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
Transformasi TEKNOLOGI artificial intelligence semakin mendorong permintaan pemrosesan yang lebih cepat. Dalam perkembangan industri digital, sejumlah layanan digital menggunakan pusat data jarak jauh untuk memproses permintaan pengguna. Namun demikian, latensi komunikasi jaringan dapat menghadirkan keterbatasan. Melalui ML Drift, Google menawarkan pendekatan pemrosesan langsung di perangkat. Framework terbaru tersebut dikembangkan agar mampu menggunakan kemampuan grafis perangkat. Melalui strategi ini, sebagian pekerjaan AI dapat dijalankan tanpa selalu mengirimkan data ke cloud.
Tim Google AI Edge memperkenalkan ML Drift pada tanggal 8 Oktober 2026 sebagai sistem inferensi machine learning yang dioptimalkan. Tidak seperti chatbot yang langsung digunakan konsumen, ML Drift dirancang untuk kebutuhan developer yang mengintegrasikan model machine learning. Framework tersebut membantu mengelola karakteristik perangkat keras sehingga programmer dapat mengurangi kebutuhan membuat sistem akselerasi berbeda pada setiap perangkat. Perusahaan membuka proyek tersebut sebagai proyek open-source menggunakan lisensi Apache 2.0. Artinya, programmer memiliki akses untuk memeriksa implementasi framework serta berkontribusi pada pengembangan proyek.
Prinsip Akselerasi ML Drift pada Berbagai Arsitektur Perangkat
Fondasi teknis ML Drift adalah pemanfaatan komputasi paralel GPU. Graphics Processing Unit dapat memproses pekerjaan numerik dengan tingkat paralelisme tinggi. Sifat arsitektur GPU menjadi relevan bagi model machine learning yang melibatkan operasi matriks. Melalui ML Drift, pekerjaan inferensi diarahkan menjadi instruksi yang sesuai dengan GPU. Framework tersebut selanjutnya mengatur penggunaan memori berdasarkan kemampuan perangkat keras. Pendekatan ini berpotensi membatasi waktu tunggu inferensi. Walaupun GPU dapat mempercepat AI, kecepatan akhir tetap bergantung pada kemampuan perangkat dan jenis operasi yang dijalankan.
Ketika framework menjalankan inferensi, ML Drift menerapkan sejumlah teknik efisiensi seperti penyatuan beberapa operator, penyesuaian representasi memori, serta pembuatan instruksi komputasi sesuai kebutuhan. Penggabungan operasi bertujuan menekan perpindahan data yang tidak perlu. Sementara itu, pengaturan akses memori berpotensi mempercepat pemanfaatan informasi yang diperlukan. Mesin Google ini menyediakan pengelolaan buffer yang dapat dipakai kembali untuk mengoptimalkan ruang penyimpanan kerja. Ketika menjalankan jaringan saraf kompleks, efisiensi tersebut menjadi penting karena ruang kerja komputasi harus dibagi dengan aplikasi lain. Dengan demikian, Google menargetkan tercapainya kinerja lokal yang lebih konsisten.
ML Drift Mendukung Android iOS Web dan Komputer Desktop
Permasalahan utama dalam pembuatan aplikasi machine learning lokal adalah keragaman dukungan grafis. Komputer desktop dapat menggunakan driver dengan kemampuan tidak identik. Dengan kondisi tersebut, pengembang perlu menyesuaikan implementasi khusus agar model berjalan dengan baik. ML Drift dirancang untuk mengurangi kerumitan tersebut melalui dukungan beberapa API GPU. Backend komputasi yang tersedia antara lain OpenGL ES, OpenCL, Metal, dan WebGPU. Berkat penggunaan berbagai backend, programmer memperoleh fleksibilitas kerangka komputasi terpadu untuk berbagai kategori perangkat.
Dalam ekosistem perangkat Android, ML Drift mendukung pemrosesan dengan backend OpenCL serta backend lain pada perangkat kompatibel. Dalam lingkungan iOS dan macOS, Metal digunakan sebagai API grafis yang relevan untuk menjalankan operasi komputasi. Dalam aplikasi browser, WebGPU dapat menyediakan pelaksanaan model dengan komputasi grafis modern. Kemampuan lintas platform ini berpotensi membantu bagi pengembang produk multiplatform. Walaupun API yang didukung beragam, hasil performa dapat berubah berdasarkan driver. Oleh sebab itu, pengembang perlu mengevaluasi hasil inferensi di berbagai platform sebelum merilis aplikasi.
