Mengapa Perusahaan AI Terkemuka Mengejar Chip Khusus pada 2026

Pada 7 Juli, ada dua berita tentang chip buatan sendiri perusahaan AI Tiongkok yang menjadi berita utama.

Pertama, eksklusif Reuters: DeepSeek sedang mengembangkan chip sendiri. Laporan tersebut mengutip tiga sumber yang mengetahui hal ini, menyatakan bahwa chip ini ditujukan untuk inferensi, bukan pelatihan. Laporan tersebut menyebutkan bahwa DeepSeek telah diam-diam merekrut insinyur desain chip tanpa melalui kanal rekrutmen publik, serta berkomunikasi dengan pabrikan pihak ketiga dan pemasok penyimpanan eksternal. DeepSeek tidak memberikan tanggapan atas permintaan komentar, dan laporan ini menuai kontroversi karena sumbernya saat ini hanya berasal dari Reuters.

Pada hari yang sama, The Information melaporkan lagi bahwa laboratorium Tiongkok lainnya, Zhipu, juga sedang mengevaluasi chip khusus buatan sendiri. Menurut sumber yang mengetahui hal ini, penyebabnya adalah lonjakan permintaan untuk GLM-5.2. Menurut The Information dan beberapa sumber yang mengutipnya, model ini adalah model dengan pertumbuhan tercepat di platform agregasi model Vercel, dengan konsumsi token harian meningkat hingga 27 kali lipat pada minggu pertama peluncuran. Zhipu telah melakukan kontak awal dengan beberapa perusahaan desain chip domestik, tetapi belum memilih mitra kerja sama, dan dikabarkan seluruh proyek ini mungkin memerlukan lebih dari dua tahun. Setelah berita ini muncul, saham Zhipu di pasar港股 sempat naik sekitar 9,9% pada hari itu.

Tentu, kedua pesan tersebut masih berada pada tahap evaluasi awal, tanpa produk fisik atau desain final.

Sebenarnya, DeepSeek dan Zhipu bukan satu-satunya. Jika Anda menarik kamera lebih jauh, Anda akan melihat bahwa “perusahaan AI ingin membuat chip sendiri” pada tahun 2026 telah berubah dari pilihan individu menjadi tindakan baku industri: mulai dari OpenAI dan Anthropic di seberang lautan, hingga dua laboratorium mutakhir ini di dalam negeri, tindakan mereka sangat konsisten. Artikel ini ingin menjawab: mengapa?

Jika kabar tentang DeepSeek masih berada pada tingkat desas-desus, OpenAI telah menunjukkan barang nyatanya.

Pada 24 Juni, OpenAI dan Broadcom meluncurkan Jalapeño, chip pertama buatan OpenAI, yang juga merupakan ASIC yang dirancang khusus untuk inferensi model besar.

Richard Ho, kepala perangkat keras OpenAI, mengatakan bahwa chip ini "dirancang dari nol khusus untuk inferensi LLM", dengan tim melakukan optimasi yang ditargetkan pada inti, pemindahan memori, jaringan, dan pola layanan.

Menurut OpenAI, pengujian laboratorium awal menunjukkan bahwa kinerja Jalapeño per watt "jauh lebih unggul dibandingkan tingkat terkini di industri." Namun, perusahaan tersebut juga mengakui bahwa kinerja akhir masih dalam pengukuran, dan laporan teknis rinci baru akan dirilis dalam beberapa bulan mendatang. Keunggulan kinerja yang diklaim oleh pabrikan semacam ini hanya dianggap sebagai satu sisi cerita hingga benchmark pihak ketiga dirilis.

Beberapa detail yang perlu diperhatikan. Menurut Tom's Hardware, chip ini hanya memakan waktu sembilan bulan dari desain hingga tape-out, dan OpenAI menyebut ini mungkin merupakan siklus pengembangan ASIC tercepat dalam sejarah semikonduktor canggih berkinerja tinggi; dan yang mempercepat siklus ini adalah model milik OpenAI sendiri: menggunakan AI untuk merancang chip yang membuat AI.

Jalapeño direncanakan mulai dideploy pada akhir 2026, dengan anchor pada kolaborasi Broadcom berkapasitas 10 GW yang akan selesai pada 2029. Dilaporkan bahwa Microsoft diperkirakan akan membeli sekitar 40% dari kapasitas awal Jalapeño.

