Daftar Isi

 

5 Celah Penting di Balik Kejayaan Jensen Huang dan NVIDIA, dari CUDA hingga Beban Investasi AI

NVIDIA menjadi salah satu perusahaan paling berpengaruh dalam perkembangan industri kecerdasan buatan (AI). Di bawah kepemimpinan CEO Jensen Huang, perusahaan teknologi asal Amerika Serikat tersebut berhasil membangun posisi kuat di pasar cip akselerator AI. Produk perangkat kerasnya digunakan oleh berbagai perusahaan teknologi untuk melatih model AI, menjalankan layanan komputasi, hingga mengembangkan pusat data berskala besar.

Salah satu fondasi kesuksesan NVIDIA adalah CUDA (Compute Unified Device Architecture), sebuah platform perangkat lunak yang memungkinkan GPU NVIDIA digunakan untuk berbagai kebutuhan komputasi, termasuk pengembangan AI. Ekosistem tersebut membuat banyak pengembang dan perusahaan bergantung pada teknologi NVIDIA selama bertahun-tahun.

Namun, dominasi itu bukan berarti perusahaan tidak memiliki tantangan. Perkembangan AI coding agent, persaingan perangkat lunak, keterbatasan pasokan listrik, hingga besarnya komitmen investasi mulai menjadi faktor yang perlu diperhatikan.

Di sisi lain, Jensen Huang terus memperluas bisnis NVIDIA melalui platform komputasi generasi baru, teknologi robotika, dan kemitraan dengan perusahaan pengembang AI. Strategi tersebut membuka peluang pertumbuhan, tetapi sekaligus menghadirkan risiko baru.

Berikut lima celah penting di balik kejayaan Jensen Huang dan NVIDIA yang menunjukkan bahwa dominasi perusahaan tersebut tetap menghadapi sejumlah tantangan.

1. Dominasi CUDA Mulai Diuji AI Coding Agent

Selama hampir dua dekade, CUDA menjadi salah satu keunggulan utama NVIDIA dalam industri komputasi berperforma tinggi. Platform yang diperkenalkan pada 2006 ini memungkinkan pengembang memanfaatkan kemampuan GPU untuk menjalankan berbagai tugas komputasi, termasuk pelatihan dan pengembangan model AI.

CUDA dikembangkan oleh Ian Buck, eksekutif NVIDIA yang memimpin divisi komputasi berperforma tinggi. Platform tersebut menyediakan berbagai komponen penting, mulai dari kode siap pakai untuk tugas komputasi umum, alat untuk menemukan kesalahan, hingga sistem yang memungkinkan ribuan cip bekerja secara bersamaan.

Keunggulan CUDA tidak hanya terletak pada kemampuan perangkat keras NVIDIA, tetapi juga pada ekosistem perangkat lunak yang sudah dibangun selama bertahun-tahun.

Ketika TensorFlow dan PyTorch semakin banyak digunakan dalam pengembangan AI, dukungan terhadap GPU NVIDIA ikut memperkuat posisi perusahaan. Banyak pengembang kemudian membangun sistem dan kode yang bergantung pada CUDA.

Ketergantungan tersebut menciptakan hambatan bagi perusahaan yang ingin berpindah ke perangkat keras pesaing, seperti AMD atau Intel. Kode yang sebelumnya dibuat menggunakan CUDA mungkin harus disusun ulang agar bisa berjalan pada platform berbeda. Proses ini membutuhkan waktu, biaya, dan tenaga pengembangan tambahan.

Namun, keunggulan tersebut mulai menghadapi tantangan baru dari perkembangan AI coding agent. Teknologi ini memungkinkan AI membantu menulis, memperbaiki, dan menyusun kode perangkat lunak secara otomatis.

Jeremy Nixon, pendiri Infinity, mengaku menggunakan AI coding agent selama sekitar 10 jam untuk membuat perangkat lunak yang menyerupai CUDA bagi D-Matrix. Perkembangan seperti ini menunjukkan bahwa pembuatan perangkat lunak alternatif berpotensi menjadi lebih cepat dibandingkan sebelumnya.

Selain itu, Google, Amazon, dan Microsoft juga mengembangkan perangkat lunak komputasi mereka sendiri. Sementara itu, OpenAI dan Anthropic memperlihatkan kemampuan model AI dalam menghasilkan kode untuk berbagai kebutuhan sistem.

