Di WAIC 2026, perusahaan infrastruktur AI Singapura, Acrab, meluncurkan Agent Box dan chip GΞLIX 1, yang bertujuan menyediakan dasar komputasi untuk Agentic AI di sisi perangkat. Berbeda dengan chip AI tradisional, GΞLIX 1 menekankan kolaborasi hibrida antara CPU dan NPU, arsitektur memori terpadu, serta optimasi Prefill, dengan menyediakan daya komputasi 700 TOPS dan bandwidth memori 273 GB/s. CEO Ken Phua percaya bahwa AI telah memasuki era komputasi hibrida, di mana CPU kembali berada di posisi sentral; Acrab telah mengumpulkan pendanaan lebih dari $350 juta. AI di sisi perangkat sedang berpindah dari "menjalankan satu model" menjadi "menjalankan sistem cerdas secara berkelanjutan", dan persaingan sejati terletak pada kemampuan integrasi menyeluruh antara chip, stack perangkat lunak, dan ekosistem Agent.Penulis artikel, sumber: Sinar Zhiyuan
Agentic AI seharusnya dijalankan pada dasar komputasi seperti apa?
Beberapa hari berlalu, salah satu konsep paling ramai di WAIC 2026—Agent Computer—mulai berubah dari sensasi di stan menjadi tantangan teknis yang nyata.
Menjalankan model besar di perangkat lokal sudah bukan bagian tersulit. Yang lebih sulit adalah, ketika Agent perlu membaca file secara terus-menerus, menyimpan memori, memanggil alat, dan berjalan secara lama di latar belakang, apakah chip mampu tetap stabil di bawah batasan konsumsi daya, latensi, dan biaya.
Ini akan mengubah cara mengevaluasi chip sisi perangkat. TOPS, parameter model, dan token per detik masih penting, tetapi jika bandwidth memori tidak mencukupi, koordinasi antara CPU dan NPU tidak lancar, atau stack perangkat lunak tidak mampu mempertahankan status tugas, puncak performa seindah apa pun mungkin hanya cukup untuk menyelesaikan satu demo.
Kami memperhatikan bahwa minggu ini, perusahaan Singapura Acrab mengadakan peluncuran daring dan meluncurkan Agent Box, yang mungkin memberikan sampel yang dapat diuraikan.
Dalam acara peluncuran ini, perusahaan infrastruktur AI sekaligus memperkenalkan Prefill, memori terpadu, kolaborasi hibrida CPU-NPU, dan orkestrasi Agent.
Kata kunci-kata ini menunjukkan satu kesimpulan yang sama: AI sisi perangkat sedang berpindah dari "menjalankan satu model" menuju "menjalankan sistem cerdas secara jangka panjang".
Yang perlu diatasi oleh chip kini bukan lagi hanya apakah daya komputasi cukup, tetapi bagaimana data mengalir, bagaimana tugas dijadwalkan, dan bagaimana perangkat lunak dan perangkat keras terus bekerja sama.
Jadi, ketika hiruk-pikuk WAIC, peluncuran produk baru, dan tren industri mulai mereda, pertanyaan yang benar-benar patut ditanyakan menjadi lebih jelas: Ketika Agent berubah dari sekali panggilan menjadi bekerja terus-menerus, chip sisi endpoint sebenarnya perlu dirancang ulang apa?
Dari satu penalaran hingga pekerjaan berkelanjutan
Agen mengubah beban sisi perangkat
Chatbot biasanya menyelesaikan satu siklus tanya jawab. Setelah menerima tugas, Agent mungkin terlebih dahulu mencari informasi, membaca file, lalu memanggil kode, browser, kalender, atau perangkat lunak kantor; setelah menyelesaikan sebagian, ia memeriksa hasilnya, menyimpan status tugas, dan menunggu pemicu berikutnya. Satu tugas sering melibatkan beberapa panggilan model, serta berulang kali beralih di antara berbagai model, alat, dan aplikasi.
Acrab menunjukkan alur tugas yang relatif lengkap di acara peluncuran: pengguna mengajukan keinginan untuk membuat hadiah bertema luar angkasa untuk anaknya, sistem kemudian memberikan ide, membantu memilih solusi, memanggil alat terkait, dan memantau kemajuan pembuatan; ketika muncul situasi baru di lingkungan, ia dapat terhubung ke perangkat cerdas lainnya untuk menanganinya.
Makna demonstrasi ini bukan terletak pada seberapa cerdas satu jawaban, melainkan pada apakah bahasa alami dapat diubah menjadi serangkaian tindakan berkelanjutan. Bagi sistem komputasi, Agent tidak lagi hanya "memanggil model sekali", tetapi terus-menerus beralih di antara model, data, perangkat lunak, dan perangkat.
