Chip AI Google Capai Efisiensi 10x: Bisakah ASIC Menyaingi Dominasi AI NVIDIA?

Pada 21 Juli 2026 (waktu Beijing), Alphabet ditutup pada harga $351,37, naik 1,52% dalam sehari. Pada hari yang sama, NVIDIA ditutup di $203,28, dengan kenaikan sebesar 0,23%.

Pendorong perbedaan harga ini adalah laporan dari media teknologi The Information: Google sedang mengembangkan chip server baru, dengan nama kode internal Frozen v2, yang bertujuan untuk secara permanen menanamkan sebagian arsitektur model besar Gemini ke dalam silikon. Langkah ini akan memungkinkan kinerja pemrosesan token 6 hingga 10 kali lebih tinggi per satuan daya dibandingkan TPU saat ini. Pada hari berita ini dirilis, saham Alphabet melonjak hampir 3,7% secara intraday.

Sebuah chip yang dijadwalkan meluncur dua tahun lagi justru mendorong pasar untuk membeli sebuah cetak biru. Logika di baliknya jauh melampaui peluncuran chip AI baru—ini menandai potensi perubahan aturan dalam persaingan infrastruktur AI.

Mengapa Raksasa Cloud Computing Beralih dari Pembeli Chip Menjadi Perancang Chip?

Selama satu dekade terakhir, struktur pasar untuk infrastruktur AI berputar di sekitar satu benang utama: GPU NVIDIA, ekosistem perangkat lunak CUDA, dan pusat data yang terus berkembang. Jalur ini telah terbukti jelas dan efektif—chip komputasi serba guna dapat beradaptasi dengan berbagai beban kerja AI, dan skala ekonomi mendorong penurunan biaya serta peningkatan kinerja secara berkelanjutan.

Namun, lanskap ini tengah berubah. Para penyedia cloud utama kini secara kolektif beralih ke desain chip milik sendiri:

Tren ini didorong oleh beberapa faktor. Pertama adalah biaya. TPU internal Google dapat memangkas biaya komputasi AI hingga 30%. Bisnis chip proprietary AWS mencapai pendapatan tahunan $20 miliar pada awal 2026. Seiring inferensi AI beralih dari "bisa atau tidak" menjadi "apakah hemat biaya", biaya per token menjadi variabel persaingan utama.

Kedua adalah keamanan pasokan. Kekurangan komputasi telah menjadi masalah mendesak di internal Google. Laporan menunjukkan bahwa kekurangan komputasi tidak hanya memperburuk persaingan sumber daya internal, tetapi juga memaksa Google Cloud menolak sejumlah kemitraan klien eksternal. Pada Juni 2026, Google sepakat membayar SpaceX hampir $1 miliar per bulan untuk menutupi kekurangan komputasi. Pada kuartal I 2026, belanja modal Alphabet mencapai $35,7 miliar, dengan proyeksi tahunan dinaikkan menjadi $180–190 miliar—dua kali lipat dari $91,4 miliar pada 2025. Pada kuartal yang sama, pendapatan Google Cloud mencapai $20 miliar, naik 63% year-on-year, dan backlog kontrak melonjak dari $240 miliar pada kuartal sebelumnya menjadi $462 miliar. Manajemen menyatakan dalam panggilan pendapatan bahwa permintaan AI belum pernah terjadi sebelumnya dan perusahaan masih terkendala kapasitas komputasi.

Ketika pertumbuhan permintaan secara konsisten melampaui ekspansi pasokan, pengembangan chip proprietary berubah dari "opsional" menjadi "wajib".

Logika "Pembekuan" Frozen v2: Mengapa Menanamkan Arsitektur Model ke Silikon Meningkatkan Efisiensi Sepuluh Kali Lipat

Untuk memahami nilai Frozen v2, penting untuk terlebih dahulu memahami cara kerja chip AI tradisional.

Pada arsitektur konvensional, model AI disimpan di memori. Chip membaca bobot dan parameter arsitektur dari memori, melakukan komputasi di unit pemrosesan, lalu menulis hasil kembali ke memori. Untuk setiap token yang dihasilkan, pipeline ini berjalan satu siklus penuh. Sebagian besar daya dihabiskan untuk memindahkan data, sedangkan komputasi aktual hanya mengambil porsi kecil.

Frozen v2 mengambil pendekatan berbeda: ia menanamkan arsitektur jaringan saraf Gemini—termasuk struktur hierarkis, mekanisme multi-head attention, residual connection, dan komponen inti lainnya—langsung ke sirkuit fisik saat desain chip. Struktur yang biasanya membutuhkan pembacaan dan komputasi berulang kini menjadi bagian dari sirkuit itu sendiri.

