Ketika agen AI mulai mendekati atau bahkan menggantikan tenaga kerja pengetahuan manusia, bagaimana seharusnya harga daya komputasi ditentukan ulang?
Dalam artikel blog terbarunya, podcaster teknologi terkenal Dwarkesh Patel menyampaikan proyeksi berani: jika pendapatan lab AI terus tumbuh pesat (misalnya, Anthropic mencapai $1 triliun pada akhir tahun depan), sementara pasokan daya komputasi hanya tumbuh sekitar 3 kali lipat per tahun, maka harga daya komputasi mungkin akan naik lebih dari 10 kali lipat.
Harga Tenaga Kerja Silikon, H100+AI=$250.000 Programmer Silicon Valley
Selama beberapa dekade terakhir, daya komputasi dianggap sebagai sebuah "alat". Komputer lebih cepat, server lebih banyak, komputasi awan lebih murah.
Tapi era AI sedang mengalami perubahan paradigma: GPU tidak lagi hanya sekadar komponen mesin, tetapi mungkin menjadi pembawa tenaga kerja digital.
Jika satu unit H100 dapat membawa agen AI dengan tingkat yang mendekati programmer papan atas, maka nilainya tidak boleh lagi dihitung berdasarkan "harga per jam server", melainkan harus dihitung berdasarkan nilai tenaga kerja manusia yang digantikannya.
Bayangkan, jika ada "insinyur perangkat lunak digital" yang tidak pernah tidur, selalu merespons, dan memiliki tingkat keahlian setara manusia papan atas, berapa gaji tahunan yang Anda rela bayar?
Di Silicon Valley, gaji tahunan pasar rata-rata insinyur perangkat lunak adalah di atas $250.000. Namun, untuk membawa agen cerdas (Agent) dengan tingkat kecerdasan yang setara itu, mungkin hanya membutuhkan daya komputasi setara dengan satu kartu grafis NVIDIA H100.
Sekarang, mari kita hitung:
Jika unit H100 ini dapat menggantikan sempurna seorang programmer manusia dengan gaji $250.000 per tahun, maka dari logika bisnis dan ekonomi murni, sewa tahunan teoretis untuk unit H100 ini seharusnya ditetapkan di atas $250.000.
Tapi saat ini, harga sewa spot H100 di pasaran, jika di-annualisasi, hanya sekitar $16.000 per tahun. Selisihnya 15 kali lipat.
Inilah yang akan kita hadapi, "lubang hitam arbitrase tenaga kerja" terbesar dalam sejarah manusia.
Ketika kecepatan reproduksi kecerdasan di dunia virtual jauh melampaui batas manufaktur dunia fisik, kontradiksi pun meletus:
Laju pertumbuhan nilai kecerdasan digital, jauh melampaui laju ekspansi infrastruktur komputasi fisik.
Kesenjangan valuasi 15 kali lipat ini, akan memicu pembalasan keras: Dalam beberapa tahun ke depan, harga riil daya komputasi mungkin akan menghadapi inflasi super hingga 10 kali lipat atau lebih.
Tentu, ada pertanyaan: Akankah gaji tahunan insinyur perangkat lunak menyusut drastis di masa depan?
Dwarkesh Patel juga mempertimbangkan pertanyaan ini:
Tapi jika kita mempercayai teori ekonomi standar tentang tenaga kerja, maka nilai marginal daya komputasi (dan karenanya harga marginal daya komputasi) akan menjadi sangat tinggi.
Kecepatan AI Menghasilkan Uang, Sudah Melebihi Kecepatan Membuat AI
Beberapa tahun terakhir, industri AI mengikuti logika sederhana: model yang lebih besar, lebih banyak data, lebih banyak GPU, kemampuan yang lebih kuat.
Tapi sekarang, kontradiksi baru sedang muncul: Laju pertumbuhan AI, melampaui laju pertumbuhan pasokan daya komputasi.
Ambil contoh Anthropic. Dalam setahun terakhir, pertumbuhan pendapatan komersialnya sekitar 10 kali lipat.
Dengan laju pertumbuhan seperti ini, pada akhir tahun pendapatan tahunannya mungkin mencapai skala $100 hingga $150 miliar. Jika tren ini berlanjut, tahun depan, ia harus menghadapi pertanyaan gila: Bagaimana menopang "prospek uang" tingkat triliunan dolar?
Jawabannya hanya satu: lebih banyak kecerdasan. Dan lebih banyak kecerdasan berarti: lebih banyak pelatihan, lebih banyak inferensi, lebih banyak GPU.
Namun, masalahnya adalah: Pasokan daya komputasi tidak tumbuh dengan kecepatan yang sama.