Cara kerja ini pertama-tama memperbesar pembagian tugas antara ujung dan cloud.
Biaya satu kali inferensi mungkin tidak tinggi, tetapi ketika panggilan menjadi sering dan berkelanjutan, Token akan berubah dari indikator teknis menjadi tagihan nyata; satu tunggu jaringan memiliki dampak terbatas pada obrolan, tetapi ketika dimasukkan ke dalam tugas multi-langkah, penundaan akan terakumulasi secara bertahap; Agent perlu memahami konteks pribadi yang lebih lengkap, dan data yang bolak-balik ke cloud juga akan memperluas area paparan.
Oleh karena itu, edge dan cloud bukanlah pilihan saling eksklusif. Struktur yang lebih realistis adalah: tugas-tugas berfrekuensi tinggi, sensitif terhadap privasi, memerlukan respons cepat, dan perlu mempertahankan status jangka panjang sebisa mungkin tetap di lokasi lokal; sedangkan penalaran kompleks yang melampaui batas kemampuan perangkat baru memanfaatkan sumber daya cloud.
Perubahan sejati terletak pada fakta bahwa perangkat tepi tidak lagi hanya menjalankan inferensi model sekali, tetapi harus menjalankan sistem cerdas yang tidak dapat dihentikan dengan mudah.
Ia harus mampu menjalankan model besar, menangani konteks panjang, tugas ganda, dan pemanggilan alat; kinerjanya harus cukup kuat, sementara konsumsi daya dan biaya tidak boleh meledak, serta Runtime, alat, dan ekosistem Agent juga harus berkembang secara bersamaan.
Model sisi perangkat menyelesaikan apakah model bisa dimasukkan ke perangkat, sedangkan Agentic AI bertujuan untuk menyelesaikan apakah model, memori, alat, dan aplikasi bisa berkolaborasi secara berkelanjutan di dalam perangkat.
Hanya menumpuk NPU tidak cukup
CPU, memori, dan stack perangkat lunak harus dibuat ulang secara bersamaan
Dulu, menambahkan NPU ke dalam CPU atau SoC cukup untuk memberikan kemampuan AI tambahan seperti pengenalan suara dan pemrosesan gambar pada perangkat. Namun, ketika Agent berubah dari fitur tambahan menjadi inti perangkat, peningkatan sederhana pada daya komputasi puncak sudah tidak cukup.
Alasannya adalah bahwa Agent bukanlah jalur inferensi jaringan saraf tetap. Komputasi paralel skala besar lebih cocok diserahkan ke NPU, sedangkan pemecahan tugas, penilaian kondisional, penjadwalan sistem, pemanggilan alat, penanganan pengecualian, dan kolaborasi multi-sistem sangat bergantung pada CPU. Semakin dinamis jalur tugas, semakin penting koordinasi antara CPU dan NPU.
CEO Acrab, Ken Phua, merangkum perubahan ini sebagai: "CPU kembali ke pusat era AI."
Dalam penilaiannya, AI sedang memasuki lingkungan komputasi hibrida, di mana kinerja eksekusi tidak hanya bergantung pada kinerja NPU, tetapi lebih pada kemampuan CPU dan NPU untuk berkolaborasi secara mulus.
Ini juga salah satu petunjuk tim Acrab yang layak dikembangkan.
Ken Phua sebelumnya memimpin tim teknik aplikasi Asia Pasifik di Arm UK dan berkontribusi dalam penyusunan strategi IP global, sebelum menjabat sebagai Co-CEO Arm China.
Pengalaman ini bukan hanya sekadar riwayat industri, tetapi menjelaskan mengapa perusahaan ini secara ulang mendefinisikan beban kerja Agent dari persimpangan arsitektur CPU, komputasi heterogen, dan kebutuhan aplikasi nyata.
Acrab tidak mendefinisikan GΞLIX 1 sebagai prosesor AI tradisional, tetapi sebagai platform komputasi untuk era AI edge.
Sisi perangkat keras berpusat pada GΞLIX 1; sisi perangkat lunak mencakup model besar, Runtime yang dioptimalkan, seluruh rantai alat, serta lapisan agen orkestrasi yang menghubungkan model, alat, perangkat, dan layanan; berdasarkan ini, perusahaan juga menyediakan desain referensi agen untuk skenario tipikal, membantu pengembang dan mitra ekosistem membangun aplikasi lebih cepat.
Agent Box merupakan pertama kalinya platform perangkat lunak dan perangkat keras ini muncul dalam bentuk produk lengkap. Ia didefinisikan sebagai Personal AI Center, yang dapat menjalankan model dengan parameter triliunan secara lokal, tetap mempertahankan kemampuan intinya bahkan tanpa koneksi internet.
