Google kembali menghadirkan inovasi teknologi kecerdasan buatan melalui pengenalan ML Drift, mesin komputasi GPU yang dirancang untuk mempercepat pemrosesan AI secara langsung pada perangkat pengguna. Diumumkan pada 8 Oktober 2026, ML Drift dikembangkan oleh tim Google AI Edge sebagai solusi lintas platform yang mendukung Android, iOS, web, dan komputer desktop. Teknologi ini memanfaatkan kemampuan GPU untuk menjalankan model machine learning dengan latensi lebih rendah dan penggunaan sumber daya yang efisien. Melalui integrasi dengan LiteRT serta perilisan sumber terbuka berlisensi Apache 2.0, Google membuka peluang bagi pengembang untuk menghadirkan aplikasi AI lokal yang lebih responsif tanpa selalu mengandalkan server cloud.
Google Memperkenalkan ML Drift sebagai Mesin Pemrosesan AI Berbasis GPU
Perkembangan TEKNOLOGI artificial intelligence semakin mendorong permintaan pemrosesan yang lebih cepat. Seiring meningkatnya penggunaan AI generatif, banyak perangkat lunak memanfaatkan server cloud untuk menjalankan model kecerdasan buatan. Walaupun pemrosesan jarak jauh memiliki berbagai manfaat, pengelolaan informasi pengguna menjadi pertimbangan penting. Dengan memperkenalkan mesin komputasi terbaru, Google menghadirkan pendekatan pemrosesan langsung di perangkat. Teknologi tersebut dirancang untuk memanfaatkan kemampuan grafis perangkat. Dengan pendekatan tersebut, sejumlah fungsi kecerdasan buatan memungkinkan diproses tanpa harus bergantung pada server eksternal.
Tim Google AI Edge memperkenalkan ML Drift pada 8 Oktober 2026 sebagai framework akselerasi AI di perangkat. Tidak seperti chatbot yang langsung digunakan konsumen, ML Drift ditujukan terutama bagi pengembang yang membutuhkan pemrosesan GPU dalam produk digital. Sistem ini menyederhanakan penggunaan berbagai antarmuka GPU sehingga tim pengembangan berpotensi menghindari penyusunan sistem akselerasi berbeda pada setiap perangkat. ML Drift juga dirilis sebagai proyek open-source menggunakan model perizinan Apache 2.0. Dengan demikian, komunitas berkesempatan meninjau implementasi framework serta berkontribusi pada pengembangan proyek.
Prinsip Akselerasi ML Drift pada Berbagai Arsitektur Perangkat
Prinsip penting ML Drift adalah penggunaan unit pemrosesan grafis untuk inferensi. GPU memiliki kemampuan menangani pekerjaan numerik dengan tingkat paralelisme tinggi. Kemampuan ini menjadi relevan bagi model machine learning yang membutuhkan pengolahan tensor. Berkat mesin komputasi tersebut, operasi model diterjemahkan menjadi instruksi yang sesuai dengan GPU. Framework tersebut selanjutnya mengatur penggunaan memori berdasarkan kemampuan perangkat keras. Mekanisme pemrosesan tersebut bertujuan mengurangi waktu tunggu inferensi. Walaupun GPU dapat mempercepat AI, performa sebenarnya masih dipengaruhi oleh kemampuan perangkat dan dukungan driver grafis.
Pada proses pelaksanaan model, ML Drift menggunakan berbagai optimalisasi seperti penggabungan operasi komputasi, optimalisasi tata letak data, serta generasi shader saat runtime. Penggabungan operasi berfungsi mengurangi jumlah peluncuran kernel. Di sisi lain, penyesuaian susunan data membantu GPU membaca hasil operasi sebelumnya. Framework tersebut turut menggunakan pengelolaan buffer yang dapat dipakai kembali untuk mengurangi kebutuhan alokasi berulang. Untuk aplikasi generatif, penghematan sumber daya memiliki manfaat nyata karena memori GPU tidak selalu besar. Berkat pendekatan optimalisasi menyeluruh, Google menargetkan tercapainya pemrosesan AI dengan penggunaan sumber daya efisien.
