Podcast kali ini membahas filosofi investasi dari Gavin Baker, pendiri Atreides Management dan investor jangka panjang yang telah menempatkan posisi pada Nvidia dan Cerebras.
Penilaian intinya adalah bahwa AI bukanlah gelembung, melainkan sebuah siklus super infrastruktur yang digerakkan bersama oleh tenaga listrik, wafer, dan daya komputasi (compute); keuntungan berlebih yang sebenarnya tidak terletak pada model besar (big model) atau chatbot, melainkan pada penghubung GPU, memori, chip inferensi, proses manufaktur canggih, dan pasokan listrik—semua ini adalah bagian 'penjual sekop'.
Gavin Baker di satu sisi melindungi portofolionya dari penurunan pasar secara keseluruhan melalui opsi jual (put) pada QQQ, sementara di sisi lain berkonsentrasi menempatkan posisi pada aset-aset yang menjadi hambatan fisik AI seperti Astera Labs, Unity, Micron, Nvidia, Cerebras, dan Positron.
Dia menarik perdebatan 'gelembung AI' dari ranah emosional kembali ke kendala penawaran dan permintaan, berpendapat bahwa selama TSMC, ASML, memori pita lebar tinggi (high-bandwidth memory/HBM), dan jaringan listrik tidak dapat dengan cepat mengalami kelebihan pasokan, pengeluaran modal (capex) AI belum tentu merupakan pengulangan gelembung internet tahun 2000.
Kutipan Inti
Gelembung AI atau Siklus Super
· "AI tidak berada dalam gelembung; sebaliknya, ia berada dalam siklus super."
· "Pengembalian terbesar bukan di SaaS, bukan di chatbot seperti OpenAI atau Anthropic, melainkan di tenaga listrik, daya komputasi (compute), dan pembuatan silikon."
· "Ini bukan gelembung internet karena pembelinya terutama adalah perusahaan-perusahaan paling cerdas dan memiliki arus kas terkuat di dunia, mereka tidak membeli daya komputasi dengan leverage utang."
· "Jika seluruh pasar tidak dapat mengalami kelebihan pasokan (over-supplied), maka sulit bagi pasar itu untuk runtuh tiba-tiba seperti gelembung tradisional."
Hambatan Sebenarnya: Listrik, Wafer, Token
· "Teori Gavin sederhana, hanya melihat hambatan di lapisan infrastruktur AI, siapa pun yang dapat meningkatkan performa per watt, menurunkan biaya per token, maka merekalah yang memiliki nilai."
· "Laboratorium AI sekarang semakin peduli dengan satu hal, berapa banyak token yang dapat dihasilkan per watt listrik."
· "Listrik dan wafer adalah dua dinding bata, juga dua kendala kunci yang membatasi percepatan AI yang terlalu cepat."
Dari Pra-pelatihan ke Inferensi dan Pasca-pelatihan
· "Setelah model selesai dilatih awal (pre-trained), tidak berarti ia akan menjadi jenius seumur hidup; ia masih perlu menyerap informasi baru pada tahap pasca-pelatihan (post-training)."
· "Inferensi pada dasarnya membutuhkan komputasi yang besar, itulah sebabnya chip dan infrastruktur inferensi akan menjadi fokus tahap selanjutnya."
· "Hanya peluang biaya atau pendapatan dari inferensi saja, bisa mencapai 5 hingga 10 kali lipat dari investasi daya komputasi untuk pra-pelatihan."
Model Kecil Vertikal, Model On-Device, dan Infrastruktur Kedaulatan
· "Di masa depan, Anda belum tentu berinteraksi dengan Claude setiap hari; yang mungkin Anda butuhkan sebenarnya adalah agen AI yang dipersonalisasi, dilatih berdasarkan data Anda sendiri."
· "Kecepatan penyebaran infrastruktur itu sendiri adalah parit pertahanan (moat), kecepatan iterasi di dunia digital jauh lebih cepat daripada kecepatan pembangunan infrastruktur fisik."
"Siapa pun yang dapat memampatkan penyebaran fisik yang membutuhkan waktu berbulan-bulan atau bertahun-tahun menjadi hanya beberapa minggu, akan dapat menjual dengan harga yang sangat tinggi dalam infrastruktur AI."
Cara Investasi Gavin: Long pada Hambatan, Short pada Risiko Pasar Keseluruhan
· "Dia sangat yakin pemenang AI akan muncul, tetapi itu tidak berarti dia optimis terhadap seluruh pasar; opsi jual (put) QQQ adalah lindung nilai (hedge)-nya terhadap risiko penurunan pasar secara keseluruhan."
· "TSMC sebenarnya membatasi kecepatan percepatan gelembung; selama kapasitas chip tidak dapat diperluas dalam sekejap, pengeluaran modal tidak mudah lepas kendali."
· "Gavin seperti Leopold yang lebih tua, lebih stabil, dan memiliki rekam jejak yang lebih panjang melintasi siklus: keberhasilan yang pertama diukur dalam dekade, sementara yang terakhir saat ini lebih banyak diukur dalam triwulan."