Lihat lagi laboratorium mutakhir lainnya, Anthropic. Pada April tahun ini, Reuters pertama kali melaporkan bahwa Anthropic juga sedang mempertimbangkan pengembangan chip sendiri, dengan bahasa yang sangat hati-hati: rencana berada pada tahap awal, perusahaan bahkan mungkin akhirnya memutuskan hanya untuk membeli tanpa membuat, desain belum ditetapkan, dan tim khusus belum dibentuk.

Namun, pada awal Juli, ada perkembangan baru. Menurut berbagai media, Anthropic telah mulai berkomunikasi dengan Samsung untuk membahas pemesanan chip khusus, yang dikabarkan bertujuan menggunakan proses 2 nanometer dan packaging canggih Samsung.

Dan Anthropic baru-baru ini merekrut Clive Chan, yang merupakan anggota awal tim chip buatan sendiri OpenAI.

Menanggapi pertanyaan lebih lanjut, Anthropic menyatakan bahwa "hardware stack yang beragam" yang terdiri dari chip Google, Amazon, dan NVIDIA tetap akan menjadi inti dari strategi komputasi mereka, dan tidak memberikan komentar lebih lanjut mengenai kerja sama dengan Samsung.

Pernyataan resmi ini justru mengungkap motivasi paling nyata di balik gelombang chip buatan sendiri. Menurut data dari The Information, NVIDIA menguasai sekitar 74% pasar chip AI global; sementara Anthropic hingga kini belum pernah memproduksi satu chip pun miliknya sendiri, setiap panggilan Claude berjalan pada chip yang disewa dari mitra; dan mitra-mitra ini sekaligus merupakan pesaingnya.

Perlu dicatat bahwa waktu Anthropic mengeksplorasi pengembangan chip sendiri hampir sejalan dengan lonjakan pendapatannya. Menurut pengungkapannya sendiri, pendapatan operasional tahunan pada tahun 2026 telah melewati $30 miliar, sementara pada akhir 2025 baru sekitar $9 miliar. Setelah mencapai skala sebesar ini, perhitungan ekonomi pengembangan chip sendiri baru bisa seimbang.

Melihat pesan-pesan dari DeepSeek, Zhipu, OpenAI, dan Anthropic secara berdampingan, Anda akan menemukan satu kesamaan: mereka semua sedang mengembangkan chip inferensi, bukan chip pelatihan. Ini bukan kebetulan.

Perpindahan struktural yang sedang terjadi di industri ini adalah: pusat konsumsi daya komputasi sedang berpindah dari "melatih model" ke "menjalankan model". Pelatihan adalah biaya satu kali, sedangkan menyediakan model kepada ratusan hingga jutaan pengguna adalah biaya yang terus-menerus. Menurut analisis industri Introl, inferensi kini telah mengonsumsi sekitar dua pertiga dari seluruh daya komputasi AI.

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

Dan inferensi, justru merupakan kekuatan utama ASIC. Menggunakan perumpamaan dari Chris Miller, penulis buku The Chip War, kepada CNBC: GPU NVIDIA seperti pisau Swiss Army yang mampu melakukan berbagai jenis komputasi paralel; sementara ASIC seperti alat tunggal yang sangat efisien dan cepat, tetapi dipasang secara permanen hanya untuk melakukan satu jenis tugas. Tahap pelatihan membutuhkan fleksibilitas pisau Swiss Army karena arsitektur model masih berubah; namun, setelah model selesai dan siap melayani permintaan dalam jumlah besar, alat "tunggal" ini justru lebih hemat energi dan lebih murah.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Ledakan agen memperbesar akun ini. Sebuah analisis dari MindCast AI mengusulkan perbedaan yang menarik:

Pemrosesan tradisional adalah "biaya kueri": satu pertanyaan, satu jawaban, selesai dibayar;

Agen adalah "biaya siklikal": satu tujuan pengguna dapat memicu puluhan bahkan ratusan panggilan inferensi, karena agen harus berpikir, merencanakan, mengambil, dan mengeksekusi.

Gambar diterjemahkan dari https://www.mindcast-ai.com/p/ai-inference-economy

Ketika agen diterapkan secara skala besar, ketidakseimbangan ekonomi antara pelatihan dan inferensi akan membesar secara nonlinier. Oleh karena itu, lembaga analisis ini memperkirakan: ekonomi inferensi bukanlah masalah yang perlu diperhatikan pada tahun 2028, melainkan keputusan pembelian yang harus diambil pada tahun 2026.

