AMD Instinct MI350P Diumumkan, Targetkan Perusahaan AI yang Butuh GPU Accelerator AI Murah

AMD baru saja meluncurkan GPU accelerator AI terbaru yaitu AMD Instinct MI350P. Lewat produk ini, AMD mencoba menawarkan solusi AI enterprise yang lebih realistis buat banyak perusahaan. Bukan sekadar ngejar performa tinggi tapi juga soal efisiensi biaya dan kemudahan deploy.

Masalah yang sering muncul sekarang sebenarnya sederhana. Banyak perusahaan mulai masuk ke AI, tapi infrastruktur mereka belum siap. Pindah ke cloud penuh, biaya bisa membengkak dan data sensitif perusahaan jadi kekhawatiran tersendiri. Sementara kalau mau bangun platform GPU khusus dari nol, biaya listrik, pendingin, sampai rack server bisa bikin anggaran langsung jebol.

Spesifikasi AMD Instinct MI350P

AMD Instinct MI350P hadir dalam format PCIe dual-slot biasa, artinya bisa langsung dipasang ke server standar air-cooled yang sudah dipakai banyak data center saat ini. Jadi perusahaan tidak perlu bongkar total ruang server hanya demi menjalankan workload AI modern.

Yang menarik, AMD cukup percaya diri soal performa. Mereka mengklaim kartu ini mampu mencapai 2.299 TFLOPS, bahkan bisa menyentuh 4.600 TFLOPS pada precision MXFP4. Angka itu diklaim jadi salah satu performa tertinggi untuk GPU enterprise berbasis PCIe saat ini.

Baca Juga: PCIe 8.0 Sudah Diuji, Bandwidth Tembus 1 TB/s • Jagat Review

Di sektor memori juga tidak main-main. GPU ini dibekali HBM3E 144GB dengan bandwidth hingga 4TB/s, yang jelas sangat penting untuk inference model AI besar dan pipeline RAG yang sekarang mulai banyak dipakai perusahaan.

AMD juga sadar kalau hardware saja tidak cukup. Karena itu mereka membawa pendekatan open ecosystem lewat dukungan PyTorch, Kubernetes GPU Operator, sampai AMD Inference Microservices. Tujuannya supaya perusahaan bisa migrasi workload AI tanpa harus rewrite kode besar-besaran.

Strategi ini terasa cukup masuk akal. Tidak semua perusahaan siap membangun “mini AI factory” ala hyperscaler. Banyak yang sebenarnya cuma ingin menjalankan model AI internal dengan biaya yang masih masuk akal dan deployment yang cepat.