Keuangan sirkular: Taruhan Nvidia senilai US$110 miliar, mengingatkan pada gelembung telekom?
(tomtunguz.com)- Seiring Nvidia menggelontorkan investasi senilai US$110 miliar ke infrastruktur AI seperti OpenAI, muncul pembahasan tentang kekhawatiran bahwa struktur vendor financing sirkular yang mirip dengan gelembung telekom di masa lalu sedang terulang
- Pada 2025, perusahaan IT besar Amerika diperkirakan akan menginvestasikan US$300~400 miliar ke infrastruktur AI, sehingga risiko seperti konsentrasi basis pelanggan dan pinjaman berbasis agunan GPU ikut membesar
- Berbeda dengan riwayat kegagalan Lucent, Nvidia memiliki pembeda dalam arus kas, kelayakan kredit pelanggan, dan transparansi akuntansi, tetapi konsentrasi pelanggan, valuasi aset, dan meluasnya pengembangan custom silicon tetap disebut sebagai faktor yang perlu diwaspadai
- Ditekankan perlunya pemantauan berkelanjutan terhadap apakah permintaan AI merupakan permintaan riil, akan menjadi infrastruktur esensial seperti cloud, atau sekadar gelembung
- Agar risiko struktural masa lalu seperti kasus kecurangan akuntansi Lucent tidak terulang, perlu mencermati secara saksama nilai aset, model pendapatan, dan risiko utang di Nvidia maupun industri secara keseluruhan
Pendahuluan: Nvidia, keuangan sirkular, dan bayang-bayang gelembung telekom
- Pada 2025, Nvidia menjalankan vendor financing US$110 miliar untuk OpenAI dan pihak lain, sehingga kemiripannya dengan struktur keuangan sirkular berskala besar pada masa gelembung telekom menjadi sorotan
- Big Tech AS mengisyaratkan investasi infrastruktur AI terbesar sepanjang sejarah sebesar US$300~400 miliar pada 2025
- Skala investasi ini jauh melampaui rekor investasi infrastruktur korporasi satu tahun yang ada sebelumnya
Strategi Lucent: pelajaran dari keuangan sirkular
- Pada 1999, Lucent Technologies mencatat pendapatan US$37,9 miliar di puncak gelembung dot-com, lalu hanya dalam 3 tahun anjlok 69%, dan akhirnya menempuh proses merger dengan Alcatel
- Saat itu vendor peralatan seperti Lucent, Nortel, dan Cisco memberikan vendor financing bernilai miliaran dolar langsung kepada operator telekom sebagai pelanggan agar mereka bisa membeli peralatan
- Komitmen pinjaman Lucent US$8,1 miliar, Nortel US$3,1 miliar, Cisco US$2,4 miliar
- Strategi ini pada awalnya tampak menguntungkan bagi semua pihak, tetapi ketika pasar jenuh dan likuiditas mengetat, mayoritas pelanggan mereka (47 CLEC) bangkrut, 33~80% pinjaman tidak tertagih, dan nilai peralatan anjlok, menghasilkan konsekuensi yang fatal
- Bahkan jaringan serat optik pada kenyataannya hanya memanfaatkan 0,002% dari kapasitas yang tersedia, menunjukkan bahwa waktu investasinya sangat mendahului permintaan
Strategi Nvidia: struktur keuangan sirkular yang terdiferensiasi
- Per 2025, Nvidia mengelola investasi langsung US$110 miliar (85% dari pendapatan) dan pinjaman berbasis agunan GPU senilai lebih dari US$15 miliar
- Dengan OpenAI terdapat komitmen spesifik US$100 miliar (10 tranche, dibayarkan bertahap sesuai tahap pembangunan infrastruktur, dan arus dana riil berbentuk sewa GPU)