Untuk "mengapa harus membuat sendiri", industri sebenarnya sudah memiliki angka-angka yang cukup spesifik sebagai dukungan.

Contoh paling langsung datang dari platform gambar AI Midjourney. Dilaporkan bahwa setelah Midjourney memindahkan beban inferensi dari GPU NVIDIA ke TPU generasi ketujuh Google, biaya komputasi bulanan turun dari sekitar $2,1 juta menjadi sekitar $700.000, penurunan 65%. Dengan memperbesar proporsi ini ke perusahaan skala super besar yang menjalankan miliaran kueri setiap hari, seperti yang dikatakan seorang analis, investasi miliaran dolar untuk mengembangkan chip sendiri menjadi sebuah "perhitungan keuangan yang jelas".

Jawaban soal ini sedang mengubah seluruh pasar. Menurut prediksi TrendForce, pertumbuhan pengiriman ASIC khusus pada tahun 2026 akan mencapai 44,6%, sementara GPU komersial hanya 16,1%—ini merupakan pertama kalinya pertumbuhan chip khusus melebihi GPU. Introl mengutip angka dari Bloomberg Intelligence yang lebih makro: pada tahun 2033, seluruh pasar akselerator AI diperkirakan mencapai $604 miliar, dan pangsa silikon khusus di dalamnya terus meningkat.

Produsen skala super besar telah memberikan suara mereka dengan uang sungguhan. TPU milik Google, Trainium milik Amazon, Maia milik Microsoft, MTIA milik Meta... chip buatan sendiri ini masing-masing melayani beban inferensi besar di dalam perusahaan induk mereka.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Menurut CNBC, Chief Architect Trainium, Ron Diamant, mengatakan ASIC milik Amazon memiliki keunggulan harga-kinerja sebesar 30% hingga 40% dibandingkan penyedia perangkat keras lainnya di AWS.

Angka-angka ini menunjukkan: ketika kebutuhan daya komputasi Anda tumbuh hingga skala super besar, chip bukan lagi item biaya, melainkan menjadi penghalang persaingan itu sendiri. Seperti yang dikatakan dalam sebuah analisis Oplexa, mengendalikan chip sendiri berarti mengendalikan peta jalan performa, struktur biaya, dan rantai pasokan Anda sendiri. Ketiga hal ini tidak bisa dibeli dengan pesanan pembelian apa pun.

Jika akuntabilitas ekonomi adalah alasan yang terlihat jelas, maka "tidak ingin menyerahkan takdir kepada sebuah perusahaan" adalah arus bawah yang lebih dalam di balik gelombang tersebut.

Kekuatan NVIDIA sebagian berasal dari chip itu sendiri, tetapi sebagian besar berasal dari CUDA. CUDA adalah ekosistem perangkat lunak yang telah terakumulasi selama lebih dari dua dekade. Menurut analisis Spheron, hampir semua optimasi inferensi LLM serius, mulai dari FlashAttention hingga continuous batching di vLLM, hanya berjalan di CUDA. Ekosistem ini lebih merupakan "biaya migrasi" yang harus dibayar oleh tim mana pun yang ingin mengganti chip, daripada sekadar moat milik NVIDIA. Diperkirakan, memindahkan stack layanan dari vLLM ke Amazon Neuron SDK sering memerlukan waktu insinyur dua hingga enam minggu, dan beberapa arsitektur model bahkan tidak didukung sama sekali.

https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/

Karena dinding ini tinggi dan tebal, motivasi untuk melewatkannya menjadi sangat kuat. Bagi produsen skala sangat besar dan laboratorium terdepan, setiap beban yang berjalan di chip buatan sendiri berarti lebih banyak keuntungan tetap di kantong mereka, serta memberikan lebih banyak daya tawar saat bernegosiasi dengan NVIDIA.

Penilaian TheStreet sangat jelas: yang sedang berubah adalah asumsi default bahwa "laboratorium AI harus menerima harga dan syarat pasokan apa pun yang ditetapkan NVIDIA". Microsoft memiliki Maia, Amazon memiliki Trainium, Google memiliki TPU, dan laboratorium AI terbaru kini juga ingin mengumpulkan kekuatan tawar yang sama untuk diri mereka sendiri.

