# Artikel Terkait Biaya

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Biaya", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit06/25 14:05

GPT Merancang GPT

marsbit06/25 14:05

Perang Subsidi Token "Raksasa AI", Sudah Hampir Selesai?

Perang subsidi token antara raksasa AI seperti Google, OpenAI, dan Anthropic mungkin tidak akan segera berakhir, tetapi sifatnya berbeda dari perang subsidi era internet. Analisis dari SemiAnalysis menunjukkan bahwa harga token saat ini sebenarnya sudah sangat disubsidi, dengan paket berlangganan AI premium bahkan mungkin disubsidi hingga 70 kali lipat dari biaya berlangganannya. Namun, tidak seperti layanan seperti taksi online atau pengiriman makanan, token AI hampir tidak memiliki efek "penguncian" (*lock-in effect*). Pengguna dan pengembang dapat dengan mudah beralih antara model AI karena API yang semakin standar. Ini berarti begitu subsidi dihentikan dan harga dinaikkan, pengguna bisa langsung beralih. Bill Maris dari Google Ventures memprediksi dengan keyakinan 100% bahwa Google, dengan pendapatan iklannya yang besar, bisa memotong harga token hingga 80% sebagai senjata. Bagi OpenAI dan Anthropic yang bergantung pada pendanaan investor, hal ini akan menjadi tekanan bisnis yang berat, terutama setelah mereka masuk bursa dan harus menunjukkan profitabilitas. Dua skenario akhir yang mungkin adalah: 1) skenario monopolistik ala internet di mana satu pemenang muncul dan kemudian menaikkan harga, atau 2) skenario "listrik-air-bahan bakar" di mana token menjadi infrastruktur dasar yang terstandarisasi dengan margin keuntungan yang sangat tipis. Artikel berargumen bahwa skenario kedua lebih mungkin karena kurangnya efek penguncian pada token AI. Kompetisi ini mungkin bukan perang untuk dimenangkan, melainkan permainan tanpa akhir untuk tetap berada di meja permainan. Bagi pengguna, selama perang subsidi ini berlanjut, mereka akan terus menikmati akses ke kemampuan AI canggih dengan biaya yang sangat terjangkau dibandingkan dengan biaya komputasi sebenarnya.

marsbit06/21 04:27

Perang Subsidi Token "Raksasa AI", Sudah Hampir Selesai?

marsbit06/21 04:27

Laporan Q1 2026 Ethereum: Biaya Turun, Pengguna dan Volume Transaksi Capai Rekor Tertinggi Sejarah

**Laporan Kuartal I Ethereum 2026: Biaya Turun, Pengguna dan Jumlah Transaksi Capai Rekor Tertinggi** Laporan Ethereum Q1 2026 menunjukkan data yang tampak berlawanan tetapi kritis: jaringan ini mengalami pertumbuhan pengguna, transaksi, dan throughput tertinggi sepanjang masa, sementara biaya transaksi, TVL, volume perdagangan, dan kapitalisasi pasar ETH terdilusi turun. Ini menandai transisi Ethereum ke fase 'biaya rendah untuk skala' setelah peningkatan Fusaka meningkatkan kapasitas data dan membuat ruang blok lebih murah, melepaskan permintaan jaringan (paradoks Jevons). Naratif inti Ethereum bergeser dari blockchain DeFi ke lapisan penyelesaian keuangan global. Ethereum mempertahankan dominasi dalam aset tokenisasi: stablecoin, dana tokenisasi (naik 4.9% QoQ), komoditas tokenisasi (naik 60% QoQ, terutama emas), dan saham tokenisasi. Kehadiran institusi seperti BlackRock, JPMorgan, dan Fidelity semakin memperkuat adopsi. **Data Kunci Q1 2026:** * **Penggunaan (Naik):** Pengguna Bulanan Aktif (MAU): 13.2 juta (+53.5% QoQ). Jumlah Transaksi: 200.4 juta (+38% QoQ). Throughput: 25.78 TPS. * **Nilai & Biaya (Turun):** Biaya Transaksi Lapisan-1: $39.9 juta (-47.9% QoQ). TVL Ekosistem: $316.2B (-11% QoQ). Kapitalisasi Pasar ETH Tercairkan Penuh: $290B (-30.3% QoQ). * **Aset Tokenisasi (Stabil/Tumbuh):** Nilai Pasar: $2034B. Didominasi stablecoin ($1789B), diikuti dana ($194B) dan komoditas ($47B). Ethereum mengorbankan pendapatan biaya jangka pendek untuk ekspansi jaringan, berfokus pada konsolidasi sebagai lapisan penyelesaian default untuk aset keuangan global. Peningkatan kapasitas berkelanjutan (seperti rencana upgrade Glamsterdam) diharapkan dapat lebih mendorong adopsi dan nilai jaringan jangka panjang.

marsbit06/20 06:17

Laporan Q1 2026 Ethereum: Biaya Turun, Pengguna dan Volume Transaksi Capai Rekor Tertinggi Sejarah

marsbit06/20 06:17

Berapa Banyak yang Didapat Perusahaan Modul Optik dari Biaya Berlangganan Claude yang Anda Bayar?

