Kecerdasan buatan biasanya dialami sebagai perangkat lunak. Pengguna berinteraksi dengan model, antarmuka chat, asisten pengodean, pembuat gambar, dan—semakin—agen yang lebih otonom. Akibatnya, banyak percakapan seputar AI berfokus pada kapabilitas model: sistem mana yang penalarannya lebih baik, tolok ukur mana yang meningkat, bagaimana biaya inferensi semakin turun, atau aplikasi baru apa yang mungkin akan muncul.
Namun, setiap interaksi AI pada akhirnya bergantung pada infrastruktur fisik.
Sebelum sebuah model dapat menghasilkan jawaban, sejumlah besar komputasi harus terjadi di suatu tempat. Komputasi itu membutuhkan prosesor. Prosesor-prosesor tersebut bergantung pada memori. Ribuan chip mungkin perlu bertukar data melalui jaringan yang semakin canggih. Seluruh sistem harus diproduksi, dikemas, dipasang di server, disuplai listrik, dan didinginkan di dalam pusat data.
AI mungkin terlihat oleh pengguna sebagai perangkat lunak, tetapi kemampuan untuk berkembang sangat bergantung pada industri semikonduktor yang ada di bawahnya.
Itulah salah satu alasan Bella Alpha memulai ekspansinya di luar kripto dengan riset semikonduktor. Banyak investor yang sama yang mengikuti AI, aset digital, dan teknologi yang sedang berkembang, kini semakin melihat lebih jauh ke bawah tumpukan teknologi—menuju infrastruktur komputasi, memori, jaringan, manufaktur, dan daya yang membuat ekonomi AI menjadi mungkin.
Komputasi AI Adalah Sebuah Sistem, Bukan Satu Chip Tunggal
Bagian paling terlihat dari cerita perangkat keras AI adalah akselerator, khususnya GPU dan prosesor lain yang dioptimalkan untuk beban kerja yang sangat paralel.
Namun, berfokus hanya pada prosesor dapat menciptakan gambaran yang tidak lengkap.
Beban kerja AI modern melibatkan pemindahan data dalam jumlah yang luar biasa. Jika sebuah prosesor tidak dapat menerima data tersebut dengan cukup cepat, kapasitas komputasi tambahan menjadi kurang berguna. Itulah salah satu alasan mengapa memori berbandwidth tinggi semakin penting bagi sistem AI. HBM menempatkan jumlah memori besar dekat dengan prosesor dan menyediakan bandwidth jauh lebih besar dibandingkan arsitektur memori konvensional.
Logika yang sama berlaku untuk jaringan. Satu akselerator mungkin sangat kuat, tetapi sistem AI modern semakin beroperasi di banyak klaster besar yang berisi ratusan atau ribuan prosesor. Prosesor-proses tersebut perlu berkomunikasi cukup cepat agar klaster dapat berperilaku seperti sistem komputasi terkoordinasi.
Lalu ada masalah daya. Kepadatan komputasi yang lebih besar berarti kebutuhan listrik yang lebih besar dan panas yang lebih banyak. Pusat data perlu memiliki pengiriman daya, sistem pendingin, peralatan jaringan, dan kapasitas fisik yang cukup sebelum akselerator tambahan bahkan bisa diterapkan.
Ini membuat infrastruktur AI menjadi sistem yang saling terhubung. Peningkatan pasokan di satu bagian dari tumpukan bisa saja sekadar mengungkap kendala berikutnya di tempat lain.
Jika ketersediaan akselerator membaik, memori bisa menjadi bottleneck. Jika pasokan memori meningkat, pengemasan tingkat lanjut bisa menjadi lebih penting. Jika sistem yang lebih lengkap menjadi tersedia, infrastruktur jaringan atau daya mungkin mulai membatasi penerapan.
Bagi investor, perpindahan bottleneck itu sering kali lebih informatif daripada sekadar mengetahui bahwa permintaan AI sedang kuat.
Chip Itu Sendiri Sedang Berubah
Industri semikonduktor juga sedang berubah dalam cara membangun sistem berperforma tinggi.
Selama puluhan tahun, peningkatan dalam komputasi sangat terkait dengan penambahan lebih banyak transistor ke node proses yang makin canggih. Itu tetap penting, tetapi sistem modern semakin dirakit dari beberapa keping silikon, bukan mengandalkan satu chip monolitik yang sangat besar.
Dies komputasi, memori, komponen input/output, dan fungsi lain dapat digabungkan melalui teknologi pengemasan tingkat lanjut. Ini memungkinkan perancang semikonduktor membangun sistem yang lebih besar dan lebih terspesialisasi sambil mengelola beberapa keterbatasan fisik dan ekonomi dari memproduksi semuanya dalam satu die.
Untuk AI, ini penting karena prosesor dan memori berbandwidth tinggi perlu beroperasi dalam koordinasi yang sangat dekat. Karena itu, pengemasan tingkat lanjut kini bukan lagi sekadar langkah manufaktur terakhir. Pengemasan telah menjadi bagian dari arsitektur sistem.