GPU Mali Immortalis Intel Xe3 dan Adreno Mendapat Optimalisasi AI
Agar framework dapat digunakan secara luas, Google melakukan kolaborasi bersama berbagai perusahaan perangkat keras termasuk Arm, Intel, dan Qualcomm. Kerja sama tersebut berfokus pada pemanfaatan karakter GPU berdasarkan dukungan prosesor grafis tertentu. Bersama Arm, Google mengembangkan compute kernels dan pemanfaatan lokasi data dalam cache untuk keluarga GPU seluler Mali dan Immortalis. Pengembangan bersama ini dirancang membantu memperbaiki kinerja komputasi mobile. Berkat pemanfaatan arsitektur GPU, aplikasi memungkinkan menangani model AI secara lebih efisien. Meski proses pengembangan dilakukan bersama produsen, kemampuan akhir dipengaruhi implementasi pabrikan.
Sementara itu, ML Drift menggunakan WebGPU dan instruksi matriks XMX untuk mengoptimalkan pemrosesan model pada prosesor Intel Core Ultra dengan grafis Xe3. Dukungan komputasi itu berpotensi menunjang model bahasa. Di sisi lain, Google mengembangkan optimalisasi bagi prosesor grafis Adreno. Penyempurnaan ini berfokus pada penggunaan sumber daya komputasi. Berkat kolaborasi lintas arsitektur, ML Drift dapat menyesuaikan pemrosesan tanpa mengandalkan satu jenis chipset. Dalam pengembangan produk, dukungan ini membantu membatasi kebutuhan optimalisasi manual.
Teknologi LiteRT ML Drift Mendukung Inferensi Cepat dan Efisien
Aspek strategis dari peluncuran ML Drift adalah penggunaannya sebagai mesin akselerasi LiteRT. LiteRT digunakan untuk menjalankan berbagai aplikasi AI pada perangkat pengguna. Dengan menghadirkan akselerator terbaru, LiteRT mengintegrasikan teknologi akselerasi yang dioptimalkan untuk GPU modern. Programmer dapat menggunakan LiteRT ML Drift accelerator untuk mendukung inferensi dalam aplikasi. Sistem tersebut mendukung pengaturan bagian model berdasarkan kemampuan, tensor virtualization, dan akselerasi LLM. Rangkaian fungsi ini membantu mengurangi 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, sistem mendukung kompatibilitas mundur untuk model yang telah digunakan. Meski perpindahan telah dipersiapkan, developer sebaiknya memeriksa kesesuaian runtime karena konfigurasi sistem memiliki karakter berlainan. Bagi pengembang aplikasi Android, dukungan dapat digunakan lewat standalone LiteRT packages. Sementara itu, integrasi dengan Google Play Services masih disiapkan. Dengan demikian, pengembang harus memilih metode distribusi berdasarkan kebutuhan produk.
Manfaat ML Drift untuk Kamera AI Video Real-Time dan Aplikasi Generatif
Contoh penggunaan nyata ML Drift adalah pemrosesan efek visual. Ketika aplikasi menerapkan filter kecerdasan buatan, perangkat harus menganalisis gambar secara berkelanjutan. Apabila inferensi terlalu lambat, efek visual mungkin tertunda. Dengan dukungan ML Drift, pengembang dapat mengurangi latensi model. Google menjelaskan bahwa Snap mengintegrasikan LiteRT untuk mendukung fitur AI di perangkat Android. Melalui akselerasi ML Drift, waktu pemrosesan model berkurang kurang lebih 30 persen pada efek visual Snapchat Lenses yang didukung machine learning. Namun demikian, pengurangan latensi pada contoh ini tidak berlaku universal.
