Berinvestasi pada Pencapaian Hadiah Nobel – Jaringan Saraf Tiruan, Dasar AI

Sejarah Hadiah Nobel

Hadiah Nobel adalah penghargaan paling bergengsi di dunia ilmiah. Hadiah ini dibuat sesuai wasiat Tuan Alfred Nobel untuk memberikan hadiah “kepada mereka yang, selama tahun sebelumnya, telah memberikan manfaat terbesar bagi umat manusia” dalam bidang fisika, kimia, fisiologi atau kedokteran, sastra, dan perdamaian.

Hadiah keenam kemudian dibuat untuk ilmu ekonomi oleh bank sentral Swedia, secara resmi disebut Hadiah dalam Ilmu Ekonomi, yang lebih dikenal sebagai Hadiah Nobel dalam Ekonomi.

Keputusan tentang siapa yang diberikan hadiah tersebut berada di tangan beberapa institusi akademik Swedia.

Keprihatinan Warisan

Keputusan untuk menciptakan Hadiah Nobel datang kepada Alfred Nobel setelah ia membaca obituari dirinya sendiri, akibat kesalahan sebuah surat kabar Prancis yang salah mengartikan berita kematian saudaranya. Berjudul “Pedagang Kematian Telah Meninggal”, artikel Prancis itu menyoroti Nobel karena penemuannya pada bahan peledak tanpa asap, di mana dinamit adalah yang paling terkenal.

Penemuannya sangat berpengaruh dalam membentuk perang modern, dan Nobel membeli sebuah pabrik besi dan baja besar untuk menjadikannya produsen persenjataan utama. Karena ia pertama kali adalah seorang kimiawan, insinyur, dan penemu, Nobel menyadari bahwa ia tidak ingin warisannya menjadi seorang yang diingat karena menghasilkan kekayaan dari perang dan kematian orang lain.

Hadiah Nobel

Saat ini, Kekayaan Nobel disimpan dalam sebuah dana yang diinvestasikan untuk menghasilkan pendapatan guna membiayai Yayasan Nobel serta medali hijau berlapis emas, diploma, dan hadiah uang sebesar 11 juta SEK (sekitar $1 juta) yang diberikan kepada para pemenang.

Sumber: Britannica

Seringkali, uang Hadiah Nobel dibagi antara beberapa pemenang, terutama di bidang ilmiah di mana umum terdapat 2 atau 3 tokoh utama yang berkontribusi bersama atau paralel pada penemuan terobosan.

Hadiah Nobel dalam Komputasi?

Biasanya, Hadiah Nobel dalam Fisika diberikan kepada penemuan tentang sifat dasar alam semesta, seperti lubang hitam (2020) atau eksoplanet (2019). Hadiah ini juga dapat dimenangkan karena kemajuan penting dalam ilmu material, seperti titik kuantum (2023), laser (2018), atau LED (2014).

Tetapi pemenang tahun ini sedikit lebih tidak konvensional, dengan fokus pada analisis data. Lebih tepatnya, penghargaan diberikan kepada Geoffrey Hinton dan John Hopfield atas kontribusi mereka dalam menciptakan jaringan saraf tiruan.

Sumber: Nobel Prize

Ini adalah Hadiah Nobel yang sangat mutakhir, dengan jaringan saraf sebagai teknologi inti yang bertanggung jawab atas sebagian besar kemajuan AI dalam beberapa tahun terakhir, termasuk LLM, tetapi juga visi mesin (termasuk untuk kendaraan otonom), dan AI teknis yang digunakan dalam penemuan obat baru, ilmu material, dll.

Apa Itu Jaringan Saraf?

Chip vs Neuron

Ketika komputer diciptakan, harapan dengan cepat tumbuh bahwa mereka dapat berkembang hingga memiliki kapasitas intelektual mirip manusia. Tetapi dalam praktiknya, meskipun komputer menjadi semakin mengesankan dalam perhitungan, dan kemudian dalam generasi gambar, mereka tetap “bodoh” ketika harus melakukan penalaran sebenarnya.

