Bos Intel Ungkap Teknologi Cip yang Bisa Bikin AI Lebih Hemat Energi

CEO Intel Corporation Lip-Bu Tan mengungkapkan pengembangan arsitektur cip menjadi salah satu peluang untuk meningkatkan efisiensi energi dalam pengoperasian kecerdasan buatan (AI). Teknologi ini diperlukan karena cip yang digunakan untuk memproses AI, terutama graphics processing unit (GPU), membutuhkan daya listrik yang besar.

Dalam diskusi bersama CEO DBS Bank Tan Su Shan dan CEO Broadcom Hock Tan, Lip-Bu Tan mengatakan industri perlu mengembangkan arsitektur cip baru agar penggunaan energi dan memori lebih efisien tanpa mengorbankan kinerja.

“GPU sangat haus daya. Itulah sebabnya kita membutuhkan begitu banyak energi untuk menjalankannya,” kata Lip-Bu Tan dalam acara DBS Asia Future Forward 2026 di Singapura, Senin (12/10).

Ia menjelaskan, salah satu pendekatan yang tengah dieksplorasi yakni teknologi neuromorphic computing. “Ada ranah inovasi baru yang kami jajaki. Anda tahu, teknologi neuromorfik? Itu cara kerjanya mirip otak manisia. Teknologinya tidak membutuhkan banyak daya,” Lip-Bu Tan menambahkan.

Selain itu, Lip-Bu Tan menyoroti pengembangan arsitektur GPU, pemanfaatan memori, serta teknologi stacking dan bonding untuk meningkatkan efisiensi penggunaan memori. Dengan pendekatan tersebut, sistem diharapkan mampu menjalankan fungsi yang sama dengan penggunaan memori yang lebih sedikit.

Kebutuhan Cip Berbeda untuk Setiap Beban Kerja AI

Lip-Bu Tan juga menjelaskan bahwa perkembangan AI mendorong kebutuhan terhadap beragam jenis cip, bergantung pada beban kerja atau workload yang dijalankan.

Menurut dia, GPU banyak digunakan untuk pelatihan model AI atau training. Sementara itu, central processing unit (CPU) dinilai memiliki peran penting dalam proses inferensi, orkestrasi, dan reinforcement learning.

Inferensi merupakan proses ketika model AI menggunakan hasil pelatihannya untuk menghasilkan jawaban atau prediksi berdasarkan masukan yang diberikan.

Lip-Bu Tan mengatakan sejumlah pengembang model AI terdepan mulai membutuhkan lebih banyak CPU. Oleh karena itu, kebutuhan industri tidak hanya berpusat pada GPU, tetapi juga pada kombinasi berbagai jenis prosesor dan akselerator.

CEO Broadcom Hock Tan sependapat bahwa penggunaan satu jenis GPU untuk semua kebutuhan tidak selalu menjadi pilihan paling efisien.

Ia menjelaskan bahwa GPU pada awalnya dirancang untuk kebutuhan pemrosesan grafis tiga dimensi. Karakteristik ini membuat GPU cocok untuk melakukan komputasi paralel yang diperlukan dalam pelatihan model AI.

Namun, seiring perkembangan AI menuju inferensi dan reinforcement learning, kebutuhan komputasinya semakin beragam. Kondisi ini membuka peluang bagi pengembangan cip yang dirancang khusus untuk beban kerja tertentu.

Hock Tan mencontohkan akselerator khusus yang dikembangkan OpenAI. Menurut dia, akselerator tersebut beroperasi pada daya 800 watt dan dapat memberikan kinerja lebih baik dibandingkan GPU standar yang menggunakan daya 1,4 kilowatt untuk beban kerja tertentu.

Ia membandingkan akselerator OpenAI tersebut dengan GPU Blackwell, seraya menekankan bahwa perbedaan efisiensi itu berkaitan dengan optimasi untuk beban kerja spesifik.

“GPU standar yang dirancang untuk berbagai kebutuhan belum tentu menjadi pilihan paling efisien,” ujar Hock Tan.

Menurut dia, seiring kematangan teknologi AI, industri akan semakin membutuhkan desain cip berbeda untuk jenis pekerjaan yang berbeda pula.

Konektivitas Berkecepatan Tinggi Kian Penting

Selain efisiensi cip dan memori, Lip-Bu Tan menyoroti pentingnya konektivitas berkecepatan tinggi untuk mendukung pengoperasian klaster GPU dan CPU dalam skala besar.

Menurut dia, konektivitas optik juga semakin penting karena berbagai komponen komputasi perlu bekerja bersama untuk menyelesaikan pekerjaan AI.

Ia menilai tidak ada satu perusahaan yang dapat mengembangkan seluruh komponen tersebut secara mandiri. Oleh karena itu, kolaborasi antarperusahaan diperlukan untuk mengatasi persoalan teknis dalam pengembangan infrastruktur AI.

Lip-Bu Tan juga menekankan pentingnya optimalisasi penggunaan infrastruktur yang sudah tersedia. Perusahaan perlu mengelola kapasitas GPU, CPU, dan akselerator agar dapat digunakan secara lebih efektif.

Dengan demikian, pengembangan AI yang lebih hemat energi tidak hanya bergantung pada peningkatan kemampuan cip. Desain arsitektur khusus, pemanfaatan memori, konektivitas, dan optimalisasi penggunaan sumber daya komputasi juga menjadi bagian dari upaya meningkatkan efisiensi infrastruktur AI.