Kecerdasan buatan

Teknologi Muncul yang Membentuk Masa Depan Perangkat Keras AI

mm
Diterbitkan
Diperbarui
Tambahkan Securities.io ke sumber pilihan Anda di Google
Pengungkapan: Securities.io dapat menerima kompensasi saat Anda memakai tautan ke produk yang kami ulas. Hal ini tidak memengaruhi penilaian editorial kami. Kami bukan penasihat investasi terdaftar; ini bukan saran investasi. Baca pengungkapan afiliasi kami.

Jenis Komputasi Baru

Dengan beberapa tahun terakhir kemajuan eksponensial dalam teknologi AI, pemenang utama adalah pembuat perangkat keras AI. Hal ini karena AI modern, yang sebagian besar menggunakan teknologi jaringan saraf, menggunakan daya komputasi dengan cara yang sangat berbeda dari komputer klasik.

Alih-alih melakukan perhitungan kompleks dengan CPU yang kuat, mereka melakukan ribuan atau jutaan perhitungan sederhana secara paralel.

(Anda dapat mempelajari lebih lanjut tentang bagaimana jaringan saraf ditemukan dan cara kerjanya dalam “Investasi dalam Pencapaian Hadiah Nobel – Jaringan Saraf Buatan, Dasar AI”)

Sejauh ini, kartu grafis, atau GPU (Graphics Processing Units), telah menjadi alat pilihan untuk mengembangkan AI, secara dramatis meningkatkan pendapatan dan keuntungan pemimpin sektor seperti Nvidia (NVDA ).

Pasar perangkat keras AI diperkirakan akan terus tumbuh sangat cepat, dengan CAGR 31,2% dari 2025 hingga 2035

Periode ini juga akan menyaksikan munculnya banyak jenis perangkat keras AI baru, karena GPU yang dipakai untuk perhitungan AI secara bertahap digantikan oleh chip yang dirancang khusus untuk aplikasi ini.

Dalam jangka panjang, bentuk komputasi yang lebih eksotis kemungkinan akan masuk ke pasar perangkat keras AI, mulai dari desain khusus aplikasi hingga chip non-silikon atau bahkan menggunakan neuron biologis yang sebenarnya.

Bagaimana Cara Kerja Pemikiran AI

Perbedaan mendasar antara superkomputer klasik dan AI terletak pada cara data diproses. Alih-alih menyelesaikan perhitungan kompleks, jaringan saraf menciptakan node virtual yang terhubung menjadi sebuah jaringan. Sementara jaringan saraf awal hanya memiliki beberapa lusin node dengan ratusan koneksi, jaringan saraf modern seperti yang digunakan oleh ChatGPT memiliki triliunan kemungkinan koneksi, mencapai tingkat kompleksitas yang tidak jauh berbeda dengan otak manusia.

 

Sumber: Nobel Prize

Metode kalkulus yang berbeda ini memerlukan perangkat keras yang mampu melakukan jutaan operasi secara paralel, meskipun daya komputasi yang didedikasikan untuk masing‑masing operasi relatif kecil.

Untungnya, ini adalah jenis perangkat keras yang telah beroperasi selama bertahun‑tahun, seperti rendering grafis menggunakan GPU, terutama untuk simulasi 3D dan video game, yang juga menggunakan banyak perhitungan kecil secara paralel.

Inilah mengapa pemenang awal (dan saat ini) dalam perlombaan mengamankan cukup chip AI adalah Nvidia, pemimpin pasar GPU.

GPU yang Semakin Cepat

Dengan penemuan algoritma yang lebih efisien dan kemajuan cepat dalam kecerdasan buatan yang mereka ciptakan, aplikasi potensial AI meledak pada tahun 2020-an.

Hal ini memicu perlombaan yang terus meningkat untuk mengamankan cukup perangkat keras, terutama GPU Nvidia pada 2023.

Secara paralel, ekspektasi yang meningkat terhadap potensi aplikasi AI menuntut AI yang semakin cerdas, yang pada gilirannya membutuhkan lebih banyak daya komputasi. Dan sementara mengamankan lebih banyak GPU menjadi solusi, GPU yang lebih baik juga diperlukan.

Industri menjawab, dengan pertumbuhan kinerja sebesar 1.000× dalam kurang dari 8 tahun.

