Menggunakan Silikon: Bagaimana Pengembangan Chip AI Internal Membentuk Masa Depan AI

Kecerdasan buatan, seperti perangkat lunak lainnya, bergantung pada dua komponen fundamental: program AI, yang sering disebut sebagai model, dan perangkat keras komputasi, atau chip, yang menggerakkan program-program ini. Sampai sekarang, fokus dalam pengembangan AI telah berada pada penyempurnaan model, sedangkan perangkat keras biasanya dilihat sebagai komponen standar yang disediakan oleh pemasok pihak ketiga. Namun, baru-baru ini, pendekatan ini mulai berubah. Perusahaan AI besar seperti Google (GOOGL ), Meta, dan Amazon (AMZN ) telah mulai mengembangkan chip AI mereka sendiri. Pengembangan chip AI kustom internal membawa era baru dalam kemajuan AI. Artikel ini akan menjelajahi alasan di balik perubahan pendekatan ini dan akan menyoroti kemajuan terbaru dalam bidang yang berkembang ini.

Mengapa Pengembangan Chip AI Internal?

Perubahan ke arah pengembangan internal chip AI kustom didorong oleh beberapa faktor kritis, yang mencakup:

Meningkatnya Permintaan Chip AI

Membuat dan menggunakan model AI membutuhkan sumber daya komputasi yang signifikan untuk menangani volume data yang besar dan menghasilkan prediksi atau wawasan yang akurat. Chip komputer tradisional tidak mampu menangani permintaan komputasi saat pelatihan pada miliaran titik data. Keterbatasan ini telah menyebabkan pembuatan chip AI canggih yang dirancang khusus untuk memenuhi persyaratan kinerja dan efisiensi yang tinggi dari aplikasi AI modern. Seiring dengan terus berkembangnya penelitian dan pengembangan AI, permintaan untuk chip khusus ini juga terus tumbuh.
Nvidia (NVDA ), pemimpin dalam produksi chip AI canggih dan jauh di depan kompetitornya, menghadapi tantangan karena permintaan melebihi kapasitas produksinya. Situasi ini telah menyebabkan daftar tunggu untuk chip AI Nvidia diperpanjang hingga beberapa bulan, penundaan yang terus tumbuh seiring dengan meningkatnya permintaan untuk chip AI mereka. Selain itu, pasar chip, yang mencakup pemain besar seperti Nvidia dan Intel (INTC ), menghadapi tantangan dalam produksi chip. Masalah ini berasal dari ketergantungan mereka pada produsen Taiwan TSMC untuk perakitan chip. Ketergantungan ini pada satu produsen menyebabkan waktu produksi yang lama untuk memproduksi chip canggih ini.

Membuat Komputasi AI yang Hemat Energi dan Berkelanjutan

Generasi saat ini dari chip AI, yang dirancang untuk tugas komputasi berat, cenderung mengonsumsi banyak daya, dan menghasilkan panas yang signifikan. Ini telah menyebabkan dampak lingkungan yang substansial untuk pelatihan dan penggunaan model AI. Peneliti OpenAI mencatat bahwa: sejak 2012, daya komputasi yang diperlukan untuk melatih model AI canggih telah meningkat dua kali lipat setiap 3,4 bulan, menunjukkan bahwa pada tahun 2040, emisi dari sektor Teknologi Informasi dan Komunikasi (TIK) dapat mencapai 14% dari emisi global. Studi lain menunjukkan bahwa pelatihan model bahasa besar dapat menghasilkan hingga 284.000 kg CO2, yang setara dengan konsumsi energi lima mobil sepanjang masa hidupnya. Selain itu, diperkirakan bahwa konsumsi energi pusat data akan tumbuh 28 persen pada tahun 2030. Temuan ini menekankan kebutuhan untuk menemukan keseimbangan antara pengembangan AI dan tanggung jawab lingkungan. Sebagai respons, banyak perusahaan AI sekarang berinvestasi dalam pengembangan chip yang lebih hemat energi, dengan tujuan membuat pelatihan dan operasi AI lebih berkelanjutan dan ramah lingkungan.

Menyesuaikan Chip untuk Tugas Khusus

Proses AI yang berbeda memiliki permintaan komputasi yang bervariasi. Misalnya, pelatihan model pembelajaran dalam membutuhkan daya komputasi yang signifikan dan throughput yang tinggi untuk menangani dataset besar dan menjalankan perhitungan kompleks dengan cepat. Chip yang dirancang untuk pelatihan dioptimalkan untuk meningkatkan operasi ini, meningkatkan kecepatan dan efisiensi. Di sisi lain, proses inferensi, di mana model menerapkan pengetahuan yang dipelajari untuk membuat prediksi, membutuhkan pemrosesan yang cepat dengan konsumsi energi minimal, terutama pada perangkat tepi seperti smartphone dan perangkat IoT. Chip untuk inferensi dirancang untuk mengoptimalkan kinerja per watt, memastikan responsif yang cepat dan konservasi baterai. Penyesuaian desain chip yang spesifik untuk tugas pelatihan dan inferensi memungkinkan setiap chip untuk disesuaikan secara tepat untuk perannya, meningkatkan kinerja di berbagai perangkat dan aplikasi. Jenis spesialisasi ini tidak hanya mendukung fungsi AI yang lebih kuat tetapi juga mempromosikan efisiensi energi dan biaya yang lebih besar secara umum.