Aset yang Layak Dipertaruhkan dalam Siklus Super AI
EJ: Gavin Baker adalah seorang investor AI yang sangat produktif, tetapi hampir tidak dikenal oleh publik. Selama 20 tahun terakhir, dia telah berinvestasi di beberapa perusahaan AI yang kemudian menjadi terkenal, bahkan sebelum mereka meledak di kalangan luas. Dia secara dini berhasil dengan Nvidia (penyedia inti GPU AI dan komputasi akselerasi), juga dengan Cerebras (perusahaan chip AI), dan memiliki pandangan yang sangat jelas: AI bukan gelembung, sebaliknya, ini adalah sebuah siklus super.
Menurutnya, dengan mengamati watt (listrik), wafer (wafer silikon), dan token (unit pembuatan dan komputasi model), yaitu infrastruktur dasar AI, kita dapat mengidentifikasi hambatan dan kendala kunci. Kesimpulannya sederhana: pengembalian terbesar dalam AI berasal dari listrik, energi, dan manufaktur silikon, tidak banyak hubungannya dengan SaaS (Software as a Service), juga tidak banyak dengan chatbot seperti Anthropic dan OpenAI.
Seluruh industri pada akhirnya akan diturunkan ke semikonduktor, yaitu aset-aset 'penjual sekop' (picks and shovels) yang mendukung seluruh industri AI.
Saat banyak orang mengatakan industri AI sudah menjadi gelembung, dia justru berpikir ini adalah kesempatan membeli tingkat generasi, terutama untuk infrastruktur AI. Dia mengekspresikan penilaian ini dalam dananya dengan ukuran sekitar $4,1 miliar.
Jika Anda mendengar kendala-kendala yang dia bicarakan, terutama infrastruktur AI, Anda akan merasa teori ini familiar. Kami telah membahas berkali-kali di acara sebelumnya tentang seorang investor bernama Leopold Aschenbrenner, yang juga melakukan banyak konfigurasi di sekitar arah serupa. Perbedaannya adalah, Leopold hanya melakukannya selama sekitar 3 tahun, sedangkan Gavin telah melakukannya selama lebih dari 20 tahun.
Aset yang dikelola Leopold sekitar tiga kali lipat dari Gavin, tetapi produser acara Luke pernah mengingatkan dengan kalimat yang bagus: Anda mungkin bisa mengalahkan Warren Buffett dalam satu tahun, tetapi bisakah Anda mengalahkannya selama beberapa dekade berturut-turut? Rekam jejak sejarah Gavin Baker menunjukkan bahwa dia mungkin memiliki perspektif yang berbeda tentang teori investasi ini.
Bagi yang tidak mengenal Gavin Baker, perlu diketahui bahwa dia adalah pendiri Atreides Management (dana investasi), dan telah berinvestasi di Nvidia selama 20 tahun terakhir. Jika Anda memegang Nvidia selama 20 tahun dan masih bisa terus bekerja, itu sendiri sudah sangat luar biasa, karena seharusnya menghasilkan pengembalian yang sangat menakjubkan.
Beberapa kemenangan terbarunya termasuk Cerebras, serta Astera Labs (perusahaan chip konektivitas pusat data AI). Cerebras adalah perusahaan chip AI, disebutkan dalam acara bahwa valuasinya setelah IPO sangat mengejutkan. Ada juga beberapa perusahaan yang mungkin belum pernah Anda dengar, kami akan mengikuti portofolio dan penilaiannya dalam episode ini untuk melihat di mana dia meletakkan peluang investasi AI.
Jadi pertanyaannya menjadi, apa yang dia investasikan, dan mengapa? Jika melihat 13F terbaru dari Atreides Management (berkas pengungkapan kepemilikan triwulanan investor institusi AS), dana ini memiliki AUM (Aset di Bawah Manajemen) sekitar $4 miliar. Membongkar beberapa kepemilikan terbesarnya, Anda akan menemukan bahwa perusahaan-perusahaan ini mengarah pada hambatan pengembangan AI yang telah berulang kali disebutkan Gavin.
Dia memiliki posisi besar di beberapa perusahaan yang tidak seksi dan bahkan belum pernah didengar banyak orang. Misalnya, Astera Labs, hampir menempati 9% hingga 10% dari dana. Anda dapat menganggap Astera Labs sebagai lapisan koneksi antar-GPU.
Jika membayangkan pusat data sebagai sebuah sistem, GPU adalah mesinnya, bertanggung jawab atas pra-pelatihan (pre-training), pasca-pelatihan (post-training), dan inferensi (inference) model. Tetapi agar GPU bekerja, mereka harus mentransfer sejumlah besar data di antara mereka sendiri, juga mengakses chip memori tempat data disimpan.
Untuk melakukan ini, diperlukan 'sistem pipa'. Saya menjelaskannya di tingkat tinggi karena saya tidak berpura-pura mengerti semua detail dasarnya. Astera Labs memecahkan masalah inilah. Ketika kluster AI meluas hingga ratusan ribu chip, hambatannya bukan lagi hanya GPU itu sendiri, melainkan jendela transfer data, bagaimana mengirim data yang tepat pada waktu yang tepat, mengakses data yang tepat. Astera Labs membangun sistem pipa seperti itu.
Saya juga belum pernah mendengar Astera Labs sebelum melakukan riset untuk episode ini. Tetapi saya ingat Cerebras juga dalam situasi serupa. Gavin membicarakan Cerebras sekitar enam bulan lalu, dan mengingat skala waktu AI, enam bulan sudah lama. Kemudian perusahaan itu melakukan IPO, dalam acara disebutkan valuasinya sekitar $60 miliar, dan setelah IPO naik 40%. Ini menunjukkan bahwa Astera Labs mungkin juga merupakan nama penting dalam tren serupa.