Sumber: NVIDIA

Apakah Ini Akan Bertahan?

Ada tanda bahwa kemajuan kinerja GPU mungkin segera melambat. Pertama, semua peningkatan “mudah”, seperti membuat GPU lebih besar dengan transistor yang lebih kecil dan lebih padat, sudah mencapai batas maksimal. Jadi, perbaikan selanjutnya harus datang dari desain ulang yang lebih radikal dan inovasi.

Masalah sekunder juga mulai menggerogoti industri. Misalnya, GPU yang jauh lebih padat dan kuat menghasilkan banyak panas buang, sampai pada titik di mana menambah lebih banyak akan melelehkan chip.

Panas buang ini juga menandakan banyak energi yang terbuang. Mengamankan pasokan listrik yang stabil dan berkelanjutan menjadi masalah bagi perusahaan AI, di mana semua perusahaan teknologi besar bergegas mengamankan pasokan dari pembangkit nuklir.

Terakhir, komputasi AI menjadi semakin khusus, dengan metodologi berbeda muncul di perusahaan berbeda untuk aplikasi yang berbeda, masing‑masing memiliki persyaratan perangkat keras yang berbeda. Jadi sangat mungkin era GPU serbaguna yang digunakan semua perusahaan AI akan berakhir, meski secara perlahan.

Era Super GPU

Sampai kini, sebagian besar pusat data AI terdiri dari menghubungkan ribuan GPU ke dalam server khusus.

Solusi segera untuk masalah panas berlebih dan konsumsi daya yang meningkat adalah membangun perangkat keras terintegrasi yang melampaui sekadar akumulasi GPU individu.

“Di pusat data saat ini, Anda tidak dapat menempatkan jumlah server NVIDIA H100 atau tray komputasi GB200 Superchip yang sama dalam sebuah kabinet seperti generasi GPU sebelumnya karena kebutuhan daya dan pendinginan yang lebih tinggi.

Langkah besar ke arah itu adalah rilis terbaru Nvidia berupa GB200 NVL72. Perangkat keras ini dirancang untuk berfungsi sebagai satu GPU raksasa, menjadikannya jauh lebih kuat daripada model H100 yang sebelumnya memecahkan rekor.

Efisiensi termal yang ditingkatkan dan penghematan daya memungkinkan kami lebih murah hati dalam menempatkan berapa banyak GPU yang dapat dimuat dalam satu rak—yang berarti lebih banyak GPU untuk pelanggan kami.”

Hal ini juga seharusnya jauh lebih hemat energi, poin penting karena industri AI mungkin akan kehabisan energi sebelum kehabisan chip pada kecepatan pembangunan pusat data AI. Dan lebih banyak efisiensi komputasi & energi berarti lebih sedikit panas buang, yang sementara mengatasi masalah overheating juga.

Sumber: Nvidia

Saat ini, CoreWeave telah menjadi penyedia cloud pertama dengan instance Nvidia GB200 NLV72 yang tersedia secara umum (CRWV ).

(Anda dapat membaca lebih lanjut tentang CoreWeave dan penyediaan komputasi AI cloud bagi perusahaan yang mengembangkan solusi AI dalam “CoreWeave: The Cloud AI Hyperscaler”).

Perangkat Keras AI Non‑GPU

Field Programmable Gate Arrays (FPGAs)

Jenis perangkat keras lain yang digunakan untuk pengembangan AI adalah Field‑Programmable Gate Arrays. FPGA adalah sirkuit terintegrasi yang dapat diprogram ulang untuk melakukan tugas tertentu secara lebih efisien. Mereka bekerja dengan memiliki interkoneksi yang dapat dikonfigurasi antar komponennya.

Hal ini dapat membuat FPGA lebih fleksibel dibandingkan GPU dan memiliki potensi optimasi yang lebih besar pada jenis perhitungan tertentu.

FPGA juga lebih hemat energi dibandingkan GPU. Latensi rendah (waktu respons cepat) mereka membuatnya sangat efisien untuk aplikasi dunia nyata yang memerlukan reaksi cepat.

Namun, FPGA kurang mampu menangani perhitungan yang sangat menuntut daya besar.

