Pendapatan $1 Triliun Anthropic Dapat Mendorong Harga Komputasi Naik 10 Kali

Ketika agen AI mulai mendekati atau menggantikan tenaga kerja pengetahuan manusia, bagaimana harga komputasi harus ditetapkan ulang?

Dalam artikel blog terbaru, podcast teknologi terkenal Dwarkesh Patel mengemukakan sebuah simulasi berani: jika pendapatan laboratorium AI terus tumbuh pesat (misalnya, Anthropic mencapai 1 triliun dolar AS pada akhir tahun depan), sementara pasokan daya komputasi hanya meningkat sekitar 3 kali lipat per tahun, maka harga daya komputasi kemungkinan akan naik lebih dari 10 kali lipat.

Dalam beberapa dekade terakhir, daya komputasi dianggap sebagai sebuah "alat". Komputer menjadi lebih cepat, server semakin banyak, dan komputasi awan lebih murah.

Namun, di era AI sedang terjadi pergeseran paradigma: GPU tidak lagi hanya menjadi komponen mesin, tetapi bisa menjadi wadah bagi tenaga kerja digital.

Jika satu H100 dapat menangani AI Agent yang mendekati tingkat programmer puncak, maka nilainya seharusnya tidak lagi dihitung berdasarkan「harga per jam server», melainkan berdasarkan nilai tenaga kerja manusia yang digantikannya.

Bayangkan jika ada seorang "insinyur perangkat lunak digital" yang tidak pernah tidur, selalu siap merespons, dan memiliki tingkat keahlian teknis setara dengan insinyur manusia terbaik—berapa gaji tahunan yang akan Anda bayar untuk ini?

Di Silicon Valley, gaji tahunan pasar rata-rata insinyur perangkat lunak berada di atas 250.000 dolar AS. Namun, untuk menjalankan agen dengan tingkat kecerdasan yang setara, mungkin hanya memerlukan daya komputasi setara dengan satu kartu grafis NVIDIA H100.

Sekarang, mari kita hitung:

Jika H100 ini mampu menggantikan seorang programmer manusia dengan gaji tahunan 250.000 dolar AS secara sempurna, maka dari sudut pandang logika bisnis dan ekonomi murni, sewa tahunan teoretis H100 ini seharusnya ditetapkan di atas 250.000 dolar AS.

Namun, saat ini, harga sewa tunai H100 di pasar hanya sekitar $16.000 per tahun. Keduanya berbeda 15 kali lipat.

Inilah "black hole arbitrage tenaga kerja" terbesar dalam sejarah manusia yang akan kita hadapi.

Ketika kecepatan reproduksi kecerdasan di dunia virtual jauh melebihi batas produksi dunia fisik, kontradiksi pun meledak:

Nilai kecerdasan digital tumbuh jauh lebih cepat daripada ekspansi infrastruktur komputasi fisik.

Selisih penilaian 15 kali ini akan memicu serangan balik yang hebat: dalam beberapa tahun ke depan, harga sebenarnya dari daya komputasi mungkin mengalami inflasi super hingga 10 kali lipat atau lebih.

Tentu, ada satu pertanyaan: Akankah gaji tahunan insinyur perangkat lunak berkurang drastis di masa depan?

Masalah ini juga dipertimbangkan oleh Dwarkesh Patel:

Namun, jika kita percaya teori ekonomi standar mengenai tenaga kerja, maka nilai marjinal daya komputasi (dan dengan demikian harga marjinal daya komputasi) seharusnya menjadi sangat tinggi.

Dalam beberapa tahun terakhir, industri AI mengikuti logika sederhana: model yang lebih besar, lebih banyak data, lebih banyak GPU, dan kemampuan yang lebih kuat.

Namun kini, sebuah kontradiksi baru sedang muncul: kecepatan pertumbuhan AI sedang melebihi kecepatan pertumbuhan pasokan daya komputasi.

Sebagai contoh Anthropic. Dalam satu tahun terakhir, pendapatan bisnisnya meningkat sekitar 10 kali lipat.

Dengan laju pertumbuhan ini, pendapatan tahunannya pada akhir tahun bisa mencapai skala $100 miliar hingga $150 miliar. Jika tren ini berlanjut, tahun depan ia harus menghadapi pertanyaan gila: bagaimana mendukung prospek keuangan senilai triliunan dolar?

Hanya ada satu jawaban: lebih banyak kecerdasan. Dan lebih banyak kecerdasan berarti: lebih banyak pelatihan, lebih banyak inferensi, lebih banyak GPU.

Namun, masalahnya adalah pasokan hashrate tidak meningkat dengan kecepatan yang sama.