Secara besar, ini karena chip komputer sangat berbeda dari neuron yang membentuk otak. Sementara chip silikon dapat melakukan jutaan perhitungan biner (0 atau 1) dengan sangat cepat, neuron lebih merupakan sinyal analog, dengan banyak kompleksitas dan “noise” dalam sinyalnya.

Jadi komputer membutuhkan pemrograman yang tepat untuk melakukan perhitungan, mereka tidak benar‑benar “belajar” apa‑apa dan hanya mengikuti instruksi yang dikodekan secara harfiah.

Jaringan saraf berbeda. Mereka dapat menangani masalah yang terlalu samar dan rumit untuk dikelola dengan instruksi langkah‑demi‑langkah. Salah satu contoh adalah menafsirkan sebuah gambar untuk mengidentifikasi objek-objek di dalamnya, sesuatu yang komputer secara tradisional sangat buruk, sehingga muncul tes “Apakah Anda manusia?” pada beberapa situs web.

Sumber: Google

Bagaimana Neuron Bekerja

Neuron pada dasarnya tidak mengikuti pemrograman ketat yang telah ditetapkan sebelumnya. Sebaliknya, mereka berfungsi melalui loop umpan balik yang memperkuat pola koneksi.

Cara kerjanya adalah neuron memperkuat koneksi ke neuron lain ketika mereka bekerja bersama. Ini menimbulkan gagasan untuk mensimulasikan dalam komputer cara kerja neuron, dengan banyak node yang saling terhubung.

Koneksi antar node dapat dibuat lebih kuat atau lebih lemah, membentuk proses yang disebut “pelatihan”, yang hingga kini masih menjadi inti pembuatan AI terbaru.

Sumber: Nobel Prize

Gagasan ini terasa menjanjikan, tetapi untuk beberapa waktu, daya komputasi yang dibutuhkan tampak terlalu tinggi, terutama bagi komputer primitif pada tahun 1960‑an dan 1970‑an.

Bagaimana Memori Manusia Bekerja

Ketika kita mengingat atau mengenali sesuatu, kita tidak melakukan perhitungan matematis yang sempurna terhadap warna setiap piksel gambar. Sebaliknya, kita iterasi dari data parsial, mencoba mengaitkannya dengan sesuatu yang sudah dikenal, dan mengidentifikasi pola yang dapat dikenali.

Fisikawan John Hopfield menciptakan pada tahun 1982 jaringan Hopfield, sebuah metode untuk menyimpan dan merekonstruksi pola.

Memulai dengan Fisika

Ia mulai dengan memperhatikan bahwa properti kolektif dalam banyak sistem fisik tahan terhadap perubahan detail model. Secara khusus, material magnetik memperoleh karakteristik khususnya berkat spin atom – sebuah properti yang membuat setiap atom menjadi magnet kecil.

Properti material yang lebih besar berasal dari spin tiap atom yang memodifikasi spin di sekitarnya, sehingga semua spin berakhir mengarah ke arah yang sama. Modelnya menggambarkan fenomena tersebut menggunakan node yang saling memengaruhi.

Demikian pula, sebuah gambar dapat direkam sebagai kisi node, masing‑masing dengan nilai 0 atau 1 (hitam atau putih).

Jika Anda membandingkan gambar terdistorsi dengan kisi asli ini, Anda dapat menghitung seberapa banyak tiap node gambar terdistorsi berbeda. Tetapi dengan “mendorong” node terdistorsi lebih dekat ke posisi yang masuk akal, seperti lereng dalam lanskap yang telah ditetapkan, Anda sering dapat merekonstruksi gambar asli meski ada distorsi.

