Penurunan tajam Caldera (ERA)

Dalam beberapa tahun terakhir, chatbot dianggap sebagai "peta harta karun" menuju "benua baru" di era AI, terutama setelah kesuksesan fenomenal ChatGPT. Namun, ekspektasi bahwa chatbot akan menjadi pintu masuk super yang menguasai nilai ekonomi, mirip dengan era internet seluler, mulai dipertanyakan. Realitas bisnis chatbot ternyata sulit. OpenAI, dengan miliaran pengguna aktif, masih merugi karena biaya komputasi yang tinggi per interaksi. Model langganan berbayar menghadapi tantangan, terutama di pasar seperti Tiongkok di mana kebiasaan membayar untuk aplikasi mandiri rendah. Iklan, yang diharapkan menjadi solusi, juga terbukti sulit diimplementasikan secara efektif dalam format dialog karena kurangnya niat beli pengguna, ruang terbatas, dan masalah kepercayaan terhadap jawaban. Analisis menunjukkan chatbot mungkin bukan bentuk akhir. Data dari Anthropic dan penelitian lainnya mengindikasikan mayoritas pengguna memanfaatkan AI untuk membantu pekerjaan, bukan sekadar mengobrol. Tren menuju "Agent" AI yang dapat mengeksekusi tugas multi-langkah, serta integrasi AI ke dalam aplikasi yang ada, sistem operasi, dan perangkat keras (seperti yang dilakukan oleh OpenClaw, Apple Intelligence, dan Meta) menunjukkan masa depan AI mungkin lebih tersebar dan tertanam, daripada terkonsentrasi pada aplikasi chatbot mandiri. Kesimpulannya, chatbot berperan penting dalam memperkenalkan kemampuan AI kepada publik, tetapi sebagai model bisnis mandiri, ia menghadapi tantangan ekonomi mendasar. "Peta lama" yang berfokus pada pencarian pintu masuk super mungkin perlu diperbarui. "Benua baru" yang sesungguhnya dalam era AI kemungkinan terletak pada bagaimana kemampuan AI diintegrasikan dan memberikan nilai di dalam produk serta layanan yang sudah ada, mengubahnya dari dalam.

Dalam pidato GTC Taipei 2026, CEO NVIDIA Jensen Huang mengumumkan bahwa AI telah memasuki era **"agen"** — sistem AI yang dapat melakukan tugas nyata dan menghasilkan nilai ekonomi. Ia menekankan bahwa **"Token adalah unit pendapatan,"** dan permintaan komputasi untuk menghasilkan Token akan meledak, yang disebut sebagai **"Pabrik AI."** Huang memperkenalkan **Vera Rubin**, bukan sekadar chip, tetapi sistem infrastruktur komputasi ujung-ke-ujung yang dirancang khusus untuk menjalankan agen AI. Ia juga memperkenalkan **Vera CPU**, prosesor pertama yang dibuat untuk agen AI, yang mengutamakan latensi rendah dan bandwidth tinggi karena agen "tidak sabar." NVIDIA meluncurkan **Toolkit Agen AI Perusahaan** yang mencakup model (seperti Nemotron 3 Ultra terbuka), framework, alat, dan runtime untuk membantu bisnis membangun agen mereka sendiri. Bersama Microsoft, mereka memperkenalkan **generasi baru PC** yang dapat menjalankan agen AI secara lokal. Dalam domain AI fisik, Huang mengumumkan **Cosmos 3** (model dasar untuk robotika), **Alpamayo 2** (untuk kendaraan otonom), dan platform referensi robot humanoid **Isaac GR00T**. Pola komputasi agen—model, framework, alat, runtime—akan menjadi standar di cloud, enterprise, PC, robot, dan perangkat tepi. Intinya, Huang menyatakan **"Komputasi adalah pendapatan,"** dan NVIDIA bertransisi dari perusahaan sistem menjadi **perusahaan infrastruktur** untuk membantu klien membangun pabrik AI yang menghasilkan keuntungan.

**Ringkasan: Marvell (MRVL) - Pemenang di Era AI dengan "Tidak Membuat GPU"** Harga saham Marvell Technology (MRVL) mencapai rekor tertinggi $290 pada Juni 2026, naik 254% dalam 12 bulan terakhir. Kunci kesuksesannya bukan sebagai pembuat GPU, melainkan sebagai **penyedia "konektivitas"** infrastruktur AI. Marvell unggul dalam tiga bidang: 1. **Interkoneksi Optik (DSP Kecepatan Tinggi):** Pemimpin pasar dengan ~70% pangsa di DSP untuk modul optik data center 400G+. Ini adalah parit pertahanan utama, didorong oleh kebutuhan fisik akan koneksi cepat untuk kluster AI skala besar. 2. **Chip AI Khusus (Custom ASIC):** Bermitra dengan hyperscaler (Amazon, Microsoft, Google) untuk mendesain chip AI khusus, dengan proyek senilai $75 miliar. Meski margin lebih rendah, ini adalah mesin pertumbuhan. 3. **Chip Switch & Penyimpanan Perusahaan:** Penghasil uang tunai yang stabil. CEO Matt Murphy (sejak 2016) mentransformasi perusahaan dari krisis tata kelola dengan strategi: memangkas bisnis non-inti, mengakuisisi perusahaan kunci (seperti Inphi untuk DSP optik), dan mengikat kerja sama jangka panjang dengan pelanggan besar. Investasi strategis NVIDIA senilai $20 miliar pada 2026 menegaskan posisi Marvell dalam ekosistem AI. Marvell menjadi penghubung penting: membantu hyperscaler membuat chip khusus sekaligus menjadi mitra NVIDIA dalam platform konektivitas NVLink Fusion. Risiko utama termasuk kehilangan kontrak Trainium3 dari Amazon, konsentrasi pelanggan, margin yang lebih rendah dibanding Broadcom, dan penjualan saham oleh internal. Namun, posisi dominan di DSP optik, akuisisi teknologi masa depan seperti Celestial AI (silikon fotonik), dan pertumbuhan pendapatan yang kuat (~40% per tahun) membangun kasus investasi yang kuat. Intinya, Marvell memenangkan era AI bukan dengan membangun "otak" (GPU), tetapi dengan menyediakan "sistem saraf" – infrastruktur koneksi berkecepatan tinggi yang memungkinkan data mengalir antar chip AI. Saat fokus industri bergeser dari "menumpuk GPU" ke "membangun sistem," posisi unik Marvell semakin berharga.

