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
Kemajuan TEKNOLOGI kecerdasan buatan semakin mendorong kebutuhan komputasi yang lebih efisien. Selama beberapa tahun terakhir, berbagai aplikasi memanfaatkan pusat data jarak jauh untuk memproses permintaan pengguna. Meskipun cloud menawarkan kemampuan besar, kebutuhan koneksi internet memerlukan perhatian tersendiri. Berkat pengembangan Google AI Edge, Google menawarkan pendekatan pemrosesan langsung di perangkat. Framework terbaru tersebut dirancang untuk memanfaatkan sumber daya GPU yang tersedia. Melalui strategi ini, berbagai tugas machine learning berpotensi diproses tanpa membutuhkan koneksi ke pusat data untuk setiap permintaan.
Tim Google AI Edge memperkenalkan ML Drift pada awal Oktober 2026 sebagai framework akselerasi AI di perangkat. Memiliki fungsi berbeda dibandingkan layanan AI percakapan, ML Drift dirancang untuk kebutuhan developer yang membutuhkan pemrosesan GPU dalam produk digital. Sistem ini menyederhanakan penggunaan perbedaan API grafis sehingga pengembang tidak selalu perlu menulis implementasi terpisah untuk setiap platform. Perusahaan membuka proyek tersebut sebagai perangkat lunak sumber terbuka menggunakan model perizinan Apache 2.0. Artinya, komunitas berkesempatan meninjau rancangan perangkat lunak serta berkontribusi pada pengembangan proyek.
Prinsip Akselerasi ML Drift pada Berbagai Arsitektur Perangkat
Salah satu konsep utama ML Drift adalah pemanfaatan komputasi paralel GPU. GPU dirancang untuk menjalankan sejumlah perhitungan secara bersamaan. Karakteristik tersebut memiliki manfaat besar bagi sistem kecerdasan buatan yang menggunakan perhitungan numerik berulang. Berkat mesin komputasi tersebut, operasi model diterjemahkan menjadi proses yang dapat dijalankan akselerator grafis. Sistem kemudian menyesuaikan pelaksanaan komputasi berdasarkan dukungan API pada sistem. Strategi tersebut berpotensi membatasi beban komputasi yang tidak diperlukan. Namun demikian, performa sebenarnya masih dipengaruhi oleh kapasitas memori dan dukungan driver grafis.
Ketika framework menjalankan inferensi, ML Drift menerapkan sejumlah teknik efisiensi seperti operator fusion, optimalisasi tata letak data, serta pembuatan instruksi komputasi sesuai kebutuhan. Operator fusion bertujuan menekan jumlah peluncuran kernel. Sebagai optimalisasi tambahan, penyesuaian susunan data berpotensi mempercepat pemanfaatan informasi yang diperlukan. Mesin Google ini menyediakan penggunaan ulang memori perantara untuk mengurangi kebutuhan alokasi berulang. Untuk aplikasi generatif, optimalisasi semacam ini dapat membantu karena kapasitas RAM dan VRAM perangkat terbatas. Berkat pendekatan optimalisasi menyeluruh, ML Drift berusaha menghasilkan inferensi yang lebih responsif.
Teknologi OpenCL Metal WebGPU dan OpenGL ES dalam ML Drift
Hambatan penting dalam pembuatan aplikasi machine learning lokal adalah keragaman dukungan grafis. Smartphone Android mungkin mengandalkan driver dengan kemampuan tidak identik. Akibatnya, tim aplikasi membutuhkan implementasi khusus agar inferensi dapat digunakan. Mesin pemrosesan ini dibuat untuk membantu menyatukan pendekatan komputasi melalui dukungan beberapa API GPU. Antarmuka yang dapat digunakan antara lain OpenGL ES, OpenCL, Metal, dan WebGPU. Dengan pendekatan lintas API, programmer memperoleh fleksibilitas sistem akselerasi dengan antarmuka lebih konsisten untuk sejumlah sistem operasi.
Untuk smartphone berbasis Android, ML Drift mendukung pemrosesan dengan backend OpenCL serta backend lain pada perangkat kompatibel. Pada perangkat Apple, Metal digunakan sebagai API grafis yang relevan untuk menjalankan operasi komputasi. Dalam aplikasi browser, WebGPU memungkinkan pendekatan pelaksanaan model dengan komputasi grafis modern. Kemampuan lintas platform ini berpotensi membantu bagi tim aplikasi dengan banyak target perangkat. Walaupun API yang didukung beragam, hasil performa dapat berubah berdasarkan kemampuan perangkat keras. Oleh sebab itu, developer sebaiknya memeriksa hasil inferensi di berbagai platform sebelum menetapkan persyaratan minimum perangkat.
