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 AI Edge Menghadirkan ML Drift untuk Mempercepat Machine Learning di Perangkat
Kemajuan TEKNOLOGI AI modern terus membuka kebutuhan komputasi yang lebih efisien. Seiring meningkatnya penggunaan AI generatif, sejumlah layanan digital mengandalkan server cloud untuk menghasilkan respons berbasis machine learning. Walaupun pemrosesan jarak jauh memiliki berbagai manfaat, kebutuhan koneksi internet memerlukan perhatian tersendiri. Dengan memperkenalkan mesin komputasi terbaru, Google menawarkan kerangka akselerasi machine learning berbasis GPU. Teknologi tersebut dikembangkan agar mampu menggunakan sumber daya GPU yang tersedia. Melalui strategi ini, sebagian pekerjaan AI dapat dijalankan tanpa selalu mengirimkan data ke cloud.
Tim Google AI Edge memperkenalkan ML Drift pada awal Oktober 2026 sebagai mesin komputasi GPU lintas platform. Memiliki fungsi berbeda dibandingkan layanan AI percakapan, ML Drift dikembangkan sebagai fondasi perangkat lunak yang membutuhkan pemrosesan GPU dalam produk digital. Framework tersebut menyederhanakan penggunaan perbedaan API grafis sehingga pengembang tidak selalu perlu menulis kode khusus bagi seluruh jenis GPU. ML Drift juga dirilis sebagai proyek open-source menggunakan ketentuan lisensi Apache versi 2.0. Melalui pendekatan terbuka tersebut, pengembang dapat mempelajari implementasi framework serta berkontribusi pada pengembangan proyek.
Cara Kerja ML Drift dalam Mengoptimalkan Pemrosesan GPU
Fondasi teknis ML Drift adalah pemanfaatan komputasi paralel GPU. Graphics Processing Unit dirancang untuk menjalankan banyak operasi secara paralel. Kemampuan ini sangat berguna bagi jaringan saraf tiruan yang melibatkan operasi matriks. Berkat mesin komputasi tersebut, operasi model diterjemahkan menjadi proses yang dapat dijalankan akselerator grafis. Mesin pemrosesan lalu mengoptimalkan penjadwalan pekerjaan berdasarkan karakter GPU yang digunakan. Pendekatan ini dirancang untuk menekan waktu tunggu inferensi. Walaupun GPU dapat mempercepat AI, hasil pengujian ditentukan oleh kombinasi kemampuan perangkat dan dukungan driver grafis.
Ketika framework menjalankan inferensi, ML Drift menerapkan sejumlah teknik efisiensi seperti penggabungan operasi komputasi, optimalisasi tata letak data, serta pembuatan instruksi komputasi sesuai kebutuhan. Operator fusion dapat membantu membatasi overhead pelaksanaan komputasi. Sementara itu, pengelolaan tata letak tensor berpotensi mempercepat pemanfaatan informasi yang diperlukan. ML Drift juga mendukung pengelolaan buffer yang dapat dipakai kembali untuk menekan penggunaan memori sementara. Bagi model besar, efisiensi tersebut menjadi penting karena memori GPU tidak selalu besar. Berkat pendekatan optimalisasi menyeluruh, ML Drift berusaha menghasilkan inferensi yang lebih responsif.
Framework Google Mempermudah Pengembangan AI Lintas Platform
Permasalahan utama dalam pengembangan AI di perangkat adalah keragaman dukungan grafis. Smartphone Android mungkin mengandalkan driver dengan kemampuan tidak identik. Karena perbedaan lingkungan, programmer sering harus membuat konfigurasi pemrosesan tersendiri agar inferensi dapat digunakan. Mesin pemrosesan ini dibuat untuk membantu menyatukan pendekatan komputasi melalui dukungan beberapa API GPU. Teknologi yang didukung meliputi OpenGL ES, OpenCL, Metal, dan WebGPU. Berkat penggunaan berbagai backend, pengembang memiliki pilihan kerangka komputasi terpadu untuk berbagai kategori perangkat.