Pada tahun 2026, titik balik global AI muncul: belanja modal *inference* penyedia awan melebihi *training*, menandai pergeseran dari "membuat" ke "menggunakan" model besar. Hambatan utama bergeser dari daya komputasi ke "dinding memori"—bottleneck dalam memindahkan data (seperti berat model dan KV Cache) antara DRAM dan GPU, yang menyebabkan konsumsi energi tinggi dan penundaan. Arsitektur alternatif seperti Cerebras menawarkan solusi radikal melalui Wafer-Scale Engine (WSE). Daripada memotong wafer, Cerebras menggunakannya utuh sebagai satu chip raksasa (WSE-3), menampung 44GB SRAM *on-chip* dengan bandwidth 21 PB/detik—ribuan kali lebih cepat dari HBM tradisional. Ini memungkinkan aliran berat model dari memori eksternal (MemoryX) ke chip dengan latency sangat rendah, meningkatkan kecepatan *token* inferensi hingga 1,5–5x dibandingkan GPU seperti NVIDIA B200. Selain itu, daya interkoneksinya jauh lebih efisien (0,15 pJ/bit vs 10 pJ/bit GPU). Namun, pendekatan ini menghadapi tantangan: skala SRAM terhambat batas fisik, memerlukan sistem pendingin khusus, bandwidth I/O eksternal terbatas, dan ekosistem perangkat lunaknya yang kurang umum. Sementara itu, raksasa teknologi merespons dengan tiga jalur: chip ASIC khusus inferensi (seperti Microsoft Maia), kemasan *wafer-scale* yang semakin umum (misal, TSMC SoW), serta eksplorasi interkoneksi optik. Tekanan komersial juga besar bagi Cerebras, yang kini harus membangun pusat data skala besar untuk memenuhi pesanan. Intinya, tidak ada solusi sempurna. Cerebras mengoptimalkan latency ekstrem untuk beban kerja tertentu, sementara NVIDIA mempertahankan fleksibilitas untuk beban beragam. Pertarungan arsitektur ini masih terbuka dalam lanskap komputasi AI yang terus berubah.

Seorang peneliti keamanan menemukan bug serius dalam jaringan privasi Zcash (Orchard) yang memungkinkan penciptaan token tanpa batas, menggunakan Claude Opus 4.8. Setelah perbaikan darurat, harga Zcash turun 50%. Peristiwa ini menunjukkan bahwa AI, seperti model Opus yang tersedia umum, membuat penemuan kerentanan menjadi lebih mudah dan murah, bukan hanya model canggih seperti Claude Mythos. AI mendemokratisasikan kemampuan audit keamanan, memungkinkan tim kecil memiliki kemampuan seperti tim besar. Namun, ini membanjiri pemelihara dengan laporan bug berkualitas rendah yang dihasilkan AI, seperti yang dialami curl dan didiskusikan OpenSSF. Ini seperti serangan DDoS pada perhatian manusia. Banyak kerentanan lama (seperti Heartbleed, Baron Samedit) tetap tak terdeteksi selama bertahun-tahun karena biaya penemuan yang tinggi. AI mengubah struktur biaya ini. Namun, sementara AI membuat penemuan dan potensi serangan lebih murah, perbaikan tetap mahal dan membutuhkan keahlian manusia. Industri keamanan siber sudah menghadapi kekurangan tenaga kerja global yang besar (misalnya, defisit 4,8 juta menurut ISC2). Laporan menunjukkan profesional beralih ke analisis ancaman kompleks dan pembuatan strategi. Yang paling dibutuhkan adalah orang yang dapat memahami, menilai, dan memperbaiki kerentanan. Kesimpulannya, AI tidak menghancurkan internet, tetapi mengungkap kerentanan yang sudah ada. Kemampuan menemukan bug menyebar dengan cepat, tetapi tanggung jawab untuk memperbaikinya tidak bertambah sebanding. Keamanan digital bergantung pada upaya terus-menerus oleh manusia untuk mengurangi risiko, dan di era AI, sumber daya manusia yang terampil tetap menjadi aset paling berharga dan langka.