Dukungan Produsen Chip Membantu Meningkatkan Efisiensi ML Drift
Untuk meningkatkan performa lintas perangkat, Google mengembangkan teknologi melalui dukungan sejumlah produsen semikonduktor termasuk Arm, Intel, dan Qualcomm. Pengembangan lintas perusahaan berfokus pada pemanfaatan karakter GPU berdasarkan arsitektur masing-masing perangkat. Dalam kolaborasi dengan Arm, Google mengoptimalkan operasi komputasi paralel dan texture cache locality untuk arsitektur grafis Arm Mali serta Immortalis. Optimalisasi tersebut dirancang membantu memperbaiki efisiensi penggunaan energi. Melalui penyesuaian akses data, sistem dapat menjalankan model AI secara lebih efisien. Walaupun optimalisasi menjanjikan, hasil sebenarnya tetap bergantung pada konfigurasi perangkat.
Dalam kerja sama dengan Intel, ML Drift menggunakan WebGPU dan Xe Matrix Extensions untuk mempercepat pekerjaan AI pada platform Core Ultra yang memiliki GPU Xe3. Kemampuan tersebut relevan untuk aplikasi AI klien. Di sisi lain, Google memperbaiki pemanfaatan komputasi bagi GPU Qualcomm Adreno. Optimalisasi tersebut ditujukan untuk meningkatkan pemanfaatan unit aritmetika. Berkat kolaborasi lintas arsitektur, ML Drift dapat menyesuaikan pemrosesan tanpa mengandalkan satu jenis chipset. Untuk pembuat aplikasi, dukungan ini membantu membatasi pekerjaan penyesuaian performa lintas platform.
Google Menjadikan ML Drift Mesin GPU Utama dalam LiteRT
Salah satu bagian penting dari peluncuran ML Drift adalah perannya dalam ekosistem Google AI Edge. LiteRT digunakan untuk menjalankan berbagai aplikasi AI pada perangkat pengguna. Melalui ML Drift, LiteRT mengintegrasikan teknologi akselerasi yang mendukung berbagai arsitektur grafis. Tim pengembangan berpeluang memanfaatkan LiteRT ML Drift accelerator untuk memanfaatkan akselerasi GPU tanpa membangun seluruh runtime sendiri. Integrasi tersebut menghadirkan pembagian komputasi model, pengelolaan representasi tensor, dan akselerasi LLM. Kemampuan tersebut bertujuan menyederhanakan pengelolaan pemrosesan AI. Dengan demikian, developer dapat berfokus pada aplikasi.
Tim Google AI Edge menyampaikan bahwa legacy TensorFlow Lite GPU delegate akan berhenti memperoleh pembaruan kemampuan. Dalam strategi migrasi, pengembang dianjurkan beralih LiteRT ML Drift GPU accelerator. Berdasarkan pengumuman perusahaan, mesin terbaru dirancang menerima model yang kompatibel dengan pendekatan lama. Namun demikian, developer sebaiknya memeriksa kesesuaian runtime karena perbedaan perangkat dapat memengaruhi hasil. Bagi pengembang aplikasi Android, akselerasi ML Drift sudah tersedia melalui paket LiteRT mandiri. Di sisi distribusi layanan Google, ketersediaan melalui LiteRT di Google Play Services direncanakan menyusul. Oleh sebab itu, tim aplikasi dianjurkan menentukan paket runtime berdasarkan kebutuhan produk.
Google ML Drift Berpotensi Meningkatkan Pengalaman Pengguna Smartphone
Salah satu penerapan yang menarik ML Drift adalah pemrosesan efek visual. Pada penggunaan efek visual modern, aplikasi dituntut mengolah gambar secara berkelanjutan. Apabila inferensi terlalu lambat, efek visual mungkin tertunda. Melalui optimalisasi GPU, pengembang dapat mengurangi latensi model. Google menjelaskan bahwa Snap menggunakan dukungan akselerasi LiteRT untuk memproses model visual secara lokal. Melalui akselerasi ML Drift, latensi model menurun sekitar 30 persen pada efek visual Snapchat Lenses yang didukung machine learning. Meski angka tersebut menunjukkan peningkatan, hasil pengujian tidak menjamin semua aplikasi lebih cepat 30 persen.