Teknologi OpenCL Metal WebGPU dan OpenGL ES dalam ML Drift
Salah satu tantangan terbesar dalam pengembangan AI di perangkat adalah perbedaan arsitektur GPU. Smartphone Android dapat menggunakan driver dengan kemampuan tidak identik. Karena perbedaan lingkungan, pengembang perlu menyesuaikan konfigurasi pemrosesan tersendiri agar aplikasi memperoleh performa sesuai perangkat. Mesin pemrosesan ini dibuat untuk mengurangi kerumitan tersebut melalui lapisan kompatibilitas komputasi. Antarmuka yang dapat digunakan meliputi OpenGL ES, OpenCL, Metal, dan WebGPU. Melalui dukungan tersebut, tim aplikasi berpotensi menggunakan sistem akselerasi dengan antarmuka lebih konsisten untuk berbagai kategori perangkat.
Pada Android, ML Drift dapat menggunakan OpenCL serta dukungan grafis lain yang sesuai. Pada perangkat Apple, Metal digunakan sebagai API grafis yang relevan untuk memanfaatkan GPU perangkat. Untuk web, WebGPU membuka kesempatan pelaksanaan model dengan komputasi grafis modern. Fleksibilitas backend tersebut memberikan keuntungan bagi tim aplikasi dengan banyak target perangkat. Meski framework memiliki cakupan luas, kompatibilitas tetap perlu diuji berdasarkan versi sistem operasi. Oleh sebab itu, tim teknis dianjurkan menguji implementasi pada GPU yang digunakan sebelum menerapkan model dalam produksi.
Dukungan Produsen Chip Membantu Meningkatkan Efisiensi ML Drift
Untuk meningkatkan performa lintas perangkat, Google melakukan kolaborasi bersama berbagai perusahaan perangkat keras termasuk Arm, Intel, dan Qualcomm. Pengembangan lintas perusahaan ditujukan untuk pemanfaatan karakter GPU berdasarkan arsitektur masing-masing perangkat. Bersama Arm, Google menyempurnakan operasi komputasi paralel dan efisiensi akses cache tekstur untuk keluarga GPU seluler Mali dan Immortalis. Pengembangan bersama ini ditujukan untuk mendukung efisiensi penggunaan energi. Berkat pemanfaatan arsitektur GPU, perangkat berpotensi memproses model AI secara lebih efisien. Walaupun optimalisasi menjanjikan, peningkatan performa tidak selalu sama pada setiap model.
Dalam kerja sama dengan Intel, ML Drift memanfaatkan WebGPU dan instruksi matriks XMX untuk meningkatkan kemampuan komputasi pada perangkat Intel berarsitektur grafis Xe3. Optimalisasi berbasis matriks tersebut berpotensi menunjang pekerjaan computer vision. Di sisi lain, Google memperbaiki pemanfaatan komputasi bagi arsitektur grafis seluler Qualcomm. Pendekatan teknis tersebut menitikberatkan penggunaan sumber daya komputasi. Dengan dukungan berbagai mitra, ML Drift dapat menyesuaikan pemrosesan tanpa mengandalkan satu jenis chipset. Dalam pengembangan produk, strategi tersebut berpotensi menyederhanakan perbedaan implementasi antarperangkat.
Teknologi LiteRT ML Drift Mendukung Inferensi Cepat dan Efisien
Komponen utama dari peluncuran ML Drift adalah penggunaannya sebagai mesin akselerasi LiteRT. Runtime machine learning milik Google digunakan untuk menjalankan berbagai aplikasi AI pada perangkat pengguna. Berkat mesin GPU generasi baru, LiteRT mengintegrasikan teknologi akselerasi yang mendukung berbagai arsitektur grafis. Programmer berpeluang memanfaatkan LiteRT ML Drift accelerator untuk menjalankan model yang kompatibel. Akselerator ini menghadirkan pembagian komputasi model, pengelolaan representasi tensor, dan optimalisasi model bahasa. Fitur teknis tersebut membantu mengurangi integrasi operasi model. Dengan demikian, developer dapat berfokus pada aplikasi.
