OpenAI kembangkan chip sendiri dalam 9 bulan "melampaui Blackwell", apakah Nvidia masih punya keunggulan kompetitif?

Chip inferensi hasil pengembangan bersama OpenAI dan Broadcom, Jalapeño, untuk pertama kalinya mengumumkan data uji kinerja riil, dengan indikator performa yang secara signifikan melampaui sistem setara milik Nvidia, memicu diskusi luas di pasar mengenai restrukturisasi lanskap chip AI.

Menurut analisis terbaru dari kepala divisi perdagangan Goldman Sachs, Rich Privorotsky, Jalapeño bukanlah apa yang disebut "pembunuh Nvidia", namun kehadirannya menandai pasar perangkat keras AI yang bergerak dari pusat dominasi tinggi menuju diversifikasi. Penilaian ini terkait langsung dengan logika valuasi jangka panjang Nvidia—bukan volume pengiriman tahun ini, tetapi struktur keuntungan beberapa tahun ke depan.

Bagi pasar, pengaruh utama dari peristiwa ini ada dua dimensi: pertama, parit pertahanan Nvidia pada chip pelatihan dan ekosistem CUDA tidak terancam dalam jangka pendek; kedua, pada sisi inferensi—pekerjaan sehari-hari yang frekuensi dan volumenya tinggi—sedang menjadi medan pertempuran utama untuk chip kustom, sehingga sumber pendapatan "seperti annuitas" Nvidia menghadapi erosi gradual.

Data Uji Riil Jalapeño: Performa Inferensi Unggul, Namun Posisi Jelas

Chip Jalapeño—hasil desain bersama OpenAI dan Broadcom—baru-baru ini mengumumkan hasil uji benchmarking terbuka pertama. Hasil pengujian menunjukkan bahwa kapasitas komputasi AI per watt dari chip ini 1,5 hingga 1,9 kali chip setara Nvidia, dengan kecepatan respons 1,7 hingga 3,6 kali lipat lebih cepat.

Dari spesifikasi perangkat keras, satu chip Jalapeño memiliki konsumsi daya terukur sekitar 700 watt, dengan konsumsi nyata biasanya lebih rendah. Satu rak lengkap dapat memuat 128 chip dan dilengkapi dengan sekitar 27,5TB HBM4 memori bandwidth tinggi, bandwidth memori tiap chip mencapai 15,4TB/detik.

Patut dicatat, OpenAI tidak berkompromi pada konfigurasi memori—chip ini secara sengaja didesain untuk kepadatan bandwidth tinggi, bukan menekan biaya dengan memangkas memori.

Rencana implementasi Jalapeño akan dimulai secara terbatas pada akhir tahun ini, dan memasuki tahap produksi masal pada 2027. OpenAI juga telah menyatakan dengan jelas bahwa chip ini menjadi pelengkap bagi Nvidia dan mitra lainnya, bukan sebagai pengganti.

Pemisahan Esensial antara Pelatihan dan Inferensi: Di Mana Parit Nvidia?

Kunci memahami peristiwa ini adalah membedakan dua beban kerja inti pada chip AI.

Pelatihan adalah "sekolah"—memberikan data masif pada model untuk memperbarui bobot, tugas yang kompleks, berskala besar, dan memakan waktu lama, sehingga tetap sangat bergantung pada GPU umum seperti milik Nvidia. Inferensi adalah "pekerjaan"—pengguna bertanya pada ChatGPT, agen cerdas memesan tiket, alat kode menghasilkan fungsi; model sudah dilatih, yang dibutuhkan adalah hasil yang keluar dengan biaya terendah dan kecepatan tertinggi.

Jalapeño adalah ASIC (chip khusus) khusus untuk inferensi, bukan chip pelatihan. Privorotsky menggunakan analogi: GPU adalah pisau tentara Swiss, ASIC adalah pisau koki—yang terakhir lebih unggul pada tugas spesifik tetapi tidak dapat menggantikan generalitas yang pertama.

Ini berarti, OpenAI dalam waktu yang dapat diprediksi masih harus membeli GPU Nvidia untuk pelatihan model dan pekerjaan riset. Privorotsky menegaskan, Jalapeño tidak akan menyebabkan "penurunan drastis permintaan Nvidia", tetapi "batas diskusi perangkat keras AI terus melebar".

Transisi Hibrida, Bukan Kematian Industri

Privorotsky mengemukakan tiga poin utama dalam analisisnya.