Itu mengubah pertanyaan penelitian.
Tidak lagi cukup untuk menanyakan apakah kapasitas wafer leading-edge yang memadai tersedia. Investor mungkin juga perlu memahami apakah kapasitas pengemasan cukup, apakah pasokan memori tersedia, serta apakah semua komponen tersebut dapat diintegrasikan pada volume yang dibutuhkan pelanggan.
Permintaan AI Menelusuri Seluruh Rantai Pasokan Semikonduktor
Salah satu fitur penentu semikonduktor adalah spesialisasi.
Sebuah chip bisa dirancang oleh satu perusahaan, diproduksi oleh perusahaan lain, dikemas oleh pihak ketiga, lalu dipasang ke dalam sebuah sistem yang dirakit di tempat lain. Proses manufaktur sendiri bergantung pada peralatan, material, perangkat lunak, properti intelektual, bahan kimia, dan komponen yang sangat terspesialisasi.
Akibatnya, permintaan AI yang kuat dapat menyebar melalui rantai pasokan dengan berbagai cara.
Permintaan akselerator yang lebih tinggi dapat meningkatkan kebutuhan atas kapasitas foundry leading-edge. Paket AI yang lebih besar dapat menciptakan permintaan tambahan untuk pengemasan tingkat lanjut. Memori yang lebih banyak per akselerator dapat mengubah bauran produk industri memori. Klaster yang lebih besar meningkatkan kebutuhan untuk jaringan dan konektivitas optik. Kepadatan rak yang lebih tinggi memengaruhi manajemen daya dan infrastruktur pendinginan.
Itulah mengapa peluang perangkat keras AI tidak bisa disederhanakan menjadi segelintir perusahaan chip yang sudah terkenal. Dampak ekonomi dapat meluas ke berbagai lapisan ekosistem semikonduktor dan pusat data.
Pada saat yang sama, lapisan-lapisan tersebut tidak selalu mendapat manfaat yang sama atau pada waktu yang sama. Sebagian mungkin menghadapi kelangkaan, sementara yang lain memiliki kapasitas berlebih. Ada yang bisa meraih margin lebih besar karena mengendalikan bottleneck, sementara yang lain menghadapi tekanan penetapan harga kompetitif.
Memahami rantai nilai menjadi hal yang penting.
Perangkat Keras Bergerak Lebih Lambat daripada Perangkat Lunak
Ada perbedaan mendasar lain antara perangkat lunak AI dan infrastruktur semikonduktor: waktu.
Produk perangkat lunak kadang bisa diperbarui atau diluncurkan dalam hitungan hari. Kapasitas manufaktur semikonduktor tidak dapat.
Pabrik baru membutuhkan investasi modal yang sangat besar dan waktu konstruksi yang panjang. Peralatan manufaktur tingkat lanjut memerlukan waktu untuk dibangun dan dipasang. Proses baru perlu kualifikasi. Hasil produksi harus membaik sebelum produksi mencapai skala ekonomi. Kapasitas pengemasan juga memerlukan perluasan fisik, dan pusat data sendiri membutuhkan waktu untuk dibangun dan dihubungkan ke pasokan listrik.
Hal ini menciptakan ketidakcocokan yang penting.
Permintaan AI dapat berubah dengan cepat, tetapi respons pasokan sering bergerak lambat.
Ketika permintaan meningkat lebih cepat dari yang diperkirakan, kekurangan dapat muncul karena produksi tidak dapat diperluas secara langsung. Ketika produsen merespons dengan investasi agresif, risiko lain pada akhirnya muncul: pada saat kapasitas tambahan tersedia, permintaan mungkin sudah berubah lagi.
Itu sebabnya pasar semikonduktor dapat tetap sangat siklis bahkan saat pasar tersebut mendapat manfaat dari tren teknologi jangka panjang yang kuat.
AI mungkin mewakili pertumbuhan yang bersifat struktural. Infrastruktur pendukungnya tetap dapat mengalami periode kekurangan, overinvestment, koreksi persediaan, dan pemulihan.
Perangkat Lunak yang Lebih Baik Tidak Selalu Berarti Perangkat Keras yang Lebih Sedikit
Asumsi umum lainnya adalah bahwa peningkatan efisiensi AI pada akhirnya akan mengurangi permintaan terhadap infrastruktur.
Efisiensi tentu saja penting. Algoritma yang lebih baik, model yang lebih kecil, arsitektur yang ditingkatkan, dan inferensi yang lebih efisien dapat mengurangi jumlah komputasi yang diperlukan untuk tugas tertentu.
Namun, biaya komputasi yang lebih rendah juga dapat membuat lebih banyak aplikasi menjadi layak secara ekonomi.