Google juga mengumumkan bahwa akselerator GPU TensorFlow Lite generasi sebelumnya tidak lagi menerima pengembangan fitur baru. Untuk perkembangan selanjutnya, programmer diarahkan menuju LiteRT ML Drift GPU accelerator. Dalam panduan pengembang, akselerator baru mempertahankan kompatibilitas dengan model sebelumnya. Walaupun dukungan kompatibilitas tersedia, proses migrasi masih perlu dievaluasi karena penggunaan backend yang berbeda membutuhkan validasi. Pada sistem operasi Android, dukungan dapat digunakan lewat standalone LiteRT packages. Sementara itu, ketersediaan melalui LiteRT di Google Play Services direncanakan menyusul. Dengan demikian, pengembang harus memilih metode distribusi berdasarkan kebutuhan produk.
Teknologi GPU Lokal Membantu Pengembangan Fitur AI yang Responsif
Salah satu penerapan yang menarik ML Drift adalah pemrosesan efek visual. Ketika aplikasi menerapkan filter kecerdasan buatan, aplikasi dituntut mengolah informasi visual dalam waktu singkat. Ketika proses AI membutuhkan waktu panjang, efek visual mungkin tertunda. Berkat pemrosesan paralel yang lebih efisien, pengembang dapat mengurangi waktu pengolahan frame. Menurut pengumuman perusahaan bahwa Snap memanfaatkan runtime LiteRT untuk memproses model visual secara lokal. Dalam implementasi tersebut, waktu pemrosesan model berkurang kurang lebih 30 persen pada efek visual Snapchat Lenses yang didukung machine learning. Walaupun hasilnya menarik, pengurangan latensi pada contoh ini tidak berlaku universal.
Tidak hanya mendukung filter visual, ML Drift dikembangkan agar mampu menangani aplikasi kecerdasan buatan kreatif yang menggunakan banyak operasi numerik. Contoh penerapan potensial mencakup model difusi, computer vision, serta pemrosesan audio. Ketika kapasitas perangkat mencukupi, pekerjaan AI mungkin dijalankan tanpa cloud. Pendekatan tersebut dapat memberikan manfaat berupa pengurangan kebutuhan transfer data. Walaupun inferensi tidak selalu membutuhkan internet, keamanan data tetap membutuhkan perhatian. Perangkat lunak pendukung berpotensi mengirim data tertentu, sehingga pengembang sebaiknya mengevaluasi kebijakan data. Di samping pertimbangan privasi, kapasitas memori harus diperhitungkan saat menjalankan model besar.
Kesimpulan: ML Drift Memperkuat Ekosistem AI Lokal Google
Peluncuran ML Drift oleh Google membawa inovasi menarik dalam ekosistem machine learning modern. Melalui dukungan OpenCL, Metal, WebGPU, dan OpenGL ES, mesin akselerasi tersebut berupaya menyederhanakan penggunaan GPU pada berbagai perangkat. Kolaborasi bersama perusahaan semikonduktor mendukung penyesuaian performa GPU. Di samping dukungan lintas perangkat, penggunaan ML Drift sebagai mesin akselerasi LiteRT memberikan pilihan baru untuk mengoptimalkan perangkat lunak generatif. Hasil penggunaan Snapchat Lenses menunjukkan manfaat nyata melalui penurunan waktu tunggu inferensi sebesar 30 persen pada implementasi yang dilaporkan.
Namun demikian, kecepatan inferensi bergantung pada perangkat berdasarkan jenis model AI dan konfigurasi sistem. Untuk memperoleh hasil terbaik, pengembang sebaiknya melakukan benchmark sebelum menetapkan klaim peningkatan performa. Tidak kalah penting, penggunaan energi harus diperhatikan. Sebagai proyek open-source, ML Drift membuka peluang untuk berkontribusi pada perbaikan teknologi. Untuk pengembangan berikutnya, teknologi akselerasi GPU memiliki peluang meningkatkan kemampuan smartphone. Menurut Anda, apakah pemrosesan AI langsung di perangkat lebih menarik daripada cloud? Silakan bagikan pendapat Anda mengenai teknologi akselerasi GPU untuk aplikasi modern.