Masalah lain adalah bahwa meskipun FPGA dapat diprogram ulang, proses tersebut memakan waktu dan tenaga kerja yang signifikan. Jadi mereka dapat jauh lebih lambat untuk dirancang, dibangun, dan diprogram. Ini bisa menjadi masalah serius dalam bidang yang membuat kemajuan revolusioner setiap 6 bulan.

Ini berarti sejauh ini, kasus penggunaan FPGA terkonsentrasi pada aplikasi AI tertentu, dengan pengembangan umum masih bergantung pada GPU yang kurang efisien tetapi serbaguna:

  • Pemrosesan waktu nyata: ketika data masuk harus diproses cepat, seperti pada pemrosesan sinyal digital, sistem radar, kendaraan otonom, dan telekomunikasi.
  • Percepatan perangkat keras khusus: FPGA yang dapat dikonfigurasi dapat disesuaikan untuk mempercepat tugas pembelajaran mendalam tertentu dan klaster HPC dengan mengoptimalkan tipe data atau algoritma tertentu.
  • Jadi pusat data AI modern mungkin secara bertahap menjadi campuran GPU dan FPGA, dengan masing‑masing perangkat keras didedikasikan untuk sub‑tugas yang paling cocok.
    • Komputasi edge: Ini berarti memindahkan kemampuan komputasi dan penyimpanan lebih dekat ke pengguna akhir, misalnya langsung di dalam mobil atau drone. Dalam kasus ini, konsumsi daya rendah dan ukuran kompak FPGA menjadi keunggulan.

Application‑Specific Integrated Circuits (ASICs)

Sistem ASIC dibangun untuk jenis perhitungan tertentu dan hanya dapat melakukan jenis tersebut. Jadi bukan sekadar chip komputer melainkan sirkuit terintegrasi murni; FPGA kadang disebut ASIC yang dapat diprogram.

Alasan menggunakan ASIC alih‑alih FPGA atau GPU adalah ASIC jauh lebih cepat daripada perangkat logika lainnya. Mereka juga lebih hemat energi dan berukuran lebih kecil.

Inilah mengapa, misalnya, penambang ASIC digunakan dalam penambangan cryptocurrency, dengan desain yang dioptimalkan untuk melakukan jenis perhitungan spesifik yang dibutuhkan.

Sumber: Wevolver

Namun, ASIC jauh lebih kompleks untuk dirancang, sehingga hanya masuk akal mengembangkannya untuk tugas yang akan diulang cukup sering untuk menutupi biaya desain. Secara keseluruhan, ASIC masuk akal secara ekonomi hanya bila dipertimbangkan untuk produksi massal.

Desain khusus juga memerlukan pengetahuan ahli, dan bahasa pemrograman serta pustaka yang banyak dipakai mungkin tidak dapat digunakan.

Kebutuhan desain khusus ini, bagaimanapun, juga dapat menjadi keuntungan karena menciptakan perlindungan properti intelektual (IP) tambahan.

Kasus penggunaan ASIC mirip dengan FPGA: komputasi edge, pengenalan gambar, telekomunikasi, dan pemrosesan sinyal, namun bahkan lebih dari FPGA memerlukan perhitungan yang sering diulang.

Karena tidak fleksibel, ASIC juga tidak mungkin cukup sendiri untuk tugas AI yang kompleks. Namun, mereka dapat diintegrasikan ke dalam sistem perangkat keras AI untuk memberikan efisiensi dan kecepatan lebih.

Perusahaan seperti Etched mengembangkan ASIC yang dirancang khusus untuk melakukan perhitungan transformer (“T” dalam chatGPT).

Sumber: Etched

Chip Neuromorfik

Selain sekadar meningkatkan GPU atau membangun ASIC yang lebih efisien, konsep lain melihat perubahan total cara komputasi dilakukan.

Sebuah ide adalah bahwa jika kita merancang jaringan saraf, kita harus memiliki arsitektur chip yang mencerminkannya.

Inilah ide chip neuromorfik, yang bekerja seperti neuron yang saling terhubung pada level perangkat keras alih‑alih mensimulasikannya melalui persamaan matematika kompleks dan jutaan perhitungan paralel.

Perangkat ini kadang disebut NPUs (Neural Processing Unit), biasanya menggabungkan banyak jenis komponen menjadi satu unit.