Untuk smartphone berbasis Android, ML Drift dapat menggunakan OpenCL serta backend lain pada perangkat kompatibel. Pada perangkat Apple, Metal menjadi salah satu antarmuka utama untuk memanfaatkan GPU perangkat. Pada layanan berbasis peramban, WebGPU memungkinkan pendekatan pelaksanaan model dengan komputasi grafis modern. Fleksibilitas backend tersebut memiliki manfaat bagi pengembang produk multiplatform. Walaupun API yang didukung beragam, hasil performa dapat berubah berdasarkan driver. Oleh sebab itu, developer sebaiknya memeriksa perangkat target secara langsung sebelum menetapkan persyaratan minimum perangkat.
GPU Mali Immortalis Intel Xe3 dan Adreno Mendapat Optimalisasi AI
Dalam pengembangan optimalisasi GPU, Google bekerja sama dengan sejumlah produsen semikonduktor termasuk Arm, Intel, dan Qualcomm. Kerja sama tersebut berfokus pada optimalisasi akses memori berdasarkan dukungan prosesor grafis tertentu. Bersama Arm, Google mengoptimalkan operasi komputasi paralel dan texture cache locality untuk arsitektur grafis Arm Mali serta Immortalis. Pengembangan bersama ini bertujuan meningkatkan kinerja komputasi mobile. Dengan pendekatan tersebut, perangkat berpotensi memproses model AI secara lebih efisien. Namun demikian, hasil sebenarnya tetap bergantung pada konfigurasi perangkat.
Dalam kerja sama dengan Intel, ML Drift mendukung WebGPU dan instruksi matriks XMX untuk mempercepat pekerjaan AI pada platform Core Ultra yang memiliki GPU Xe3. Kemampuan tersebut dapat membantu model bahasa. Di sisi lain, Google mengembangkan optimalisasi bagi GPU Qualcomm Adreno. Optimalisasi tersebut berfokus pada efisiensi bandwidth memori. Berkat kolaborasi lintas arsitektur, mesin inferensi dirancang mengoptimalkan kemampuan perangkat tanpa terbatas pada satu keluarga prosesor. Dalam pengembangan produk, dukungan ini membantu membatasi perbedaan implementasi antarperangkat.
Teknologi LiteRT ML Drift Mendukung Inferensi Cepat dan Efisien
Aspek strategis dari peluncuran ML Drift adalah penggunaannya sebagai mesin akselerasi LiteRT. Runtime machine learning milik Google mendukung pelaksanaan inferensi machine learning lokal. Melalui ML Drift, LiteRT memanfaatkan sistem pemrosesan yang dioptimalkan untuk GPU modern. Tim pengembangan dapat menggunakan LiteRT ML Drift accelerator untuk memanfaatkan akselerasi GPU tanpa membangun seluruh runtime sendiri. Sistem tersebut menghadirkan pengaturan bagian model berdasarkan kemampuan, tensor virtualization, dan penyesuaian inferensi generatif. Kemampuan tersebut bertujuan menyederhanakan integrasi operasi model. Dengan demikian, pengembang memiliki kesempatan memprioritaskan pengalaman pengguna.
Google juga mengumumkan bahwa legacy TensorFlow Lite GPU delegate akan berhenti memperoleh pembaruan kemampuan. Sebagai penggantinya, tim aplikasi disarankan menggunakan LiteRT ML Drift GPU accelerator. Berdasarkan pengumuman perusahaan, mesin terbaru dirancang menerima model yang kompatibel dengan pendekatan lama. Namun demikian, pengujian aplikasi tetap diperlukan karena perbedaan perangkat dapat memengaruhi hasil. Untuk Android, implementasi awal tersedia pada paket LiteRT terpisah. Sementara itu, ketersediaan melalui LiteRT di Google Play Services direncanakan menyusul. Dengan demikian, pengembang harus memilih metode distribusi berdasarkan strategi pemeliharaan aplikasi.
Manfaat ML Drift untuk Kamera AI Video Real-Time dan Aplikasi Generatif
Salah satu penerapan yang menarik ML Drift adalah pemrosesan efek visual. Dalam pengembangan fitur kamera, aplikasi dituntut mengolah berbagai frame video. Apabila inferensi terlalu lambat, animasi dapat terasa tersendat. Berkat pemrosesan paralel yang lebih efisien, aplikasi berpotensi menekan waktu pengolahan frame. Google menjelaskan bahwa Snap mengintegrasikan LiteRT untuk memproses model visual secara lokal. Pada penggunaan Snapchat Lenses, latensi model menurun sekitar 30 persen pada efek visual Snapchat Lenses yang didukung machine learning. Meski angka tersebut menunjukkan peningkatan, pengurangan latensi pada contoh ini tidak berlaku universal.