- Investasi tambahan ke CoreWeave, NVentures, dan meluasnya pasar pinjaman berbasis agunan GPU
- Dalam kasus CoreWeave, perusahaan ini memiliki utang berbasis agunan GPU sebesar US$10,45 miliar, dan startup AI lain seperti Lambda Labs juga menggunakan GPU sebagai agunan pinjaman
Perbandingan angka: Lucent vs Nvidia (dalam dolar 2024)
| Item | Lucent (2000) | Nvidia (2025) |
|---|---|---|
| Vendor financing | US$15 miliar | US$110 miliar |
| Arus kas operasional | US$300 juta | US$15,4 miliar (Q2 tahun fiskal 22) |
| Pendapatan tahunan | US$34 miliar | US$130 miliar |
| Porsi 2 pelanggan teratas | 23% | 39% |
Hal yang perlu diwaspadai: struktur risiko pasar yang baru
1. Basis pelanggan AI yang lebih terkonsentrasi
- Sebesar 46% pendapatan Nvidia terkonsentrasi pada 2~4 pelanggan teratas, dua kali lebih tinggi daripada Lucent
- Sebanyak 88% pendapatan berasal dari data center
2. Meluasnya pinjaman berbasis agunan GPU dan risiko persediaan
- GPU digunakan untuk pinjaman berbunga tinggi 14% dengan asumsi nilainya bertahan 4~6 tahun (sekitar 3 kali obligasi korporasi investment grade)
- Dalam praktiknya, umur pakai nyata GPU ternyata hanya 1~3 tahun (contoh nyata dari perancang Google dan Meta)
| Perusahaan | Sebelum 2020 | 2020 | 2022~2023 | 2024~2025 | Perubahan |
|---|---|---|---|---|---|
| Amazon | 3 tahun | 4→5 tahun | 5 tahun | 6→5 tahun | Pemendekan pertama |
| Microsoft | sekitar 3 tahun | 4 tahun | 6 tahun | 6 tahun | +100% |
| sekitar 3 tahun | 4 tahun | 6 tahun | 6 tahun | +100% | |
| Meta | sekitar 3 tahun | 4 tahun | 4,5→5 tahun | 5,5 tahun | +83% |
| CoreWeave | N/A | N/A | 4→6 tahun | 6 tahun | +50% (GPU) |
| Nebius | N/A | N/A | 4 tahun | 4 tahun | Standar industri |
-
Pada 2025, Amazon mengembalikan masa depresiasi dari 6 tahun menjadi 5 tahun, menjadi yang pertama menerapkan praktik akuntansi yang lebih konservatif
-
CPU umumnya digunakan 5~10 tahun, tetapi GPU di data center AI dalam penggunaan nyata sering diganti dalam 1~3 tahun (Meta Llama 3: tingkat kegagalan tahunan 9% → proyeksi cacat 27% selama 3 tahun)
-
Lembaga keuangan utama (misalnya Cerno Capital) mempertanyakan apakah “kebijakan depresiasi ini benar-benar mencerminkan realitas ekonomi dan teknis, atau hanya strategi ‘ilusi’ untuk mengalihkan perhatian investor”
4. Pemanfaatan struktur SPV (special purpose vehicle)
-
Perusahaan teknologi besar mendanai pembangunan data center melalui investasi patungan SPV dengan private equity seperti Apollo
- SPV memiliki dan mengoperasikan data center, lalu menyediakannya kepada perusahaan teknologi lewat sewa jangka panjang
- Utang SPV tidak tercermin dalam laporan keuangan perusahaan teknologi (off-balance sheet)
- Umumnya menggunakan struktur modal 10~30% ekuitas dan 70~90% utang
-
Struktur ini memang memberi keuntungan seperti perlindungan kredit dan pengurangan eksposur belanja modal, tetapi jika utilisasi data center menurun atau nilai GPU turun, kerugian akan lebih dulu menimpa pemegang lapisan modal yang tipis (equity holder)
-
Saat ini aset data center mencakup 10~22% portofolio REIT utama, melonjak dari ‘0’ dua tahun lalu
5. Risiko persaingan custom silicon
