FOKUS TEKNO – Kecerdasan buatan (AI) adalah salah satu teknologi paling menjanjikan dan menantang di abad ke-21. AI memiliki potensi untuk mengubah berbagai aspek kehidupan manusia, mulai dari kesehatan, pendidikan, hiburan, hingga industri. Namun, untuk mewujudkan visi AI yang canggih dan cerdas, diperlukan perangkat keras yang mampu melakukan komputasi paralel dengan kecepatan dan efisiensi tinggi.
Di sinilah peran GPU (graphics processing unit) menjadi sangat penting. GPU adalah jenis prosesor yang dirancang khusus untuk mengolah grafis, terutama untuk permainan video. GPU memiliki ribuan inti yang dapat bekerja secara bersamaan untuk memproses data secara paralel. Hal ini membuat GPU sangat cocok untuk menjalankan algoritma AI yang membutuhkan banyak operasi matriks dan vektor.
Dua perusahaan yang paling dikenal sebagai produsen GPU adalah AMD dan Nvidia. Kedua perusahaan ini bersaing sengit di pasar GPU, baik untuk segmen gaming maupun profesional. Namun, siapa yang lebih unggul di bidang AI? Artikel ini akan membahas beberapa aspek yang dapat menjadi tolak ukur untuk membandingkan kinerja dan kemampuan AI dari kedua perusahaan ini.
Daftar Isi
Performa
Salah satu cara untuk mengukur performa AI dari GPU adalah dengan melihat hasil benchmark yang dilakukan oleh pihak ketiga. Benchmark adalah tes standar yang digunakan untuk menguji kecepatan dan akurasi dari suatu sistem komputer dalam menjalankan tugas tertentu. Ada banyak benchmark yang tersedia untuk menguji performa AI dari GPU, seperti MLPerf, Geekbench, 3DMark, dan lainnya.
Salah satu benchmark yang cukup populer dan terpercaya adalah MLPerf, yang merupakan konsorsium non-profit yang terdiri dari berbagai perusahaan dan institusi penelitian di bidang AI. MLPerf menyediakan berbagai skenario pengujian untuk mengukur performa AI dari berbagai platform komputasi, termasuk GPU. Skenario pengujian ini mencakup berbagai aplikasi AI, seperti pengenalan gambar, pemrosesan bahasa alami, rekomendasi, deteksi objek, dan lainnya.
Berdasarkan hasil MLPerf versi 1.1 yang dirilis pada November 2021, Nvidia mendominasi kategori GPU dengan memenangkan semua skenario pengujian, baik untuk mode pelatihan maupun inferensi. Nvidia menggunakan GPU terbarunya, yaitu Nvidia A100 Tensor Core GPU, yang merupakan bagian dari arsitektur Ampere yang dirancang khusus untuk AI. GPU ini memiliki fitur-fitur canggih, seperti Tensor Core, NVLink, NVSwitch, Multi-Instance GPU (MIG), dan lainnya.
Sementara itu, AMD belum mengikuti MLPerf versi 1.1 dengan GPU terbarunya, yaitu AMD Radeon Instinct MI200 Series, yang merupakan bagian dari arsitektur CDNA 2 yang juga dirancang khusus untuk AI. GPU ini memiliki fitur-fitur canggih, seperti Infinity Fabric 3D (IF3D), Matrix Core Engine (MCE), High Bandwidth Memory 2E (HBM2E), dan lainnya. Namun, AMD telah mengikuti MLPerf versi 0.7 pada Juli 2020 dengan menggunakan GPU sebelumnya, yaitu AMD Radeon Instinct MI100, yang merupakan bagian dari arsitektur CDNA pertama.
Hasil MLPerf versi 0.7 menunjukkan bahwa AMD masih tertinggal jauh dari Nvidia dalam hal performa AI. AMD hanya mampu menyelesaikan dua skenario pengujian dalam mode pelatihan, yaitu ResNet-50 v1.5 (pengenalan gambar) dan BERT (pemrosesan bahasa alami), dengan kecepatan yang lebih lambat dari Nvidia. AMD juga tidak mampu menyelesaikan skenario pengujian lainnya dalam mode pelatihan maupun inferensi.
Dari hasil benchmark di atas, dapat disimpulkan bahwa Nvidia masih memimpin dalam hal performa AI dari GPU. Namun, hal ini tidak berarti bahwa AMD tidak memiliki potensi untuk mengejar atau bahkan melampaui Nvidia. AMD memiliki keunggulan dalam hal integrasi antara CPU dan GPU, yang dapat meningkatkan efisiensi komunikasi dan transfer data. AMD juga memiliki teknologi Infinity Cache, yang dapat meningkatkan bandwidth dan mengurangi latensi akses memori.