Chip neuromorfik sering menggunakan sinyal listrik kompleks, lebih mendekati data analog. Ini berbeda dari komputer “normal” yang menggunakan desain Von Neumann dengan sinyal biner (0 & 1).

Sumber: Tech Target

Banyak metode saat ini sedang dieksplorasi untuk menciptakan chip neuromorfik:

Chip Fotonik

Opsi lain untuk melewati banyak keterbatasan perangkat keras silikon saat ini adalah beralih ke komputer fotonik. Alih‑alih elektron yang membawa informasi, foton dari laser yang melakukannya.

Metode ini memiliki keunggulan jauh lebih tahan terhadap overheating dan cahaya merupakan hal tercepat yang bergerak di alam semesta.

Saat ini, daya tahan komponen fotonik, terutama memori, masih menjadi masalah, tetapi hal ini berubah dengan cepat.

Kemajuan terbaru dalam fotonik meliputi:

Menggunakan Neuron Sebenarnya

Cara lain untuk mendorong AI mencapai performa serupa otak adalah mungkin dengan menggunakan otak itu sendiri.

Jika jaringan saraf yang terbuat dari neuron nyata dapat sangat adaptif dan unggul dalam pengenalan pola di alam, mengapa tidak berhasil dalam konteks buatan?

Pada Maret 2025, konsep ini melangkah lebih jauh dengan rilis oleh Cortical Labs dari CL1, SBI (Synthetic Biological Intelligence) pertama.

Neuron nyata ditumbuhkan dalam larutan nutrisi kaya, menyediakan semua yang mereka butuhkan untuk tetap sehat. Mereka tumbuh melintasi chip silikon, yang mengirim dan menerima impuls listrik ke dalam struktur saraf.

Hal ini benar‑benar mengaburkan batas antara kecerdasan buatan dan alami. Apakah komputer yang terbuat dari neuron nyata masih dianggap buatan?

Kami mengintegrasikan neuron ke dalam biOS dengan campuran silikon keras dan jaringan lunak. Anda dapat terhubung langsung ke neuron ini. Menyebarkan kode langsung ke neuron nyata, dan memecahkan tantangan paling sulit saat ini.

Neuron bersifat self‑programming, fleksibel tak terbatas, dan hasil dari empat miliar tahun evolusi. Apa yang model AI digital habiskan sumber daya besar untuk meniru, kami mulai dengan.

Ini bisa menjadi terobosan nyata jika beberapa teori yang menganggap otak manusia lebih seperti komputer kuantum daripada sistem listrik terbukti benar.

Meskipun masih sangat baru, teknologi ini dapat mendapat dorongan dari kemajuan di bidang terkait, seperti pencetakan 3D organ manusia, termasuk jaringan otak fungsional, serta produksi organoid (mini‑otak) oleh perusahaan seperti Final Spark dan BiologIC.

Antarmuka Otak‑Komputer

Cara lain untuk meningkatkan perangkat keras AI adalah menggunakannya dalam antarmuka langsung dengan jenis superkomputer biologis lain: otak yang sudah berada di dalam tengkorak kita dan melakukan pemikiran.

Pada awalnya, Brain‑Computer Interfaces (BCI) kemungkinan akan digunakan terutama untuk membantu orang yang menderita kondisi neurologis.

Metode baru untuk membuat implant lebih tahan lama dan kurang invasif juga diharapkan membantu.

Dalam jangka panjang, hal ini juga dapat mengaburkan batas antara mesin dan kecerdasan manusia. Jika Anda berpikir sesuatu dengan bantuan AI dalam interaksi langsung melalui BCI, siapa sebenarnya yang berpikir?

Namun, karena kekhawatiran etika dan keamanan, ini kemungkinan merupakan teknologi yang paling jauh, meskipun banyak karya fiksi ilmiah seperti Altered Carbon, Neuromancer, atau Cyberpunk 2077 sudah membayangkannya.

(Kami membahas perusahaan paling menonjol di bidang ini dalam “5 Perusahaan Antarmuka Otak‑Komputer (BCI) Terbaik”).

Berapa Banyak Komputasi yang Sebenarnya Diperlukan?

DeepSeek

Selama bertahun‑tahun, setiap perusahaan AI berlomba menambah komputasi sebanyak mungkin secepatnya, dengan asumsi bahwa lebih banyak selalu lebih baik.