TL;DR Grafik yang memecah biaya berlangganan Claude Pro AS sekitar $20 per bulan untuk perusahaan model, komputasi awan, penyusutan GPU, listrik, dan rantai pasokan memicu diskusi ulang tentang cara menilai pendapatan aplikasi AI. Artikel ini membahas tantangan mendasar dalam menilai bisnis aplikasi AI dibandingkan SaaS tradisional. Berbeda dengan perangkat lunak konvensional yang memiliki margin tinggi karena biaya marjinal mendekati nol, setiap penggunaan model AI (inferensi) memerlukan komputasi GPU, listrik, dan sumber daya awan yang signifikan. Hal ini menciptakan ketegangan antara pendapatan langganan tetap dan biaya variabel yang bergantung pada intensitas penggunaan pengguna. Saat ini, pertumbuhan penggunaan AI lebih langsung mengalir ke infrastruktur (seperti pemasok GPU, HBM, dan pusat data) yang mendapat pendapatan lebih pasti. Perusahaan aplikasi/model perlu membuktikan bahwa mereka dapat meningkatkan efisiensi (melalui optimisasi model, caching, chip khusus) lebih cepat daripada peningkatan kompleksitas dan volume penggunaan, agar margin dapat membaik dan mendekati struktur keuntungan perusahaan perangkat lunak. Kesimpulannya, investor harus berhati-hati dalam mengasumsikan pendapatan AI setara dengan SaaS. Kunci penilaian terletak pada kemampuan perusahaan model menunjukkan peningkatan margin kotor setelah memperhitungkan semua biaya inferensi, bukan hanya pertumbuhan jumlah pelanggan berbayar.

marsbit06/17 03:46

Berapa Banyak yang Didapat Perusahaan Modul Optik dari Biaya Berlangganan Claude yang Anda Bayar?

marsbit06/17 03:46

Seberapa Sulitnya Membuat Chip? Satu Kesalahan dalam Operasi Pembagian, 475 Juta Dolar AS Hilang Percuma

**Betapa Sulitnya Membuat Chip? Kesalahan Pembagian Sederhana Bisa Menghabiskan $475 Juta** Chip adalah fondasi teknologi modern, namun pengembangannya sangat sulit. Kesalahan kecil dalam desain dapat menyebabkan konsekuensi besar, seperti kasus Intel yang menghabiskan $475 juta untuk menarik kembali chip Pentium akibat bug pada unit pembagian floating-point. Kesulitan utama terletak pada kebutuhan untuk "sekali jadi". Tidak seperti perangkat lunak, chip tidak dapat diperbaiki dengan mudah setelah diproduksi. Menurut data, hanya 24% proyek chip yang berhasil sekali jadi, sementara 76% lainnya memerlukan proses "tape-out" ulang yang mahal. Tantangan terbesar adalah verifikasi chip. Proses ini kini memakan hingga 70% dari siklus desain chip. Verifikasi menyeluruh untuk sebuah inti CPU dapat membutuhkan waktu 15.000 tahun dengan simulasi perangkat lunak atau 30 tahun dengan emulasi perangkat keras, yang jelas tidak praktis. Masalah mendasarnya adalah "segitiga mustahil" dalam verifikasi: kinerja tinggi, kemampuan debug yang baik, dan biaya rendah tidak dapat dicapai sekaligus. Karena sulit dan kurang "seksi", penelitian di bidang verifikasi chip seringkali diabaikan. Namun, tim peneliti terus berupaya, mengembangkan platform verifikasi gesit bernama ENCORE berbasis FPGA untuk meningkatkan efisiensi dan kemampuan debug. Selain riset, edukasi publik tentang chip juga penting. Melalui konten sains populer, penulis berbagi pengetahuan tentang chip, AI, dan teknologi keras lainnya, dengan keyakinan bahwa melakukan hal-hal yang sulit dan membutuhkan komitmen jangka panjang adalah hal yang benar.

marsbit06/15 10:34

Seberapa Sulitnya Membuat Chip? Satu Kesalahan dalam Operasi Pembagian, 475 Juta Dolar AS Hilang Percuma

marsbit06/15 10:34

活动图片