Jadi Hopfield telah menciptakan sesuatu yang primitif, tetapi berfungsi untuk koreksi kesalahan atau penyelesaian pola, sesuatu yang biasanya tidak dapat dilakukan komputer karena mereka terikat pada pemrograman ketat.

Sumber: Nobel Prize

Dengan daya komputasi yang cukup, tiap node dapat menyimpan nilai apa pun, tidak hanya hitam & putih. Misalnya, dapat berupa angka yang merepresentasikan warna tepat, sebagaimana gambar dibuat secara digital.

Ia juga dapat merepresentasikan semua jenis data, bukan hanya gambar, menciptakan model memori asosiasi tiruan yang fungsional.

Menggunakan Asosiasi untuk Memahami

Bahkan hewan sederhana atau anak kecil dapat melakukan pengenalan pola jauh lebih baik daripada komputer canggih, seperti mengidentifikasi gambar yang berisi anjing, kucing, atau tupai. Ini dilakukan tanpa pemahaman tingkat tinggi tentang konsep seperti hewan, mamalia, atau spesies.

Dan mungkin yang lebih penting, hal ini dapat dicapai dengan data dan pengalaman awal yang sangat terbatas, bukan dengan katalog miliaran gambar hewan dalam semua pose, warna, bentuk, atau variasi yang mungkin.

Analog daripada Biner

Karena node dapat berisi data apa pun, mereka dapat digunakan untuk data kontinu, seperti fenomena sepanjang waktu.

Ini juga memungkinkan perhitungan efisien interaksi antara sistem kompleks, di mana respons terhadap rangsangan lebih bersifat statistik daripada biner ya/tidak. Hal ini menghemat konsumsi energi dan daya komputasi dibandingkan komputasi tradisional untuk jenis masalah ini.

Dan dengan menambah lebih banyak node, kompleksitas dapat ditambahkan secara progresif ke model.

Mesin Boltzmann

Geoffrey Hinton, bersama Terrence Sejnowski dan rekan‑rekannya, bekerja memperbaiki dan memperluas konsep model Hopfield.

Hinton menggunakan ide‑ide dari fisika statistik, sebuah bidang yang menggambarkan hal‑hal dengan banyak elemen seperti gas atau cairan. Karena komponen individual terlalu banyak, satu‑satunya cara memodelkan perilakunya adalah menggunakan ekspektasi statistik, bukan perhitungan “fisika keras” dari suhu, lokasi, kecepatan tiap molekul, dll.

Untuk menambah kapasitas tersebut ke model Hopfield, ia menambahkan lapisan “tersembunyi” tambahan di antara lapisan terlihat yang sebelumnya melakukan perhitungan sendiri. Walaupun tidak terlihat, node tersembunyi berkontribusi pada tingkat energi node lain dan sistem secara keseluruhan.

Sumber: Nobel Prize

Mereka menamai konsep ini “mesin Boltzmann”, untuk menghormati Ludwig Boltzmann, seorang fisikawan abad ke‑19 yang mengembangkan mekanika statistik, dasar fisika statistik.

Sumber: Wikipedia

Mesin Boltzmann Terbatas

Dalam desain aslinya, mesin Boltzmann terlalu kompleks untuk menjadi berguna secara praktis. Versi yang disederhanakan dikembangkan, di mana tidak ada koneksi antar node pada lapisan yang sama.

Sumber: Nobel Prize

Hal ini membuat mesin jauh lebih efisien, sambil tetap mampu melakukan pengenalan pola yang kompleks.

Perbaikan tambahan adalah proses “pra‑pelatihan” jaringan saraf, dengan serangkaian mesin Boltzmann berlapis, satu di atas yang lain.

Ini meningkatkan titik awal jaringan saraf, memperbaiki kemampuan pengenalan polanya.

Dampak pada Jaringan Saraf Modern

Baik Hopfield maupun Hinton telah membangun ide‑ide fundamental di balik jaringan saraf, serta matematika dan alat untuk memanfaatkannya.