- Makin meluas penggunaan akselerator AI yang dikembangkan sendiri seperti Microsoft (Maia), Google (TPU), Amazon (Trainium/Inferentia), dan Meta (MTIA)
- Jika pelanggan beralih ke chip buatan sendiri, nilai aset agunan GPU milik CoreWeave dan pihak lain bisa turun, sekaligus memperbesar risiko vendor financing Nvidia
Perbedaan mendasar Nvidia dan Lucent
- Lucent: manipulasi pendapatan US$1,1 miliar, 10 eksekutif didakwa SEC, laporan keuangan kehilangan kepercayaan
- Nvidia: diaudit PwC, peringkat kredit membaik, menghasilkan kas lebih dari US$50 miliar per tahun, mempertahankan kas bersih US$46,2 miliar (2024)
- Lucent: mayoritas pelanggan menggunakan leverage utang berlebihan dan berada dalam kondisi merugi
- Nvidia: pelanggan teratas (Microsoft, Alphabet, Amazon, Meta, dll.) memiliki fundamental yang sehat dengan arus kas operasional US$451 miliar pada 2024
- Lucent hanya mencapai utilisasi 0,002% dibanding investasinya, sedangkan pelanggan teratas Nvidia melaporkan kekurangan infrastruktur AI (keterbatasan pasokan)
Indikator yang perlu diperhatikan
- Tingkat utilisasi GPU: perlu terus dipantau apakah penggunaan GPU di data center benar-benar cukup atau hanya penimbunan persediaan
- Profitabilitas OpenAI: perlu dipastikan apakah pembangunan infrastruktur besar-besaran menghasilkan pendapatan yang memadai
- Tanda-tanda kredit macet: perlu memeriksa gejala gagal bayar di pasar pinjaman berbasis agunan GPU senilai US$15 miliar
- Tren pengelolaan AR (Accounts Receivable): rasio AR membaik (68%→30%), tetapi perlu diwaspadai jika kembali memburuk
- Diversifikasi pelanggan: perlu memantau apakah ada basis pelanggan baru dan apakah ketergantungan pada sedikit pelanggan besar terus berlanjut
- Isu custom silicon: jika hyperscaler beralih ke chip internal, risiko eksposur pembiayaan Nvidia akan membesar
- Tren konsolidasi vendor: setelah banyak eksperimen alternatif di pasar, permintaan pada akhirnya bisa terkonsentrasi pada beberapa vendor saja
- Tingkat penggunaan AI riil di AS melonjak dari 20% pada 2023 menjadi 40% pada 2025
- Namun menurut riset MIT, 95% pilot adopsi AI gagal menghasilkan kinerja finansial yang nyata, sehingga masalah integrasi juga disorot
- Meski demikian, upah pekerja AI naik 2 kali lipat dan produktivitas pengguna meningkat hingga 40%, menunjukkan sinyal positif
- OpenAI mencatat pendapatan US$4,3 miliar dan kerugian US$4,7 miliar pada paruh pertama 2025 (setengahnya kompensasi saham), sehingga masih merugi
- Berbeda dari masa lalu, pelanggan besar saat ini memiliki kas yang cukup, manajemen berbasis kinerja, dan memang ada permintaan infrastruktur yang nyata
Kesimpulan: risiko struktural keuangan sirkular dan pasar AI 2025
- Strategi vendor financing Nvidia dalam skala besar jelas memanfaatkan pertumbuhan dan permintaan teknologi, tetapi juga mengandung risiko seperti konsentrasi pelanggan, fluktuasi nilai aset, dan adopsi custom silicon
- Seperti kasus Lucent, jika valuasi aset berlebihan, kredit memburuk, atau transparansi akuntansi menurun, risiko dapat dengan cepat menjadi nyata; karena itu diperlukan pemantauan ketat terhadap metrik utama dan tren pasar