Kembali ke dua pesan pada 7 Juli. Bagi DeepSeek dan Zhipu, selain semua alasan di atas, chip buatan sendiri juga menghadapi masalah yang tidak dihadapi rekan-rekan Amerika mereka: larangan ekspor.

Selain itu, perlu dicatat bahwa rumor tentang pengembangan mandiri DeepSeek secara kebetulan bertepatan dengan titik pertama penerimaan pendanaan eksternal: perusahaan ini menyelesaikan putaran pendanaan lebih dari 50 miliar yuan, dengan valuasi melebihi 330 miliar yuan. Membuat chip sangat memakan biaya, dan kejadian bersamaan antara dana dan chip ini belum tentu kebetulan.

Sedangkan Zhipu, sejak Januari tahun ini telah menjadi laboratorium AI Tiongkok pertama yang terdaftar di Bursa Saham Hong Kong. Keduanya sedang mempersiapkan dompet mereka terlebih dahulu untuk taruhan mahal ini.

Kumpulkan petunjuk-petunjuk ini, jawaban atas pertanyaan “Mengapa perusahaan AI ingin membuat chip sendiri” sebenarnya adalah hasil convergensi beberapa kekuatan: inferensi menggantikan pelatihan sebagai medan utama kekuatan komputasi, memberikan ruang bagi ASIC khusus; ledakan agen mendorong biaya inferensi melonjak secara nonlinier, sehingga setiap sen yang dihemat menjadi semakin berarti; dan ketergantungan mendalam pada NVIDIA membuat semua pihak ingin mengumpulkan筹码 tawar-menawar sendiri. Untuk perusahaan-perusahaan Tiongkok seperti DeepSeek dan Zhipu, masalah pembatasan ekspor juga harus ditambahkan.

Namun, di bawah gelombang antusiasme ini, sebaiknya juga diberi sedikit air dingin. Chip buatan sendiri jauh dari jaminan menang. Siklus desain bisa memakan waktu 18 hingga 24 bulan, dengan investasi teknis awal yang sangat besar, serta memerlukan beban kerja yang cukup stabil dan dapat diprediksi agar layak dirancang di sekitar arsitektur tetap. Bagi perusahaan rintisan yang masih menguji arsitektur model, atau perusahaan biasa dengan tugas yang beragam, fleksibilitas GPU NVIDIA justru menjadi pilihan yang lebih hemat biaya.

TechTimes menjelaskan dengan jelas bahwa keunggulan biaya 40% hingga 65% hanya dimiliki oleh raksasa yang menjalankan miliaran kueri setiap hari; bagi perusahaan yang hanya menjalankan beberapa puluh ribu kueri per minggu, perhitungannya justru sebaliknya.

Pertanyaan yang lebih patut ditanyakan adalah: gelombang ini akankah melemahkan NVIDIA, atau hanya menambahkan posisi pelengkap baginya? Sebagian besar analisis memberikan jawaban yang cenderung ke yang terakhir. Menurut Oplexa, pada tahun 2027, volume pengiriman ASIC mungkin akan melebihi GPU dalam jumlah, tetapi kedua pasar akan terus tumbuh: infrastruktur AI sedang membelah menjadi dua jalur berbeda: beban tetap, frekuensi tinggi, dan dapat diprediksi diberikan kepada ASIC, sementara beban penelitian, beragam, dan arsitektur yang masih berkembang diberikan kepada GPU. NVIDIA tetap memegang kendali kuat atas pelatihan dan sebagian besar pasar.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Apakah DeepSeek dan Zhipu benar-benar dapat memproduksi chip mereka sendiri, hingga kini belum ada jawabannya, mengingat kedua kabar tersebut masih berada pada tahap evaluasi awal.

Namun mereka mendarat pada hari yang sama, seperti dua batu yang dilempar bersamaan ke permukaan air, gelombang yang timbul memperlihatkan kecemasan yang sama: dari San Francisco hingga Beijing, di era di mana kekuatan komputasi adalah kekuasaan, tidak ada satu perusahaan AI pun yang ingin bertahan hingga putaran berikutnya yang bersedia menyewakan nyawa mereka selamanya ke tangan orang lain.

Artikel ini berasal dari akun WeChat "Machine Heart" (ID: almosthuman2014), penulis: Panda