Saat ini, ekspansi daya komputasi fisik laboratorium terkemuka di industri, hanya mampu mempertahankan pertumbuhan sekitar 3 kali lipat per tahun.
Maka muncul ketidakselarasan besar:
Dunia digital ingin berlari 10 kilometer, tapi dunia fisik hanya bisa menyediakan jalan sepanjang 3 kilometer. Bagaimana dengan sisa jaraknya?
Hanya ada tiga pilihan: Pertama, tingkatkan margin keuntungan. Kedua, tingkatkan harga daya komputasi. Ketiga, alihkan lebih banyak daya komputasi ke bisnis inferensi.
Jalan ketiga, sebenarnya yang paling tidak ingin dilihat oleh banyak laboratorium AI.
Karena menghasilkan uang dari inferensi, pada dasarnya hanya untuk membuktikan: "Model bisnis AI valid."
Kemudian lanjutkan pendanaan, lanjutkan pembelian GPU lebih banyak, lanjutkan pelatihan model generasi berikutnya.
Siklus sebenarnya di Silicon Valley adalah:
Menghasilkan uang bukanlah titik akhir, hanya untuk membeli lebih banyak daya komputasi.
Karena semua laboratorium benar-benar percaya: model paling canggih hari ini, setahun kemudian mungkin seperti ponsel kemarin, kuat, tapi ketinggalan zaman.
Ini memaksa solusi kembali ke dua opsi pertama: lonjakan margin keuntungan, atau kenaikan harga satuan daya komputasi.
Jika hanya mengandalkan margin keuntungan untuk menyerap selisih ini, pada akhir tahun depan, margin keuntungan laboratorium terdepan harus mencapai sekitar 95% di kisaran menengah-tinggi.
Dalam sejarah bisnis, kecuali di beberapa titik monopoli teknologi absolut, ini hampir seperti khayalan.
Maka, semua petunjuk dan logika akhirnya menyatu ke satu jalan keluar yang sama: Harga satuan daya komputasi, akan segera menghadapi kenaikan yang belum pernah terjadi sebelumnya.
GPU Sedang Berubah dari Server, Menjadi Pabrik Era Baru
Banyak orang belum menyadari: Kompetisi AI sedang memasuki era infrastruktur.
Perang internet masa lalu memperebutkan: pengguna, lalu lintas, pintu masuk. Sedangkan era AI memperebutkan: listrik, chip, pusat data, kluster komputasi super.
Mengapa? Karena laboratorium AI top tidak dapat bergantung pada server awan biasa.
Mereka membutuhkan: kluster GPU khusus; struktur jaringan stabil; utilisasi sangat tinggi; keamanan data dan model.
Ini bukan lagi menyewa server biasa, ini menyewa lini produksi kecerdasan masa depan.
Satu contoh kasus: Google dan Anthropic menyewa sumber daya GPU skala besar dari SpaceX.
Dilaporkan, kluster GPU Google sekitar 110.000 unit, sewa bulanan mencapai $9 miliar.
Jika dihitung, sewa per jam per unit GPU, hampir dua kali lipat harga sewa spot saat ini di pasaran. Dan jangan lupa, harga spot saat ini sendiri, sudah 40% lebih tinggi dari titik terendah awal tahun ini.
Mengapa?
Karena daya komputasi top semakin mirip sumber daya strategis seperti energi, jaringan listrik.
Bayangkan revolusi industri, satu pabrik memiliki mesin uap, pabrik lain tidak.
Kesenjangan mereka bukan 10%, tapi perbedaan generasi seluruh metode produksi.
GPU era AI, juga sedang menjadi "mesin uap" baru ini.
Mengapa harga daya komputasi bisa lepas kendali sampai tingkat ini?
Jawabannya ada dalam rumus fisik sisi penawaran – rumus ini, telah dikunci mati oleh batas fisik TSMC dan raksasa mesin lithografi.
Mitos "daya komputasi tumbuh 3 kali lipat per tahun" yang dibicarakan di industri, jika diurai, hanyalah perpaduan tiga pengali yang nyaris mencapai batas:
Tingkat pertumbuhan daya komputasi tahunan (3x)≈ 1.4x(iterasi Hukum Moore)× 1.2x(pembangunan pabrik wafer baru)× 1.8x(merebut kapasitas proses canggih).
Dan ketiga pengali ini, masing-masing mendekati langit-langit.
Hukum Moore: Setiap langkah miniaturisasi lebih sulit dari sebelumnya, kebocoran dan batas atom membuat iterasi seperti berjalan di atas es tipis.
