrasikan fungsi percepatan khususnya ke proyek oneDNN. Integrasi teknologi tersebut diharapkan membantu pemeliharaan satu basis perangkat lunak. Berkat integrasi ini, pengguna prosesor AMD berpotensi memanfaatkan fungsi percepatan arsitektur Zen melalui jalur perangkat lunak terpadu.
Selain mengintegrasikan ZenDNN, AMD juga bergabung sebagai Steering Member dalam UXL Foundation. Organisasi tersebut mengelola ekosistem optimalisasi lintas perangkat keras, termasuk oneDNN. Posisi AMD dalam organisasi memungkinkan partisipasi dalam arah pengembangan proyek. Sebagai bagian dari kerja sama terbuka, Intel melanjutkan pengembangan pada pengembangan komponen deep learning. Melalui kontribusi kedua perusahaan, pengembang aplikasi berpotensi memperoleh dukungan hardware yang lebih luas. Walaupun struktur kerja sama telah diumumkan, realisasi dukungan teknis harus melalui tahapan implementasi sebelum dapat digunakan secara luas.
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. Rancangan ACE menjadi pengembangan instruction set architecture yang ditujukan untuk mendukung operasi matematika AI. Dalam pengembangan kecerdasan buatan, perkalian matriks memiliki peran penting. Operasi matematika tersebut sering muncul inferensi model. Dengan pengembangan ACE, prosesor yang mendukung teknologi tersebut berpotensi menjalankan perhitungan AI melalui jalur instruksi khusus.
Rencana pengembangan ACE memiliki hubungan penting terhadap integrasi oneDNN dalam PyTorch. Kedua produsen prosesor menjelaskan bahwa dukungan ACE akan dikembangkan melalui penyempurnaan pustaka berikutnya. Berkat dukungan pustaka bersama, pembuat aplikasi machine learning dapat memperoleh akses terhadap fitur percepatan perangkat keras tanpa harus mengubah seluruh kode aplikasi. Walaupun rencana ini menjanjikan, ACE belum dapat dianggap sebagai fitur universal pada semua CPU saat ini. Dukungan ACE dalam aplikasi akan bergantung pada pembaruan pustaka yang kompatibel.
Penyatuan Software AI Membantu Efisiensi Pengembangan dan Penerapan
Keuntungan yang diharapkan dari penyatuan oneDNN adalah kemudahan membangun aplikasi AI pada berbagai sistem x86. Untuk organisasi yang mengelola server, perbedaan merek prosesor berpotensi menghadirkan kebutuhan pengujian tambahan. Pada infrastruktur komputasi tertentu, sebuah perusahaan dapat mengoperasikan sistem Intel Xeon untuk menjalankan layanan AI. Berkat pendekatan oneDNN bersama, organisasi memiliki peluang menyederhanakan pengelolaan beberapa implementasi. Berkat penyatuan ini, penerapan model AI mampu mendukung pengelolaan sistem yang lebih sederhana.
Di luar penggunaan perusahaan berskala besar, dukungan perangkat lunak yang lebih konsisten memiliki manfaat potensial bagi tim pendidikan teknologi. Berbagai aplikasi kecerdasan buatan selalu memerlukan akselerator khusus. Untuk model tertentu, CPU dapat digunakan untuk pengujian model berdasarkan persyaratan sistem. Contohnya, model pengolahan data tertentu mampu diuji pada server yang tersedia. Berkat dukungan komputasi yang sesuai, operasi tertentu dapat memanfaatkan implementasi yang disesuaikan. Namun demikian, pemilihan perangkat keras khusus tidak otomatis tergantikan, terutama ketika beban komputasi sangat besar.
Penyatuan Optimalisasi CPU Menjadi Langkah Penting Teknologi Kecerdasan Buatan
Kerja sama AMD dan Intel menandai perkembangan strategis dalam industri teknologi prosesor. Melalui penyatuan optimalisasi ZenDNN ke dalam oneDNN, kedua perusahaan ingin menghadirkan jalur perangkat lunak yang lebih konsisten. Strategi pengembangan ini diharapkan membantu tim rekayasa perangkat lunak dalam memelihara kode pada berbagai sistem CPU x86. Tidak hanya itu, pengembangan arsitektur instruksi baru berpotensi memperluas percepatan operasi matriks. Meski kerja sama memiliki potensi besar, manfaat aktual bagi aplikasi bergantung pada implementasi berdasarkan versi perangkat lunak yang digunakan.
Pada era pertumbuhan aplikasi AI, kompatibilitas lintas prosesor merupakan prioritas pengembangan untuk mempermudah pekerjaan pengembang. Keterlibatan AMD dalam UXL Foundation mampu menghadirkan fondasi kerja sama terbuka. Kendati memiliki proyek perangkat lunak bersama, AMD dan Intel tetap menjadi pesaing dalam pasar prosesor. Dengan demikian, pengembang berpotensi memperoleh pilihan CPU yang lebih luas. Hasil pengembangan bersama akan terlihat melalui peningkatan kompatibilitas pada berbagai sistem x86. Menurut pandangan Anda, apakah kolaborasi AMD dan Intel mampu meningkatkan efisiensi pemrosesan CPU? Jangan ragu menyampaikan pandangan mengenai pengembangan AI menggunakan PyTorch.