Lampiran: kecurangan akuntansi Lucent dan krisis keuangan sirkular
- Lucent diselidiki SEC atas kecurangan akuntansi pada 2000 (manipulasi pendapatan US$1,15 miliar dan laba sebelum pajak US$470 juta)
- ‘Channel stuffing’: memasok produk yang belum terjual lebih dulu ke distributor lalu langsung mengakuinya sebagai pendapatan
- ‘Side agreement’: mengakui pendapatan meski secara terpisah memberi hak retur dan perlakuan istimewa di luar kontrak distribusi
- ‘Manipulasi provisi’: meminimalkan volatilitas kinerja melalui pembentukan dan pembalikan provisi kerugian secara berlebihan
- Lucent dikenai denda US$250 juta dan 10 eksekutifnya didakwa
- Sebagai contoh representatif, Lucent memberikan pembiayaan US$2 miliar kepada WinStar; setelah WinStar bangkrut, Lucent mencatat kerugian US$700 juta
- Dengan pola seperti ini, pada 2001~2002 Lucent membukukan cadangan piutang tak tertagih sebesar US$3,5 miliar, menjadi contoh khas munculnya risiko gagal bayar yang substansial
1 komentar
Komentar Hacker News
Saya pernah bekerja di ISP kecil di lingkungan tempat tinggal pada era 90-an, dan saat itu Lucent adalah yang paling maju di bidang peralatan internet, kami memakai Portmaster 3 untuk menangani koneksi dial-up dan juga sempat melihat teknologi nirkabel awal dari Lucent
Berkat Telecommunications Act 1996, perusahaan telekomunikasi diwajibkan menyewakan infrastruktur mereka kepada pihak lain, dan ini membuat biaya sewa T1 bagi ISP turun drastis (T1 turun dari $1.800 per bulan pada 1996 menjadi $600 pada 1999), lalu operator telekom menggugat FCC dan pada 2003 undang-undang itu pada praktiknya menjadi tidak berlaku
Penjelasan wiki terkait competitive local exchange carrier
Tergantung wilayah, perbedaan harganya besar, ISP kecil tempat saya bekerja menurunkan T1 dari $1.500 per bulan menjadi $500, lalu loop T1 ke pelanggan menjadi $100 per bulan, sementara untuk OC12 SONET ring yang membackhaul seluruh jalur ke data center kami mengeluarkan ribuan dolar
Penyebab utama seluruh perubahan harga ini adalah kewajiban unbundling elemen jaringan ILEC yang ditetapkan dalam undang-undang telekom
Kebanyakan CLEC pun pada akhirnya tetap memakai jaringan fisik ILEC setempat, jadi perubahan strukturnya besar
Menariknya, pada akhir 90-an saat dial-up masih dominan, voice T1 PRI ($250/bulan) lebih murah daripada data T1 ($500/bulan), jadi itu banyak dimanfaatkan
Bahkan setelah undang-undang telekom itu dilumpuhkan, ILEC tetap menjual layanan wholesale/unbundled, tampaknya mereka sudah menyadari bisnis ini sangat menguntungkan
Saya bekerja di startup pada masa booming telekom
Saat itu Cisco bahkan sampai mengakuisisi startup yang belum punya produk, IPO adalah satu-satunya exit, dan para engineer terikat lock-up 6 bulan
Orang-orang yang beruntung bisa keluar lewat IPO atau penjualan sebelum harga anjlok, dan setelah gelembung pecah, pendanaan mengering sehingga hampir semua startup tumbang
Setelah beberapa tahun lesu, perusahaan-perusahaan IT baru mulai bermunculan lagi
Terdengar menarik bahwa hanya dengan 4 tahun regulasi, keseimbangan kekuatan antara raksasa telekom dan ISP kecil bisa berubah, apakah memang benar begitu