Selain efek kamera, ML Drift juga ditujukan untuk aplikasi kecerdasan buatan kreatif yang membutuhkan komputasi besar. Bidang penggunaan yang relevan antara lain aplikasi generasi visual, analisis gambar, serta pengolahan sinyal bunyi. Ketika kapasitas perangkat mencukupi, pekerjaan AI mungkin dijalankan tanpa cloud. Pemrosesan di perangkat membuka pilihan tambahan berupa pengurangan kebutuhan transfer data. Walaupun inferensi tidak selalu membutuhkan internet, perangkat masih memerlukan pengaturan yang sesuai. Beberapa fitur mungkin tetap membutuhkan jaringan, sehingga pengguna perlu memeriksa izin. Selain itu, kapasitas memori tetap menjadi faktor pembatas saat menjalankan model besar.
Kesimpulan: Google Menghadirkan Akselerasi Machine Learning Lintas Platform
Kehadiran mesin komputasi ML Drift menjadi perkembangan penting dalam ekosistem machine learning modern. Dengan menghadirkan kompatibilitas OpenCL, Metal, WebGPU, dan OpenGL ES, teknologi terbaru Google berupaya menyederhanakan optimalisasi aplikasi AI di banyak sistem. Dukungan mitra perangkat keras mendukung penyesuaian performa GPU. Sebagai bagian dari strategi pengembangan, integrasi ML Drift dengan LiteRT mendukung fleksibilitas pengembang untuk menjalankan model lokal. Hasil penggunaan Snapchat Lenses memperlihatkan kemampuan optimalisasi melalui penurunan waktu tunggu inferensi sebesar 30 persen pada skenario efek wajah dan gaya.
Namun demikian, performa setiap aplikasi tetap harus diuji berdasarkan jenis model AI dan versi runtime. Dalam penerapan yang bertanggung jawab, tim aplikasi dianjurkan menguji perangkat target sebelum menetapkan klaim peningkatan performa. Tidak kalah penting, kestabilan aplikasi perlu menjadi pertimbangan. Dengan kode sumber yang tersedia, ML Drift memberikan kesempatan untuk mempelajari implementasi. Dalam jangka panjang, teknologi akselerasi GPU berpotensi memperluas pengalaman AI berbasis browser. Menurut Anda, apakah pemrosesan AI langsung di perangkat lebih menarik daripada cloud? Mari sampaikan pengalaman Anda 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.
Perangkat Wearable Temple Menawarkan Desain Berbeda dari Smartwatch
Kemajuan TEKNOLOGI aksesori pintar terus membuka berbagai pilihan baru dalam pengamatan sinyal fisiologis. Selama beberapa tahun terakhir, perangkat pemantauan berbasis pergelangan tangan dan jari semakin banyak digunakan karena mampu mencatat aktivitas harian. Meskipun perangkat tersebut praktis, sejumlah perusahaan berusaha memanfaatkan lokasi sensor yang berbeda. Salah satu contohnya adalah Temple, yaitu alat pemantau berbentuk ringkas yang dipasang pada area pelipis. Wearable yang sedang dikembangkan tersebut berasal dari perusahaan yang dipimpin Deepinder Goyal, salah satu pendiri perusahaan layanan makanan Zomato. Dengan memilih lokasi pelipis, Temple berupaya mengamati informasi fisiologis tertentu secara berkelanjutan.
Wearable terbaru tersebut menarik minat publik setelah Deepinder Goyal mengungkapkan perkembangan desain dan teknologi melalui informasi kepada masyarakat. Dalam pembaruan pertengahan 2026, Goyal menjelaskan bahwa ukuran prototipe telah diperkecil hingga kurang dari setengah ukuran versi sebelumnya. Kemudian, tim Temple memperkenalkan beberapa varian tampilan untuk versi peluncuran terbatas. Namun demikian, jadwal penjualan pasti belum diumumkan secara menyeluruh. Penyerahan perangkat kepada pembeli awal ditargetkan berlangsung sebelum akhir 2026. Karena itu, konsumen dianjurkan memeriksa informasi resmi perusahaan sebelum menganggap perangkat telah tersedia luas.