Peningkatan daya komputasi fisik dari laboratorium terkemuka saat ini hanya dapat mempertahankan pertumbuhan sekitar 3 kali lipat per tahun.

Sehingga muncul ketidaksesuaian yang besar:

Dunia digital ingin berlari 10 kilometer, tetapi dunia fisik hanya menyediakan jalan sejauh 3 kilometer. Bagaimana dengan sisa jaraknya?

Hanya ada tiga pilihan: pertama, tingkatkan margin keuntungan. Kedua, tingkatkan harga daya komputasi. Ketiga, alokasikan lebih banyak daya komputasi ke bisnis inferensi.

Jalan ketiga, sebenarnya adalah hal yang paling tidak diinginkan oleh banyak laboratorium AI.

Karena menghasilkan uang melalui inferensi, pada dasarnya hanya untuk membuktikan: "Model bisnis AI berhasil."

Lanjutkan pendanaan, beli lebih banyak GPU, dan lanjutkan pelatihan model generasi berikutnya.

Siklus sejati Silicon Valley adalah:

Menghasilkan uang bukanlah tujuan akhir, hanya untuk membeli lebih banyak daya komputasi.

Karena yang benar-benar diyakini semua laboratorium adalah: model paling mutakhir hari ini, satu tahun kemudian mungkin akan seperti ponsel kemarin, kuat, tetapi ketinggalan zaman.

Ini memaksa solusi kembali ke dua pilihan sebelumnya: lonjakan margin keuntungan, atau kenaikan harga per unit hashrate.

Jika sepenuhnya mengandalkan margin keuntungan untuk menyerap selisih ini, margin keuntungan Frontier Labs harus mencapai kisaran menengah-tinggi sekitar 95% pada akhir tahun depan.

Dalam sejarah bisnis, selain beberapa titik monopoli teknis absolut, ini hampir merupakan khayalan.

Oleh karena itu, semua petunjuk dan logika pada akhirnya berakhir pada satu titik yang sama: harga satuan hashrate akan segera mengalami lonjakan tanpa preseden.

Banyak orang belum menyadari: Persaingan AI sedang memasuki era infrastruktur.

Dulu, perang internet berfokus pada: pengguna, lalu lintas, titik masuk. Sementara di era AI, yang diperjuangkan adalah: listrik, chip, pusat data, dan kluster komputasi super.

Mengapa? Karena laboratorium AI top tidak dapat mengandalkan server cloud biasa.

Mereka memerlukan: kluster GPU khusus; struktur jaringan stabil; tingkat pemanfaatan sangat tinggi; keamanan data dan model.

Ini bukan lagi menyewa server biasa, ini adalah menyewa jalur produksi cerdas masa depan.

Contoh khas: Google dan Anthropic menyewa sumber daya GPU skala besar dari SpaceX.

Dilaporkan bahwa sewa bulanan cluster GPU sebanyak sekitar 110.000 unit milik Google mencapai 900 juta dolar AS.

Dihitung secara keseluruhan, biaya sewa per jam per GPU hampir dua kali lipat dari harga sewa spot saat ini di pasar. Jangan lupa, harga spot saat ini sendiri sudah 40% lebih tinggi dari titik terendah awal tahun ini.

Why?

Karena daya komputasi kelas atas semakin menyerupai sumber daya strategis seperti energi dan jaringan listrik.

Bayangkan revolusi industri, sebuah pabrik memiliki mesin uap, sementara pabrik lain tidak memiliki.

Perbedaan mereka bukan 10%, melainkan perbedaan generasi dalam cara produksi.

GPU di era AI juga sedang menjadi "mesin uap" baru ini.

Mengapa harga hashrate bisa melonjak hingga sejauh ini?

Jawabannya ada dalam rumus fisik sisi penawaran—rumus ini telah terkunci erat oleh batas fisik TSMC dan raksasa lithography.

Mitos yang menjadi perbincangan di industri tentang “daya komputasi tumbuh tiga kali lipat setiap tahun” sebenarnya hanyalah gabungan terpaksa dari tiga faktor pengali yang berada di batas ekstrem:

Pertumbuhan tahunan daya komputasi (3x) ≈ 1,4x (iterasi Hukum Moore) × 1,2x (pembangunan pabrik wafer baru) × 1,8x (merebut kapasitas proses maju).

Dan ketiga multiplier ini masing-masing mendekati batas atas.

Hukum Moore: Setiap langkah miniaturisasi lebih sulit daripada langkah sebelumnya, kebocoran arus dan batas atom membuat iterasi seperti berjalan di atas es tipis.

Pembangunan pabrik chip baru memakan waktu lama, kecepatan pengiriman mesin litografi EUV NA tinggi menghambat seluruh rantai, dan tidak ada solusi hingga setidaknya tahun 2030.