Josh: Cerebras adalah investasi yang sangat awal baginya. Dia masuk ke Cerebras pada tahap yang sangat awal dalam siklus hidup perusahaan, yang berarti dia telah mempertaruhkan teori ini selama bertahun-tahun. Ada beberapa perusahaan lain yang juga menjadi taruhan jangka panjangnya, yang paling unggul tentu saja Nvidia.
Bisa terlibat dengan Nvidia selama lebih dari 20 tahun, dan tetap mempertahankan keyakinan (conviction) sepanjang jalan, itu sangat hebat. Saya baru-baru ini mendengarkan dua podcast yang menampilkan Gavin, ketika dia berbicara tentang posisi Nvidia, dia dengan jelas menyatakan penilaian bahwa dia yakin Nvidia dapat mempertahankan margin keuntungan saat ini dan juga permintaan. Ini berarti dia berpikir Nvidia memiliki peluang untuk mendekati valuasi pasar $10 triliun, saat ini baru sekitar setengah jalan.
Satu lagi yang layak disebut adalah Micron (produsen chip memori global utama). Kami membahas tumpukan investasi AI (AI investment stack) dan posisi perusahaan-perusahaan ini di dalamnya di episode sebelumnya, sangat disarankan untuk menonton kembali. Micron adalah salah satu pembuat memori (memory makers) terbesar.
Dalam acara disebutkan angka yang mengejutkan: setahun yang lalu valuasi pasarnya masih di bawah $100 miliar, dan saat rekaman dibuat telah melampaui $1 triliun, meningkat 10 kali lipat dalam setahun. Ini menunjukkan betapa pentingnya masalah memori (memory problem).
Ada juga perusahaan yang kurang mencolok tetapi menarik. EJ, saya sangat ingin menyebutkan satu untuk Anda: Unity Software. Yang familiar dengan game pasti tahu Unity, itu adalah mesin game (game engine), banyak game populer dibuat menggunakan perangkat lunak rendering 3D (3D rendering software) ini.
Lalu mengapa seorang investor AI berinvestasi di Unity, 'pembuat game elektronik' ini? Jawabannya adalah mesin game 3D. Unity adalah pembangun model dunia (world model builder), ia memiliki pemahaman mendalam tentang fisika, cara kerja dunia, material, dan pencahayaan.
Ketika perusahaan AI ingin membangun AGI (Kecerdasan Buatan Umum) dan robot humanoid (humanoid robots), satu aspek penting adalah mensimulasikan lingkungan virtual dan kumpulan data virtual untuk melatih robot di dalamnya. Unity kebetulan adalah salah satu alat terkuat untuk itu.
Jadi sebagai seorang pendukung kuat model dunia (world model maxi), Anda seharusnya menyukai contoh ini, sebuah perusahaan yang terkenal dengan mesin gamenya, memiliki jalur yang jelas untuk menjadi pemain penting dalam dunia AI.
Teori dan Strategi Investasi Gavin
EJ: Teori model dunia (world models) sederhana: model AI atau LLM saat ini terutama memahami dunia melalui teks dan buku, seperti seorang siswa yang duduk di perpustakaan, tetapi tidak memiliki pengalaman dunia nyata.
Apa yang dibuka oleh model dunia adalah hal ini: menempatkan karakter game ke dalam lingkungan simulasi, membiarkannya memahami bagaimana realitas fisik bekerja.
Misalnya, jika saya menjatuhkan ponsel atau menendang bola, apa yang akan terjadi? Langkah selanjutnya apa? Apa yang harus Anda lakukan? Model dunia memecahkan masalah ini.
Saat ini tidak banyak pemain yang mampu melakukan hal semacam ini dalam skala besar. Pemimpin saat ini mungkin adalah Google, yang memiliki model seperti Genie 3 (proyek model dunia interaktif generatif Google). Acara ini juga menyebutkan Google baru-baru ini merilis Gemini Omni, tetapi model semacam ini belum benar-benar mencapai momen ChatGPT-nya sendiri (ChatGPT moment).
Yang saya sukai dari Gavin adalah, portofolionya seperti strategi barbel (barbell strategy). Di satu sisi sangat tradisional, orang membutuhkan GPU, membutuhkan penyimpanan, jadi dia berinvestasi di pemain terbesar Micron dan Nvidia. Di sisi lain sangat futuristik, dia pikir arah (puck) akan ke sana, jadi dia berinvestasi di Cerebras karena dia pikir inferensi akan sangat penting; juga berinvestasi di Unity karena dia pikir model dunia akan menjadi cara melatih robot dan LLM generasi berikutnya di masa depan.
Dalam portofolionya juga ada Positron, yang membuat chip inferensi (inference chips). Jika ini terdengar mirip dengan Cerebras, ya, keduanya berkisar pada inferensi. Gavin baru-baru ini berulang kali menyebutkan sebuah tren dalam wawancara, tumpukan infrastruktur model AI, terutama tumpukan pelatihan, sedang bergeser dari pra-pelatihan ke lebih menekankan pasca-pelatihan.