Tidak hanya mendukung filter visual, ML Drift berpotensi digunakan dalam model generatif yang memerlukan pengolahan tensor kompleks. Contoh penerapan potensial mencakup model difusi, computer vision, serta pengolahan sinyal bunyi. Ketika kapasitas perangkat mencukupi, sebagian fungsi tersebut dapat berjalan lokal. Pendekatan tersebut berpotensi menghadirkan keuntungan berupa penggunaan saat koneksi terbatas. Namun demikian, perangkat masih memerlukan pengaturan yang sesuai. Aplikasi dapat menggunakan layanan eksternal, sehingga pengguna perlu memeriksa izin. Di samping pertimbangan privasi, suhu perangkat perlu dipertimbangkan saat menjalankan model besar.
Kesimpulan: Google Menghadirkan Akselerasi Machine Learning Lintas Platform
Kehadiran mesin komputasi ML Drift membawa inovasi menarik dalam dunia TEKNOLOGI kecerdasan buatan. Melalui dukungan OpenCL, Metal, WebGPU, dan OpenGL ES, teknologi terbaru Google berpotensi mengurangi kerumitan penggunaan GPU pada berbagai perangkat. Dukungan mitra perangkat keras berperan dalam menyempurnakan pemrosesan model machine learning. Sebagai bagian dari strategi pengembangan, integrasi ML Drift dengan LiteRT membuka peluang lebih luas untuk membangun aplikasi AI. Contoh peningkatan performa pada efek Snapchat memperlihatkan kemampuan optimalisasi melalui penurunan waktu tunggu inferensi sebesar 30 persen pada skenario efek wajah dan gaya.
Walaupun manfaatnya menjanjikan, performa setiap aplikasi tetap harus diuji berdasarkan jenis model AI dan versi runtime. Agar pemanfaatan lebih optimal, pengembang sebaiknya melakukan benchmark sebelum menetapkan klaim peningkatan performa. Tidak kalah penting, penggunaan energi perlu menjadi pertimbangan. Dengan kode sumber yang tersedia, ML Drift memberikan kesempatan untuk mengembangkan integrasi. Untuk pengembangan berikutnya, teknologi akselerasi GPU berpotensi memperluas pengalaman AI berbasis browser. Dari sudut pandang Anda, seberapa penting akselerasi GPU bagi smartphone masa depan? Anda dapat berbagi pemikiran mengenai perkembangan Google ML Drift.
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.
Wearable Temple Menghadirkan Pendekatan Baru dalam Pemantauan Sinyal Tubuh
Inovasi TEKNOLOGI perangkat wearable semakin menghadirkan sejumlah kemungkinan berbeda dalam pengamatan sinyal fisiologis. Seiring meningkatnya penggunaan alat pemantau kebugaran, jam tangan pintar serta cincin digital semakin banyak digunakan karena menawarkan pengukuran tertentu. Namun demikian, sejumlah perusahaan berusaha memanfaatkan lokasi sensor yang berbeda. Perangkat yang menjadi sorotan adalah Temple, yaitu perangkat pintar mini yang ditempatkan di sisi kepala. Produk tersebut dikembangkan melalui startup milik Deepinder Goyal, salah satu pendiri perusahaan layanan makanan Zomato. Dengan memilih lokasi pelipis, Temple berupaya mengamati indikator optik yang berkaitan dengan sirkulasi secara terus-menerus.
Wearable terbaru tersebut menarik minat publik setelah Deepinder Goyal memperlihatkan informasi pengembangan perangkat melalui berbagai pembaruan media sosial. Melalui pengumuman pada Agustus 2026, Goyal menjelaskan bahwa dimensi wearable telah mengalami penyusutan hingga lebih kecil daripada separuh rancangan awal. Menjelang Oktober 2026, perusahaan memperlihatkan enam pilihan warna untuk produk generasi pertamanya. Walaupun rencana pemasaran mulai terlihat, waktu ketersediaan setiap wilayah belum dipastikan. Penyerahan perangkat kepada pembeli awal ditargetkan berlangsung sebelum akhir 2026. Karena itu, konsumen dianjurkan memeriksa informasi resmi perusahaan sebelum menentukan keputusan pembelian.