Penjelasan bahwa regulasi tertentu memicu perkembangan internet bertentangan dengan prediksi lama yang bilang tanpa deregulasi semuanya akan gagal
Saya baru pertama kali mendengar klaim bahwa hukum yang hanya berlaku sebentar seperti ini sudah cukup
Membunuh persaingan telekom dan membiarkan monopoli adalah masalah besar dalam sistem peradilan
Undang-undangnya jelas, tetapi pengadilan pada praktiknya mengabaikan legislasi dengan logika bahwa “memasang serat optik itu mahal”
Kalau bicara harga, jalur seperti T1 atau OCx memang masih banyak dipakai, tetapi pada 1996–99 DSL muncul dan memberi efek besar dalam menekan harga
Perubahan legislasi mungkin memengaruhi timing perang harga dan bubble telekom
Tetapi perang harga itu sendiri tak terhindarkan, dan bubble-nya juga sangat mungkin memang akan terjadi
Investasi infrastruktur telekom adalah respons terhadap kegilaan kenaikan valuasi saham dot-com
Jaringan optik saat itu menggunakan kurang dari 0,002% kapasitas maksimum, dan masih ada ruang peningkatan kecepatan sampai 60.000 kali lipat, jadi itu hanya terlalu dini
Saya rasa GPU tidak akan punya kelebihan kapasitas seperti itu
Kalau nanti bisa dipakai untuk hal seperti “pikirkan codebase ini semalaman, temukan cara refactor yang lebih baik, dan usulkan besok,” maka kebutuhan GPU akan jauh lebih besar daripada sekarang
Kalau 1 menit penggunaan GPU seharga $0,1, maka menjalankannya semalaman jadi $48, dan itu tampaknya cukup bernilai besar (perbaikan kode, desain mobil, sampul buku, rencana bisnis, atau tugas apa pun)
Saya juga tidak yakin GPU tidak akan berlebih, justru saya pikir pasti akan berlebih
Perusahaan terus membeli GPU yang membanjir dengan asumsi permintaan itu tak terbatas
Sementara itu, kelelahan terhadap LLM mulai datang, model makin kecil, dan hardware konsumen juga terus membaik
Pada akhirnya, banyak GPU menganggur pasti akan muncul
Klaim bahwa perbaikan kode membutuhkan GPU bukanlah cerita besar
Sebentar lagi generative AI akan dipakai untuk membuat film ultra-high-resolution, bahkan HDR dan 120fps
Pekerjaan seperti ini akan menelan biaya $100–$1.000 per menit dan butuh GPU dalam jumlah sangat besar
Militer AS juga sudah merencanakan generative AI untuk visualisasi medan perang, dan ini memerlukan komputasi yang lebih padat lagi daripada video resolusi tinggi
Menarik bahwa AI bisa “memperbaiki” codebase
Saya belum pernah melihatnya benar-benar melakukan perbaikan di dunia nyata, jadi saya baru akan percaya kalau melihatnya sendiri
Seiring membaiknya algoritme dan teknik, hardware lama pun mungkin masih tetap berguna
Bayangan “coba pikirkan codebase ini semalaman…” itu pada dasarnya berangkat dari premis yang keliru
LLM saat ini belum bisa secara mandiri menyelesaikan masalah nyata yang substansial
Banyak orang berharap suatu saat bisa, tetapi saya cenderung melihat sekarang ini sebagai batas performa LLM
Bubble AI terbaru adalah hasil terlalu melebih-lebihkan tahap awal S-curve teknologi
Per hari ini, itu belum cukup
Sejarah bubble masa lalu bisa sedikit jadi referensi, tetapi tidak terlalu bermakna