Hal ini ditantang oleh kedatangan brutal perusahaan AI China DeepSeek. Dengan model yang 10‑100× lebih efisien daripada pesaingnya, dan biaya hanya 3%‑5% untuk kinerja setara atau lebih unggul, DeepSeek menantang kebutuhan akan lebih banyak daya komputasi untuk membangun AI yang lebih baik.

Alasan utama DeepSeek sangat fokus pada efisiensi model adalah keterbatasan akses perusahaan AI China ke chip AI. Hal ini terlihat ketika tak lama setelah peluncuran terungkap bahwa model AI dari perusahaan China lain tampil mengesankan: Qwen milik Alibaba, Kimi milik Moonshot AI, Doubao milik ByteDance, atau Ernie Bot milik Baidu.

Seperti pepatah mengatakan, “Kebutuhan adalah ibu dari penemuan”.

Diperkirakan dalam beberapa tahun mendatang, fokus ganda pada kinerja lebih baik dan efisiensi lebih tinggi akan mendominasi industri AI.

Namun, ini tidak berarti bahwa lebih banyak komputasi tidak akan menghasilkan hasil yang lebih baik. Cukup, ini bukan satu‑satunya jalan menuju kesuksesan di industri AI, dan perusahaan yang sangat didanai seperti OpenAI mungkin sedikit terlalu santai dalam pengeluarannya.

Saat ini, sebagian besar AI masih dalam tahap kerja‑in‑progress dan desain eksperimental dengan aplikasi terbatas. Semakin banyak AI diintegrasikan ke dalam alur kerja jutaan perusahaan di seluruh dunia, semakin besar kebutuhan komputasi AI.

Dan semakin banyak komputasi yang dibutuhkan, semakin tinggi permintaan akan perangkat keras yang lebih efisien dan kurang intensif energi.

Jadi seperti pada komputasi tradisional, kita dapat mengasumsikan pasar akan terus menuntut chip yang terus‑menerus ditingkatkan, terutama karena AI mungkin segera menjadi salah satu konsumen energi terbesar di dunia.

EdgeAI & AI PCs

Efek lain dari munculnya DeepSeek dan model AI China lainnya dengan kebutuhan komputasi lebih rendah adalah bahwa model AI, terutama yang “distilled”, kini dapat dijalankan pada mesin individu kelas atas, alih‑alih pusat data AI berskala gigawatt.

Hal ini membenarkan pendukung EdgeAI, yang berargumen bahwa banyak komputasi AI perlu dilakukan “di lokasi”, bukan hanya di cloud.

Karena DeepSeek adalah model sumber terbuka, ini juga membuka jalan bagi banyak eksperimen individu dengan komputer AI: cukup kuat untuk menjalankan model AI, namun murah dan kecil sehingga dapat dibeli oleh individu. Secara keseluruhan, ini tidak mengurangi permintaan komputasi AI, melainkan mungkin menghasilkan proses yang lebih terdesentralisasi untuk mengembangkan dan menggunakan aplikasi AI.

Jadi AI PC kemungkinan akan menjadi tren besar baru dalam membangun PC, dengan media khusus sudah membahas secara detail pertanyaan tersebut dan merek mana yang terbaik terutama karena AI semakin masuk ke hampir semua produk teknologi perusahaan, termasuk Microsoft (MSFT ), Copilot yang hampir merata di Windows OS dan perangkat lunak lain milik perusahaan tersebut.

Kesimpulan

Dari GPU gaming, perangkat keras untuk AI berkembang dengan cepat. Ini dimulai dengan GPU yang dirancang untuk AI dan berkembang menjadi “super GPU” yang dirancang dari nol untuk cocok dalam pusat data AI dengan konsumsi energi dan produksi panas yang lebih rendah.

Langkah selanjutnya kemungkinan adalah integrasi lebih lanjut antara GPU umum dengan ASIC dan chip FPGA untuk melakukan tugas AI spesifik dengan kebutuhan daya dan ruang yang lebih sedikit.

Ke depan, taruhan berada pada teknologi mana yang akan menjadi pemenang komputasi AI: chip neuromorfik, fotonik, spintronik, atau bahkan neuron biologis yang dilatih untuk berinteraksi dengan substrat silikon, dan mungkin AI yang berinteraksi langsung dengan otak kita melalui antarmuka langsung.