Jika Anda berada di lingkaran AI, Anda tahu pergeseran ini telah terjadi. Gavin sangat fokus pada hal ini. Sebuah model masih perlu memahami informasi baru, data baru, perlu memperbarui dirinya sendiri. Hanya karena telah menyelesaikan pra-pelatihan pada kumpulan data tertentu, tidak berarti ia akan menjadi jenius seumur hidup. Ia masih perlu mempelajari informasi baru, ini terjadi di lapisan pasca-pelatihan, dan ini membutuhkan komputasi yang besar.
Kedua, jika Anda membutuhkan model AI untuk benar-benar memikirkan masalah, seperti kita yang setelah menerima informasi baru akan berpikir, apakah sudut pandang ini valid? Apakah ada teori lain yang dapat menjelaskannya? Ini adalah penalaran (reasoning). Penalaran juga membutuhkan komputasi yang besar. Perkiraan saat ini adalah bahwa hanya peluang biaya atau pendapatan dari inferensi saja, bisa mencapai 5 hingga 10 kali lipat dari investasi daya komputasi untuk pra-pelatihan.
Jadi pergeseran besar sedang terjadi di lab AI (AI labs) dan pembuat chip (chip makers). Anda telah melihat Nvidia meluncurkan banyak GPU yang berorientasi inferensi untuk mendukung aplikasi agen (agentic). Gavin juga mengekspresikan taruhan pada inferensi melalui serangkaian investasi.
Poin terakhir yang menurut saya sangat menarik adalah pembicaraan Gavin tentang Tiongkok. Dalam perlombaan AI, narasinya selalu Tiongkok versus AS. Tiongkok memiliki konfigurasi unik, yaitu energi yang relatif cukup, dan juga kemampuan untuk memperluas manufaktur chip. AS saat ini agak kesulitan dalam hal ini, itulah sebabnya banyak bagian dialihdayakan ke TSMC di Taiwan.
Penjelasannya adalah, Tiongkok memiliki peluang unik untuk menciptakan infrastruktur AI atau chip yang sangat berbeda dengan AS, karena mereka akan sangat fokus pada inferensi. Anda bisa mengatakan Gavin sedang memimpin taruhan pada pembangunan infrastruktur inferensi AS melalui investasinya di AS. Saya pikir ini mungkin peluang besar di masa depan.
Josh: Perlu dicatat bahwa taruhan ini tidak hanya memiliki potensi naik (upside). Dia juga memegang posisi opsi jual (put) QQQ yang besar. QQQ adalah ETF yang melacak Nasdaq 100, merupakan keranjang saham, dan juga ETF dengan volume perdagangan terbesar kedua di AS. Kinerjanya sangat kuat: naik 55% pada 2023, 25% pada 2024, 20% pada 2025, dan 17% sejauh ini pada 2026.
Dengan kata lain, QQQ sebagai dana indeks berkinerja sangat baik, mudah membelinya, ini adalah keranjang 100 saham teratas. Dan Gavin melakukan lindung nilai (hedge) terbalik terhadapnya. Dia tidak mengatakan AI tidak akan menang, tetapi yang dia katakan adalah: Dia akan berinvestasi pada pembuat kunci yang benar-benar memecahkan hambatan, tetapi tidak terlihat sangat optimis terhadap sentimen pasar secara keseluruhan.
Opsi jual QQQ adalah perlindungan penurunan (downside protection): jika pasar secara keseluruhan runtuh dengan cara yang tidak menguntungkan, bahkan jika AI tetap menang dalam jangka panjang, dia memiliki lindung nilai (hedge) ini.
Empat Arah yang Layak Diinvestasikan
Josh: Kita dapat membagi hambatan investasi yang menurutnya paling penting menjadi beberapa kategori. Kategori pertama adalah model bahasa kecil yang terdiversifikasi secara vertikal (verticalized small language models).
LLM umum, seperti chatbot Claude dan ChatGPT, adalah LLM yang digeneralisasi (generalized LLM), mereka memiliki pemahaman luas tentang dunia dan dapat menjawab pertanyaan spesifik. Tetapi melatih model di sekitar domain vertikal tertentu atau masalah tertentu adalah hal lain.
Masalah-masalah spesifik ini biasanya ada di dalam perusahaan, terutama perusahaan yang telah mendalami masalah tertentu, atau perusahaan yang telah membentuk ceruk (niche) di segmen pasar tertentu. SLM yang terdiversifikasi secara vertikal (verticalized SLMs) memecahkan masalah ini: mereka adalah model frontier (frontier models), tetapi sangat dioptimalkan, dapat berjalan efisien pada data perusahaan tertentu, atau berjalan secara lokal di perangkat (device).
Kami sebelumnya membahas model yang berjalan di perangkat (on-device) atau model yang dijalankan secara lokal (locally run models). Alasannya adalah ada banyak data yang sangat pribadi di ponsel atau perangkat Anda lainnya, yang mungkin tidak ingin Anda serahkan, dan perusahaan mungkin juga tidak dapat mengaksesnya. Misalnya, catatan medis (medical records), detail keuangan (financial details).
Saya melihat OpenAI merilis agen AI keuangan (financial AI agent) yang dapat mengakses akun bank Anda, tetapi tidak dapat benar-benar beroperasi atas nama Anda, karena ada banyak informasi yang dapat diidentifikasi secara pribadi (personally identifiable information), seperti nomor jaminan sosial, detail bank, dll.