Bubble dot-com, bubble kereta api, semuanya berbeda di setiap era
Intinya adalah kelayakan bisnis dan ROI
Sekalipun arus dana sehat, jika imbal hasil ekonominya tidak luar biasa, pada akhirnya tetap berisiko runtuh
Semua orang sedang mengejar angsa bertelur emas
Dari Bezos yang menyebut rencana membangun data center lebih dari 10GW di luar angkasa, saya jadi berpikir bahwa tujuannya bukan ROI, melainkan struktur kekuasaan masa depan, yaitu membangun dunia tempat kaum superkaya tidak lagi membutuhkan tenaga kerja
HN comment terkait
Artikel tentang pernyataan Bezos soal data center di luar angkasa
Kalau kita terlalu terpaku pada mekanisme masa lalu, ruang kemungkinan masa depan justru jadi terlalu sempit
Bubble dot-com pun hanya mengalir lewat salah satu dari sekian banyak “jalur yang mungkin”
Kalau dilihat dengan cara yang sama, kita bisa saja melewatkan bentuk realisasi bubble berikutnya
Ada kekhawatiran bahwa perbedaan perlakuan akuntansi antara Lucent dan Nvidia, Microsoft, OpenAI, Google sebenarnya hanya menunjukkan perkembangan dalam “cara berbohong yang lebih canggih dan teknik melebih-lebihkan dari kondisi nyata”
Angka yang sebenarnya baru akan terlihat setelah bubble pecah
Kali ini juga berbeda dari masa lalu karena ada dukungan mata uang fiat dan pemerintah
Saya pernah berada tepat di tengah runtuhnya dot-com dan telekom, dan telekom khususnya jauh lebih parah
Serat optik tidak berkarat, tetapi pemasangannya benar-benar berlebihan, dan 10 tahun kemudian berkat teknologi DWDM yang dipakai sungguhan hanya 2 dari 8 serat (dengan panjang gelombang yang jauh lebih beragam daripada sebelumnya)
Saya penasaran berapa nilai jual kembali GPU bekas 10 tahun dari sekarang, dan apakah ada “solusi seperti DWDM” yang bisa muncul untuk GPU yang diinvestasikan secara berlebihan
Kita sedang hidup di masa yang sangat menarik sekarang
Masalah terbesar Nvidia adalah pendapatannya tidak bersifat permanen, tetapi pasar menilainya seperti recurring revenue, padahal ini sebenarnya CAPEX yang mungkin hanya berlangsung 1–2 tahun
Saya sederhana saja melihat bahwa struktur ini tidak mungkin terus berlanjut
Harga saham NVDA tidak terlalu mahal secara ekstrem, hanya 25x EPS
Pertumbuhan pendapatannya cepat, dan di depan kita ada transisi teknologi terpenting dalam sejarah
Pasar juga sudah sebagian memasukkan perlambatan pertumbuhan ke dalam harga saham
Perusahaan seperti Zoom dan Peloton yang naik daun saat era COVID juga dinilai pasar seolah masa depan itu akan terus berlanjut
Struktur pasar selalu mengulang pola seperti ini, belakangan 3D printing dan daging alternatif juga sama
Investasi ke OpenAI bisa ditafsirkan sebagai hedge terhadap perlambatan CAPEX
Setiap kali Nvidia mengumumkan, kartu grafis langsung habis terjual
Marginnya sangat besar, tetapi mereka tetap belum mampu memenuhi seluruh permintaan
Pada akhirnya ini hanya logika ekonomi sederhana
Begitu permintaan sekali saja meleset, GPU bekas akan membanjir dan tidak ada lagi kebutuhan membeli produk baru
Saat itu, mustahil bagi Nvidia untuk mempertahankan pendapatan seperti sekarang
TSLA juga sama