Untuk semua teknologi ini, pasti pertumbuhan eksplosif kapasitas AI dan pertumbuhan aplikasi yang terkait akan terus menjaga permintaan akan perangkat keras AI yang lebih banyak dan lebih baik.

Jadi meskipun model AI yang lebih efisien muncul di pasar, seperti DeepSeek, lonjakan permintaan AI PC dapat menjadi indikator bahwa perangkat keras AI kemungkinan akan tetap relatif terbatas dibandingkan permintaan dalam beberapa tahun mendatang.

Pemimpin dalam Perangkat Keras AI

Nvidia

NVDA Grafik Harga

NVIDIA telah berkembang dari perusahaan semikonduktor niche yang mengkhususkan diri pada kartu grafis menjadi raksasa teknologi di garis depan revolusi AI dan kebutuhan perangkat keras yang masif.

Hal ini tercapai melalui pengembangan CUDA, antarmuka pemrograman tujuan umum untuk GPU NVIDIA, membuka pintu bagi penggunaan selain gaming.

“Peneliti menyadari bahwa dengan membeli kartu gaming yang disebut GeForce, Anda menambahkannya ke komputer, Anda pada dasarnya memiliki superkomputer pribadi. Molekular dinamika, pemrosesan seismik, rekonstruksi CT, pemrosesan gambar—banyak hal berbeda.”

Jensen Huang, dalam wawancara dengan Sequoia
Adopsi GPU yang lebih luas, dan khususnya perangkat keras NVIDIA, menciptakan loop umpan balik positif berdasarkan efek jaringan: semakin banyak penggunaan, semakin banyak pengguna akhir dan programmer yang familiar, semakin banyak penjualan, semakin besar anggaran R&D, semakin cepat percepatan kecepatan komputasi, semakin banyak penggunaan, dll.

Sumber: Nvidia

Saat ini, basis terpasang mencakup ratusan juta GPU CUDA.

Satu hal luar biasa tentang evolusi daya komputasi AI adalah bahwa ia mengikuti hukum eksponensial alih‑alih hukum Moore yang lebih linear untuk CPU. Ini karena tidak hanya perangkat keras GPU yang menjadi lebih baik, tetapi daya pemrosesan yang dibutuhkan menurun berkat perbaikan radikal dalam cara jaringan saraf dilatih.

Selain menjadi pemimpin dalam GPU dan AI, NVIDIA juga sangat aktif mengembangkan komputasi kuantum sebagai mesin pertumbuhan baru.

Serupa dengan bagaimana mereka meluncurkan CUDA untuk aplikasi jaringan saraf, Nvidia telah merilis CUDA‑Q untuk komputasi kuantum, menawarkan sistem cloud kuantum di mana Anda dapat menyewa kapasitas komputasi kuantum NVIDIA melalui layanan cloud.

Sumber: NVIDIA

Ini juga mencakup teknologi seperti cuQuantum NVIDIA untuk peneliti meniru komputer kuantum, cuPQC untuk enkripsi kuantum, dan DGX Quantum untuk integrasi komputasi klasik dan kuantum.

Secara keseluruhan, NVIDIA berada di garis depan membangun ekosistem komputasi kuantum, memanfaatkan posisinya sebagai pemimpin dalam AI dan perangkat keras AI.

Sumber: NVidia

Dengan posisi kuat dalam AI, penambangan kripto, dan mungkin segera komputasi kuantum, Nvidia sangat baik diposisikan untuk menjadi salah satu perusahaan perangkat keras komputasi dominan dalam dekade mendatang.

Anda dapat membaca lebih lanjut tentang sejarah Nvidia, model bisnis, dan inovasinya dalam “NVIDIA (NVDA) Spotlight: Dari Raksasa Grafis ke Titan AI”.

Berita Terbaru tentang NVIDIA

mm

Jonathan adalah mantan peneliti biokimia yang bekerja dalam analisis genetik dan uji klinis. Ia kini menjadi analis saham dan penulis keuangan dengan fokus pada inovasi, siklus pasar, dan geopolitik dalam publikasinya 'The Eurasian Century'.