NUSA TENGGARA BARAT — AMD dan Intel resmi menyatukan optimalisasi CPU untuk framework PyTorch ke dalam pustaka open source oneDNN, sehingga aplikasi AI bisa berjalan lebih efisien di prosesor x86 dari kedua vendor. Langkah ini menghapus kebutuhan pengembang mengurus jalur software terpisah untuk tiap merek prosesor. Kolaborasi keduanya juga menyiapkan AI Compute Extensions (ACE) untuk mempercepat operasi matriks di CPU.
Penyatuan ini menyasar PyTorch, salah satu framework utama untuk membangun model AI. Selama ini pengembang harus memastikan sendiri bahwa aplikasinya memanfaatkan kemampuan prosesor yang dipakai, dan itu berarti menangani optimalisasi berbeda untuk tiap merek CPU.
oneDNN berfungsi mempercepat berbagai perhitungan yang dibutuhkan AI saat berjalan di CPU. Dengan optimalisasi AMD dan Intel berada di pustaka yang sama, pengembang bisa memakai satu basis kode untuk mesin berbasis prosesor kedua vendor.
Dampak praktisnya ada pada waktu dan biaya perawatan. Tim engineering tidak perlu lagi memelihara dua jalur software terpisah, dan risiko masalah kompatibilitas akibat perbedaan optimalisasi ikut menyusut.
Bagi pelaku bisnis digital, ini berarti siklus rilis model AI on-premise atau di server berbasis x86 bisa lebih pendek. Perusahaan yang menjalankan inferensi di CPU, bukan GPU, merasakan langsung manfaatnya.
AMD membawa ZenDNN, kumpulan optimalisasi yang dikembangkannya untuk prosesor Zen, ke dalam oneDNN. Artinya, optimalisasi yang tadinya eksklusif untuk jalur AMD bisa diakses lewat pustaka yang sama dengan optimalisasi Intel.
Intel sendiri sudah lama menjadikan oneDNN sebagai fondasi performa AI di lini prosesornya. PyTorch memakai pustaka ini untuk menjalankan operasi tensor di CPU secara efisien.
Kesepakatan ini tidak mengubah status oneDNN sebagai proyek open source. Kontribusi AMD masuk ke repositori yang sama, sehingga pengembang dapat menelusuri dan memakai optimalisasi tersebut tanpa lisensi tambahan.
AMD dan Intel juga menggarap AI Compute Extensions (ACE), teknologi yang dirancang mempercepat perhitungan AI di prosesor x86. Sasaran utamanya adalah operasi perkalian matriks, komponen yang paling banyak memakan siklus komputasi dalam pemrosesan AI.
ACE akan diintegrasikan ke PyTorch melalui pembaruan oneDNN. Namun, peningkatan performanya belum bisa diukur sekarang karena teknologi tersebut baru bisa dinilai setelah diterapkan dan diuji pada sistem yang mendukungnya.
Kedua vendor belum memerinci jadwal ketersediaan ACE di produk komersial. Yang jelas, arah kolaborasinya adalah menyediakan jalur software tunggal untuk seluruh prosesor x86, dengan optimalisasi baru menyusul untuk menaikkan kemampuan CPU menjalankan beban AI.
Pasar prosesor x86 selama ini terbelah antara AMD dan Intel, dan fragmentasi optimalisasi software menjadi keluhan lama pengembang. Setiap vendor punya pustaka akselerasi sendiri, sehingga porting aplikasi AI antar platform menambah beban kerja.
Penyatuan lewat oneDNN mengurangi gesekan itu tanpa memaksa pengembang berpindah framework. PyTorch tetap jadi pintu masuk, sementara lapisan akselerasinya kini lebih netral terhadap merek prosesor.
Langkah ini juga relevan bagi adopsi AI di lingkungan enterprise Indonesia yang masih banyak bertumpu pada server berbasis CPU. Biaya inferensi di CPU lebih rendah dibanding GPU, dan efisiensi software yang lebih baik membuat pilihan tersebut makin masuk akal.
Kolaborasi AMD-Intel belum menyentuh sisi GPU, arena persaingan keduanya dengan NVIDIA masih berlangsung ketat. Fokus kesepakatan ini murni pada CPU x86 dan ekosistem pengembangan di sekitarnya.