Siklus pembangunan pabrik wafer baru panjang, kecepatan pengiriman mesin lithografi EUV NA tinggi menyumbat seluruh rantai, setidaknya hingga 2030 tidak ada solusi.
Dua tahun terakhir, satu-satunya mesin pertumbuhan daya komputasi adalah merebut kapasitas – chip AI merebut proses canggih TSMC dari ponsel, PC.
Tapi pengali terakhir ini, segera akan menjadi nol. Pada akhir 2027, chip AI akan menelan 86% kapasitas N3 TSMC, dari 60% ke 86% – bukan pertumbuhan, tapi saturasi absolut dalam arti fisik, tidak ada ruang lagi.
Tiga pengali, dua sudah mencapai puncak, yang terakhir akan segera membentur tembok. Cerita pasokan daya komputasi, sudah selesai.
Dan semakin mahal daya komputasi, justru tidak ada yang berani menggunakan model murah.
Intuisi berkata: Daya komputasi mahal, seharusnya gunakan model ringan, versi kliping sumber terbuka, hemat-hemat.
Tapi ekonomi AI justru sebaliknya.
Logika intinya adalah efek Alchian-Allen: Ketika semua barang dikenakan biaya tambahan tetap, yang mahal justru tampak lebih hemat.
Dalam AI, "biaya tambahan" ini adalah biaya penyusutan daya komputasi – tidak peduli pakai model apa harus dibayar.
Hitung: H100 $20 per jam.
- Model terkuat: selesai 1 jam, $25 ($20 daya komputasi + $5 premium).
- Model biasa: biaya lisensi 0, tapi kecerdasan tidak cukup, coba-coba berulang memakan 2 jam, $40.
Kesimpulan: Menggunakan model biasa, justru lebih mahal. Ia akan membakar daya komputasi dan sumber daya yang lebih berharga – waktu – dalam percobaan yang tidak efektif.
Jadi, semakin mahal daya komputasi, model terkuat semakin punya dasar untuk mengenakan premium harga langit. Karena toh harus bayar biaya daya komputasi, lebih baik habiskan sedikit lebih banyak untuk menggunakan yang paling cerdas, itu baru benar-benar hemat.
Model biasa, tidak punya jalan hidup.
Akhirnya, dana masyarakat akan seperti hisapan lubang hitam, tertarik ke segelintir oligarki triliunan dolar yang mampu membuat model absolut terkuat.
Daya Komputasi Juga Sumber Daya, Belum Tentu Naik Harga?
Tentu, ada juga yang menentang.
Di bagian komentar, Eric Xu mengajukan sanggahan menarik: Logika sewa tahunan $250.000, hanya berlaku di bidang digital murni. Begitu menyentuh dunia fisik, seperti siklus persetujuan uji klinis, proses pengambilan keputusan pemerintah, langit-langit monetisasi AI mungkin tidak akan pernah mencapai $250.000, lebih mendekati $50.000.
Insinyur perangkat lunak senior Trevor menunjukkan: Konten berkualitas rendah sama sekali tidak perlu model top, mereka akan beralih ke alternatif yang lebih murah, bukan langsung menghilang. Dengan kata lain, yang mungkin tersingkir adalah harganya, bukan konten itu sendiri.
Sejarah juga tidak berpihak pada Dwarkesh. Tahun 1980, ahli biologi Stanford Paul Ehrlich dan ekonom Julian Simon bertaruh, bertaruh lima logam akan naik harganya dalam sepuluh tahun.
Sepuluh tahun kemudian, kelimanya turun, Ehrlich mengaku kalah dan membayar. "Sumber daya pasti naik harga", dalam sejarah, kebanyakan orang yang bertaruh seperti ini kalah.
Tanggapan Dwarkesh adalah: Elastisitas pasokan daya komputasi, jauh lebih kecil daripada komoditas besar. Tambang tembaga bisa meningkatkan produksi karena stimulus harga tinggi, mesin lithografi EUV tidak bisa – TSMC sendiri juga tidak punya kapasitas berlebih yang bisa dilepaskan. Dalam beberapa tahun pasokan hanya tumbuh 3 kali lipat ini, tidak ada pengganti.
Yang menarik, Dwarkesh sendiri juga mengakui: Ramalan ini, sejenisnya dalam sejarah hampir semuanya salah.
Mungkin, suatu hari daya komputasi akhirnya akan murah seperti pasir, tapi sebelum hari itu tiba, kita harus melalui perlombaan senjata dan inflasi daya komputasi yang paling kejam.
Referensi:
https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive
https://x.com/dwarkesh_sp/status/2082482530209411419
Artikel ini berasal dari akun WeChat "Xinzhiyuan", penulis: ASI Apocalypse; editor: David