Namun baru pada tahun 2010‑an daya komputasi cukup berkembang sehingga jaringan saraf dapat menjadi besar dalam kesadaran mainstream.

Karena versi modern mesin Boltzmann menggunakan begitu banyak lapisan terhubung, mereka disebut “jaringan saraf dalam”. Untuk memberi perspektif tentang evolusi bidang ini, Hopfield menggunakan model 30‑node dalam publikasi 1982‑nya, menghasilkan 435 kemungkinan koneksi. Ini menghasilkan sekitar 500 parameter yang harus dilacak.

Pada saat itu, komputer tidak dapat menangani model 100‑node yang masih bersifat tentatif. Model LLM (Large Language Models) saat ini, dasar alat seperti ChatGPT, menggunakan satu triliun parameter dan terus meningkatkan kebutuhan komputasinya.

Aplikasi

Fisika Fundamental

Seperti banyak Hadiah Nobel lainnya dalam Fisika, jaringan saraf merupakan penemuan yang mempercepat penemuan baru lainnya.

Sebagai contoh, mereka telah digunakan untuk menyaring dan memproses data besar yang diperlukan untuk menemukan partikel Higgs (Peter Higgs menerima Hadiah Nobel Fisika pada 2013). Mereka juga telah digunakan dalam penelitian pemenang Hadiah Nobel lainnya, seperti pengukuran gelombang gravitasi dari lubang hitam yang bertabrakan atau pencarian eksoplanet.

Fisika Terapan

Material dan fenomena dunia nyata sering terlalu kompleks untuk dimodelkan hanya dengan model sebab‑akibat pada level partikel individu.

Jika dibandingkan, basis jaringan saraf dalam fisika statistik memungkinkan fleksibilitas yang jauh lebih besar, dan dapat langsung memberikan jawaban yang tepat atau “menunjuk” ilmuwan ke arah yang benar.

Hal ini kini rutin diterapkan oleh lembaga riset terkemuka untuk, misalnya, menghitung struktur dan fungsi molekul protein, atau menentukan versi material baru mana yang memiliki properti terbaik untuk sel surya atau baterai yang lebih efisien.

LLM

Tentu saja, tidak ada pembahasan tentang aplikasi jaringan saraf yang lengkap tanpa membicarakan LLM, inti kegilaan AI beberapa tahun terakhir sejak peluncuran ChatGPT pada 2022.

Secara besar, ini karena generasi bahasa mirip manusia, “merasakan” seperti orang sungguhan, lama dianggap sebagai tes untuk menilai apakah AI benar‑benar cerdas (Uji Turing).

Kecerdasan LLM diperdebatkan secara sengit, mulai dari pendapat antusias AI (atau doom‑mongers) yang mengharapkan kecerdasan sejati dan singularitas teknologi kapan saja, hingga yang melihatnya sebagai trik semata yang tidak dapat memberikan hasil berguna.

Meskipun begitu, mereka memiliki beragam aplikasi, terutama di mana mereka dapat melakukan tugas murah yang kini dikerjakan oleh manusia yang jauh lebih mahal. Hal ini terutama berlaku untuk tugas verbal, seperti:

• Chatbot dan layanan pelanggan.
• Pengembangan dan verifikasi kode.
• Terjemahan dan lokalisasi.
• Riset pasar.
• Pencarian dan menjawab pertanyaan.
• Analisis dokumen dan dataset besar.
• Pendidikan

Berdekatan dengan LLM, generasi gambar juga dapat menciptakan banjir gambar baru di era digital kita, baik untuk keperluan berguna maupun berpotensi merugikan (disinformasi, pemerasan, dll.).

Visi Mesin & Komputer

Sebagaimana aplikasi asli jaringan saraf kembali ke Hopfield, wajar bahwa pengenalan gambar kini menjadi aplikasi potensial utama jaringan saraf.