Pertama, chip inferensi kustom tak lagi menjadi proyek laboratorium. Sebuah perusahaan perangkat lunak tanpa sejarah industri semikonduktor dapat meluncurkan chip berperforma tinggi bersama Broadcom dalam waktu sangat singkat, membuktikan bahwa hambatan masuk ke area ini telah jauh berkurang.

Kedua, ini tidak berarti permintaan Nvidia tahun ini turun. Pelatihan, riset, dan banyak beban kerja non-standar masih butuh GPU umum, sementara volume pengiriman generasi pertama chip kustom terbatas dan waktu pengiriman relatif lama.

Ketiga, dalam siklus lebih panjang, beban kerja inferensi AI yang makin banyak akan beralih ke chip khusus. Ini adalah "transisi hibrida"—yang berubah adalah distribusi keuntungan, bukan skala industri.

Goldman Sachs juga menegaskan, kejadian ini tidak berdampak negatif pada industri memori. Satu rak dengan 128 chip dan HBM4 sebesar 27,5TB berarti OpenAI harus membayar biaya per watt efektif yang lebih tinggi pada pemasok memori seperti SK Hynix, Samsung, dan Micron. Migrasi inferensi ke chip kustom tidak menurunkan kebutuhan memori bandwidth tinggi, malah mungkin memperburuk kelangkaan.

Desain Chip Dibantu AI: Narasi yang Sungguh Diremehkan

Di akhir analisisnya, Privorotsky mengangkat pertanyaan yang sering diabaikan pasar: Bagaimana perusahaan tanpa sejarah desain chip dapat menyelesaikan chip ini dalam waktu rekor?

Jawaban dari Goldman Sachs adalah: siklus reinforcement learning dan desain berbantuan AI—menggunakan model untuk mengeksplorasi skema sirkuit, mempercepat siklus desain-pengukuran-verifikasi, lalu menggunakan AI untuk menghasilkan kode perangkat lunak yang berjalan di chip baru.

Logika "rekursif" ini berarti, AI kini ikut mendesain mesin yang akan menjalankan AI itu sendiri. Jika siklus desain ini tetap efektif, maka parit GPU umum yang dibangun di atas ekosistem perangkat lunak, untuk kasus inferensi stabil akan semakin menipis.

Bagi seluruh industri, kompiler, generator kernel dan "model yang menulis kode untuk chip" sedang berevolusi dari perangkat pinggiran menjadi infrastruktur strategis.

Fragmentasi Baru Ekosistem: Siapa Diuntungkan, Siapa Tertekan

Nvidia: Aman dalam jangka pendek, menghadapi tekanan struktural dalam jangka panjang. Cluster pelatihan, ekosistem CUDA, koneksi jaringan, dan fleksibilitas "menjalankan model baru di hari Selasa" tetap menjadi parit nyata. Namun jika pekerjaan inferensi sehari-hari berfrekuensi tinggi terus bermigrasi ke ASIC, Nvidia akan tetap memanen "demam emas", tetapi kehilangan sebagian "annuitas". Ini adalah isu valuasi multipel jangka panjang, bukan krisis volume pengiriman pada 2026.

Broadcom dan manufaktur chip kustom: Menjadi "penyedia senjata" bagi setiap perusahaan yang ingin mengembangkan chip sendiri tanpa ingin menjadi TSMC. Inferensi kustom adalah bisnis layanan dan jaringan—lebih banyak Jalapeño berarti permintaan kemasan, SerDes, dan produksi tingkat rak jadi makin besar.

Laboratorium model: Jalapeño adalah senjata keuntungan dan juga senjata produk. Laboratorium yang memiliki chip inferensi sendiri bisa menurunkan harga, meningkatkan batas kecepatan, atau membiarkan agen menjalankan lebih banyak langkah sebelum tagihan membengkak. Laboratorium yang hanya menyewa GPU berarti menyewa struktur biaya milik orang lain; laboratorium yang memiliki chip inferensi dapat mendefinisikan ulang produknya. Google membangun TPU untuk ini, Amazon membangun Trainium, dan kini OpenAI ikut bersaing dengan hasil nyata yang diumumkan secara publik.

Pengguna dan Penetapan Harga: Biaya inferensi yang turun biasanya menghasilkan dua konsekuensi bersamaan—harga di lapisan dasar menurun, sementara lapisan terdepan menjadi lebih mahal karena model lebih besar dan lebih cerdas. Penurunan total biaya kepemilikan per token adalah fondasi digital baik untuk "robot chat 20 dolar" maupun "layanan agen 2000 dolar per bulan".