Model lokal atau SLM dapat memecahkan masalah semacam ini. Gavin sangat mempertaruhkan bahwa mereka akan menjadi penting di masa depan. Ada satu perusahaan yang sangat dia dukung: Apple. Meskipun dia belum tentu menyatakan minat investasi yang jelas, dia berpikir Apple akan menjadi salah satu pembuat perangkat (device maker) utama yang membuat model lokal berjalan di perangkat.
Jika masa depan seperti itu, kita mungkin tidak lagi berpikir bahwa Claude harus menjadi model yang Anda gunakan setiap hari. Yang mungkin Anda butuhkan adalah agen AI yang dipersonalisasi (personalized AI agent), yang dilatih berdasarkan data Anda sendiri, dan inilah yang pada akhirnya dapat menjadi SLM.
Versi umum dapat berjalan di ponsel Anda, dan banyak perusahaan juga akan menjalankan model yang sangat dioptimalkan dan khusus, dilatih pada data milik mereka (proprietary data), untuk lebih baik menjual atau memasarkan produk mereka.
EJ: Apple berada pada posisi yang sangat baik untuk ini. Saya sangat menantikan WWDC (Konferensi Pengembang Global Apple), yang akan segera tiba.
Josh: Ya.
EJ: Hanya beberapa minggu lagi menuju konferensi pengembang Apple, mereka akan merilis perangkat lunak AI baru, dan bagaimana perangkat lunak ini diintegrasikan dengan perangkat keras. Ini akan sangat penting, kami juga akan terus meliputnya, saya sangat menantikan diskusi tentang hal ini.
Josh: Pilar kedua adalah infrastruktur kedaulatan (sovereign infrastructure). Kami sering mengatakan, kecepatan bit (bits) jauh lebih cepat daripada kecepatan atom (atoms). Melihat infrastruktur AI sangat jelas: kualitas model hampir meningkat secara eksponensial, kecerdasan yang dihasilkan per watt, kecerdasan per token, semuanya hanya akan terus naik.
Tetapi kecepatan penyebaran fisik tidak meningkat dengan kecepatan yang sama, dan ini sendiri adalah parit pertahanan (moat). Perangkat keras sangat kompleks, presisi transistor sudah mendekati tingkat atom; melakukan penyebaran skala besar di dunia di mana infrastruktur yang ada sudah berada di bawah tekanan, tidak mudah. Setelah percepatan adopsi mobil listrik, jaringan listrik sudah merasakan tekanan lebih besar, banyak tempat mendekati kapasitas penuh. Sekarang AI juga membawa masalah energi (energy problem) dan masalah chip (chip problem).
Gavin sangat mempertaruhkan fakta bahwa infrastruktur itu sulit, pembangunan membutuhkan banyak hari, banyak bulan, bahkan bertahun-tahun. Dia bertaruh pada orang-orang yang dapat memampatkan siklus ini menjadi hanya beberapa minggu. Jadi, kecepatan penyebaran fisik (physical deployment) itu sendiri adalah parit pertahanan. Dia mempersempit target, mencari perusahaan yang dapat menyebar dengan cepat.
Contoh pertama yang saya pikirkan adalah SpaceX (perusahaan kedirgantaraan milik Elon Musk), dan kecepatan mereka membangun Colossus (kluster superkomputer AI besar xAI) dan menyewakannya ke Anthropic, di masa depan mungkin juga ke perusahaan lain. Pilar infrastruktur ini adalah salah satu yang menjadi fokus utama Gavin.
Jika melihat portofolio Leopold, ini juga merupakan bagian inti. Kenyataannya adalah: membangun sesuatu sangat sulit, dan orang yang dapat membangun sesuatu dapat menjual dengan harga yang sangat mahal. Dalam acara disebutkan bahwa sumber pendapatan terbesar SpaceX saat ini adalah menyewakan pusat data, bukan roket. Ini menunjukkan betapa pentingnya pilar ini.
EJ: Dia peduli dengan kecepatan, tetapi juga peduli dengan biaya. Dia berulang kali menyebutkan satu metrik: performa per watt (performance per watt). Yang benar-benar dia katakan adalah, lab AI semakin peduli dengan berapa banyak token yang dapat dihasilkan per watt.
Jika Anda memikirkan bahwa tahun ini hanya sekitar lima perusahaan yang menghabiskan miliaran atau bahkan triliunan dolar untuk GPU, daya komputasi (compute), dan listrik yang menggerakkan sistem ini, Anda pasti menginginkan hasil yang sepadan dengan uang (bang for buck) yang cukup tinggi. Terutama ketika hyperscaler (penyedia layanan cloud skala besar) berkembang hingga skala seperti ini, biaya adalah masalah inti.
Ambil contoh hipotesis: Saya bertanya pada Claude, biaya jawabannya adalah 2 sen; saya bertanya pada ChatGPT, biaya jawabannya adalah 1 dolar. Bahkan jika Claude hanya memiliki 95% kecerdasan ChatGPT, kemungkinan besar saya akan menggunakan Claude. Karena saya dapat bertanya beberapa kali, akhirnya mendapatkan jawaban dengan biaya lebih rendah.