TEKNOLOGI, Google ML Drift, Google AI Edge, GPU AI, AI Lokal, LiteRT, Machine Learning, Teknologi GPU 2026Teks yang ditempel (1)(20261011-063454).txtDokumen
Wearable Temple Bersiap Diluncurkan dengan Sensor di Pelipis untuk Memantau Sinyal Tubuh
Perkembangan teknologi wearable semakin menarik dengan kehadiran Temple, perangkat pemantau sinyal tubuh yang dikembangkan oleh perusahaan rintisan milik Deepinder Goyal, pendiri Zomato. Berbeda dari smartwatch dan smart ring yang digunakan di pergelangan tangan atau jari, Temple dirancang menempel pada bagian pelipis untuk membaca perubahan sinyal optik yang berkaitan dengan aliran darah. Perangkat ini menggunakan teknologi sensor photoplethysmography atau PPG serta memperkenalkan metrik bernama BrainFlow. Menjelang peluncurannya pada 2026, Temple mulai menarik perhatian karena menawarkan pendekatan pemantauan yang berbeda. Namun, kemampuan pengukurannya masih memerlukan validasi ilmiah independen sebelum dapat dianggap sebagai indikator kesehatan yang andal.
Perangkat Wearable Temple Menawarkan Desain Berbeda dari Smartwatch
Kemajuan TEKNOLOGI aksesori pintar semakin menghadirkan sejumlah kemungkinan berbeda dalam pengumpulan informasi tubuh. Seiring meningkatnya penggunaan alat pemantau kebugaran, jam tangan pintar serta cincin digital menjadi pilihan populer karena menawarkan pengukuran tertentu. Walaupun pasar wearable semakin berkembang, para inovator mulai meneliti pendekatan pemasangan yang tidak biasa. Salah satu contohnya adalah Temple, yaitu alat pemantau berbentuk ringkas yang dipasang pada area pelipis. Wearable yang sedang dikembangkan tersebut diperkenalkan oleh Deepinder Goyal, pendiri Zomato. Melalui rancangan tersebut, Temple dirancang untuk memantau indikator optik yang berkaitan dengan sirkulasi secara real-time.
Produk pemantau ini mengundang pembahasan setelah Deepinder Goyal mengungkapkan perkembangan desain dan teknologi melalui berbagai pembaruan media sosial. Pada Agustus 2026, Goyal menjelaskan bahwa ukuran prototipe telah diperkecil hingga di bawah 50 persen ukuran desain terdahulu. Kemudian, tim Temple memperkenalkan enam opsi warna peluncuran untuk versi peluncuran terbatas. Namun demikian, jadwal penjualan pasti belum diumumkan secara menyeluruh. Distribusi edisi peluncuran diharapkan dimulai sebelum 2026 berakhir. Dengan mempertimbangkan kondisi tersebut, calon pengguna sebaiknya mengikuti informasi resmi perusahaan sebelum menentukan keputusan pembelian.
Sensor PPG Temple Memanfaatkan Cahaya untuk Membaca Sinyal Fisiologis
Salah satu komponen utama Temple adalah sistem pendeteksian optik PPG yang menerapkan metode pembacaan optik untuk mendeteksi variasi sinyal pembuluh darah. Secara sederhana, sensor memancarkan cahaya ke jaringan, kemudian mengukur cahaya yang kembali. Perubahan tersebut dapat dipengaruhi oleh kondisi sirkulasi setempat. Teknologi serupa telah digunakan pada berbagai gelang kebugaran. Namun demikian, Temple tidak otomatis mengukur hal yang identik dari sensor pergelangan tangan. Algoritma pengolahan yang digunakan berpotensi mengubah hasil pengukuran.