Kadang‑kadang, visi mesin digunakan untuk menggambarkan identifikasi terbatas dalam lingkungan industri yang lebih terkontrol, sementara visi komputer menargetkan visi yang lebih mirip manusia.

Sumber: Solomon

Menyetir Sendiri

Segmen sub‑bagian utama bidang ini adalah kendaraan otonom, karena pada akhirnya, pengemudi manusia menggunakan pengenalan pola visual mereka untuk mengemudi aman kendaraan berberat multi‑ton.

Saat ini, sebagian besar sistem mengemudi otomatis mengandalkan kombinasi kamera dan sensor lain untuk tetap aman (seperti radar dan LIDAR), kecuali Tesla (TSLA ) yang fokus eksklusif pada visi mesin mirip manusia (berkat dataset yang jauh lebih besar, disediakan oleh armada mobil Tesla).

Data pelatihan yang cukup, anotasi manual jutaan situasi nyata yang kompleks, serta perangkat keras khusus yang mengurangi konsumsi dan mempercepat waktu respons, kemungkinan akan menjadi kombinasi pemenang bagi perusahaan pertama yang memenangkan hadiah triliun dolar untuk mengembangkan otomasi mengemudi tingkat 5 yang sesungguhnya.

Kesehatan

Banyak diagnosis medis tidak bergantung pada tes laboratorium melainkan pada interpretasi manual oleh spesialis terlatih terhadap gambar yang dihasilkan oleh mesin sinar‑X, MRI, pemindai, dll.

Ini dapat memakan waktu bertahun‑tahun bagi seorang ahli untuk menjadi benar‑benar mahir dalam tugas ini, yang merupakan seni sekaligus ilmu. Sebaliknya, AI dapat menganalisis jutaan gambar medis secara murah dan konsisten dengan hasil yang dapat diprediksi.

AI bahkan dapat mendiagnosis kondisi yang sebelumnya dianggap tidak dapat dideteksi dengan pemindaian, seperti ADHD.

Dan mungkin kurang jelas, AI berbasis jaringan saraf juga dapat membantu ahli bedah, seperti perusahaan Prancis Pixee Medical, yang memungkinkan pelacakan 3D dengan smartphone atau kacamata pintar untuk operasi ortopedi.

AI juga dapat mengotomatiskan prosedur penting pencatatan operasi, terutama untuk tugas berulang dan rawan kesalahan. Karena ahli bedah lupa instrumen di dalam pasien dalam sekitar 1500 operasi per tahun di AS, visi komputer dapat membantu menghilangkan masalah ini sepenuhnya dengan secara otomatis melacak semua yang digunakan selama operasi.

Penelitian Biologi

Dari penemuan obat hingga prediksi pelipatan protein, jaringan saraf adalah alat kuat bagi peneliti di bidang kedokteran dan biologi.

Saat ini, hal ini merevolusi cara terapi baru dikembangkan, seperti yang kami bahas dalam “Top 5 AI & Digital Biotech Companies”. Hal ini juga dapat berkontribusi pada data yang lebih konsisten, yang sering menjadi masalah dalam ilmu biologi, di mana banyak data masih dibuat secara manual, seperti menghitung sel darah.

Masalah ini dapat diatasi dengan visi mesin AI, dengan produk seperti Shonit dari Sigtuple yang kini dapat memberikan hitungan yang dapat diandalkan dan standar untuk semua jenis sel darah.

Sumber: Sigtuple

Industri & Produksi

Dari kontrol kualitas & inspeksi komponen, hingga perakitan otomatis penuh, visi mesin/komputer dapat membuat jalur produksi lebih fleksibel dan responsif terhadap setiap perubahan dalam proses produksi.

Hal ini dapat mengurangi biaya dengan mengurangi kebutuhan input manusia, sekaligus meningkatkan kualitas dan kecepatan produksi.

Robotika

Seiring robotika keluar dari lantai pabrik untuk berinteraksi dengan lingkungan sehari‑hari yang lebih kompleks, mereka perlu meningkatkan kemampuan pengenalan pola dengan cepat.