Di luar pengolahan wajah, ML Drift juga ditujukan untuk aplikasi kecerdasan buatan kreatif yang memerlukan pengolahan tensor kompleks. Contoh penerapan potensial mencakup model difusi, pengenalan objek, serta pemrosesan audio. Ketika kapasitas perangkat mencukupi, model tertentu berpotensi diproses langsung. Pendekatan tersebut berpotensi menghadirkan keuntungan berupa pengurangan kebutuhan transfer data. Walaupun inferensi tidak selalu membutuhkan internet, perangkat masih memerlukan pengaturan yang sesuai. Aplikasi dapat menggunakan layanan eksternal, sehingga pengembang sebaiknya mengevaluasi kebijakan data. Selain itu, kapasitas memori harus diperhitungkan saat menggunakan AI secara intensif.
Kesimpulan: Google Menghadirkan Akselerasi Machine Learning Lintas Platform
Peluncuran ML Drift oleh Google menunjukkan langkah baru dalam dunia TEKNOLOGI kecerdasan buatan. Dengan menghadirkan kompatibilitas OpenCL, Metal, WebGPU, dan OpenGL ES, teknologi terbaru Google dirancang mempermudah optimalisasi aplikasi AI di banyak sistem. Dukungan mitra perangkat keras berperan dalam menyempurnakan efisiensi akses memori. Selain itu, penggunaan ML Drift sebagai mesin akselerasi LiteRT membuka peluang lebih luas untuk mengoptimalkan perangkat lunak generatif. Hasil penggunaan Snapchat Lenses memperlihatkan kemampuan optimalisasi melalui penurunan waktu tunggu inferensi sebesar 30 persen pada skenario efek wajah dan gaya.
Walaupun manfaatnya menjanjikan, kecepatan inferensi bergantung pada perangkat berdasarkan kemampuan memori dan versi runtime. Untuk memperoleh hasil terbaik, tim aplikasi dianjurkan menguji perangkat target sebelum menetapkan klaim peningkatan performa. Di samping pengujian kecepatan, perlindungan data perlu menjadi pertimbangan. Sebagai proyek open-source, ML Drift membuka peluang untuk berkontribusi pada perbaikan teknologi. Untuk pengembangan berikutnya, teknologi akselerasi GPU dapat mendukung fungsi aplikasi desktop. Dari sudut pandang Anda, apakah ML Drift akan membuat aplikasi AI lokal lebih populer? Silakan bagikan pendapat Anda mengenai masa depan kecerdasan buatan lokal.
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.
Inovasi Temple Membawa Sensor Kesehatan ke Area Pelipis
Perkembangan TEKNOLOGI teknologi yang dikenakan pada tubuh memberikan sejumlah kemungkinan berbeda dalam pemantauan aktivitas. Seiring meningkatnya penggunaan alat pemantau kebugaran, smartwatch dan smart ring mendapat perhatian luas karena mampu mencatat aktivitas harian. Namun demikian, para inovator mulai meneliti area tubuh selain pergelangan tangan. Inovasi yang sedang dipersiapkan adalah Temple, yaitu perangkat pintar mini yang ditempatkan di sisi kepala. Wearable yang sedang dikembangkan tersebut diperkenalkan oleh Deepinder Goyal, salah satu pendiri perusahaan layanan makanan Zomato. Berkat pendekatan penempatan sensor ini, Temple berupaya mengamati indikator optik yang berkaitan dengan sirkulasi secara terus-menerus.
Produk pemantau ini mengundang pembahasan setelah Deepinder Goyal memperlihatkan rencana peluncuran produk melalui sejumlah pernyataan publik. Pada Agustus 2026, Goyal mengungkapkan bahwa desain perangkat menjadi lebih ringkas hingga di bawah 50 persen ukuran desain terdahulu. Dalam perkembangan berikutnya, perusahaan memperlihatkan beberapa varian tampilan untuk produk generasi pertamanya. Namun demikian, jadwal penjualan pasti belum diumumkan secara menyeluruh. Penyerahan perangkat kepada pembeli awal direncanakan dilakukan menjelang penghujung 2026. Karena itu, masyarakat perlu meninjau pembaruan peluncuran yang terverifikasi sebelum menentukan keputusan pembelian.
