marketinginsight.id – Langkah tak biasa diambil dua raksasa semikonduktor global dalam menghadapi peta persaingan teknologi yang semakin ketat. Kerja sama strategis ini memfokuskan penyatuan optimasi ekosistem hardware dan software guna memangkas hambatan teknis yang selama ini memperlambat kinerja pengembang aplikasi berbasis kecerdasan buatan.
Integrasi pustaka sumber terbuka ke dalam kerangka kerja deep learning menjadi pilar utama pergerakan ini. Lewat langkah tersebut, efisiensi pemrosesan beban kerja AI pada prosesor dapat ditingkatkan secara signifikan tanpa harus bergantung pada jalur perangkat lunak yang terfragmentasi.
Kolaborasi ini memberi sinyal kuat bagi industri bahwa standarisasi arsitektur merupakan kunci utama mempercepat adopsi teknologi masa depan. Para pengembang kini dapat membangun, menguji, hingga menerapkan solusi kecerdasan buatan dengan kinerja maksimal secara lebih konsisten.
AMD dan Intel berencana menggabungkan upaya optimalisasi CPU x86 untuk PyTorch ke dalam oneDNN. Langkah ini dilakukan guna menyediakan jalur software terpadu bagi para pengembang di semua CPU AMD dan Intel.
Dua produsen chip global tersebut mengumumkan kolaborasi untuk menggabungkan upaya optimalisasi CPU x86 untuk PyTorch ke dalam oneDNN. Pustaka deep learning open source ini berada di bawah naungan Unified Acceleration Foundation (UXL) untuk membantu menjalankan beban kerja AI secara efisien pada CPU.
Rekomendasi dari x86 Ecosystem Advisory Group ini bertujuan menyediakan jalur software terpadu bagi pengembang dalam menjalankan beban kerja AI. Selain meningkatkan efisiensi, integrasi ini juga ditujukan untuk mengurangi fragmentasi dalam ekosistem AI.
Kedua perusahaan telah menyepakati penggunaan oneDNN sebagai pustaka sumber terbuka standar untuk akselerasi x86 di dalam PyTorch. Saat ini AMD sedang mengintegrasikan optimalisasi ZenDNN ke dalam oneDNN.
AMD juga resmi bergabung dengan UXL Foundation sebagai anggota komite pengarah untuk memajukan upaya ini melalui kolaborasi terbuka. Melalui aliansi ini, pengembang memiliki satu tempat untuk mengakses berbagai optimalisasi CPU PyTorch.
Penyatuan akses tersebut akan mempermudah proses pengembangan, pemeliharaan, hingga penerapan aplikasi AI di seluruh ekosistem x86. Kemudahan ini diyakini akan mempercepat inovasi perangkat lunak berbasis akselerasi CPU.
Pihak AMD menyatakan terus mengembangkan ekosistem open software yang memberikan lebih banyak pilihan kepada para pengembang. Penyertaan pilihan terbuka ini dinilai mempermudah pengembangan aplikasi AI berperforma tinggi.
Melalui kerja sama dengan x86 Ecosystem Advisory Group, industri disatukan untuk mengembangkan teknologi bersama. Langkah kolektif ini menyederhanakan proses pengembangan di berbagai prosesor x86.
Sementara itu, pihak Intel menegaskan bahwa pengembang tidak perlu lagi mempertimbangkan jalur perangkat lunak yang berbeda. Pendekatan ini memastikan penyediaan kinerja terbaik dari CPU x86 tanpa kendala kompatibilitas.
Kolaborasi menggunakan oneDNN membuat komunitas PyTorch dapat menerapkan pendekatan konsisten untuk prosesor modern. Sarana ini juga disiapkan untuk menghadirkan kemampuan masa depan seperti AI Compute Extensions ke dalam kerangka kerja tersebut.
Dukungan juga datang dari Red Hat yang menilai inovasi open source berkembang pesat saat pengalaman pengembang berlangsung lancar. Standarisasi optimalisasi CPU x86 melalui oneDNN di PyTorch dianggap langkah besar mengatasi fragmentasi.
Red Hat menyambut baik kolaborasi terbuka ini sebagai bagian dari komunitas PyTorch. Upaya tersebut mempermudah pengembang dalam membangun dan menerapkan beban kerja AI secara konsisten di arsitektur x86.
Selain itu, AMD dan Intel berkolaborasi mengembangkan AI Compute Extensions (ACE) sebagai arsitektur set instruksi generasi berikutnya. ACE dirancang khusus untuk mempercepat operasi perkalian matriks yang menjadi operasi matematis utama beban kerja AI.
Teknologi instruksi baru ini nantinya akan diintegrasikan secara penuh ke dalam PyTorch. Integrasi tersebut disalurkan melalui pembaruan oneDNN pada masa mendatang.
Redaksi