Dalam rancangan Temple, pengamatan optik diarahkan pada bagian kulit dan pembuluh darah sekitar pelipis. Berdasarkan uraian pembuatnya bahwa sinyal tersebut digunakan untuk memperkirakan perubahan fisiologis yang dikaitkan dengan suplai darah menuju otak. Perlu dipahami, pembacaan optik pada pelipis bukan pengukuran langsung seluruh aliran darah otak. Hasil pembacaan mungkin mengalami gangguan karena gerakan tubuh dan perubahan suhu. Dengan mempertimbangkan faktor tersebut, kemampuan pengukuran memerlukan validasi menggunakan metode pembanding yang sesuai.
BrainFlow Menjadi Fitur Utama Wearable Temple untuk Memantau Perubahan Sinyal
Salah satu istilah yang diperkenalkan dalam produk pemantau pelipis tersebut adalah BrainFlow. Dalam konsep yang disampaikan Goyal, BrainFlow digunakan sebagai indikator internal yang dirancang memperkirakan perubahan terkait aliran darah otak. Nilai BrainFlow diperkenalkan sebagai hasil pemantauan real-time. Pengembang mengaitkan kondisi istirahat, kebiasaan pemulihan, dan perbedaan aktivitas harian. Meski konsep tersebut terdengar menjanjikan, keakuratan interpretasinya belum dapat dianggap pasti. Nilai yang ditampilkan aplikasi tidak seharusnya ditafsirkan sebagai ukuran klinis pasti.
Sebagai bagian dari informasi yang dikembangkan, Temple menjelaskan konsep Entropy sebagai bagian dari sistem analisis. Berdasarkan informasi produk, Entropy ditujukan untuk menggambarkan beban metabolik dan aktivitas sistem saraf simpatis. Secara fisiologis, sistem saraf simpatis berperan dalam respons terhadap tantangan lingkungan. Namun demikian, metrik Entropy milik Temple belum merupakan diagnosis yang diakui. Hubungan antara sinyal optik dan kondisi fisiologis kompleks harus diperiksa melalui pengujian pada populasi beragam. Karena itu, data perangkat perlu ditafsirkan secara hati-hati sampai hasil validasi independen diterbitkan.
Desain Kecil dan Perekat Khusus Menjadi Ciri Khas Wearable Temple
Selain sistem sensor, Temple juga memperhatikan kenyamanan pemasangan. Perangkat berukuran mini ini dirancang untuk dipasang pada bagian samping kepala dengan komponen penempel yang disebut Grips. Menurut perusahaan, Grips menggunakan bahan perekat kelas medis agar perangkat dapat menempel cukup kuat selama pemakaian dalam berbagai kondisi. Dalam informasi awal dijelaskan bahwa komponen penempel memiliki masa pakai sekitar beberapa hari. Meski desain adhesif menawarkan kepraktisan, respons kulit pengguna tidak selalu sama. Faktor seperti keringat mungkin mengurangi daya rekat.
Pemasangan wearable pada sisi kepala sebaiknya mempertimbangkan perhatian terhadap kondisi kulit. Ketika pertama kali memasang sensor, pemilik perangkat dianjurkan memeriksa bahwa lokasi sensor sesuai petunjuk resmi. Jika muncul kemerahan, perekat sebaiknya dilepas sesuai instruksi untuk menjaga kenyamanan pemakaian. Di samping aspek kulit, posisi sensor yang bergeser dapat memengaruhi kestabilan pembacaan. Karena itu, pemakaian perangkat sebaiknya mengutamakan ketepatan posisi dan pengalaman pengguna. Pemeriksaan lanjutan dapat memberikan gambaran kecocokan perangkat untuk pengguna yang berbeda.