Perubahan kebutuhan komputasi juga menjadi tantangan tersendiri. Jika sebelumnya pelatihan model AI menjadi salah satu fokus utama, kini kebutuhan inferensi atau proses menjalankan model AI untuk menghasilkan jawaban semakin penting.

Perubahan beban kerja tersebut berpotensi memengaruhi cara perusahaan menggunakan CUDA. Meski belum tentu menghilangkan dominasi NVIDIA, perkembangan ini bisa membuka peluang bagi platform komputasi alternatif.

2. Platform Vera Rubin Hadir dengan Penyesuaian Spesifikasi Memori

NVIDIA juga berusaha mempertahankan keunggulannya melalui pengembangan perangkat keras generasi baru. Salah satu platform yang menjadi perhatian adalah Vera Rubin, yang dikonfirmasi Jensen Huang telah memasuki tahap produksi penuh dalam pembukaan Consumer Electronics Show 2026.

Platform ini dirancang sebagai sistem komputasi terpadu untuk memenuhi kebutuhan AI berskala besar. Vera Rubin terdiri atas enam komponen utama, yaitu:

• Vera CPU, sebagai unit pemrosesan pusat.
• Rubin GPU, untuk menangani komputasi berperforma tinggi.
• NVLink 6 Switch, untuk mendukung komunikasi antarkomponen.
• ConnectX-9 SuperNIC, sebagai komponen jaringan berkecepatan tinggi.
• BlueField-4 DPU, untuk menangani pemrosesan infrastruktur data.
• Spectrum-6 Ethernet Switch, untuk mendukung konektivitas jaringan.

Salah satu konfigurasi yang menjadi perhatian adalah Vera Rubin NVL72. Sistem ini menggunakan pendinginan cair penuh dan desain modular tanpa kabel yang dirancang untuk menyederhanakan pemasangan.

Dengan pendekatan tersebut, waktu pemasangan sistem diklaim dapat dipangkas dari sekitar dua jam menjadi lima menit. Hal ini penting bagi operator pusat data yang perlu memasang infrastruktur komputasi dalam jumlah besar.

Meski demikian, pengembangan Vera Rubin juga menghadapi penyesuaian spesifikasi memori. Laporan TrendForce menyebut NVIDIA menurunkan lebar pita HBM4 pada Vera Rubin sekitar 13 persen per GPU. Penyesuaian pada sistem HGX Rubin NVL8 disebut mencapai 26 persen.

Dalam spesifikasi yang diarsipkan pada 1 September 2026, sistem NVL72 mencantumkan kapasitas memori 20,7 TB dan lebar pita 1.580 TB per detik.

Sementara itu, Samsung dan SK hynix dikabarkan bersiap mengirimkan HBM4 8-Hi untuk Rubin Ultra pada kuartal kedua 2027.

Konfigurasi 8-Hi menggunakan lebih sedikit die DRAM dalam satu tumpukan dibandingkan konfigurasi dengan lapisan lebih banyak. Pendekatan ini berpotensi membantu menekan biaya per tumpukan sekaligus mengurangi tantangan produksi dan termal.

Kebutuhan memori berbandwidth tinggi atau HBM terus meningkat seiring pertumbuhan industri AI. Karena itu, ketersediaan komponen tersebut menjadi salah satu faktor penting yang menentukan seberapa cepat platform generasi baru NVIDIA dapat diproduksi dan digunakan.

Baca juga : Apple Siapkan Desain iPhone Baru dengan Layar Lebih Pendek, Bakal Lebih Nyaman Digunakan Satu

3. Pertumbuhan Pusat Data AI Terhambat Ketersediaan Listrik

Selain perangkat keras dan perangkat lunak, NVIDIA menghadapi tantangan besar dari kebutuhan energi pusat data. Infrastruktur AI membutuhkan daya listrik dalam jumlah besar karena server harus menjalankan komputasi secara intensif.

Berdasarkan data dalam laporan yang dikutip, konsumsi listrik pusat data dunia diperkirakan mencapai 565 terawatt jam (TWh) pada 2026. Angka tersebut meningkat sekitar 26 persen dibandingkan konsumsi 447 TWh pada 2025.