Sensor PPG Temple Memanfaatkan Cahaya untuk Membaca Sinyal Fisiologis
Bagian penting Temple adalah sistem pendeteksian optik PPG yang memanfaatkan cahaya untuk mengamati perubahan volume darah. Secara sederhana, sensor memancarkan cahaya ke jaringan, kemudian mengukur cahaya yang kembali. Informasi optik yang diperoleh mencerminkan sebagian perubahan volume darah pada jaringan. Teknologi serupa telah digunakan pada banyak perangkat pemantau denyut jantung. Meski memiliki prinsip dasar yang sama, hasil pengolahan sinyal dapat berbeda dari perangkat kebugaran konvensional. Perbedaan lokasi pemasangan dapat memengaruhi karakter sinyal.
Pada pendekatan yang dikembangkan Goyal, pengamatan optik diarahkan pada bagian kulit dan pembuluh darah sekitar pelipis. Menurut keterangan perusahaan bahwa informasi dari sensor diproses menjadi perkiraan karakteristik aliran darah yang berkaitan dengan otak. Sebagai pembeda ilmiah penting, pengukuran PPG di permukaan kulit bukan pengukuran langsung seluruh aliran darah otak. Data optik tersebut mungkin mengalami gangguan karena kondisi kontak sensor dan perubahan suhu. Karena itu, hasil metrik harus dievaluasi menggunakan pengujian independen yang terkontrol.
BrainFlow Menjadi Fitur Utama Wearable Temple untuk Memantau Perubahan Sinyal
Fitur yang paling menonjol dalam perangkat wearable terbaru adalah BrainFlow. Berdasarkan penjelasan perusahaan, BrainFlow digunakan sebagai indikator internal yang dirancang memperkirakan variasi sinyal yang dikaitkan dengan sirkulasi serebral. Metrik tersebut diposisikan sebagai hasil pemantauan real-time. Pengembang mengaitkan kondisi istirahat, kualitas tidur, dan variasi kondisi tubuh. Meski konsep tersebut terdengar menjanjikan, hubungan tersebut masih memerlukan pembuktian. Hasil pembacaan tersebut belum dapat diperlakukan sebagai ukuran klinis pasti.
Di samping indikator sirkulasi tersebut, Temple juga memperkenalkan Entropy sebagai indikator lain. Dalam konsep pengukuran perusahaan, Entropy ditujukan untuk menggambarkan tuntutan fisiologis serta respons simpatik. Dalam ilmu tubuh manusia, aktivitas saraf otonom tertentu berperan dalam perubahan keadaan kesiagaan. Sebagai catatan penting, indeks khusus yang dikembangkan perusahaan belum merupakan diagnosis yang diakui. Hubungan antara sinyal optik dan kondisi fisiologis kompleks perlu dikaji berdasarkan penelitian terkontrol. Oleh sebab itu, nilai yang dihasilkan lebih tepat dianggap indikator pengembangan sampai akurasi serta kegunaan klinis terbukti.
Desain Kecil dan Perekat Khusus Menjadi Ciri Khas Wearable Temple
Selain sistem sensor, Temple memprioritaskan bentuk perangkat. Wearable tersebut ditempatkan pada permukaan kulit dekat pelipis dengan perekat khusus yang disebut Grips. Dalam penjelasan produk, Grips dirancang dengan bahan adhesif khusus agar wearable tidak mudah bergeser selama kegiatan pengguna. Perusahaan menyebutkan bahwa komponen penempel memiliki masa pakai sekitar beberapa hari. Walaupun ketahanan tersebut telah disebutkan, respons kulit pengguna tidak selalu sama. Kondisi kulit berminyak dapat mengubah daya rekat.
Penggunaan perangkat di pelipis perlu disertai penilaian kenyamanan pribadi. Sebelum menggunakan produk, pemilik perangkat dianjurkan memeriksa bahwa area pemasangan tidak mengalami iritasi. Apabila timbul rasa gatal, penggunaan perlu dihentikan sementara untuk mengurangi kemungkinan iritasi. Selain itu, posisi sensor yang bergeser berpotensi menurunkan konsistensi hasil pengukuran. Oleh sebab itu, pengembangan produk perlu memperhatikan ketepatan posisi dan pengalaman pengguna. Pengujian pada berbagai kondisi pemakaian diperlukan untuk menilai konsistensi penggunaan jangka panjang.