Acrab diambil dari huruf pertama Agentic Compute, Reasoning, Action, dan Brain, dan juga merupakan nama sistem bintang ganda dalam astronomi—sejalan dengan filosofi desainnya: membuat berbagai unit komputasi beroperasi secara sinergis seperti sistem bintang.
Perusahaan menetapkan tujuan ini untuk menciptakan otak yang mampu berpikir dan bertindak bagi Agent, serta membangun platform komputasi generasi berikutnya.
Acrab yang berbasis di Singapura telah mengumpulkan dana lebih dari $350 juta, dengan investor termasuk Vertex (Xiangfeng Investment), platform modal ventura global di bawah Temasek, dan K3 Ventures, lembaga investasi teknologi terkemuka di Singapura.
Platform komputasi generasi pertamanya, GΞLIX, telah diverifikasi di lingkungan penerapan nyata yang menuntut, dan kini sedang menuju adopsi industri pertama dan produksi skala besar.
Pembiayaan dapat membeli waktu untuk proyek besar, tetapi yang benar-benar menentukan apakah rute tersebut dapat berhasil tetaplah kemampuan sistem untuk diserahkan.
Dari sudut pandang ini, "CPU kembali ke pusat" tidak berarti NPU tidak lagi penting.
Sebaliknya, itu berarti komputasi AI telah menjadi begitu kompleks sehingga tidak lagi dapat diselesaikan hanya dengan satu akselerator terisolasi.
Di luar 700 TOPS
Prefill dan jalur data menentukan pengalaman nyata
Sering kali, bottleneck dalam inferensi model besar bukan hanya karena unit komputasi tidak cukup cepat, tetapi karena data tidak sampai ke unit komputasi tepat waktu.
Meskipun chip memiliki daya komputasi puncak yang tinggi, jika bandwidth memori tidak mampu mengikuti, NPU tetap harus berhenti dan menunggu.
Agen akan lebih memperbesar masalah pemindahan data. Agen perlu sering membaca riwayat, mentransfer data di antara berbagai model dan perangkat lunak, serta terus menyimpan status tugas. Setiap salinan menambah latensi dan konsumsi daya; semakin lama tugas berjalan, semakin penting desain sistem.
Fokus desain GΞLIX 1 adalah menyimpan data yang dibutuhkan model sedekat mungkin dengan unit komputasi, serta mengurangi pemindahan data bolak-balik antara CPU, NPU, memori, dan sistem operasi yang berbeda.
Menurut arsitektur yang diungkapkan oleh Acrab, GΞLIX 1 menyediakan daya komputasi AI lebih dari 700 TOPS dan bandwidth memori terpadu 273 GB/s, dengan konfigurasi internal chip berupa 8 MB L1 Cache, shared L2 Cache dengan bandwidth mencapai 768 GB/s, empat inti NPU paralel, serta modul akselerasi khusus yang dirancang untuk perhitungan Attention.
Acrab mengatakan yang terakhir dapat meningkatkan efisiensi komputasi terkait hingga tiga kali lipat.
Cache on-chip yang lebih besar memungkinkan data kritis berada lebih dekat dengan unit komputasi; L2 Cache yang dibagikan memungkinkan parameter dan fitur menengah dibagikan secara efisien di antara unit komputasi; arsitektur memori terpadu mengurangi duplikasi data yang tidak perlu di antara model, sistem operasi, dan aplikasi.
Acrab juga menggunakan arsitektur memori terpadu multi-sistem, memungkinkan berbagai sistem operasi berbagi memori secara lebih efisien. Untuk perangkat yang hanya menjalankan satu model, ini mungkin hanya merupakan optimasi efisiensi; namun, untuk Agent yang perlu terus-menerus berpindah antar aplikasi dan alat, hal ini secara langsung memengaruhi apakah tugas dapat berjalan lancar.
Ini juga menjelaskan mengapa Acrab menempatkan Prefill di pusat peluncuran. Agent sering perlu memproses ulang informasi baru saat memperkenalkan file baru, memulihkan status tugas, atau memperbarui konteks. Semakin panjang rantai tugas, semakin jelas dampak efisiensi Prefill terhadap pengalaman keseluruhan.
Dalam serangkaian pengujian mandiri yang diungkapkan oleh Acrab, GΞLIX 1 menjalankan model Gemma dengan 26 miliar parameter, menggunakan KV Cache 40K dan input 10.000 token, dengan kecepatan prefill melebihi 1.416 token per detik; di beban yang sama, kinerjanya lebih dari 7 kali lipat dibandingkan platform desktop umum utama.
Acrab juga membandingkan GΞLIX 1 dengan platform komputasi AI desktop sejenis dalam kerangka pengujian yang sama.
Data menunjukkan bahwa GΞLIX 1 memasuki kisaran kinerja yang serupa pada dua indikator inti, Prefill dan Decode, sekaligus menunjukkan konsumsi daya yang lebih rendah dan biaya keseluruhan mesin yang lebih kompetitif.