Pasar saham pada dasarnya adalah bank untuk orang kaya, dibungkus dalam pinjaman dan kredit
Pada kenyataannya memang bubble, tetapi itu wilayah yang benar-benar dipedulikan orang kaya
Orang biasa seperti kita cuma semut kecil
Saat bekerja di “telekom di atas semua telekom”, kami baru benar-benar menyalakan dark fiber 15 tahun kemudian, pada 2015, berkat permintaan data seluler
Skala overbuild-nya memang luar biasa
Kabel serat optik selalu berguna, tetapi apakah GPU bisa bertahan selama itu masih tanda tanya
Saya bicara dari pengalaman pribadi
Serat optik baru tidak menjadi jauh lebih efisien dari sisi energi
Tetapi efisiensi backhoe untuk menggali tanah juga tidak berubah sama sekali
Untuk pertanyaan “apakah kartu-kartu ini bisa dipakai lama?”, contoh dalam artikel menyebut bahwa karena stresnya tinggi, umur pakainya bisa hanya 1–2 tahun
Pada 2005, telekom adalah sapi perah uang tunai berkat tarif panggilan jarak jauh, dan jika switch mekanisnya sudah sepenuhnya terdepresiasi maka mereka benar-benar mencetak uang begitu saja (regulasi menjamin keuntungan)
Tetapi struktur itu juga tidak bertahan lama, dan di banyak wilayah mereka mencoba meluas ke managed service demi mengejar “pendapatan tak teregulasi” (misalnya solusi seperti DataDog)
Hakikat bisnisnya adalah optimisme irasional bisa menjatuhkan perusahaan kapan saja
Chip-nya sendiri mungkin tidak akan berumur panjang, tetapi R&D di dalamnya tetap bernilai
Masalahnya adalah seberapa besar nilai itu bisa dipulihkan kembali
Data center berdensitas tinggi yang sedang dibangun untuk mendukung hyperscaler pada dasarnya mirip dengan overbuild dark fiber
Saat serat itu dinyalakan pada 2015, kemungkinan besar yang dipakai bukan line card yang dibeli pada 1998
Pada dasarnya, saya rasa isu terbesar adalah ketidakpastian apakah AGI akan tercapai
Sekitar 90% investasi topline saat ini terkonsentrasi pada asumsi bahwa itu akan tercapai dalam 2–5 tahun
Kalau itu tidak datang cukup cepat, ada risiko minat investor turun tajam
Untuk saat ini mereka masih menjaga minat lewat pertumbuhan benchmark, tetapi saya perkirakan 6–12 bulan lagi tonggak baru pun akan mentok
Tahap berikutnya yang nyata harus menunjukkan hasil dalam pengembangan software, riset kanker, robotika, dan sebagainya
Dengan struktur saat ini, saya rasa itu sulit
Saya rasa AGI masih jauh
Peluang terbesar ada di bidang seperti hukum dan kedokteran, di mana basis pengetahuannya sangat besar sehingga orang harus sekolah sampai pascasarjana untuk mempelajarinya
Coding khususnya akan makin cocok untuk pemanfaatan LLM
Masalahnya, setelah backlog pekerjaan menyebalkan seperti refactor code lama selesai, pembuatan kode baru saja tidak akan pernah bisa mempertahankan bubble permintaan hardware seperti sekarang
Bahkan hyperscaler juga belum menghabiskan sampai separuh arus kas operasional mereka untuk investasi AI (CAPEX)
Kalau benar-benar bertaruh pada pencapaian AGI, skalanya seharusnya jauh lebih besar
“Skeptisisme Anda sekarang mungkin sama tak berdasarnya dengan skeptisisme lima tahun lalu yang bilang ‘mesin yang bisa berpikir itu mustahil’, padahal sekarang LLM memang sudah muncul.”