Konsep ini dikenal di industri semikonduktor sebagai ASIC (Application-Specific Integrated Circuit). Penambang Bitcoin adalah ASIC, begitu juga ISP pada smartphone—mengorbankan fleksibilitas demi efisiensi ekstrem pada satu tugas tertentu. Namun, belum ada yang berani membangun ASIC untuk model besar hingga saat ini, karena iterasi model sangat cepat, siklus desain chip sangat panjang, dan saat chip selesai diproduksi, modelnya bisa jadi sudah usang.

Taruhan Frozen v2 adalah bahwa arsitektur dasar Gemini sudah cukup stabil untuk ditanamkan ke silikon. Sejak peluncuran Gemini 1.0 pada Desember 2023 hingga 3.5 Flash, komponen inti arsitektur Transformer—multi-head attention, feed-forward network, layer normalization—tidak mengalami perubahan fundamental. Inovasi nyata terjadi pada skala model, data pelatihan, dan optimasi pasca-pelatihan, bukan pada level infrastruktur.

Frozen v2 mengunci arsitektur, tetapi bobot model tetap dapat diperbarui. Rencana awal Frozen v1 mencoba menanamkan arsitektur dan bobot model sekaligus, namun akhirnya Google meninggalkan pendekatan ini karena chip hanya bisa menjalankan satu versi Gemini, sehingga menjadi usang setiap kali model diperbarui. Kompromi pada Frozen v2 adalah "mengunci kerangka, bukan isinya".

Dari perspektif pipeline data, peningkatan efisiensi Frozen v2 dapat dijabarkan sebagai berikut:

Arsitektur model tertanam → decoding instruksi dan pembacaan parameter lebih sedikit → pergerakan data antara chip dan memori berkurang → konsumsi energi per token lebih rendah → pemrosesan token per satuan daya meningkat 6–10 kali lipat

Laporan tersebut mencatat bahwa chip Frozen akan menjadi cabang yang lebih khusus dalam portofolio chip proprietary Google, bukan pengganti TPU serba guna. Saat ini, Google memperlakukan Frozen v2 sebagai proyek eksperimental, tanpa rencana produksi massal sebesar TPU. Target implementasi ditetapkan pada 2028.

Dari "Perlombaan Jumlah GPU" ke "Kompetisi Biaya per Token"

Signifikansi Frozen v2 bukan pada potensi produksinya secara massal, melainkan pada pergeseran logika persaingan yang diwakilinya.

Secara historis, metrik inti dalam persaingan chip AI adalah "siapa yang memiliki GPU terbanyak". NVIDIA telah membangun keunggulan tak tertandingi di bidang ini—pada awal 2026, NVIDIA menguasai sekitar 86% pasar chip akselerator AI dan pusat data. TrendForce memperkirakan pangsa pasar chip AI globalnya sekitar 64% pada 2026. Pada kuartal I 2026 (kuartal I fiskal 2027 NVIDIA), pendapatan pusat data NVIDIA mencapai $75,25 miliar, naik 92% year-on-year.

Namun, Frozen v2 mengarah pada dimensi persaingan baru: "siapa yang dapat menyediakan komputasi AI terbanyak dengan biaya satuan terendah". Seiring aplikasi AI beralih dari pelatihan ke inferensi berskala besar, biaya listrik, chip, dan operasional pusat data per token akan menentukan kelayakan model bisnis.

Google memiliki keunggulan struktural di sini: TPU yang menganggur dapat langsung diserap secara internal—diintegrasikan ke operasional cloud Google sendiri—sementara NVIDIA tidak memiliki bisnis cloud berskala sebanding untuk memanfaatkan perangkat keras berlebih. Hal ini memberi Google fleksibilitas lebih besar dalam perencanaan kapasitas dan manajemen risiko untuk chip proprietary.

Selain itu, Google memperluas ekosistem TPU ke pasar eksternal. Laporan menyebutkan Google telah berdiskusi dengan beberapa penyedia cloud profesional "Neo-cloud", mendorong mereka menambah opsi TPU dalam layanan mereka. Anthropic, Apple, dan Meta telah menjadi pelanggan eksternal TPU. Joint venture Google dengan Blackstone membangun kapasitas komputasi TPU sebesar 500 megawatt. Jika semakin banyak perusahaan teknologi memindahkan beban kerja ke TPU atau chip proprietary Google, hal ini tidak hanya akan menggerus pangsa pasar NVIDIA, tetapi juga dapat menekan kekuatan harga mereka.

Namun, proses ini menghadapi kendala nyata. TSMC adalah bottleneck yang harus dilalui semua perancang chip; Google bergantung pada Broadcom sebagai perantara untuk mendapatkan kapasitas. Alokasi untuk 2027 sedang difinalisasi, dan porsi Google akan sangat dipengaruhi oleh sikap TSMC terhadap bisnis TPU. Sementara itu, Google tetap menjadi salah satu pelanggan terbesar NVIDIA, membeli puluhan ribu GPU setiap tahun untuk melatih model-model terbesarnya. Dinamika "kompetitor sekaligus pelanggan utama" ini membuat lanskap persaingan semakin kompleks.