Acrab memilih menekankan prefill dan jalur data, yang secara inheren mencerminkan orientasi produk: chip Agent sisi endpoint tidak boleh hanya mengejar seberapa cepat model menghasilkan output, tetapi juga harus menyelesaikan apakah model dapat dengan cepat membaca konteks panjang, memulihkan status tugas, dan mulai bekerja.
Pengguna tidak akan peduli berapa banyak lapisan cache yang dilewati dalam satu rantai inferensi, dan tidak akan memeriksa TOPS sebelum setiap interaksi. Yang benar-benar dirasakan pengguna hanyalah tiga hal: apakah sistem bisa memahami dengan cepat, apakah bisa berjalan secara konsisten, dan apakah memiliki sistem ini cukup menguntungkan.
Dari chip ke platform
Persaingan sejati berada di luar parameter
Agent Computer, pusat AI pribadi, dan perangkat sisi perusahaan yang muncul di WAIC tahun ini belum membentuk bentuk produk yang seragam.
Skenario rumah tangga lebih menekankan pada memori pribadi, konten, dan sinergi perangkat, sedangkan skenario bisnis lebih mengutamakan basis pengetahuan, pemrosesan file, dan keamanan data internal. Permintaan pelanggan yang berbeda terhadap ukuran model, kapasitas memori, konsumsi daya, dan antarmuka sangat bervariasi.
Semakin terfragmentasi terminal, semakin sulit membuat platform komputasi. Satu chip sulit hanya mengandalkan parameter untuk mencakup semua skenario; diperlukan juga Runtime, adaptasi model, alat pengembangan, dan kerangka kerja Agent untuk membantu klien mengubah daya komputasi dasar menjadi produk yang dapat diserahkan.
Ini juga merupakan pertanyaan tambahan yang dimiliki chip Agentic AI dibandingkan chip inferensi biasa: kinerja chip menentukan apakah model dapat berjalan, stack perangkat lunak menentukan apakah pengembang dapat menggunakannya, dan ekosistem Agent menentukan tugas apa yang akhirnya dapat diselesaikan oleh perangkat. Kehilangan satu lapisan pun bisa membuat chip dengan parameter yang menarik tetap berada di tahap demo.
Acrab berusaha menguasai semua tahapan ini sekaligus. Keuntungannya adalah definisi produk menjadi lebih lengkap, tetapi risikonya juga langsung: garis perang terlalu panjang.
Chip harus membuktikan kinerja, stabilitas, dan kemampuan pengiriman skala besar, stack perangkat lunak harus mengejar iterasi cepat model, dan lapisan orkestrasi Agent juga harus kompatibel dengan alat dan aplikasi yang terus berubah. Setelah file pribadi dan memori jangka panjang tetap di lokal, isolasi izin, keamanan plugin, dan audit operasi juga harus diselesaikan secara bersamaan.
Oleh karena itu, apakah Acrab dapat menjadi platform komputasi di era Agentic AI pada akhirnya tidak bergantung pada berapa banyak token yang ditampilkan di acara peluncuran, maupun berapa banyak tugas yang dapat didemonstrasikan oleh Agent Box.
Pengujian yang lebih penting adalah: apakah pengembang dapat dengan cepat membuat produk di platform ini; apakah kinerja, konsumsi daya, dan stabilitas dapat terpenuhi secara bersamaan setelah Agent bekerja terus-menerus selama beberapa jam; apakah perangkat lunak dan perangkat keras dasar dapat mengikuti perubahan pada model dan kerangka kerja Agent.
Inovasi arsitektur menentukan batas atas kemampuan sebuah perusahaan chip, sedangkan teknisasi dan ekosistem menentukan apakah batas atas tersebut dapat diubah menjadi pesanan.
Kehadiran terminal baru yang padat di WAIC menunjukkan bahwa industri sedang berpindah dari "menghidupkan model besar" menuju "membuat Agent bekerja secara berkelanjutan". Tahap sebelumnya berfokus pada daya komputasi, memori, dan ukuran model; tahap berikutnya juga harus menyelesaikan konteks panjang, memori pribadi, pemanggilan alat, dan kolaborasi multi-tugas.
Acrab memperkirakan perubahan ini.
Agent Box bukanlah tujuan akhir, melainkan uji coba terbuka terhadap kemampuan platform.
Chip sisi perangkat perlu 'dibuat ulang', bukan karena TOPS tidak penting, tetapi karena Agent sedang mengubah komputasi dari angka puncak menjadi kemampuan sistem yang berjalan secara berkelanjutan. Keberhasilannya akhirnya bergantung pada apakah chip, perangkat lunak, dan perangkat akhir ini dapat masuk ke dalam alur kerja nyata.