CUDA di GPU AMD Windows Kini Bisa, tapi Ada Catatan Penting

Telset.id – Pengguna GPU AMD di Windows kini punya jalur alternatif untuk menjalankan perangkat lunak yang selama ini eksklusif CUDA milik NVIDIA. Proyek open-source bernama “CUDA-for-AMD-Windows” dari Speedstu berhasil membuktikan bahwa beban kerja yang terkunci pada CUDA dapat dijalankan di perangkat keras AMD tanpa virtualisasi maupun dual-booting.

Kemampuan ini menjadi penting karena dengan pembaruan ROCm terbaru, AMD akhirnya menghadirkan dukungan resmi PyTorch dan HIP SDK untuk Windows pada GPU konsumen, mencakup penuh seri Radeon RX 7000 dan RX 9000. Namun, dukungan resmi tersebut hanya berlaku untuk framework native. Ketika pengembang ingin menjalankan aplikasi proprietary, repositori lama, atau alat AI khusus yang hanya mendukung CUDA, masalah kompatibilitas tetap muncul.

Di titik inilah proyek CUDA-for-AMD-Windows menawarkan solusi. Alih-alih membangun runtime baru, proyek ini merupakan setup PowerShell yang sangat otomatis dan reproducible, menjembatani ZLUDA dengan HIP/ROCm SDK native AMD untuk Windows. Melalui serangkaian skrip, toolkit ini mendeteksi arsitektur GPU pengguna secara otomatis, mengambil versi ZLUDA yang dipin secara spesifik (v6-preview.69), dan memetakannya ke pustaka matematika ROCm yang sudah ada di Windows.

Pustaka yang Berhasil Dipetakan dan Batasannya

Hasilnya, pengembang berhasil mencegat dan memetakan CUDA driver API serta pustaka cuBLAS, cuSPARSE, dan cuFFT langsung ke padanan AMD-nya. Sebagai proof-of-concept, penulis proyek bahkan melatih jaringan reinforcement learning PPO berparameter 2,2 juta secara end-to-end menggunakan pustaka CUDA yang tidak dimodifikasi pada AMD Radeon RX 9060 XT, yang saat ini menjadi satu-satunya GPU yang didukung secara resmi.

Meski demikian, ada batasan yang perlu dipahami. Pustaka penting seperti cuDNN belum berfungsi, begitu pula TensorRT dan NCCL yang belum terselesaikan. Artinya, kompatibilitas sangat bergantung pada beban kerja. Jika alat AI spesifik Anda bergantung pada cuDNN, setup ini akan gagal. Perlu dicatat juga bahwa ZLUDA sendiri kini dirawat sebagai “proyek hobi akhir pekan” setelah kehilangan dukungan komersialnya untuk kedua kalinya.

Bagi pengembang yang ingin bereksperimen dengan alat CUDA-only secara native di mesin Windows harian mereka tanpa harus berurusan dengan masalah passthrough WSL2 atau menunggu penulis asli menulis port HIP, proyek ini menawarkan pipeline terjemahan yang sangat diinginkan. Proyek ini berfungsi semacam adapter untuk perangkat lunak yang keras kepala menuntut kartu NVIDIA.

Hasil Benchmark dan Kinerja

Pengujian benchmark dalam dokumentasi proyek menawarkan temuan menarik. Dalam uji A/B terkontrol yang menjalankan beban kerja reinforcement learning berparameter 2,2 juta pada Radeon RX 9060 XT, “public upstream path” yang mengandalkan rilis ZLUDA resmi dan HIP SDK 6.4 bawaan AMD mencapai throughput median 13.278 langkah per detik (SPS).

Sebaliknya, “recovered custom overlay” opsional yang tampaknya dibangun dari binari ZLUDA legacy yang diselamatkan berjalan sedikit lebih buruk pada 12.876 SPS, sekitar 3% lebih lambat. Meski setup resmi yang bersih lebih cepat, penulis mencatat bahwa “penulisan ulang selanjutnya menghapus LibTorch/ZLUDA dari PPO dan mencapai throughput yang jauh lebih tinggi”, menandakan masih ada penalti kinerja untuk tumpukan penerjemah ini.

Data benchmark lengkap menunjukkan overall SPS median 13.278,46 untuk public upstream versus 12.875,80 untuk recovered custom, selisih -3,03%. Overall SPS mean tercatat 13.172,49 berbanding 12.649,83, selisih -3,97%. Collection SPS median 63.306,00 berbanding 59.360,67, selisih -6,23%. Consumption SPS median 16.806,36 berbanding 16.445,66, selisih -2,15%. Inference time median 0,5863 detik berbanding 0,6293 detik, selisih +7,33%. Sementara PPO learn time median 3,2076 detik berbanding 3,2958 detik, selisih +2,75%.

Sebelum menyimpulkan bahwa parit CUDA resmi terkuras, penting untuk menetapkan ekspektasi realistis. Pertama, ini adalah proyek open-source solo, bukan solusi kelas enterprise. Penulis sangat transparan tentang cakupannya yang sempit. Mengandalkan pipeline ini untuk pekerjaan tingkat produksi tetap merupakan risiko besar. Repositori ini adalah alat untuk tinkerer, bukan strategi deployment IT korporat.

Meski memiliki keterbatasan tersebut, CUDA-for-AMD-Windows cukup menarik karena membuktikan bahwa hambatan untuk menjalankan perangkat lunak eksklusif CUDA di GPU AMD bukanlah cacat perangkat keras yang tidak dapat diatasi, melainkan masalah tooling penerjemahan yang relatif dapat ditangani. Karena proyek ini sepenuhnya open-source, potensinya melampaui proof-of-concept awal ini. Dengan kontribusi komunitas, kita bisa melihat deteksi perangkat keras yang diperluas dan patch cerdas untuk membuat lebih banyak pustaka CUDA yang keras kepala terselesaikan dengan benar.

Bagi pengguna yang mengikuti perkembangan teknologi AI enterprise, dinamika adopsi solusi seperti ini menarik untuk dicermati. Ada baiknya juga melihat bagaimana Investasi AI Enterprise berinteraksi dengan ketersediaan tooling di lapangan. Selain itu, tren inovasi perangkat pintar seperti yang dibahas dalam Privasi Lebih Baik menunjukkan bagaimana ekosistem teknologi terus bergerak.

Yang jelas, proyek ini menegaskan bahwa hambatan adopsi CUDA di perangkat keras AMD bukanlah tembok yang mustahil, melainkan persoalan tooling yang masih terbuka untuk dipecahkan oleh komunitas. Dengan sifatnya yang sepenuhnya open-source, perkembangan selanjutnya akan sangat bergantung pada kontribusi para pengembang yang ingin memperluas kompatibilitas dan memoles kinerja pipeline ini.