USD.AI(CHIP) Regular Invest

**Broadcom vs AMD: Saham Chip AI Mana yang Lebih Layak Dipertaruhkan Setelah Nvidia?** Pasar chip AI diperkirakan melesat menjadi $333 miliar pada 2030, menciptakan peluang besar di luar Nvidia. Dua pesaing utama adalah Broadcom (AVGO) dan AMD. AMD mengambil jalur yang lebih sulit dengan bersaing langsung melawan Nvidia di chip AI tujuan umum (GPU). Meski berhasil meningkatkan pendapatan data center dan mendapatkan pesanan dari Meta, mereka menghadapi tantangan besar dari ekosistem perangkat lunak CUDA milik Nvidia yang sudah sangat mapan. Di sisi lain, Broadcom memilih strategi berbeda dengan mengembangkan chip khusus (XPU) yang disesuaikan dengan beban kerja AI masing-masing pelanggan besar seperti Anthropic, Google, Meta, dan OpenAI. Pendekatan ini menawarkan efisiensi yang lebih tinggi dan hubungan yang lebih erat dengan pelanggan, terutama karena permintaan komputasi bergeser dari pelatihan (training) ke inferensi. Meskipun saham Broadcom terjual habis setelah laporan kuartal II karena panduan pendapatan AI kuartal III yang lebih rendah dari harapan, CEO Hock Tan menegaskan kembali target jangka panjang pendapatan chip AI tahunan sebesar $100 miliar pada tahun fiskal 2027. Dengan pendapatan AI kuartal II sebesar $10,8 miliar, masih ada ruang pertumbuhan yang signifikan. Kesimpulannya, meskipun saham Broadcom dinilai lebih mahal (premium) daripada AMD berdasarkan rasio harga terhadap penjualan (P/S), analis percaya premi tersebut wajar. Broadcom dilihat memiliki posisi kompetitif yang lebih kuat berkat strategi chip kustomnya dan portofolio klien AI elit, menjadikannya pilihan yang lebih menarik untuk investasi jangka panjang dalam ruang chip AI.

Microsoft mengumumkan rencana untuk memiliki komputer kuantum komersial yang dapat diskalakan pada tahun 2029, setelah meluncurkan chip kuantum baru Majorana 2. Chip ini menampilkan peningkatan signifikan dalam waktu koherensi qubit, mencapai rata-rata 20 detik, yang merupakan peningkatan keandalan 1000 kali lipat dari generasi sebelumnya. Pencapaian ini didorong oleh pendekatan komputasi kuantum topologis yang menggunakan partikel Majorana, serta bantuan dari AI agen pada platform Microsoft Discovery yang mempercepat proses penelitian dan pengembangan dengan menganalisis data eksperimen, mengoptimalkan parameter, dan memecahkan masalah kompleks. Meskipun kemajuan dalam stabilitas qubit ini menjanjikan, tantangan besar tetap ada. Untuk mencapai komputer kuantum umum yang berguna secara komersial, diperlukan skalasi dari 12 qubit saat ini menjadi jutaan qubit. Selain itu, ada pertanyaan tentang apakah 20 detik cukup untuk algoritma praktis, biaya kompilasi sirkuit kuantum yang tinggi, dan kesulitan dalam memverifikasi hasil perhitungan. Jalan menuju komputasi kuantum praktis masih panjang, dengan berbagai pendekatan seperti sirkuit superkonduktor dan ion terperangkap juga sedang dikembangkan oleh pesaing seperti Google, IBM, dan berbagai negara.