Jadi biaya mengakses kecerdasan (intelligence) ini sangat penting. Baru minggu ini, Microsoft dan Uber mengumumkan bahwa mereka sebenarnya mengurangi penggunaan Claude Code (alat pengkodean AI berorientasi pemrograman Anthropic), karena anggaran tahunan mereka habis dalam sekitar 4 bulan.
Anda dapat melihat ini dalam portofolio investasi Gavin: Cerebras, Positron, Astera Labs. Dia mengidentifikasi hambatan infrastruktur yang sangat spesifik, kemudian membuat taruhan sederhana: jika perusahaan ini memecahkan hambatan ini, mencapai tingkat performa per watt tertentu, menurunkan biaya token ke tingkat tertentu, maka lab AI akan membeli lebih banyak GPU, lebih banyak produk, atau lebih banyak hal semacam ini.
Jadi teorinya sebenarnya sederhana, meskipun teknologinya kompleks: Saya hanya fokus pada hambatan di tingkat infrastruktur AI. Jika saya dapat menemukan perusahaan yang meningkatkan performa per watt, membuat token lebih murah, maka saya bertaruh bahwa perusahaan itu akan sangat berharga di masa depan, baik melalui IPO maupun diakuisisi dengan harga tinggi.
Josh: Di bagian ini, jika ada yang ingin meniru transaksi Gavin, perlu mengetahui beberapa nama: Astera Labs, Cerebras, SiFive (perusahaan desain chip RISC-V), dan Positron. Keempat perusahaan ini sangat penting di sektor ini.
Arah keempat dan terakhir adalah kombinasi energi (energy) dan luar angkasa (space). Seperti yang kami katakan sebelumnya, jaringan listrik terestrial (terrestrial grid) sangat membatasi pasokan energi, dan membangun energi baru juga sangat sulit. Dalam acara disebutkan sebuah statistik, sekitar 40% pusat data baru akan menghadapi penolakan yang sangat kuat, orang-orang melakukan lobi, protes, tidak menginginkan pusat data ini dibangun.
Ada dua jenis solusi. Salah satunya adalah menciptakan energi di luar kotak (out-of-the-box energy), yaitu energi portabel. Anda dapat membawa pusat data ke sana, dan menyediakan daya dengan perangkat energi kecil. Blue Marble, yang sangat didukung oleh Leopold, termasuk dalam jenis ini.
Jenis lainnya adalah komputasi orbital (orbital compute), ini adalah arah yang sangat diperhatikan Gavin sekarang. Perusahaan terbesar dan paling inti di bidang ini tentu saja SpaceX. Ini adalah satu-satunya perusahaan yang memiliki kemampuan untuk menjadi jalan raya ke luar angkasa, mengirim muatan (payload) ke orbit, mengirim rak (racks) dan pusat data ke orbit rendah, dan menghasilkan kecerdasan dan listrik yang cukup untuk dikirim kembali.
Saya pikir pentingnya SpaceX lebih besar dari SpaceX sendiri. Saya agak terkejut portofolio Gavin tidak memiliki lebih banyak konfigurasi saham luar angkasa (space stocks), mengingat dia berpikir ini adalah industri besar. Mungkin kenyataannya masih terlalu dini, dan SpaceX adalah pengungkit (linchpin) yang membuka industri ini.
Selanjutnya perlu diperhatikan peluncuran Starship V3. Kami baru melihat peluncuran Starship minggu lalu, kinerjanya baik. Jika Starship tidak dapat benar-benar beroperasi, tidak akan ada energi luar angkasa, juga tidak ada rak ke orbit (racks to orbit). Ini adalah syarat yang diperlukan, karena muatan yang perlu diluncurkan sangat besar. Jadi SpaceX pasti adalah perusahaan yang harus diperhatikan, meskipun akan ada banyak perusahaan tingkat kedua yang terpengaruh.
Mengapa Bukan Gelembung Internet Lainnya?
Josh: Selanjutnya pasti akan ada yang bertanya, mengapa ini bukan hanya gelembung dot-com (dot-com bubble) lainnya? Gavin telah ditanyai pertanyaan ini berkali-kali, dia memberikan jawaban yang sangat kuat, dan saya sebagian besar mempercayainya, argumennya sangat meyakinkan.
Logikanya kira-kira: gelembung internet tahun 2000 didorong oleh utang (debt-fueled). Banyak orang meminjam banyak uang, untuk berinvestasi pada teori yang belum terbukti dan produk yang tidak benar-benar digunakan atau dipedulikan siapa pun.
Jika membandingkannya dengan siklus super AI yang dikatakan Gavin ini, hanya dua perusahaan, OpenAI dan Anthropic, tahun ini diharapkan mencapai ARR (Pendapatan Berulang Tahunan) $200 miliar. Dan ini bukan uang yang dibuat-buat, melainkan uang yang telah dikontrak, sebagian besar, dalam acara dikatakan 40% hingga 60%, telah dibayar di muka oleh perusahaan dan pelanggan ritel.
Artinya, benar-benar ada uang yang mengalir.
Lagi melihat daya komputasi GPU, tidak melihat lab model, lihat siapa yang membeli produk dari Nvidia. Google, Microsoft, Amazon, dan Meta semuanya membayar dengan cadangan kas mereka sendiri, tidak meminjam uang. Amazon baru saja mencapai ujung arus kas bebasnya, jika mereka mulai meminjam, kita bisa khawatir. Tetapi intinya saat ini adalah, mereka tidak menggunakan leverage.