Jadwal Peluncuran dan Perkiraan Harga Temple Menjelang Akhir 2026
Seiring semakin dekatnya distribusi awal, Temple membagikan sejumlah informasi produk. Melalui informasi awal bulan Oktober, Deepinder Goyal menunjukkan enam opsi desain warna untuk versi awal yang disiapkan. Opsi tampilan tersebut berpotensi menghadirkan variasi estetika bagi pengguna awal. Tim Temple berupaya membuka akses pemesanan bagi kelompok pengguna awal. Pengguna yang telah mendaftar direncanakan mendapat kesempatan lebih awal ketika penjualan tahap pertama tersedia. Meski pengumuman semakin banyak, jadwal preorder belum dipastikan sepenuhnya. Rencana distribusi adalah menjelang penutupan tahun 2026, tetapi pelaksanaannya mengikuti kesiapan produksi.
Selain jadwal peluncuran, harga wearable Temple mulai mendapat sorotan. Informasi yang beredar memperkirakan harga sekitar tujuh puluh dua ribu rupee, sementara beberapa sumber memberikan estimasi lebih tinggi. Perlu ditegaskan, banderol final belum diumumkan perusahaan. Selain biaya perangkat, calon pengguna juga perlu memahami kemungkinan biaya langganan. Beberapa laporan menjelaskan bahwa model bisnis mungkin mencakup pembayaran berkala dan penggantian perekat secara rutin. Karena itu, keputusan pembelian sebaiknya menunggu informasi biaya pemakaian lengkap.
Peluang dan Tantangan Wearable Temple dalam Industri Pemantauan Tubuh
Ketika sistem sensor berhasil divalidasi, pendekatan pemantauan di pelipis dapat menghadirkan aplikasi pemantauan tambahan. Sebagai contoh, data sensor berpeluang dianalisis bersama kebiasaan pemulihan. Pengembang juga dapat meneliti apakah indikator yang dihasilkan berkaitan secara terukur dengan parameter sirkulasi yang diketahui. Namun demikian, hubungan statistik belum tentu menunjukkan akurasi klinis. Teknologi fisiologis yang andal memerlukan pengujian pada banyak pengguna sebelum klaim manfaatnya diterapkan secara luas.
Di samping pengujian akurasi, privasi pengguna harus diprioritaskan dalam penggunaan perangkat kesehatan digital. Data yang dikumpulkan berpotensi bersifat sensitif. Dengan mempertimbangkan karakter informasi tersebut, calon pembeli sebaiknya memahami di mana data disimpan. Jika layanan memerlukan penyimpanan server, penyedia layanan perlu menerangkan pilihan penghapusan data. Selain itu, klaim manfaat sebaiknya didukung bukti. Melalui kebijakan yang jelas, konsumen lebih mudah memahami batas kemampuan perangkat. Pengembangan teknologi yang bertanggung jawab harus mempertimbangkan ketelitian pembacaan tanpa menyampaikan klaim berlebihan.
Kesimpulan: Wearable Temple Membuka Peluang Baru Pemantauan Sinyal Tubuh
Kehadiran rancangan wearable terbaru Deepinder Goyal menjadi perkembangan menarik dalam dunia TEKNOLOGI wearable. Melalui penggunaan sensor PPG, perangkat tersebut dirancang membaca variasi fisiologis dari area sisi kepala. Metrik BrainFlow menjadi fitur yang paling menonjol, sedangkan pilihan warna beragam memperlihatkan upaya pengembangan terhadap penggunaan harian. Namun demikian, klaim mengenai aliran darah otak perlu ditafsirkan dengan hati-hati. Oleh sebab itu, informasi wearable belum layak menjadi satu-satunya dasar keputusan kesehatan.
Pada tahap persiapan distribusi, konsumen dianjurkan meninjau harga final sebelum memilih perangkat. Biaya perekat pengganti juga perlu diperhitungkan karena pengeluaran pemakaian tidak selalu berhenti pada harga perangkat. Untuk perkembangan berikutnya, pendekatan sensor tersebut dapat membuka pilihan baru pemantauan fisiologis apabila kemampuannya didukung penelitian independen. Dari sudut pandang Anda, seberapa penting bukti ilmiah sebelum menggunakan perangkat pemantau tubuh? Silakan bagikan pendapat Anda mengenai penggunaan perangkat pintar untuk pemantauan fisiologis sehari-hari.
