Satu jalur perangkat lunak untuk CPU berbeda
Optimasi PyTorch untuk prosesor x86 adalah penyesuaian perangkat lunak yang membantu aplikasi AI menjalankan perhitungan secara lebih efisien pada CPU dari berbagai vendor. AMD dan Intel bekerja sama menyatukan optimalisasi CPU untuk PyTorch ke dalam oneDNN, pustaka sumber terbuka yang mendukung komputasi AI di prosesor[.
AMD akan mengintegrasikan teknologi ZenDNN ke dalam oneDNN, sehingga pengembang dapat mengakses optimalisasi AMD melalui pustaka yang sama dengan optimalisasi untuk prosesor Intel. Ini langkah yang masuk akal: selama ini, pengembang harus memastikan aplikasi memanfaatkan kemampuan prosesor yang dipakai, dan perbedaan jalur perangkat lunak menambah pekerjaan saat aplikasi dibuat serta dirawat.
Manfaat terbesarnya bukan janji bahwa semua CPU akan bekerja dengan kecepatan sama, melainkan berkurangnya kerepotan untuk mendukung beberapa konfigurasi. Tim pengembang berpeluang menghemat waktu dan mengurangi masalah kompatibilitas ketika menyiapkan aplikasi AI untuk komputer dengan prosesor berbeda.
ACE menjanjikan akselerasi, tetapi perlu diuji
Kolaborasi ini juga mencakup pengembangan AI Compute Extensions (ACE), teknologi yang dirancang untuk mempercepat perhitungan AI pada prosesor x86. Sasaran yang disebutkan adalah operasi perkalian matriks, komponen penting dalam banyak beban kerja AI.
Rencananya, ACE akan diintegrasikan ke PyTorch melalui pembaruan oneDNN. Namun, integrasi yang direncanakan belum membuktikan peningkatan kecepatan. Kinerja baru bisa dinilai setelah teknologi diterapkan dan diuji pada sistem yang mendukungnya. Pengembang dan pembeli perangkat sebaiknya menunggu hasil pengujian nyata, bukan menganggap nama fitur sebagai jaminan percepatan.
Pemisahan antara kerja sama perangkat lunak dan kemampuan perangkat keras penting di sini. Penyatuan ZenDNN dan oneDNN menyasar kemudahan pengembangan lintas prosesor; ACE menargetkan akselerasi mendatang. Keduanya bukan bukti bahwa setiap CPU yang kompatibel akan memperoleh hasil identik atau memiliki kemampuan khusus yang sama.
Ryzen AI Max memperlihatkan arah AI lokal PC
Di sisi perangkat keras, Ryzen AI Max dan Ryzen AI Max Pro 400 Series dirancang untuk menjalankan pemrosesan AI langsung di komputer. Kehadiran lini ini memperlihatkan bahwa AI lokal PC mulai diposisikan sebagai pilihan bagi bisnis yang ingin menjalankan model tanpa selalu mengandalkan komputasi awan.
Platform tersebut mendukung DRAM hingga 192GB dan alokasi memori GPU hingga 160GB. Materi produk juga menyebut NPU hingga 55 TOPS serta GPU dengan hingga 40 unit komputasi. Kapasitas memori besar dapat membantu menampung model dan data saat inferensi, tetapi tidak dengan sendirinya menjamin respons cepat atau cocok untuk setiap alur kerja.
Ini kapabilitas produk AMD, bukan hasil langsung dari kesepakatan AMD-Intel. Kolaborasi optimasi PyTorch berlaku pada lapisan perangkat lunak lintas vendor, sedangkan spesifikasi Ryzen AI Max Pro 400 Series menggambarkan perangkat tertentu. Menyamakan keduanya akan membesar-besarkan arti kerja sama.
AI lokal memberi kendali, bukan jaminan keamanan
Menjalankan model di perangkat sendiri dapat memberi perusahaan peluang menjaga data tetap di komputer atau jaringan internal, asalkan sistem dikonfigurasi dengan benar. Ini berguna untuk pekerjaan yang melibatkan dokumen internal atau informasi sensitif, tetapi pemrosesan lokal tidak otomatis menghapus risiko kebocoran. Pengaturan akses, perlindungan sistem, serta cara aplikasi menangani data tetap menentukan.
Kebutuhan AI bisnis pun kian meluas dari chatbot menuju rangkaian tugas seperti mengolah dokumen dan membantu analisis data. Dalam konteks itu, pilihan antara perangkat lokal dan layanan awan sebaiknya mengikuti jenis pekerjaan, kebutuhan komputasi, serta kebijakan data—bukan tren semata. Pendekatan hibrida tetap masuk akal ketika tugas tertentu membutuhkan kapasitas atau layanan yang tidak tersedia di komputer.
Kesimpulannya, penyatuan optimasi PyTorch oleh AMD dan Intel berpotensi membuat pengembangan AI di prosesor x86 lebih sederhana. Ryzen AI Max menunjukkan bahwa perangkat lokal dengan memori besar menjadi bagian dari arah AI bisnis, tetapi itu jalur produk tersendiri. Kerja sama perangkat lunak dapat mengurangi hambatan; manfaat performa ACE dan kecocokan perangkat keras tetap harus dibuktikan lewat pengujian.