Saya tidak tahu kenapa orang-orang memberi downvote
Kalau bicara dengan para peneliti AI, mereka justru punya ekspektasi yang realistis
Tetapi orang-orang di sisi bisnis yang tidak paham teknologi cenderung punya ekspektasi yang kelewat tinggi
Mereka sudah memangkas tenaga kerja dan menyesuaikan anggaran, rencana, dan rekrutmen dengan hitungan seperti “ChatGPT $20 per bulan akan mengerjakan semuanya”
Kalau setahun lagi jelas-jelas tidak berjalan baik, sikap terhadap AI akan langsung berbalik total (marah, menghindar, tidak percaya produk baru, dan sebagainya)
Kalau kegagalan menumpuk, laju pertumbuhan akan melambat, lalu kecemasan investor, anjloknya harga saham, dan penurunan valuasi juga akan ikut datang
Yang tidak saya pahami adalah optimisme bahwa permintaan GPU untuk “training” akan terus tumbuh tinggi seperti sekarang
Saya mengerti permintaan inference, tetapi sudah ada banyak model gratis yang sangat bagus, dan itu juga berjalan baik di perangkat konsumen seperti Apple M4 atau AMD Max APU
Dalam situasi seperti ini, saya ragu apakah masih benar-benar ada banyak permintaan tambahan untuk investasi GPU
Saya kira Reinforcement Learning akan menjadi medan perang GPU yang baru
Contohnya perubahan pada o1, o3, GPT-5, Sonnet 3.7, 4, 4.5, dan seterusnya
Begitu semua orang bisa menjalankan inference dengan B200, model bisa membesar lagi, tetapi untuk saat ini rasa haus GPU paling besar ada di anggaran training RL
Tetap saja ada argumen bahwa tujuan akhirnya adalah kompetisi tanpa akhir untuk menjalankan lebih banyak GPU agar selangkah lebih dekat ke AGI
Saya menduga arsitektur Continuous Learning akan menjadi pendorong permintaan GPU berikutnya
Inference pada akhirnya paling murah kalau berjalan di cloud berbasis resource bersama
Saya rasa sebagian besar use case B2B akan berpindah ke data center seperti AWS
Untuk kasus khusus (CERN atau Apple Siri), mungkin dipakai hardware khusus seperti FPGA atau low-power ASIC, tetapi selain itu, “berbasis cloud” akan makin menjadi standar
Pada bubble dot-com, iklan menciptakan efek sirkular
VC menaruh dana ke startup, lalu startup membelanjakan uang itu untuk iklan di Yahoo dan lainnya
Pendapatan Yahoo melonjak, harga saham naik, dan itu menjadi sinyal bahwa internet menghasilkan uang, sehingga memperbesar pasar IPO untuk startup lain
Semakin uang berputar, siklus iklan → pendapatan → market cap → lebih banyak investasi VC → lebih banyak iklan terus berlanjut
Dalam referensi nomor 14 disebutkan bahwa OpenAI akan memakai GPU Nvidia dengan skema sewa (lease), bukan pembelian tunai penuh,
jadi saya sulit memahami mengapa Nvidia menyebut ini sebagai “berinvestasi di sini”
Kalau leasing, bukankah mereka hanya menerima biaya sewa, jadi kenapa itu disebut investasi? Apa yang sebenarnya “diinvestasikan” Nvidia?
Saat Nvidia memproduksi dan memasok GPU pada awalnya, mereka harus lebih dulu mengeluarkan modal, dan jika alokasi aset ini pada akhirnya tidak bisa ditutup dengan baik dalam pembukuan (misalnya jika pelanggan bangkrut), ada risiko yang harus mereka tanggung
Sebagai kompensasi atas menanggung risiko itu, mereka mengharapkan imbalan tambahan, dan struktur ini sendiri punya karakter seperti investasi
Saya bukan ahli akuntansi, tetapi saya rasa ketika masa sewa berakhir Nvidia hanya akan memegang aset bernilai rendah yang sudah terdepresiasi
Tidak seperti leasing kendaraan, pasar GPU bekas tampaknya tidak terlalu besar
Artinya, Nvidia pada dasarnya menyediakan GPU secara “cicilan” alih-alih menerima pembayaran penuh di muka
Saya penasaran apakah total biaya sewanya setara dengan biaya pokoknya