Dua tahun terakhir, satu-satunya mesin pertumbuhan hashrate adalah persaingan kapasitas produksi—chip AI merebut proses maju TSMC dari ponsel dan PC.

Tapi multiplier terakhir ini segera akan habis. Pada akhir 2027, chip AI akan menyerap 86% kapasitas N3 TSMC, naik dari 60% menjadi 86%—bukan pertumbuhan, tetapi saturasi absolut dalam arti fisik, tanpa sisa ruang.

Tiga multiplier, dua sudah mencapai puncak, yang terakhir segera menabrak dinding. Cerita tentang pasokan hash rate telah selesai diceritakan.

Semakin mahal daya komputasi, semakin sedikit orang yang berani menggunakan model yang murah.

Intuisi mengatakan: jika daya komputasi mahal, gunakan model ringan dan versi open-source yang telah dipangkas, hemat penggunaannya.

Namun ekonomi AI justru sebaliknya.

Logika intinya adalah efek Alchian-Allen: ketika semua barang dikenai biaya tambahan tetap, barang yang mahal justru terlihat lebih hemat.

Dalam AI, biaya tambahan ini adalah biaya penyusutan daya komputasi—harus dibayar terlepas dari model apa yang digunakan.

Hitung biayanya: H100 seharga $20 per jam.

• Model terkuat: Selesai dalam 1 jam, $25 (20 kekuatan komputasi + 5 premi).
• Model biasa: Biaya lisensi 0, tapi kurang cerdas, mencoba dan gagal berulang kali selama 2 jam, $40.

Kesimpulan: Menggunakan model biasa justru lebih mahal. Ini akan membakar daya komputasi dan sumber daya yang lebih berharga—waktu—dalam upaya yang tidak efektif.

Jadi, semakin mahal kekuatan komputasi, semakin berani model terkuat meminta premi tinggi. Karena pada akhirnya Anda tetap harus membayar biaya komputasi, lebih baik mengeluarkan sedikit lebih banyak untuk menggunakan yang paling cerdas—itu sebenarnya cara yang benar-benar hemat biaya.

Model biasa, tidak ada jalan keluar.

Pada akhirnya, seluruh dana masyarakat akan seperti lubang hitam, tertarik menuju segelintir raksasa triliunan yang mampu menciptakan model terkuat mutlak.

Of course, some people also object.

Di kolom komentar, Eric Xu mengajukan sanggahan menarik: logika sewa tahunan sebesar $250.000 hanya berlaku di dunia murni digital. Setelah menyentuh dunia fisik, seperti siklus persetujuan uji klinis atau proses pengambilan keputusan pengadaan pemerintah, batas atas pendapatan AI mungkin sama sekali tidak mencapai $250.000, melainkan lebih mendekati $50.000.

Insinyur perangkat lunak senior Trevor menunjukkan: konten berkualitas rendah sama sekali tidak memerlukan model tingkat atas; mereka akan beralih ke alternatif yang lebih murah, bukan langsung menghilang. Dengan kata lain, yang dibersihkan mungkin harganya, bukan kontennya sendiri.

Sejarah juga tidak berpihak pada Dwarkesh. Pada tahun 1980, ahli biologi Stanford Paul Ehrlich dan ekonom Julian Simon bertaruh tentang apakah lima logam akan naik harganya dalam sepuluh tahun.

Sepuluh tahun kemudian, kelima sumber daya itu semua turun, Ehrlich mengaku kalah dan membayar. "Sumber daya pasti akan naik," namun secara historis, kebanyakan orang yang bertaruh seperti ini kalah.

Respons Dwarkesh adalah: Elastisitas pasokan daya komputasi jauh lebih kecil dibandingkan komoditas. Tambang tembaga dapat meningkatkan produksi di bawah dorongan harga tinggi, tetapi mesin EUV tidak bisa—TSMC sendiri tidak memiliki kapasitas tambahan yang dapat dilepaskan. Dalam beberapa tahun terakhir, dengan pasokan yang hanya meningkat tiga kali lipat per tahun, tidak ada substitusi.

Yang menarik, Dwarkesh sendiri mengakui: prediksi ini, sejarahnya hampir semuanya salah.

Mungkin, pada suatu hari nanti hashrate akan semurah pasir, tetapi sebelum hari itu tiba, kita harus mengalami perlombaan senjata hashrate dan inflasi hashrate paling kejam.

Referensi:

https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive

https://x.com/dwarkesh_sp/status/2082482530209411419

Artikel ini berasal dari akun WeChat "Sinzhiyuan", penulis: ASI Revelation; editor: David