Temple Menyiapkan Preorder Edisi Terbatas untuk Pengguna Awal
Pada tahap persiapan pemasaran, Temple mulai mengungkapkan sejumlah informasi produk. Dalam pembaruan Oktober 2026, Deepinder Goyal memperkenalkan variasi tampilan produk untuk perangkat generasi pertama. Opsi tampilan tersebut ditujukan untuk memberikan pilihan personalisasi bagi calon pembeli. Pengembang merencanakan program preorder untuk peluncuran pertama. Peserta program early access direncanakan mendapat kesempatan lebih awal ketika penjualan tahap pertama tersedia. Namun demikian, tanggal peluncuran pasti belum diumumkan. Rencana distribusi adalah pada periode sebelum 2026 berakhir, tetapi pelaksanaannya mengikuti kesiapan produksi.
Selain jadwal peluncuran, harga wearable Temple masih menimbulkan pertanyaan. Informasi yang beredar memperkirakan harga sekitar Rs72.000, sementara beberapa sumber memberikan estimasi lebih tinggi. Perlu ditegaskan, banderol final belum diumumkan perusahaan. Di luar harga pembelian awal, konsumen sebaiknya memeriksa model pembayaran layanan. Beberapa laporan menjelaskan bahwa perangkat berpotensi memiliki biaya berulang dan pembelian ulang Grips. Karena itu, calon konsumen perlu memeriksa informasi biaya pemakaian lengkap.
Teknologi Sensor Pelipis Membuka Arah Baru Perangkat Wearable
Ketika sistem sensor berhasil divalidasi, pendekatan pemantauan di pelipis berpotensi membuka kategori perangkat baru. Pada skenario penelitian, informasi optik mungkin dipelajari bersama kebiasaan pemulihan. Penelitian lanjutan dapat menguji apakah perubahan metrik BrainFlow berkaitan secara terukur dengan hasil instrumen pembanding. Meski konsep tersebut menarik, kesesuaian pola tidak serta-merta menjadi bukti diagnosis. Sistem pemantauan yang dapat dipercaya membutuhkan validasi melalui metodologi ilmiah sebelum klaim manfaatnya diterapkan secara luas.
Di samping pengujian akurasi, keamanan informasi fisiologis menjadi bagian penting dalam pengembangan wearable Temple. Informasi hasil pengukuran berpotensi bersifat sensitif. Oleh sebab itu, pemilik perangkat dianjurkan memeriksa di mana data disimpan. Ketika hasil sensor dikirim ke jaringan, perusahaan sebaiknya menyediakan kebijakan penyimpanan. Tidak kalah penting, klaim manfaat sebaiknya didukung bukti. Berkat penjelasan terbuka, pengguna dapat mengambil keputusan lebih tepat. Pengembangan teknologi yang bertanggung jawab sebaiknya memadukan kenyamanan pengguna tanpa menyampaikan klaim berlebihan.
Kesimpulan: Sensor Pelipis Temple Menjadi Inovasi Menarik Teknologi Wearable
Persiapan peluncuran wearable Temple menunjukkan pendekatan berbeda dalam pengembangan sensor fisiologis pribadi. Melalui penggunaan sensor PPG, perangkat tersebut dirancang membaca perubahan sinyal pada jaringan pelipis. Indikator pengukuran utama menarik perhatian dalam pengembangan produk, sedangkan perekat Grips menunjukkan perhatian terhadap pengalaman pemakai. Namun demikian, kemampuan pemantauan masih membutuhkan validasi independen. Dengan mempertimbangkan bukti yang tersedia, data sensor tidak boleh menggantikan pemeriksaan medis.
Pada tahap persiapan distribusi, calon pengguna sebaiknya memperhatikan ketentuan layanan sebelum melakukan pembelian. Ketersediaan layanan regional menjadi pertimbangan tambahan karena biaya berulang mungkin menjadi bagian penggunaan. Untuk perkembangan berikutnya, teknologi ini mungkin menghadirkan pilihan baru pemantauan fisiologis apabila hasilnya konsisten dalam pengujian. Menurut Anda, apakah wearable yang dipasang di pelipis lebih menarik daripada smartwatch? Anda dapat berbagi pemikiran mengenai masa depan teknologi sensor tubuh.