Memahami Sensor Optik Temple yang Serupa dengan Teknologi Smartwatch
Teknologi mendasar Temple adalah sistem pendeteksian optik PPG yang menerapkan metode pembacaan optik untuk membaca perubahan karakter cahaya pada jaringan. Untuk memahami prinsipnya, sensor memancarkan cahaya ke jaringan, kemudian mendeteksi perubahan sinyal yang diterima. Informasi optik yang diperoleh mencerminkan sebagian perubahan aktivitas pembuluh darah kecil. Teknologi serupa telah digunakan pada banyak perangkat pemantau denyut jantung. Namun demikian, fungsi perangkat belum tentu sama dari sensor pergelangan tangan. Karakter jaringan di area pelipis berpotensi mengubah karakter sinyal.
Melalui penempatan sensor di pelipis, pengamatan optik diarahkan pada bagian kulit dan pembuluh darah sekitar pelipis. Pengembang menjelaskan bahwa informasi dari sensor diproses menjadi perkiraan perubahan fisiologis yang dikaitkan dengan suplai darah menuju otak. Sebagai pembeda ilmiah penting, pembacaan optik pada pelipis bukan pengukuran langsung seluruh aliran darah otak. Hasil pembacaan mungkin mengalami gangguan karena tekanan pemasangan dan perubahan suhu. Oleh sebab itu, kemampuan pengukuran memerlukan validasi menggunakan pengujian independen yang terkontrol.
BrainFlow Menjadi Fitur Utama Wearable Temple untuk Memantau Perubahan Sinyal
Fitur yang paling menonjol dalam pengembangan Temple adalah BrainFlow. Dalam konsep yang disampaikan Goyal, BrainFlow digunakan sebagai indikator internal yang dirancang memperkirakan dinamika fisiologis yang diasosiasikan dengan suplai darah menuju otak. Metrik tersebut diposisikan sebagai data perubahan sinyal dari waktu ke waktu. Pengembang mengaitkan perubahan postur, aktivitas meditasi, dan kemungkinan perubahan hidrasi. Namun demikian, keakuratan interpretasinya belum dapat dianggap pasti. Hasil pembacaan tersebut tidak boleh langsung dianggap sebagai ukuran klinis pasti.
Di samping indikator sirkulasi tersebut, Temple turut menggunakan Entropy sebagai bagian dari sistem analisis. Dalam konsep pengukuran perusahaan, Entropy ditujukan untuk menggambarkan tuntutan fisiologis serta respons simpatik. Dalam ilmu tubuh manusia, aktivitas saraf otonom tertentu berperan dalam penyesuaian tubuh terhadap aktivitas. Namun demikian, metrik Entropy milik Temple belum merupakan diagnosis yang diakui. Korelasi data sensor dengan keadaan tubuh harus diperiksa melalui penelitian terkontrol. Dengan mempertimbangkan keterbatasan tersebut, pengguna sebaiknya memandang hasil sebagai informasi eksploratif sampai hasil validasi independen diterbitkan.
Desain Kecil dan Perekat Khusus Menjadi Ciri Khas Wearable Temple
Selain sistem sensor, Temple juga memperhatikan desain fisik. Perangkat berukuran mini ini dirancang untuk dipasang pada area pelipis dengan komponen penempel yang disebut Grips. Menurut perusahaan, Grips menggunakan bahan perekat kelas medis agar sensor tetap berada pada posisinya selama aktivitas sehari-hari. Perusahaan menyebutkan bahwa komponen penempel memiliki masa pakai sekitar beberapa hari. Meski desain adhesif menawarkan kepraktisan, kenyamanan pada setiap orang dapat berbeda. Faktor seperti keringat mungkin mengurangi kenyamanan.
Pemasangan wearable pada sisi kepala perlu disertai perhatian terhadap kondisi kulit. Apabila mencoba perangkat seperti Temple, calon pemakai perlu memperhatikan bahwa lokasi sensor sesuai petunjuk resmi. Apabila timbul rasa gatal, perekat sebaiknya dilepas sesuai instruksi untuk menghindari gangguan lebih lanjut. Selain itu, tekanan perekat yang tidak konsisten berpotensi menurunkan kestabilan pembacaan. Karena itu, pemakaian perangkat sebaiknya mengutamakan ketahanan perekat serta keamanan kulit. Evaluasi desain secara independen dapat memberikan gambaran kecocokan perangkat untuk pengguna yang berbeda.