Dari robot anjing hingga robot pengantar, dan mungkin segera asisten pribadi humanoid, robot semakin menggabungkan AI menggunakan jaringan saraf untuk membantu kita dalam tugas harian.

Pertanian

Robot pertanian semakin menggunakan visi mesin untuk mengidentifikasi gulma atau buah matang dan menggantikan kerja manual yang melelahkan atau alat mesin berskala besar yang merusak.

Hal ini mungkin tidak hanya memengaruhi pertanian dan sistem pangan kita, tetapi juga restorasi ekologi, dengan dampak kuat pada kesehatan tanah, munculnya praktik pertanian baru, dan mungkin alat yang lebih baik untuk reboisasi serta pengelolaan spesies invasif.

Militer

Meskipun hal ini menimbulkan pertanyaan etika yang kompleks, sejarah menunjukkan bahwa setiap teknologi baru juga diselidiki untuk potensi memberi keunggulan militer terhadap lawan.

Dan seperti biasanya ada satu negara yang melakukannya, yang lain harus mengejarnya.

AI sudah digunakan untuk mengidentifikasi target dan menganalisis data di medan perang, termasuk dalam perang nyata yang sedang berlangsung seperti Ukraina dan Gaza, sebagaimana kami bahas dalam “Top 10 Drones And Drone Warfare Stocks”.

Di antara perkembangan terbaru yang paling mengkhawatirkan, kami dapat menyebutkan pengembangan versi terbaru dari Lancet Rusia, sebuah drone/misil bunuh diri yang menggunakan visi mesin AI untuk mengidentifikasi dan menargetkan kendaraan musuh pada segmen akhir lintasannya.

Memberikan keputusan pembunuhan kepada sistem otomatis adalah langkah yang jelas sangat berbahaya, yang tampaknya seperti materi film fiksi ilmiah tepat sebelum pemberontakan AI melawan umat manusia.

Jadi kita hanya dapat berharap bahwa angkatan bersenjata di seluruh dunia akan mencapai pemahaman tentang teknologi apa yang dapat atau tidak dapat diterapkan, serupa dengan cara senjata nuklir dikelola.

Risiko Jaringan Saraf

Perlu disebutkan bahwa Geoffrey Hinton yang memenangkan Hadiah Nobel tahun ini juga sangat khawatir dengan kemajuan teknologi AI.

Setelah Turing Prize pada 2018 dan Hadiah Nobel pada 2024, kemungkinan peringatannya akan lebih didengar daripada sebelumnya.

“Saya tiba‑tiba mengubah pandangan saya tentang apakah hal‑hal ini akan menjadi lebih cerdas daripada kita.

Saya pikir mereka sangat dekat dengan itu sekarang dan mereka akan jauh lebih cerdas daripada kita di masa depan. Bagaimana kita bertahan dari itu?”

Geoffrey Hinton

Apakah antusiasme AI kita akan menghukum kita pada masa depan seperti dalam film Matrix atau Terminator? Mungkin tidak, tetapi karena jaringan saraf ultra‑kompleks pada dasarnya merupakan kotak hitam, penciptanya sendiri belum sepenuhnya memahami bahwa aturan etika dan keamanan mungkin diperlukan sebelum AI yang gagal berfungsi menyebabkan kerusakan tak dapat diperbaiki.

Berinvestasi pada Jaringan Saraf

Jaringan saraf kini hampir identik dengan teknologi AI secara keseluruhan, karena terdapat semakin banyak penggabungan disiplin di sektor ini.

Karena jaringan saraf memerlukan dataset besar untuk pra‑pelatihan dan pelatihan, mereka saat ini cenderung menjadi domain perusahaan teknologi raksasa atau startup yang sangat didanai.