Sensor PPG Temple Memanfaatkan Cahaya untuk Membaca Sinyal Fisiologis
Teknologi mendasar Temple adalah sensor photoplethysmography yang memanfaatkan cahaya untuk membaca perubahan karakter cahaya pada jaringan. Dalam penjelasan dasar, rangkaian pemancar mengarahkan cahaya ke kulit, kemudian membaca variasi intensitas optik. Informasi optik yang diperoleh berkaitan dengan aktivitas pembuluh darah kecil. Prinsip sensor tersebut telah digunakan pada berbagai gelang kebugaran. Meski memiliki prinsip dasar yang sama, hasil pengolahan sinyal dapat berbeda dari sensor pergelangan tangan. Perbedaan lokasi pemasangan dapat memengaruhi hasil pengukuran.
Melalui penempatan sensor di pelipis, pembacaan dilakukan pada area tubuh dekat pelipis. Pengembang menjelaskan bahwa informasi dari sensor diproses menjadi perkiraan karakteristik aliran darah yang berkaitan dengan otak. Sebagai pembeda ilmiah penting, sinyal yang diperoleh dari jaringan luar bukan pengukuran langsung seluruh aliran darah otak. Data optik tersebut juga dapat dipengaruhi gerakan tubuh dan perubahan suhu. Oleh sebab itu, klaim akurasi perlu diuji menggunakan pengujian independen yang terkontrol.
Metrik BrainFlow dan Entropy Membawa Pendekatan Baru pada Wearable
Salah satu istilah yang diperkenalkan dalam perangkat wearable terbaru adalah BrainFlow. Dalam konsep yang disampaikan Goyal, BrainFlow dikembangkan sebagai ukuran tidak langsung yang dimaksudkan untuk menunjukkan dinamika fisiologis yang diasosiasikan dengan suplai darah menuju otak. Indikator ini diposisikan sebagai hasil pemantauan real-time. Dalam penjelasan produk disebutkan hubungan dengan kondisi istirahat, kebiasaan pemulihan, dan kemungkinan perubahan hidrasi. Namun demikian, keakuratan interpretasinya belum dapat dianggap pasti. Hasil pembacaan tersebut belum dapat diperlakukan sebagai ukuran klinis pasti.
Selain BrainFlow, Temple menjelaskan konsep Entropy sebagai metrik tambahan. Berdasarkan informasi produk, Entropy diperkenalkan guna menunjukkan beban metabolik dan aktivitas sistem saraf simpatis. Pada penelitian fungsi tubuh, respons simpatik 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 perbandingan dengan instrumen standar. Karena itu, pengguna sebaiknya memandang hasil sebagai informasi eksploratif sampai bukti ilmiah lebih lengkap tersedia.
Desain Kecil dan Perekat Khusus Menjadi Ciri Khas Wearable Temple
Tidak hanya mengembangkan algoritma, Temple memprioritaskan desain fisik. Perangkat berukuran mini ini dirancang untuk dipasang pada area pelipis dengan perekat khusus yang disebut Grips. Berdasarkan informasi pengembang, Grips memanfaatkan perekat yang ditujukan untuk kontak kulit agar wearable tidak mudah bergeser selama aktivitas sehari-hari. Pengembang mengklaim bahwa komponen penempel memiliki masa pakai sekitar beberapa hari. Meski desain adhesif menawarkan kepraktisan, respons kulit pengguna tidak selalu sama. Kondisi kulit berminyak mungkin mengurangi kestabilan pemasangan.
Penempatan sensor yang menyentuh area wajah perlu disertai perhatian terhadap kondisi kulit. Ketika pertama kali memasang sensor, pemilik perangkat dianjurkan memeriksa bahwa permukaan kulit bersih. Jika muncul kemerahan, perekat sebaiknya dilepas sesuai instruksi untuk menjaga kenyamanan pemakaian. Di samping aspek kulit, pemasangan terlalu longgar dapat memengaruhi kestabilan pembacaan. Oleh sebab itu, pemakaian perangkat sebaiknya mengutamakan ketahanan perekat serta keamanan kulit. Pemeriksaan lanjutan diperlukan untuk menilai kecocokan perangkat untuk pengguna yang berbeda.