Dan ini adalah lima perusahaan paling top di dunia, dalam arti tertentu juga perusahaan paling cerdas, karena valuasi pasar, skala, dan posisi mereka ada di sana. Dibandingkan dengan gelembung internet, saat itu ada banyak perusahaan tak bernama yang mengumpulkan banyak uang, kemudian membakar uang dengan cara yang tidak masuk akal. Dalam siklus ini, adalah perusahaan-perusahaan paling cerdas di dunia yang menggunakan uang tanpa leverage untuk pengeluaran.
Laporan triwulanan yang kami bahas dalam acara beberapa minggu terakhir juga menunjukkan, laba sedang dioptimalkan di sekitar tindakan ini, model masih berkembang, menjadi lebih cerdas. Jadi argumen inti Gavin adalah: ini bukan gelembung internet, karena tidak didorong oleh uang leverage; pada saat yang sama, hambatan yang kami bicarakan dibatasi oleh atom fisik (physical atoms).
Membeli banyak chip memori dan GPU adalah satu hal, tetapi Nvidia tidak dapat menjual GPU secara berlebihan, Micron juga tidak dapat menjual chip memori AI secara berlebihan, karena mereka tidak memiliki fasilitas produksi chip yang cukup. Jadi argumen sederhananya adalah: jika Anda tidak dapat memasok berlebihan ke seluruh pasar, maka itu bukan gelembung. Kami dibatasi oleh tidak memiliki cukup 'sekop' (picks and shovels) untuk menyelesaikan ini, dan dia berinvestasi pada hal-hal inilah.
Ada satu poin bagus lainnya: Gavin berpikir, jika TSMC dapat memasok, Nvidia sebenarnya dapat menjual GPU senilai $2 hingga $3 triliun tahun ini dan tahun depan. Artinya, TSMC adalah bagian kunci dalam batas gelembung.
Alasannya adalah, jika TSMC dapat memenuhi kebutuhan perusahaan-perusahaan ini, memberi mereka begitu banyak chip, itu akan menghabiskan modal yang sangat besar. Sekarang dari grafik, belum ada celah besar antara Capex (pengeluaran modal) dan arus kas operasional (operating cash), uang tunai yang dihasilkan perusahaan masih cukup untuk mendukung pembangunan.
Tetapi jika TSMC besok mengatakan kepada Nvidia, kami dapat melipatgandakan kapasitas produksi dalam semalam, Nvidia tidak akan menolak, mereka akan mulai menghabiskan uang dalam jumlah besar untuk membeli chip. Perusahaan lain juga akan dipaksa meminjam untuk membeli chip ini, pada saat itulah gelembung Capex (Capex bubble) akan mulai membesar, dan menjauh dari arus kas operasional perusahaan.
Tetapi karena ada kendala pasokan di setiap bagian, kendala memori, kendala manufaktur chip, kendala energi, terutama kendala TSMC pada chip canggih, kita sebenarnya tidak memiliki cara untuk menarik kecepatan pembangunan secepat itu. Oleh karena itu, TSMC menghalangi percepatan gelembung.
Selama kapasitas chip TSMC masih terbatas, selama Samsung dan produsen chip lainnya tidak melampaui pangsa pasarnya, maka pertumbuhan relatif berkelanjutan. Ini terlihat cepat, tetapi masih ada banyak permintaan yang tidak dapat dipenuhi, karena kita tidak dapat membangun cukup cepat. Selama dinamika ini ada, saya pikir untuk sementara tidak masalah.
EJ: Ada poin lain, Anda tidak dapat berasumsi permintaan tetap statis, karena tidak akan. Permintaan terkait AI tumbuh secara eksponensial, dan kecepatan pertumbuhannya melebihi pasokan produksi chip ini.
Cara yang dapat saya pikirkan untuk menyangkal teori ini hanya dua. Pertama, seseorang secara ajaib menyalin ASML (pemasok inti mesin litografi ultraviolet ekstrem global), tiba-tiba muncul banyak pesaing ASML. Bagi yang tidak mengenal ASML, dapat memahaminya seperti ini: mereka memproduksi mesin yang harganya sekitar $400 juta, TSMC dan semua fabrikasi chip (chip fab) utama membutuhkan mesin ini.
Dalam acara dikatakan ASML hanya memiliki satu tim di Norwegia yang membuat hal-hal ini, dan siklusnya sangat panjang, backlog pesanan (order backlog) sudah sekitar 5 tahun.
Kedua, kita menciptakan jenis LLM yang sama sekali berbeda, yang tidak membutuhkan begitu banyak GPU, juga tidak membutuhkan begitu banyak penyimpanan. Tetapi saat ini kita sama sekali tidak melihat tanda-tanda seperti itu.
Saya melihat berita tentang SK Hynix hari ini. Ini adalah produsen dan pemasok memori nomor satu untuk GPU Nvidia, di bidang memori AI hampir merupakan pemain teratas (top dog).
Sekarang mereka mungkin sedang menerima penawaran $50 hingga $100 miliar dari Google dan Microsoft, kedua perusahaan ingin mengunci pasokan yang akan diproduksi dalam tiga tahun ke depan, untuk membayar peralatan yang dibutuhkan untuk memperluas produksi.