Permintaan daya pusat data juga diproyeksikan naik dari 105 gigawatt pada 2025 menjadi 133 gigawatt pada 2026. Proyeksi tersebut telah mempertimbangkan berbagai kendala, termasuk kekurangan komponen, penundaan proyek, dan dampak konflik di Iran.

Salah satu penyebab peningkatan konsumsi energi adalah bertambahnya penggunaan server yang dioptimalkan untuk AI. Server jenis ini diperkirakan menyerap sekitar 31 persen konsumsi listrik pusat data pada 2026.

Konsumsi listrik server AI bahkan diperkirakan meningkat dari 95 TWh pada 2025 menjadi 175 TWh pada 2026. Sebaliknya, konsumsi listrik server konvensional hanya diperkirakan bertambah sekitar 1 persen.

Kondisi tersebut memperlihatkan bahwa pertumbuhan AI tidak hanya bergantung pada ketersediaan GPU dan cip memori. Pusat data juga membutuhkan pasokan listrik yang cukup untuk menjalankan seluruh perangkat tersebut.

Eropa menjadi salah satu kawasan yang menghadapi tantangan pasokan energi. Biaya listrik yang tinggi dan keterbatasan kapasitas energi dapat memperlambat pembangunan infrastruktur AI.

Dalam kunjungannya ke Berlin, Jerman, pada Oktober 2026, Jensen Huang menyoroti pentingnya alokasi listrik bagi pertumbuhan industri teknologi di kawasan tersebut.

Bagi NVIDIA, persoalan energi menjadi tantangan tidak langsung. Perusahaan bisa saja menyediakan GPU dengan kemampuan komputasi tinggi, tetapi pelanggan tetap membutuhkan pusat data dan pasokan listrik untuk mengoperasikannya.

Artinya, peningkatan kapasitas produksi cip tidak otomatis membuat penggunaan AI berkembang dengan kecepatan yang sama. Infrastruktur energi harus ikut tumbuh agar permintaan komputasi dapat dipenuhi.

4. AI Fisik dan Robotika Menjadi Peluang Pertumbuhan Baru

Di tengah persaingan bisnis cip AI, NVIDIA mulai memperluas fokus ke bidang AI fisik atau physical AI. Teknologi ini menggabungkan kecerdasan buatan dengan perangkat fisik agar mesin dapat memahami lingkungan dan melakukan tindakan secara mandiri.

Salah satu penerapannya adalah robot otonom yang digunakan di gudang, pabrik, hingga fasilitas kesehatan.

NVIDIA memperkenalkan Halos pada 2025 sebagai sistem keselamatan untuk kendaraan otonom. Pada Juni 2026, perusahaan memperluas pendekatan tersebut melalui Halos for Robotics.

Teknologi ini dirancang untuk membantu memastikan robot dapat beroperasi dengan aman ketika berinteraksi dengan manusia maupun lingkungan sekitarnya. Sistem perangkat lunaknya memantau aktivitas robot dan membantu mendeteksi potensi kegagalan.

Pengembangan teknologi keselamatan menjadi penting karena robot tidak hanya memproses informasi digital. Mereka juga bergerak, mengangkat benda, dan melakukan pekerjaan fisik yang berpotensi menimbulkan risiko apabila sistem mengalami kesalahan.

Jensen Huang menyebut bisnis AI fisik NVIDIA telah menghasilkan pendapatan hampir 10 miliar dolar AS per tahun. Ia juga menempatkan bidang tersebut sebagai salah satu kategori pertumbuhan terpenting perusahaan sejak 2025.

Untuk mempercepat pengembangan robotika, NVIDIA menghadirkan sejumlah teknologi pendukung, antara lain:

• Cosmos, model dunia yang mendukung pengembangan dan pemahaman lingkungan fisik.
• Isaac, kerangka kerja simulasi dan pengembangan robotika.
• Isaac GR00T, model AI yang ditujukan untuk pengembangan robot humanoid.

Teknologi tersebut dapat dimanfaatkan untuk berbagai kebutuhan, mulai dari perakitan elektronik presisi tinggi hingga otomatisasi pabrik.

NVIDIA juga menjalin kemitraan dengan pengembang teknologi robot, perusahaan robot industri, dan produsen robot humanoid.

Peluang bisnis ini cukup besar karena perusahaan di berbagai sektor mulai mencari cara meningkatkan efisiensi melalui otomatisasi. Namun, keselamatan tetap menjadi tantangan penting sebelum robot dapat digunakan secara luas di lingkungan kerja.

