AMD dan Intel mulai memberi CPU peran baru di era AI lewat spesifikasi Advanced Compute Extensions atau ACE. Arah ini menarik perhatian karena selama ini pembicaraan soal perangkat keras AI hampir selalu berpusat pada GPU, terutama di bawah dominasi Nvidia.
ACE tidak dirancang untuk mengambil alih tugas GPU dalam pelatihan AI skala besar. Fokusnya justru ada pada model AI yang lebih kecil, beban kerja yang sensitif terhadap latensi, dan sistem yang tidak memiliki GPU atau tidak membutuhkan overhead GPU.
CPU Menyasar Beban Kerja yang Selama Ini Kurang Terlayani
Langkah ini muncul dari masalah yang sering luput dari sorotan, yaitu biaya kinerja saat data bolak-balik antara CPU dan GPU. Dalam sejumlah skenario, transfer data itu bisa berubah menjadi bottleneck dan menahan performa.
Situasi tersebut paling terasa pada beban kerja yang menuntut respons cepat. Pada perangkat keras yang terbatas, menjaga komputasi tetap berada di CPU dinilai bisa menghindari hambatan itu sepenuhnya.
Di tingkat teknis, ACE berfokus pada perkalian matriks yang menjadi inti banyak operasi AI modern. CPU sebenarnya sudah lama bisa menangani matematika seperti ini lewat instruksi AVX, tetapi efisiensinya terbatas karena AVX tidak dirancang khusus untuk beban kerja matriks berat.
ACE mempertahankan struktur register AVX10 yang sudah ada dengan input 512-bit. Di saat yang sama, spesifikasi ini menambahkan hardware khusus untuk operasi matriks agar eksekusinya lebih efisien.
Efisiensi, Daya, dan Latensi Jadi Nilai Jual Utama
Salah satu klaim teknis utama ACE adalah kemampuan menjalankan operasi hingga 16 kali lebih banyak dibandingkan AVX10 untuk rangkaian vektor input tertentu. Angka ini tidak berarti aplikasi otomatis 16 kali lebih cepat, tetapi menunjukkan lompatan efisiensi di level instruksi.
Efisiensi itu berdampak langsung pada konsumsi daya dan tekanan bandwidth memori. Kombinasi tersebut membuat pendekatan ini relevan untuk komputasi edge dan skenario aplikasi pengguna tunggal yang tidak selalu membutuhkan arsitektur GPU yang lebih kompleks.
Dalam AI yang makin banyak hadir di perangkat dan layanan real-time, latensi menjadi isu penting. Di titik inilah CPU yang diperkuat ACE mencoba menawarkan nilai tambah yang berbeda dari GPU.
Lebih Mudah Diadopsi Pengembang
Bagi pengembang, salah satu daya tarik ACE ada pada konsistensi. Spesifikasi ini dirancang agar tidak terikat pada satu implementasi tertentu, sehingga dukungannya diharapkan lebih seragam di ekosistem x86.
Keuntungan itu bisa terasa pada framework populer seperti PyTorch dan TensorFlow. Pengembang tidak perlu terus-menerus menyesuaikan kode dengan variasi dukungan AVX yang berbeda-beda.
Aspek ini penting karena dalam praktiknya, kemudahan integrasi dan konsistensi platform sering menentukan seberapa cepat teknologi baru diadopsi. Jika beban kerja AI tertentu bisa tetap berjalan di CPU dengan performa yang memadai, jalur implementasinya juga jadi lebih sederhana.
Menyorot Dilema NPU dan Posisi CPU x86
Kemunculan ACE juga menegaskan problem lain di pasar AI, yakni NPU yang semakin banyak hadir tetapi belum memiliki standar yang rapi. Memindahkan beban kerja ke NPU bisa memunculkan komplikasi baru tergantung perangkat keras yang digunakan.
Dalam kondisi seperti itu, CPU dengan kemampuan AI yang lebih matang bisa menjadi opsi yang lebih praktis. ACE pada dasarnya menawarkan jalan tengah untuk menjaga tugas tertentu tetap berjalan di CPU demi kecepatan dan kemudahan.
Posisi ini membuat ACE menarik bukan hanya sebagai peningkatan teknis, tetapi juga sebagai strategi ekosistem. AMD dan Intel tampaknya ingin memastikan CPU x86 tetap relevan ketika AI semakin masuk ke berbagai kelas perangkat.
GPU masih memegang status sebagai penguasa pelatihan AI skala masif. Namun, dorongan baru pada CPU lewat ACE menunjukkan bahwa persaingan di ranah AI tidak lagi hanya soal siapa paling kuat, melainkan juga siapa paling efisien untuk beban kerja yang tepat.
Bagi pasar, pesan utamanya cukup jelas. Evolusi CPU belum berhenti, dan pada irisan tertentu dari komputasi AI, AMD serta Intel kini mencoba menantang dominasi pendekatan yang selama ini terlalu bergantung pada GPU.