Ketika sebuah tugas menjadi lebih murah, perusahaan mungkin menggunakan AI lebih sering, menerapkannya kepada lebih banyak pengguna, atau menerapkannya pada masalah yang sebelumnya tidak ekonomis untuk dipecahkan. Oleh karena itu, jumlah beban kerja AI dapat meningkat bahkan ketika beban kerja individual menjadi lebih efisien.
Hubungan ini telah muncul berulang kali sepanjang sejarah komputasi. Infrastruktur yang lebih efisien tidak otomatis mengarah pada penggunaan total yang lebih rendah. Dalam banyak kasus, hal itu justru memungkinkan penggunaan yang jauh lebih besar.
Maka, untuk riset semikonduktor, pertanyaan pentingnya bukan sekadar apakah AI menjadi lebih efisien. Melainkan bagaimana efisiensi mengubah ekonomi penerapan, dan seberapa cepat permintaan baru muncul sebagai akibatnya.
Mengikuti AI Berarti Mengikuti Batasannya
Bagi investor, perspektif perangkat keras menambah seperangkat pertanyaan yang berbeda dalam diskusi tentang AI.
Di mana permintaan komputasi tumbuh paling cepat? Komponen apa yang makin sulit dipasok? Seberapa cepat kapasitas manufaktur baru dapat hadir? Apakah memori mengejar kecepatan prosesor? Bisakah pengemasan tingkat lanjut mendukung generasi sistem berikutnya? Apakah jaringan dan daya menjadi kendala yang lebih besar saat klaster berkembang ukurannya?
Pertanyaan-pertanyaan ini membantu menjelaskan mengapa riset semikonduktor menjadi semakin relevan bagi audiens yang sebelumnya mungkin fokus terutama pada perangkat lunak, kripto, atau aplikasi AI.
Laporan SEMI AlphaReport terbaru Bella Alpha dibangun berdasarkan pandangan yang lebih luas tentang ekonomi AI ini. Riset semikonduktor adalah kategori baru pertama yang ditambahkan saat Bella Alpha berkembang melampaui sinyal dan riset yang berfokus pada kripto, karena seiring AI makin membutuhkan pemahaman tentang infrastruktur fisik yang mendukungnya.
Tahap berikutnya dari AI akan dibentuk oleh model yang lebih baik dan perangkat lunak yang lebih baik, tetapi juga oleh kemampuan industri untuk memproduksi, menghubungkan, memberi daya, dan menerapkan perangkat keras yang dibutuhkan model-model tersebut.
Memahami kedua sisi memberi investor gambaran yang lebih lengkap tentang ke mana AI sebenarnya menuju.
Hanya untuk tujuan informasi dan riset. Konten ini tidak merupakan nasihat keuangan atau investasi.
Tentang Bella
Dengan tujuan membuat perdagangan kripto, riset, dan peluang yield lebih mudah dinavigasi, Bella Protocol menawarkan rangkaian produk yang mudah diakses untuk kecerdasan pasar berbasis AI dan pengembangan strategi kuantitatif. Ekosistem produknya mencakup Bella Alpha, protokol yield multi-chain, dan simulator Uniswap V3 yang programatik.
Bella Alpha adalah evolusi berikutnya dari Bella Signal Bot dan Bella Research Bot, yang menyatukan sinyal trading berbasis AI, data pasar, informasi proyek, dan riset kripto dalam satu pengalaman Telegram. Ditenagai oleh lima model AI khusus, Bella Alpha memantau pasangan trading perpetual yang didukung dan memberikan sinyal long, short, dan close di berbagai kondisi pasar. Mesin risetnya yang didukung LLM dan Retrieval-Augmented Generation juga memungkinkan pengguna mengajukan pertanyaan terkait pasar, mencari informasi yang relevan, serta mengeksplorasi proyek kripto yang didukung, sehingga menciptakan alur kerja yang lebih terhubung dari mengidentifikasi pergerakan pasar hingga meneliti konteks di baliknya tanpa harus berpindah antara alat yang terpisah.
Di luar kecerdasan pasar AI, Bella Protocol telah mengembangkan rangkaian alat DeFi dan kuantitatif yang lebih luas. Bella LP Farm memberi penyedia likuiditas akses ke peluang yield di berbagai jaringan, sementara Tuner adalah simulator Uniswap V3 yang bersifat programatik yang memungkinkan pengembang dan strategist kuantitatif melakukan backtest serta menyempurnakan strategi menggunakan data historis atau data kustom, sekaligus mempertahankan perilaku smart-contract Uniswap V3.
Bella Protocol didukung oleh Binance Labs, Arrington XRP Capital, dan beberapa investor ternama lainnya.
Untuk informasi lebih lanjut tentang Bella atau untuk bergabung dengan tim kami, silakan hubungi kami di contact@bella.fi Pelajari berita resmi terbaru Bella: Medium: https://medium.com/@Bellaofficial Twitter: @BellaProtocol Telegram: https://t.me/bellaprotocol Discord: https://discord.gg/jcuFJZWFMh Gitbook: https://bellafi.gitbook.io/bella-protocol