5. NVIDIA Membiayai Pelanggan agar Permintaan Cip Tetap Terjaga

Tantangan berikutnya berkaitan dengan strategi keuangan NVIDIA. Perusahaan tidak hanya menjual cip kepada pelanggan, tetapi juga terlibat dalam berbagai bentuk investasi, jaminan, dan kerja sama pembiayaan untuk mendukung pembangunan infrastruktur AI.

Salah satu contohnya adalah keterlibatan NVIDIA dalam proyek pusat data OpenAI berkapasitas 10 gigawatt di Ohio, Amerika Serikat. Berdasarkan informasi dalam laporan, NVIDIA menanggung jaminan proyek tersebut dengan nilai hingga 105 miliar dolar AS atau sekitar Rp1.898 triliun.

Perusahaan juga menandatangani kontrak sebagai penyewa untuk pusat data yang nantinya akan dialihkan kepada pihak ketiga. Sebagian jaminan tersebut baru akan dibayarkan apabila peserta proyek gagal memenuhi kewajibannya.

Di sisi lain, portofolio investasi NVIDIA disebut telah mencapai hampir 100 miliar dolar AS hingga laporan kuartal kedua tahun fiskal 2027. Investasi tersebut mencakup kepemilikan saham di perusahaan AI seperti OpenAI dan Anthropic.

Strategi ini dapat membantu memperkuat ekosistem NVIDIA. Perusahaan yang memperoleh dukungan pendanaan berpotensi membangun pusat data dan membeli lebih banyak cip untuk memenuhi kebutuhan komputasi.

Namun, pendekatan tersebut juga meningkatkan eksposur keuangan perusahaan terhadap kondisi bisnis para mitranya.

Risiko menjadi lebih besar ketika perusahaan pusat data atau penyedia infrastruktur AI menghadapi tekanan keuangan. Dalam laporan tersebut, saham CoreWeave, Nebius, dan IREN disebut turun sedikitnya 30 persen sepanjang Oktober 2026. Premi credit default swap CoreWeave juga dilaporkan melampaui 11 persen.

Firmus bahkan menarik rencana penawaran umum perdana pada Oktober 2026 setelah NVIDIA menjadi investornya.

Nilai kewajiban di luar neraca NVIDIA disebut melebihi 153 miliar dolar AS pada tahun fiskal 2026. Jaminan menjadi salah satu bentuk pembiayaan di luar neraca yang pertumbuhannya paling cepat pada 2026.

Struktur pembiayaan seperti ini membutuhkan pengawasan ketat karena melibatkan banyak pihak, kontrak, dan kemungkinan kewajiban yang baru muncul ketika kondisi tertentu terjadi.

David Gonzales, wakil presiden Moody's, menyebut struktur tersebut rumit dan membutuhkan pemantauan setiap hari.

Bagi NVIDIA, dukungan finansial dapat mempercepat pembangunan ekosistem AI. Namun, perusahaan juga perlu memastikan bahwa pertumbuhan pelanggan dan permintaan cip didukung kemampuan bisnis yang berkelanjutan.

Kesimpulan

Kejayaan NVIDIA di bawah kepemimpinan Jensen Huang ditopang oleh ekosistem CUDA, inovasi perangkat keras seperti Vera Rubin, serta ekspansi ke bidang AI fisik dan robotika. Posisi perusahaan dalam industri AI memang sangat kuat, tetapi sejumlah tantangan mulai terlihat.

Dominasi CUDA menghadapi kemungkinan perubahan akibat AI coding agent dan perangkat lunak pesaing. Produksi cip generasi baru juga bergantung pada ketersediaan memori HBM, sedangkan pertumbuhan pusat data semakin dibatasi pasokan listrik.

Di sisi lain, ekspansi ke robotika membuka peluang bisnis baru, tetapi membutuhkan pengembangan teknologi keselamatan. Strategi pembiayaan pelanggan juga membantu memperluas pasar, meskipun meningkatkan eksposur keuangan NVIDIA.

Dengan demikian, tantangan NVIDIA ke depan bukan sekadar menciptakan GPU yang lebih cepat. Perusahaan juga harus memastikan ekosistem perangkat lunak, pasokan komponen, energi, dan pembiayaan mampu mengikuti pertumbuhan kebutuhan AI global.