Konfigurasi Jalur PCIe pada Motherboard Z890 untuk Kebutuhan AI
Membangun sistem AI/Deep Learning dengan dual-GPU pada platform Z890 dan prosesor Intel Core Ultra 9 285K memerlukan pemahaman mendalam tentang pembagian jalur data (PCIe lanes). Berikut adalah analisis teknis terkait konfigurasi RTX 5060, RTX 4060, dan keterkaitannya dengan NVMe.
1. Distribusi Jalur PCIe dan Bandwidth
Prosesor Intel Core Ultra 9 285K menyediakan jalur PCIe yang terbatas untuk segmen konsumen. Dalam skenario penggunaan dua kartu grafis pada motherboard Gigabyte Z890 AORUS ELITE:
- GPU Utama (RTX 5060): Berjalan pada jalur PCIe 5.0/4.0 x16 langsung dari CPU. Ini adalah jalur tercepat untuk transfer data dataset ke VRAM.
- GPU Kedua (RTX 4060): Biasanya terhubung melalui Chipset Z890 dengan kecepatan x4. Dalam tugas AI, ini tetap fungsional namun memiliki latensi lebih tinggi dibandingkan slot utama.
2. Potensi Konflik dengan NVMe SSD
Salah satu kekhawatiran utama adalah apakah GPU akan berebut jalur dengan penyimpanan NVMe. Jawabannya tergantung pada slot yang digunakan:
- Slot M.2 Utama: Memiliki jalur dedikasi sendiri dari CPU, sehingga tidak akan mengganggu performa GPU utama.
- Slot M.2 Tambahan: Karena GPU kedua berjalan melalui chipset, penambahan banyak NVMe di slot chipset akan berbagi bandwidth DMI (jalur penghubung chipset ke CPU). Namun, untuk penggunaan harian AI, penurunan performa ini hampir tidak terasa.
3. Relevansi x16/x16 untuk Deep Learning
Banyak praktisi AI mencari konfigurasi x16/x16 murni. Namun, pada platform mainstream (Z890/Z790), hal ini secara fisik tidak dimungkinkan tanpa beralih ke platform Workstation (HEDT). Meskipun demikian, untuk Deep Learning:
- VRAM adalah Prioritas: Memiliki total 32GB VRAM (16GB + 16GB) jauh lebih penting daripada kecepatan jalur PCIe, karena memungkinkan pemuatan model LLM yang lebih besar.
- Bottleneck Minimal: Jalur x4 atau x8 hanya memperlambat proses loading data ke GPU, tetapi tidak mempengaruhi kecepatan komputasi di dalam inti CUDA/Tensor saat model sedang dilatih.
Kesimpulan dan Rekomendasi
Konfigurasi Anda sangat layak untuk entry-to-mid level AI Research. Untuk hasil optimal di Ubuntu:
- Gunakan slot M.2 pertama untuk dataset yang paling sering diakses.
- Pastikan Power Supply (PSU) minimal 850W-1000W untuk menangani lonjakan daya dari Ultra 9 dan dua GPU.
- Jika di masa depan Anda membutuhkan x16/x16 murni, pertimbangkan untuk beralih ke platform AMD Threadripper (TRX50) atau Intel Xeon (W790).