Biaya dan Batasan Spesialisasi

Jalur teknis Frozen v2 bukan tanpa kompromi. Laporan menegaskan: chip ini hanya kompatibel dengan model Gemini masa depan jika Google mempertahankan arsitektur dasar yang sama. Jika struktur dasar model berubah, bagian yang tertanam di silikon bisa menjadi usang.

Pada saat yang sama, bisnis AI Google menghadapi tantangan yang lebih mendesak. Laporan menyebutkan peluncuran Gemini Pro generasi berikutnya tertunda, dan beberapa peneliti AI senior pindah ke kompetitor. Model AI Tiongkok kini menyumbang 45% penggunaan token di kalangan perusahaan AS. Sementara chip khusus masih ada di roadmap 2028, prioritas utama Google saat ini adalah menstabilkan kecepatan iterasi model dan mempertahankan talenta.

Selain itu, Alphabet baru saja menyelesaikan pendanaan ekuitas sebesar $84,75 miliar—salah satu penawaran sekunder terbesar dalam sejarah AS—terutama untuk membangun pusat data, mengimplementasikan TPU Ironwood generasi ketujuh, dan terus membeli GPU NVIDIA. Frozen v2 baru akan hadir pada 2028; dana ini sudah digunakan sekarang.

Kesimpulan

Saham Alphabet naik 1,52% setelah kabar Frozen v2, sementara NVIDIA hanya naik 0,23%. Kesenjangan ini mungkin mencerminkan perbedaan penilaian pasar terhadap dua pendekatan kompetitif: satu berbasis skala chip komputasi serba guna, satu lagi pada revolusi efisiensi chip komputasi khusus.

Frozen v2 tetap menjadi proyek eksperimental, dan jadwal implementasinya pada 2028 berarti tidak akan menjadi tantangan nyata bagi posisi pasar NVIDIA dalam waktu dekat. Namun, arah yang ditunjukkannya—dari "siapa yang punya GPU terbanyak" ke "siapa yang bisa menyediakan komputasi AI terbanyak dengan biaya terendah"—semakin menjadi tren struktural di industri.

Pasar chip AI diproyeksikan tumbuh dari sekitar $61,8 miliar pada 2025 menjadi sekitar $84,2 miliar pada 2026. Dalam pasar yang berkembang pesat ini, interaksi antara spesialisasi dan generalisasi akan membentuk struktur biaya dan dinamika persaingan infrastruktur AI untuk satu dekade ke depan. Apakah Frozen v2 akan sukses masih belum pasti, namun pola pikir yang diwakilinya—merancang chip untuk model, bukan memaksa model menyesuaikan chip—sudah mulai mengubah cara industri membahas komputasi AI.

FAQ

T: Seberapa besar peningkatan kinerja chip Frozen v2 Google dibandingkan TPU saat ini?

Insinyur Google memperkirakan Frozen v2 dapat memberikan kinerja pemrosesan token 6 hingga 10 kali lebih tinggi per satuan daya dibandingkan TPU terbaru mereka. Peningkatan ini terutama berasal dari penanaman arsitektur model Gemini ke dalam chip, sehingga mengurangi konsumsi energi akibat perpindahan data dan komputasi berulang.

T: Apakah Frozen v2 akan menggantikan GPU NVIDIA?

Tidak dalam waktu dekat. Frozen v2 adalah chip khusus yang dirancang untuk model Gemini; chip ini tidak akan menggantikan TPU serba guna, apalagi GPU NVIDIA. Google masih membeli puluhan ribu GPU NVIDIA setiap tahun untuk melatih model-model terbesarnya.

T: Kapan Frozen v2 akan resmi diimplementasikan?

Laporan menyebutkan target implementasi Google adalah 2028. Proyek ini saat ini masih dianggap eksperimental, tanpa rencana produksi massal sebesar TPU.

T: Mengapa Alphabet mengembangkan chip AI sendiri?

Tiga alasan utama: mengurangi ketergantungan pada NVIDIA, mengendalikan biaya komputasi yang terus naik, dan mengatasi kekurangan komputasi internal yang parah. Pada kuartal I 2026, pendapatan Google Cloud mencapai $20 miliar, naik 63% year-on-year, namun keterbatasan komputasi membatasi pertumbuhan lebih lanjut.

T: Apa risiko pendekatan teknis Frozen v2?

Risiko terbesar adalah biaya akibat kurangnya fleksibilitas. Chip ini hanya kompatibel dengan versi Gemini berikutnya yang menggunakan arsitektur dasar yang sama. Jika fondasi model berubah, desain yang tertanam di silikon bisa menjadi usang. Selain itu, siklus desain chip lebih panjang dibandingkan siklus iterasi model, itulah sebabnya belum ada yang berani membangun ASIC untuk model besar sebelumnya.