اینتل با تکرار حرکت AMD، بدنبال تقویت کارت گرافیک‌های داخلی است

شرکت اینتل قابلیت جدیدی را به سیستم‌های Core Ultra خود اضافه کرده است که یادآور یک اقدام مشابه از شرکت ای‌ام‌دی است. این ویژگی که با نام تخصیص حافظه مشترک پردازشگر گرافیکی شناخته می‌شود، به کاربران اجازه می‌دهد حافظه رم اضافی سیستم را برای استفاده توسط پردازشگر گرافیکی یکپارچه اختصاص دهند.

به گزارش سرویس سخت افزار رسانه اخبار فناوری جهان تکنا، این پیشرفت برای دستگاه‌هایی طراحی شده است که به راه‌حل‌های یکپارچه و نه پردازشگرهای گرافیکی مجزا متکی هستند؛ دسته‌ای که بسیاری از لپ‌تاپ‌های کوچک و مدل‌های ایستگاه کاری همراه را شامل می‌شود. باب دافی، که رهبری بخش ترویج گرافیک و هوش مصنوعی در اینتل را بر عهده دارد این به روزرسانی را تأیید کرد و توصیه کرد که جدیدترین درایورهای اینتل آرک برای فعال‌سازی این عملکرد لازم هستند. این تغییر به عنوان راهی برای افزایش انعطاف‌پذیری سیستم، به ویژه برای کاربرانی که به ابزارهای هوش مصنوعی و وظایفی که به دسترسی حافظه وابسته هستند، علاقه‌مندند، معرفی شده است.

معرفی حافظه مشترک اضافی به طور خودکار برای هر برنامه‌ای مفید نیست، زیرا آزمایش‌ها نشان داده‌اند که برخی از بازی‌ها ممکن است با وجود حافظه بیشتر، بافت‌های بزرگ‌تری را بارگذاری کنند که می‌تواند به جای بهبود، باعث افت عملکرد شود. ویژگی قبلی ای‌ام‌دی با نام حافظه گرافیکی متغیر عمدتاً به عنوان یک بهبود در بازی‌ها، به ویژه در ترکیب با قابلیت AFMF، معرفی شده بود.

این ترکیب اجازه می‌داد دارایی‌های بیشتری از بازی به طور مستقیم در حافظه ذخیره شوند که گاهی اوقات باعث افزایش قابل‌ملاحظه عملکرد می‌شد، هرچند تأثیر آن یکسان نبود و نتایج بسته به نرم‌افزار مورد نظر متفاوت بود. اتخاذ یک سیستم قابل مقایسه توسط اینتل نشان می‌دهد که این شرکت مشتاق است رقابتی باقی بماند، هرچند شک و تردیدهایی در مورد اینکه این ویژگی تا چه اندازه به کاربران عادی سود می‌رساند، وجود دارد. در حالی که گیمرها ممکن است نتایج متفاوتی را تجربه کنند، افرادی که با مدل‌های محلی کار می‌کنند می‌توانند از رویکرد اینتل سود بیشتری ببرند.

اجرای مدل‌های زبان بزرگ به صورت محلی به طور فزاینده‌ای رایج شده است و این وظایف اغلب توسط حافظه در دسترس محدود می‌شوند. با گسترش حجم رم در دسترس برای گرافیک یکپارچه، اینتل سیستم‌های خود را به گونه‌ای آماده می‌کند تا مدل‌های بزرگ‌تری را مدیریت کنند که در غیر این صورت محدود می‌شدند. این امر ممکن است به کاربران اجازه دهد بخش بیشتری از مدل را به حافظه گرافیکی اختصاص دهند که باعث کاهش گلوگاه‌ها و بهبود ثبات در هنگام اجرای ابزارهای هوش مصنوعی می‌شود. برای محققان و توسعه‌دهندگانی که به پردازشگر گرافیکی مجزا دسترسی ندارند، این می‌تواند یک بهبود متوسط اما مفید باشد.