Ini menunjukkan betapa lapar perusahaan-perusahaan besar ini akan memori, dan ini hanya sub-sektor dari komponen AI. SK Hynix justru mengatakan: Saya tidak ingin memberi Anda jaminan pasokan, saya cukup menaikkan harga saja. Margin operasionalnya (operating margin) sekitar 70%, hampir tidak terbayangkan dalam industri semikonduktor.
Jadi masuk akal jika Gavin all-in. Ini tidak terlihat seperti gelembung, mungkin pasar akan bereaksi seperti itu dalam jangka pendek. Kami membuka portofolio saham sebelum merekam hari ini, hampir semuanya turun, tetapi itu lebih merupakan reaksi emosional (reactionary).
Tujuan arah dari hal ini adalah: kita hanya akan membutuhkan lebih banyak GPU, lebih banyak chip semikonduktor, dan pasokan tidak mencukupi, produsen juga tidak cukup.
Portofolio Investasi Gavin
Josh: Kesimpulannya adalah: listrik dan wafer. Hanya dua ini. Mereka adalah dua dinding bata, juga dua faktor pembatas, mencegah kita terlalu cepat berakselerasi. Selama listrik dan wafer masih memiliki nilai, permintaan kuat, pasokan terbatas, masih ada hari-hari baik di depan.
Jika Anda ingin TLDR (Terlalu Panjang, Tidak Dibaca) dari portofolio Gavin, saya dapat membacakan kepemilikan terbesarnya. Sekali lagi, ini bukan saran investasi. Ini adalah apa yang dipegang oleh Gavin, bukan apa yang kami pegang. Saya tidak tahu apakah saham-saham ini akan naik, turun, atau berputar di tempat.
Posisi terbesarnya agak kontra-intuitif, adalah posisi opsi jual QQQ (QQQ put position). Secara keseluruhan, dia cenderung bearish (pesimis) terhadap pasar, ini sangat perlu diperhatikan. Yang kedua adalah Astera Labs, posisi sekitar 7.4%, ticker-nya adalah ALAB. Ketiga adalah Unity, yaitu perusahaan perangkat lunak 3D.
Masih banyak lagi di belakangnya: Ciena (perusahaan peralatan jaringan optik), Micron, Nvidia, Amazon, Lumentum (perusahaan komunikasi optik dan komponen laser), Alphabet (induk perusahaan Google), Coherent (perusahaan optoelektronik dan material), Roblox (platform game), EchoStar (perusahaan komunikasi satelit), Twilio (platform komunikasi cloud), Wayfair (perusahaan e-commerce furnitur). Orang ini berinvestasi di segala hal.
Jika Anda tertarik, Anda dapat melihat 13F-nya. Inilah pandangan Gavin, hambatannya ada di listrik dan wafer. Selama kendala ini masih ada, pada dasarnya hanya naik satu arah. EJ, bagaimana Anda menyerap informasi ini? Bagaimana Anda akan menanganinya?
EJ: Sejak 13F Leopold keluar, pasar terus bergejolak. Saat merekam episode ini, saya semakin menyadari bahwa Gavin seperti Leopold yang lebih tua dan lebih cerdas. Dia sudah lama berada di industri ini. Mungkin dia tidak memiliki AUM $13 miliar, tetapi saya merasa dalam 10 tahun ke depan dia masih akan ada.
Jika setelah mendengarkan sampai di sini Anda berpikir, saya tidak ingin mengejar perkembangan AI setiap menit, setiap jam, setiap hari, saya hanya ingin menaruh uang di sana, melihat bagaimana ia tumbuh dalam beberapa bulan atau tahun ke depan. Maka portofolio Gavin mungkin sangat referensial. Tentu saja, ini bukan saran investasi.
Dia mengambil pendekatan yang lebih hati-hati, lebih jangka panjang, dan juga lebih berorientasi masa depan. Jika tren yang dia perkirakan akhirnya terwujud, seperti keberhasilannya yang dini dengan Nvidia dan Cerebras, mungkin ada pengembalian eksponensial dalam beberapa tahun ke depan. Tetapi semua ini dibangun di atas satu pandangan intinya: kita tidak berada dalam gelembung.
Saya penasaran apakah pendengar setuju. Jelas, kebanyakan orang tidak akan seteknis dan sedalam Gavin di tingkat dasar. Tetapi setelah mendengarkan episode ini, menurut Anda apakah kita berada dalam gelembung? Atau tidak? Apa alasan yang mendukung dan menentang? Apakah ada sesuatu yang kami lewatkan? Josh, sebelum kita mengakhiri, menurut Anda apakah sekarang ini gelembung?
Josh: Saya pikir kita tentu saja berada dalam gelembung. Pertanyaannya adalah, di tahap mana kita berada dalam gelembung, ini masih bisa didiskusikan. Saat ini terlihat lebih seperti tahap awal, jadi semoga tetap dalam keadaan seperti ini. Menurut Gavin, selama TSMC terus membatasi kapasitas produksi chip, kita masih baik-baik saja.
Inilah pandangan keseluruhan (outlook). Kami telah membahas Leopold, keberhasilannya saat ini diukur per triwulan; sekarang kami membahas Gavin, keberhasilannya diukur dalam beberapa dekade. Banyak orang mungkin menemukan jawaban mereka sendiri jatuh di antara keduanya.