SemiAnalysis membongkar chipset Kirin 9030 Huawei, yang diproduksi oleh SMIC dengan proses N+3. Laporan menunjukkan bahwa meski tanpa mesin EUV, SMIC berhasil mencapai kerapatan logika setara dengan TSMC N6. Namun, hal ini dicapai dengan biaya lebih tinggi dan proses yang lebih kompleks, yaitu menggunakan teknik Self-Aligned Quadruple Patterning (SAQP) pada lapisan M0 yang menghasilkan jarak pitch 32.5nm. Kinerja Kirin 9030 dikabarkan melampaui Snapdragon 8+ Gen 1 (2022) untuk GPU, meski masih tertinggal jauh dari chipset flagship terkini. Kesenjangan utama terletak pada proses manufaktur yang lebih tua yang membatasi frekuensi dan efisiensi daya. Huawei merespons keterbatasan ini dengan mendorong inovasi ke arah baru: 3D stacking atau "melipat" logika. Melalui konsep LogicFolding dalam hukum penskalaan τ (tau), Huawei bertujuan untuk mempersingkat jalur sinyal dan meningkatkan kinerja secara vertikal, menargetkan 5GHz dan kerapatan setara TSMC 14A pada 2031. Laporan menyimpulkan bahwa sanksi ekspor telah mengubah lanskap persaingan, mendorong China ke jalur inovasi yang berbeda dengan biaya lebih mahal. Kemajuan pada memori buatan China (CXMT) yang mulai dipakai di Mate 80 Pro juga dicatat, meski masih tertinggal satu hingga dua generasi.

**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.

Pada 15 Juni, Li Auto memperkenalkan chip self-driving buatan sendiri, Ma He M100, yang dikembangkan khusus untuk L9 Livis generasi baru. CTO Li Auto, Xie Yan, menekankan bahwa fokusnya bukan hanya meningkatkan kecepatan, tetapi mengubah arsitektur chip secara fundamental. Di tengah tren produsen mobil yang berlomba-lomba mengembangkan chip sendiri pada tahun 2026, pesaing seperti Nio (chip Shenji NX9031), Xpeng (chip Turing), dan Huawei (MDC 810 Pro) umumnya mengandalkan angka TOPS (komputasi) sebagai senjata pemasaran utama. Namun, Li Auto memilih jalur berbeda dengan mengubah logika arsitektur dasar dari chip tersebut. Ma He M100 mengadopsi arsitektur Dynamic Data Flow, bukan arsitektur von Neumann tradisional. Pendekatan ini dirancang untuk komputasi paralel matriks berskala besar yang diperlukan untuk inferensi model AI (seperti VLA), dengan mengurangi bolak-balik data antara memori dan unit pemrosesan. Hasil klaim Li Auto adalah efisiensi komputasi efektif 3 kali lipat dibandingkan Nvidia Thor U dan penurunan latency 40%. Keberhasilan arsitektur ini mendapat pengakuan eksternal melalui penerimaan makalahnya di konferensi akademis bergengsi ISCA 2026. Namun, keunggulan 3x ini sangat tergantung pada algoritma Li Auto (VLA2.1) dan mungkin tidak berlaku untuk tugas komputasi umum. Dengan chip ini, Li Auto menyelesaikan rantai teknologi "full-stack" yang meliputi chip, compiler, sistem operasi (Star Ring OS), model AI, dan pengontrol domain, menciptakan ekosistem tertutup yang independen dari pemasok seperti Nvidia. Dalam peluncuran ini, CEO Li Xiang juga memperkenalkan visi "Mobil Cerdas Embadied" ("Four-in-One Embodied AI Car"), yang mendefinisikan mobil listrik sebagai asisten hidup yang dapat merasakan, berpikir, dan berkembang, menggeser persaingan dari sekadar fitur konfigurasi (seperti kulkas atau layar) ke kemampuan sistem. Li Auto menetapkan target ambisius untuk model self-driving Ma He VLA agar menyamai performa Tesla FSD V14 pada kuartal keempat tahun ini, dengan rincian peningkatan OTA bertahap mulai Juli hingga Desember. Di balik inovasi teknologi, tantangan finansial tetap ada. Pendapatan Li Auto turun pada Q4 2025, dengan margin yang menyempit. Namun, anggaran R&D tetap tinggi (sekitar 12 miliar yuan, 50% untuk AI). Target penjualan 2026 adalah 550.000 unit, sementara realisasi 2025 adalah 406.000 unit. Pengujian nyata akan dimulai pada kuartal ketiga dengan OTA pertama pada Juli dan peluncuran model baru. Sertifikasi akademis untuk arsitektur chip adalah langkah awal, tetapi penerimaan pasar dan kinerja dalam kondisi mengemudi sehari-hari akan menjadi penentu kesuksesan akhir.