Anda dapat berinvestasi pada perusahaan terkait AI melalui banyak broker, dan di sini, pada securities.io, kami menyajikan rekomendasi broker terbaik di AS, Kanada, Australia, dan Inggris, serta banyak negara lain.

Jika Anda tidak tertarik memilih perusahaan AI tertentu, Anda juga dapat melihat ETF seperti ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ), atau WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT ) yang akan memberikan eksposur lebih terdiversifikasi untuk memanfaatkan AI.

Perusahaan Jaringan Saraf

1. Microsoft

Microsoft (MSFT ) telah berada di pusat industri teknologi hampir sejak awal berdirinya dengan sistem operasi Windows yang masih dominan.

MSFT Grafik Harga

Kini juga menjadi pemimpin dalam perangkat lunak perusahaan (Office365, Teams, LinkedIn, Skype, GitHub), game (Xbox dan berbagai akuisisi studio video game), serta cloud (Azure).

Baru‑baru ini, mereka membuat kemajuan signifikan pada AI. Ini mencakup AI tingkat konsumen seperti Bing Image Creator dan inisiatif yang lebih berfokus pada bisnis, seperti Copilot untuk Microsoft 365 serta Microsoft Research. Copilot kini diterapkan pada ritel dan perusahaan kecil juga.

Sumber: Constellation Research

Microsoft telah memperoleh reputasi sebagai raksasa teknologi yang berfokus pada perusahaan, dibandingkan dengan perusahaan yang lebih berorientasi konsumen seperti Apple (AAPL ) atau Facebook. Dengan AI yang semakin penting dalam model bisnis, kehadiran Microsoft yang sudah ada dalam cloud dan layanan perusahaan memberi mereka keunggulan dalam menerapkan AI secara skala besar dan dalam akuisisi pelanggan.

Kolaborasi/kepemilikan kuasi dengan pemimpin pengembangan AI seperti OpenAI (yang terkenal dengan ChatGPT) juga akan mengukuhkan posisi Microsoft sebagai kekuatan AI.

2. NVIDIA

NVidia awalnya memiliki posisi dominan di pasar kartu grafis (GPU), yang sebagian besar digunakan untuk gaming kelas atas dan pemodelan 3D. GPU mampu menjalankan perhitungan secara paralel dan berbeda dalam hal ini dari prosesor (CPU).

Desain perangkat kerasnya terbukti sangat cocok untuk penambangan cryptocurrency (terutama Bitcoin), menciptakan gelombang pertumbuhan kuat bagi perusahaan.

Sekarang, tampaknya perangkat keras tersebut sama kuatnya untuk melatih AI, menjadikan perangkat keras Nvidia (NVDA ) tulang punggung revolusi AI.

NVidia kini mengembangkan sistem komputasi khusus untuk berbagai aplikasi AI, mulai dari mobil mengemudi sendiri hingga pengenalan suara dan AI percakapan, AI generatif, atau keamanan siber.

Diperkirakan Nvidia belum menemukan kasus penggunaan baru untuk perangkat keras AI‑nya, sebagaimana ditunjukkan oleh riset Microsoft dengan PNNL. Misalnya, NVidia kini mengembangkan berbagai solusi untuk penemuan obat, serta perangkat medis berbasis AI dan pencitraan medis berbantu AI.

Sumber: NVidia

Diperkirakan dalam jangka sangat panjang, kompetitor NVidia mungkin mulai menantang keunggulan awal perusahaan secara serius.

Tetapi untuk masa mendatang yang dapat diperkirakan, mengingat lonjakan permintaan akan daya komputasi khusus AI, NVidia akan tetap menjadi pemasok utama semua pusat data pelatihan AI baru yang sedang dibangun.

Dan jika AI merupakan demam emas teknologi baru, kebijaksanaan investasi adalah lebih memilih penjual alat penggali (pick and shovel) daripada bertaruh menemukan emas.

Dalam demam AI, alat pilihan saat ini adalah chip AI NVidia.