Temple Menyiapkan Preorder Edisi Terbatas untuk Pengguna Awal
Seiring semakin dekatnya distribusi awal, Temple mulai mengungkapkan sejumlah informasi produk. Dalam pembaruan Oktober 2026, Deepinder Goyal mengonfirmasi rencana enam pilihan warna untuk perangkat generasi pertama. Pilihan tersebut ditujukan untuk memberikan alternatif desain bagi pengguna awal. Perusahaan juga menyiapkan akses pemesanan bagi kelompok pengguna awal. Pengguna yang telah mendaftar direncanakan mendapat kesempatan lebih awal ketika pemesanan resmi dimulai. Namun demikian, tanggal peluncuran pasti belum diumumkan. Perkiraan ketersediaan produk adalah menjelang penutupan tahun 2026, tetapi pelaksanaannya mengikuti kesiapan produksi.
Selain jadwal peluncuran, harga wearable Temple juga menjadi pembahasan. Informasi yang beredar menyebut estimasi biaya sekitar 72.000 rupee India, sementara laporan lain menyebut angka berbeda. Sebagai informasi penting, angka itu masih merupakan perkiraan. Selain biaya perangkat, pembeli dianjurkan mempertimbangkan pengeluaran untuk perekat pengganti. Beberapa laporan menjelaskan bahwa penggunaan layanan dapat melibatkan langganan dan biaya komponen adhesif tambahan. Oleh sebab itu, pengguna dianjurkan mengikuti informasi biaya pemakaian lengkap.
Teknologi Sensor Pelipis Membuka Arah Baru Perangkat Wearable
Jika teknologi Temple berkembang, penggunaan sensor optik pada sisi kepala berpotensi membuka aplikasi pemantauan tambahan. Sebagai contoh, perubahan sinyal dapat dibandingkan bersama waktu tidur. Para ilmuwan berkesempatan mengevaluasi apakah hasil pembacaan Temple menunjukkan korelasi yang dapat direproduksi dengan parameter sirkulasi yang diketahui. Meski konsep tersebut menarik, hubungan statistik belum tentu menunjukkan akurasi klinis. Sistem pemantauan yang dapat dipercaya harus dievaluasi dalam kondisi beragam sebelum hasilnya digunakan untuk keputusan kesehatan.
Di samping pengujian akurasi, perlindungan data memerlukan perhatian serius dalam pengembangan wearable Temple. Rekaman sinyal tubuh mungkin berkaitan dengan aktivitas individu. Dengan mempertimbangkan karakter informasi tersebut, calon pembeli sebaiknya memahami siapa yang memperoleh akses. Jika layanan memerlukan penyimpanan server, perusahaan sebaiknya menyediakan kebijakan penyimpanan. Selain itu, penjelasan hasil pengukuran perlu mudah dipahami. Dengan pendekatan tersebut, konsumen lebih mudah memahami batas kemampuan perangkat. Inovasi wearable yang berkelanjutan harus mempertimbangkan perlindungan privasi tanpa menyampaikan klaim berlebihan.
Kesimpulan: BrainFlow dan Sensor PPG Temple Masih Memerlukan Validasi Ilmiah
Kehadiran rancangan wearable terbaru Deepinder Goyal menjadi perkembangan menarik dalam dunia TEKNOLOGI wearable. Dengan memanfaatkan pengukuran optik, sistem ini dikembangkan untuk memantau informasi optik yang berkaitan dengan aliran darah. Metrik BrainFlow menjadi fitur yang paling menonjol, sedangkan desain kecil memperlihatkan upaya pengembangan terhadap pengalaman pemakai. Meski produk tersebut menawarkan pendekatan baru, kemampuan pemantauan masih membutuhkan validasi independen. Oleh sebab itu, data sensor tidak boleh menggantikan pemeriksaan medis.
Menjelang peluncuran, masyarakat yang tertarik perlu memeriksa jadwal resmi sebelum mengikuti preorder. Kemungkinan langganan dapat memengaruhi keputusan pembelian karena struktur pembayaran dapat menentukan biaya jangka panjang. Dalam jangka panjang, pendekatan sensor tersebut dapat membuka pilihan baru pemantauan fisiologis apabila kemampuannya didukung penelitian independen. Dari sudut pandang Anda, apakah wearable yang dipasang di pelipis lebih menarik daripada smartwatch? Mari sampaikan pandangan Anda mengenai perkembangan wearable Temple.