Informasi Warna Harga dan Ketersediaan Wearable Temple
Seiring semakin dekatnya distribusi awal, Temple telah memperlihatkan beberapa detail perangkat. Pada pengumuman terbaru sebelum peluncuran, Deepinder Goyal memperkenalkan enam opsi desain warna untuk versi awal yang disiapkan. Beragam varian warna ini berpotensi menghadirkan variasi estetika bagi calon pembeli. Perusahaan juga menyiapkan program preorder untuk peluncuran pertama. Anggota daftar tunggu disebut akan didahulukan ketika penjualan tahap pertama tersedia. Meski pengumuman semakin banyak, jadwal preorder belum dipastikan sepenuhnya. Target pengiriman adalah sebelum akhir 2026, tetapi jadwal tersebut masih dapat berubah.
Tidak kalah menarik perhatian, harga wearable Temple masih menimbulkan pertanyaan. Beberapa pemberitaan teknologi melaporkan kemungkinan banderol sekitar tujuh puluh dua ribu rupee, sementara beberapa sumber memberikan estimasi lebih tinggi. Sebagai informasi penting, banderol final belum diumumkan perusahaan. Tidak hanya mempertimbangkan harga unit, pembeli dianjurkan mempertimbangkan kemungkinan biaya langganan. Beberapa laporan menjelaskan bahwa model bisnis mungkin mencakup pembayaran berkala dan biaya komponen adhesif tambahan. Dengan mempertimbangkan kemungkinan tersebut, keputusan pembelian sebaiknya menunggu ketentuan langganan final.
Pentingnya Validasi Ilmiah dan Privasi bagi Pengembangan Temple
Apabila pengukuran perangkat terbukti andal, pendekatan pemantauan di pelipis dapat menghadirkan cara berbeda dalam mengamati sinyal fisiologis. Dalam penggunaan potensial, informasi optik mungkin dipelajari bersama kebiasaan pemulihan. Para ilmuwan berkesempatan mengevaluasi apakah hasil pembacaan Temple berkaitan secara terukur dengan parameter sirkulasi yang diketahui. Namun demikian, korelasi tidak otomatis membuktikan sebab akibat. Sistem pemantauan yang dapat dipercaya memerlukan pengujian pada banyak pengguna sebelum informasinya dianggap setara instrumen medis.
Selain validasi ilmiah, perlindungan data harus diprioritaskan dalam penerapan teknologi pemantauan tubuh. Rekaman sinyal tubuh berpotensi bersifat sensitif. Dengan mempertimbangkan karakter informasi tersebut, pengguna perlu mengetahui bagaimana informasi diproses. Apabila aplikasi menggunakan cloud, pengembang harus menjelaskan mekanisme pengamanan. Selain itu, interpretasi metrik harus transparan. Berkat penjelasan terbuka, pengguna dapat mengambil keputusan lebih tepat. Penerapan sensor kesehatan digital yang baik perlu menyeimbangkan ketelitian pembacaan tanpa mengabaikan keterbatasan penelitian.
Kesimpulan: Sensor Pelipis Temple Menjadi Inovasi Menarik Teknologi Wearable
Kehadiran rancangan wearable terbaru Deepinder Goyal menjadi perkembangan menarik dalam pengembangan sensor fisiologis pribadi. Melalui penggunaan sensor PPG, sistem ini dikembangkan untuk memantau informasi optik yang berkaitan dengan aliran darah. Metrik BrainFlow menjadi fitur yang paling menonjol, sedangkan desain kecil menunjukkan perhatian terhadap kenyamanan pemasangan. Meski produk tersebut menawarkan pendekatan baru, kemampuan pemantauan masih membutuhkan validasi independen. Oleh sebab itu, hasil perangkat tidak sebaiknya digunakan untuk diagnosis.
Pada tahap persiapan distribusi, calon pengguna sebaiknya memperhatikan harga final sebelum mengikuti preorder. Kemungkinan langganan juga perlu diperhitungkan karena struktur pembayaran dapat menentukan biaya jangka panjang. Dalam jangka panjang, Temple berpotensi memberikan wawasan tambahan mengenai sinyal tubuh apabila kemampuannya didukung penelitian independen. Menurut Anda, apakah wearable yang dipasang di pelipis lebih menarik daripada smartwatch? Mari sampaikan pandangan Anda mengenai masa depan teknologi sensor tubuh.
