Garap Media – Ledakan kecerdasan buatan ternyata melahirkan perlombaan baru yang jauh lebih mahal: chip AI. Google, Amazon, Microsoft, dan Meta kini mengembangkan prosesor khusus untuk menjalankan model AI mereka sendiri. Bahkan pada Agustus 2026, Google memperluas kerja sama dengan Marvell untuk pengembangan chip AI khusus, sebuah langkah yang menunjukkan betapa strategisnya penguasaan silikon dalam industri AI. (Reuters)
Mengapa perusahaan rela mengeluarkan miliaran dolar untuk membuat chip sendiri ketika Nvidia sudah menyediakan GPU yang sangat kuat? Jawabannya bukan semata-mata ingin mengalahkan Nvidia. Di balik perlombaan tersebut terdapat persoalan biaya, konsumsi energi, kapasitas komputasi, ketergantungan pasokan, dan kebutuhan untuk membuat AI bekerja lebih efisien.
1. Menekan Biaya AI yang Terus Membengkak
Menjalankan AI dalam skala besar membutuhkan pusat data dengan ribuan bahkan jutaan chip. Setiap permintaan pengguna terhadap chatbot, pencarian AI, rekomendasi, atau layanan otomatis membutuhkan proses komputasi yang terus berjalan. Jika seluruh kebutuhan tersebut bergantung pada chip umum, biaya operasional dapat meningkat sangat cepat.
Karena itu, perusahaan mulai membuat chip yang dirancang khusus untuk beban kerja mereka. AWS, misalnya, mengembangkan Trainium untuk pelatihan dan inferensi AI dengan fokus pada performa serta efisiensi biaya. AWS menyebut Trainium2 dapat memberikan rasio harga-performa 30-40 persen lebih baik dibandingkan beberapa instans GPU generasi sebelumnya. (Amazon Web Services, Inc.)
2. Perusahaan Ingin Mengurangi Ketergantungan pada Nvidia
Nvidia masih menjadi pemain dominan dalam akselerator AI, tetapi ketergantungan pada satu pemasok membuat perusahaan teknologi memiliki risiko strategis. Ketika permintaan AI melonjak, ketersediaan chip, kapasitas produksi, dan jadwal pengiriman menjadi persoalan penting. Perusahaan besar tentu tidak ingin seluruh rencana AI mereka bergantung pada keputusan pihak lain.
Google sudah lama mengembangkan Tensor Processing Unit atau TPU, sementara Microsoft memiliki keluarga chip Maia. Microsoft bahkan memperkenalkan Maia 200 pada Januari 2026 sebagai akselerator khusus inferensi AI. Chip tersebut menggunakan proses 3 nanometer dan dirancang untuk meningkatkan efisiensi ekonomi dalam menghasilkan token AI. (The Official Microsoft Blog)
3. Chip Khusus Bisa Dibuat Lebih Efisien
GPU merupakan perangkat yang sangat fleksibel sehingga dapat digunakan untuk berbagai jenis pekerjaan AI. Namun, fleksibilitas tersebut juga berarti terdapat bagian dari kemampuan chip yang mungkin tidak selalu diperlukan untuk tugas tertentu. Chip khusus memungkinkan perusahaan merancang perangkat keras berdasarkan kebutuhan model dan layanan yang mereka jalankan.
Google menjelaskan bahwa TPU dirancang khusus untuk siklus AI, mulai dari pelatihan model hingga inferensi berskala besar. Generasi terbaru TPU juga ditujukan untuk kebutuhan AI agentik dan model yang membutuhkan proses penalaran lebih kompleks. Artinya, perusahaan dapat mengoptimalkan perangkat keras berdasarkan arah perkembangan software mereka sendiri. (Google Cloud)
4. Konsumsi Energi Menjadi Masalah Besar
AI membutuhkan komputasi dalam jumlah sangat besar dan komputasi tersebut membutuhkan listrik. Ketika pusat data AI semakin besar, efisiensi energi menjadi faktor ekonomi sekaligus persoalan infrastruktur. Perusahaan tidak hanya menghitung seberapa cepat sebuah chip bekerja, tetapi juga berapa banyak pekerjaan yang dapat dilakukan dengan energi tertentu.
Meta secara terbuka menjelaskan bahwa chip khusus MTIA dikembangkan untuk meningkatkan efisiensi berbagai beban kerja AI seperti rekomendasi dan generative AI. Meta bahkan berencana mengembangkan dan menerapkan empat generasi baru MTIA dalam dua tahun untuk mendukung kebutuhan infrastrukturnya. (About Facebook)
5. Chip Menjadi Senjata untuk Menguasai Infrastruktur AI
Perusahaan teknologi kini menyadari bahwa masa depan AI tidak hanya ditentukan oleh model yang pintar. Siapa yang menguasai komputasi, jaringan, memori, pusat data, dan chip juga memiliki posisi penting dalam menentukan biaya serta kecepatan pengembangan AI.
Persaingan tersebut bahkan semakin luas karena perusahaan tidak hanya membuat chip untuk kebutuhan internal. Google sedang memperluas kemampuan TPU, AWS menawarkan Trainium kepada pelanggan cloud, sementara Microsoft terus mengembangkan Maia. Perkembangan ini menunjukkan bahwa chip AI perlahan berubah dari sekadar komponen komputer menjadi bagian strategis dari bisnis cloud. (Amazon Web Services, Inc.)
Persaingan Chip AI Baru Saja Dimulai
Perlombaan membuat chip AI sendiri tidak berarti Nvidia akan langsung kehilangan dominasinya. Nvidia memiliki ekosistem software dan hardware yang sangat kuat, sementara perusahaan lain masih harus membuktikan bahwa chip khusus mereka dapat digunakan secara luas dan mudah oleh pengembang.
Namun, arah industri sudah berubah. Google, Amazon, Microsoft, dan Meta menunjukkan bahwa perusahaan teknologi besar tidak ingin hanya menjadi pembeli komputasi AI. Mereka ingin ikut mengendalikan teknologi di baliknya, dari chip sampai pusat data.
Penutup
Chip AI kini menjadi salah satu medan pertempuran terbesar industri teknologi. Perusahaan membuat silikon sendiri bukan hanya untuk mengejar performa, tetapi juga untuk menekan biaya, menghemat energi, mengamankan pasokan, dan mengurangi ketergantungan pada pemasok eksternal.
Jika tren ini terus berkembang, persaingan AI masa depan mungkin tidak hanya terjadi antara chatbot dan model AI. Pertarungan sebenarnya bisa berlangsung jauh lebih rendah, di level chip yang bahkan tidak pernah dilihat pengguna.
Dan ketika kebutuhan komputasi AI terus meningkat, perusahaan yang mampu membuat teknologi tersebut lebih murah dan efisien akan memiliki keuntungan besar dalam ekonomi digital berikutnya.
Sumber Referensi
- Google Cloud – Tensor Processing Units (TPUs)
https://cloud.google.com/tpu?hl=id - AWS – Trainium AI Accelerators
https://aws.amazon.com/id/ai/machine-learning/trainium/ - Microsoft – Maia 200 AI Accelerator
https://blogs.microsoft.com/blog/2026/01/26/maia-200-the-ai-accelerator-built-for-inference/