Mengurangi Beban Finansial

Beban finansial komputasi untuk pelatihan dan operasi model AI tetap substansial. OpenAI, misalnya, menggunakan superkomputer yang luas yang dibuat oleh Microsoft (MSFT ) untuk pelatihan dan inferensi sejak tahun 2020. Biaya pelatihan model GPT-3 OpenAI sekitar $12 juta, dan biaya melonjak menjadi $100 juta untuk pelatihan GPT-4. Menurut laporan oleh SemiAnalysis, OpenAI membutuhkan sekitar 3.617 server HGX A100, dengan total 28.936 GPU, untuk mendukung ChatGPT, membawa biaya rata-rata per kueri sekitar $0,36. Dengan biaya yang tinggi ini, Sam Altman, CEO OpenAI, dilaporkan mencari investasi yang signifikan untuk membangun jaringan fasilitas produksi chip AI di seluruh dunia, menurut laporan Bloomberg.

Mengendalikan Kontrol dan Inovasi

Chip AI pihak ketiga sering datang dengan keterbatasan. Perusahaan yang mengandalkan chip ini mungkin menemukan diri mereka terbatas oleh solusi off-the-shelf yang tidak sepenuhnya selaras dengan model AI atau aplikasi unik mereka. Pengembangan chip internal memungkinkan kustomisasi yang disesuaikan dengan kasus penggunaan spesifik. Baik itu untuk mobil otonom atau perangkat mobile, mengendalikan perangkat keras memungkinkan perusahaan untuk sepenuhnya memanfaatkan algoritma AI mereka. Chip kustom dapat meningkatkan tugas tertentu, mengurangi latensi, dan meningkatkan kinerja secara keseluruhan.

Kemajuan Terbaru dalam Pengembangan Chip AI

Bagian ini membahas langkah terbaru yang dilakukan oleh Google, Meta, dan Amazon dalam membangun teknologi chip AI.

Prosesor Axion Google

Google telah membuat kemajuan yang stabil dalam bidang teknologi chip AI sejak pengenalan Tensor Processing Unit (TPU) pada tahun 2015. Berdasarkan fondasi ini, Google baru-baru ini meluncurkan Prosesor Axion, CPU kustom pertama yang dirancang khusus untuk pusat data dan beban kerja AI. Prosesor ini berbasis arsitektur Arm, yang dikenal karena efisiensi dan desain yang kompak. Prosesor Axion bertujuan untuk meningkatkan efisiensi pelatihan dan inferensi berbasis CPU sambil mempertahankan efisiensi energi. Kemajuan ini juga menandai peningkatan yang signifikan dalam kinerja untuk berbagai beban kerja umum, termasuk server web dan aplikasi, layanan mikro yang dikontainerisasi, database sumber terbuka, cache memori, mesin analisis data, pemrosesan media, dan lain-lain.

MTIA Meta

Meta mendorong kemajuan dalam teknologi chip AI dengan Meta Training and Inference Accelerator (MTIA). Alat ini dirancang untuk meningkatkan efisiensi proses pelatihan dan inferensi, terutama untuk algoritma peringkat dan rekomendasi. Baru-baru ini, Meta menguraikan bagaimana MTIA merupakan bagian kunci dari strategi untuk memperkuat infrastruktur AI mereka di luar GPU. Awalnya dijadwalkan untuk diluncurkan pada tahun 2025, Meta telah memasukkan kedua versi MTIA ke dalam produksi, menunjukkan langkah yang lebih cepat dalam rencana pengembangan chip mereka. Sementara MTIA saat ini berfokus pada pelatihan algoritma tertentu, Meta berencana untuk memperluas penggunaannya untuk melatih AI generatif, seperti model bahasa Llama mereka.

Trainium dan Inferentia Amazon

Sejak memperkenalkan chip Nitro kustom pada tahun 2013, Amazon telah memperluas pengembangan chip AI secara signifikan. Perusahaan baru-baru ini memperkenalkan dua chip AI inovatif, Trainium dan Inferentia. Trainium dirancang khusus untuk meningkatkan pelatihan model AI dan akan diintegrasikan ke dalam EC2 UltraClusters. Klaster ini, yang dapat menampung hingga 100.000 chip, dioptimalkan untuk pelatihan model fondasi dan model bahasa besar dengan cara yang hemat energi. Inferentia, di sisi lain, dirancang untuk tugas inferensi di mana model AI diterapkan, fokus pada mengurangi latensi dan biaya selama inferensi untuk lebih baik melayani kebutuhan jutaan pengguna yang berinteraksi dengan layanan yang didukung AI.

Ringkasan

Gerakan menuju pengembangan internal chip AI kustom oleh perusahaan besar seperti Google, Microsoft, dan Amazon mencerminkan perubahan strategis untuk menangani kebutuhan komputasi yang meningkat dari teknologi AI. Tren ini menyoroti kebutuhan akan solusi yang dirancang khusus untuk mendukung model AI dengan efisiensi, memenuhi permintaan unik dari sistem canggih ini. Seiring dengan terus meningkatnya permintaan chip AI, pemimpin industri seperti Nvidia kemungkinan akan melihat kenaikan signifikan dalam valuasi pasar, menekankan peran penting yang dimainkan oleh chip kustom dalam mendorong inovasi AI. Dengan menciptakan chip mereka sendiri, raksasa teknologi ini tidak hanya meningkatkan kinerja dan efisiensi sistem AI mereka tetapi juga mempromosikan masa depan yang lebih berkelanjutan dan hemat biaya. Evolusi ini menetapkan standar baru di industri, mendorong kemajuan teknologi dan keunggulan kompetitif dalam lanskap teknologi yang berubah dengan cepat.