Rencana ambisius Microsoft untuk mengganti sebagian besar GPU AMD dan Nvidia dengan akselerator AI buatan sendiri menuai reaksi beragam dari komunitas teknologi. Meskipun perusahaan bertujuan untuk mengalihkan mayoritas beban kerja pusat datanya ke silikon kustom demi rasio harga-performa yang lebih baik, pengamat industri mempertanyakan apakah Microsoft dapat mengejar pesaing yang memulai perjalanan ini bertahun-tahun lebih awal.
Masuk Terlambat ke Pasar yang Kompetitif
Komunitas teknologi menyoroti kerugian signifikan Microsoft dalam hal waktu. Google telah menggunakan TPU kustom sejak 2015, sementara Amazon telah menerapkan puluhan ribu akselerator Trainium mereka. Microsoft baru mengungkapkan akselerator AI Maia pertamanya pada akhir 2023, menempatkan mereka sekitar delapan tahun di belakang upaya awal Google . Keterlambatan ini sangat mengkhawatirkan mengingat pengembangan perangkat keras biasanya memerlukan beberapa generasi untuk menjadi benar-benar kompetitif.
Tantangannya melampaui sekadar desain chip. Membangun infrastruktur AI yang efektif memerlukan interkoneksi khusus untuk menciptakan kluster komputasi masif, dan insinyur dengan keahlian ini sangat langka di industri. Kesuksesan Google dengan TPU sangat bergantung pada solusi interkoneksi kustom ini, yang merupakan parit teknis signifikan yang perlu diatasi Microsoft .
Perbandingan Timeline Chip AI Kustom:
- Google TPUs : Dimulai 2015 (inferensi), 2017 (pelatihan)
- Amazon Trainium : Telah menerapkan puluhan ribu unit
- Microsoft Maia : Pertama kali diungkap akhir 2023
- Kesenjangan waktu: Microsoft tertinggal ~8 tahun dari penerapan awal Google
Keraguan Komunitas Tentang Eksekusi
Pengamat industri teknologi mengungkapkan skeptisisme tentang kemampuan Microsoft untuk mengeksekusi visi ini. Rekam jejak perusahaan dengan inisiatif perangkat keras cukup beragam, dan beberapa anggota komunitas memandang pengumuman ini berpotensi hanya sebagai omong kosong daripada pergeseran strategis yang konkret. Tantangan institusional di Microsoft , termasuk keputusan organisasi masa lalu yang mungkin menghambat pengembangan AI, dikutip sebagai potensi hambatan.
Perangkat keras tidak bisa begitu saja berubah dari nol menjadi gigawatt infrastruktur hanya dengan omong kosong. Bahkan Apple lebih siap untuk hal semacam itu.
Spesifikasi chip Maia 100 generasi pertama mendukung kekhawatiran ini. Dengan performa 800 teraFLOPS BF16 dan memori 64GB HBM2e, kinerjanya jauh di bawah penawaran pesaing dari Nvidia dan AMD , menunjukkan Microsoft memiliki jarak yang substansial untuk ditutup.
Spesifikasi Microsoft Maia 100:
- Performa: 800 teraFLOPS (BF16)
- Memori: 64GB HBM2e
- Bandwidth Memori: 1.8TB/s
- Status: Tertinggal dari GPU pesaing Nvidia dan AMD
Tantangan Perangkat Lunak dan Dominasi CUDA
Selain performa perangkat keras, komunitas menunjuk perangkat lunak sebagai medan pertempuran kritis. Ekosistem CUDA Nvidia merupakan parit kompetitif signifikan yang secara historis membuat AMD berada dalam posisi tidak menguntungkan meskipun memiliki perangkat keras yang kompetitif. Microsoft perlu mengembangkan tidak hanya chip yang powerful, tetapi juga alat dan framework perangkat lunak yang ingin digunakan pengembang.
Namun, beberapa pengamat mencatat bahwa beban kerja AI modern, khususnya model berbasis transformer, bergantung pada set primitif komputasi yang relatif terbatas. Ini bisa memudahkan Microsoft mencapai kompatibilitas perangkat lunak dibandingkan aplikasi komputasi tujuan umum. Penerapan TPU Google yang sukses menunjukkan bahwa parit CUDA tidak tak tertembus bagi perusahaan dengan sumber daya dan fokus yang memadai.
Dinamika Pasar dan Implikasi Strategis
Pengumuman itu sendiri melayani tujuan strategis penting dengan memberikan tekanan pada harga GPU. Dominasi pasar Nvidia saat ini memungkinkan margin keuntungan yang signifikan, dan ancaman kredibel dari pelanggan besar seperti Microsoft dapat membantu memoderasi biaya ini bahkan jika strategi chip kustom memerlukan waktu bertahun-tahun untuk terwujud sepenuhnya.
Tren industri yang lebih luas menuju integrasi vertikal dalam infrastruktur AI mencerminkan skala masif dan persyaratan spesifik beban kerja AI modern. Perusahaan seperti Apple telah memperluas pendekatan ini ke pusat data mereka sendiri, menggunakan silikon kustom untuk layanan cloud. Ini menunjukkan bahwa strategi Microsoft , meskipun terlambat, sejalan dengan evolusi industri yang lebih luas menuju solusi komputasi khusus yang dibuat untuk tujuan tertentu.
Kesuksesan inisiatif chip kustom Microsoft pada akhirnya akan bergantung pada eksekusi di berbagai dimensi: performa chip, pengembangan ekosistem perangkat lunak, kemitraan manufaktur, dan integrasi dengan infrastruktur yang ada. Meskipun perusahaan menghadapi tantangan signifikan karena start yang terlambat, potensi manfaat dari harga-performa yang dioptimalkan dan kontrol yang lebih besar atas infrastruktur AI mereka menjadikan ini sebagai kebutuhan strategis daripada sekadar pilihan.
Referensi: Microsoft CTO says he wants to swap most AMD and Nvidia GPUs for homemade chips