Fitur
Selain performa, fitur juga menjadi salah satu aspek yang dapat membedakan kemampuan AI dari GPU. Fitur adalah fungsi atau karakteristik tambahan yang disediakan oleh GPU untuk mendukung atau memperkaya pengalaman pengguna dalam menjalankan aplikasi AI. Ada banyak fitur yang dapat ditawarkan oleh GPU untuk AI, seperti ray tracing, DLSS, FSR, dan lainnya.
Ray tracing adalah teknik rendering yang dapat menciptakan efek cahaya dan bayangan yang realistis dengan menghitung jalur sinar cahaya secara fisik. Teknik ini dapat meningkatkan kualitas grafis dari permainan video maupun aplikasi visualisasi. Nvidia adalah perusahaan pertama yang mengimplementasikan ray tracing secara akselerasi perangkat keras dengan menggunakan RT Core, yaitu unit khusus yang terdapat di dalam GPU arsitektur Turing dan Ampere.
AMD juga mengimplementasikan ray tracing secara akselerasi perangkat keras dengan menggunakan Ray Accelerator, yaitu unit khusus yang terdapat di dalam GPU arsitektur RDNA 2. Namun, AMD masih kalah dari Nvidia dalam hal performa dan kompatibilitas ray tracing. Nvidia mendukung lebih banyak permainan video dan aplikasi yang menggunakan ray tracing, serta memiliki keunggulan dalam hal kecepatan dan kualitas rendering.
DLSS (Deep Learning Super Sampling) adalah teknik peningkatan resolusi yang menggunakan jaringan saraf tiruan (neural network) untuk meningkatkan kualitas gambar dengan mengurangi beban komputasi. Teknik ini dapat meningkatkan performa dan efisiensi dari GPU saat menjalankan permainan video atau aplikasi grafis. Nvidia adalah perusahaan pertama yang mengembangkan DLSS dengan menggunakan Tensor Core, yaitu unit khusus yang terdapat di dalam GPU arsitektur Turing dan Ampere.
AMD juga mengembangkan teknik peningkatan resolusi yang mirip dengan DLSS, yaitu FSR (FidelityFX Super Resolution). Namun, FSR tidak menggunakan jaringan saraf tiruan, melainkan algoritma spasial yang berbasis shader. Hal ini membuat FSR lebih mudah diimplementasikan di berbagai GPU, baik AMD maupun Nvidia, namun juga membuat FSR kurang akurat dan fleksibel dibandingkan DLSS. Nvidia masih unggul dalam hal kualitas gambar dan variasi mode peningkatan resolusi.
Selain ray tracing dan peningkatan resolusi, ada banyak fitur lain yang ditawarkan oleh GPU untuk AI, seperti pengenalan wajah, pengenalan suara, penerjemahan bahasa, pengeditan video, dan lainnya. Namun, fitur-fitur ini biasanya tidak tergantung pada GPU tertentu, melainkan pada aplikasi atau layanan yang menyediakannya. Oleh karena itu, fitur-fitur ini tidak dapat menjadi tolak ukur untuk membandingkan kemampuan AI dari GPU.
Dari fitur-fitur di atas, dapat disimpulkan bahwa Nvidia masih memimpin dalam hal fitur AI dari GPU. Namun, hal ini tidak berarti bahwa AMD tidak memiliki inovasi atau solusi untuk menawarkan fitur AI yang menarik dan bermanfaat. AMD memiliki keunggulan dalam hal kompatibilitas dan fleksibilitas fitur-fiturnya, yang dapat berjalan di berbagai platform dan perangkat.
Harga
Aspek terakhir yang dapat menjadi pertimbangan dalam memilih GPU untuk AI adalah harga. Harga adalah faktor penting yang dapat mempengaruhi keputusan pembelian konsumen. Harga juga dapat mencerminkan nilai atau kualitas dari suatu produk. Secara umum, produk yang lebih mahal cenderung memiliki performa atau fitur yang lebih baik dari produk yang lebih murah.
Namun, harga tidak selalu sebanding dengan performa atau fitur. Terkadang, ada produk yang memiliki performa atau fitur yang setara atau bahkan lebih baik dari produk lain, namun memiliki harga yang lebih murah. Hal ini biasanya disebabkan oleh strategi pemasaran atau persaingan yang terjadi di pasar. Oleh karena itu, penting untuk membandingkan harga dengan performa atau fitur secara proporsional dan rasional.
