Mengapa Model AI Hemat Memori DeepSeek Memicu Tekanan pada Saham Chip

Rilis DeepSeek V4.1-Flash membuat pasar meninjau ulang salah satu asumsi utama dalam perdagangan saham infrastruktur AI: bahwa model yang makin canggih selalu membutuhkan memori dan penyimpanan yang makin besar untuk setiap beban kerja.

Yang dipertanyakan bukan apakah AI akan tetap membutuhkan chip memori, melainkan seberapa banyak memori yang dibutuhkan untuk melayani setiap permintaan AI. Perubahan itu cukup untuk mengguncang ekspektasi permintaan jangka pendek terhadap high-bandwidth memory (HBM) dan penyimpanan SSD.

Apa yang diubah oleh DeepSeek

DeepSeek menyebut KV cache pada V4.1-Flash hanya memerlukan seperempat HBM dan seperdelapan penyimpanan SSD dibanding generasi sebelumnya. Perusahaan juga menekankan bahwa biaya cache hit kerap menjadi porsi besar biaya penggunaan agen AI. 29

KV cache adalah memori yang menyimpan informasi dari token-token sebelumnya agar model dapat melanjutkan percakapan atau proses panjang tanpa menghitung ulang seluruh konteks. Karena itu, cache menjadi salah satu batas kapasitas penting saat model AI melayani pengguna (inference), terutama untuk percakapan berkonteks panjang dan agen AI.

Namun, angka tersebut tidak berarti seluruh sistem AI tiba-tiba memakai 75% lebih sedikit HBM atau 87,5% lebih sedikit penyimpanan. Perbandingan DeepSeek hanya berlaku untuk kebutuhan KV cache terhadap arsitektur generasi sebelumnya. Bobot model, infrastruktur pelatihan, dan komponen lain tetap membutuhkan memori serta penyimpanan yang besar. 25

Mengapa saham memori dan penyimpanan turun

Logika investor cukup langsung: bila sebuah model dapat menangani aktivitas inferensi serupa dengan cache memori yang jauh lebih kecil, perangkat keras yang sama secara teori bisa melayani lebih banyak sesi. Itu dapat menekan proyeksi kebutuhan memori per beban kerja dan, pada akhirnya, asumsi permintaan maupun harga HBM serta media penyimpanan perusahaan.

Di Seoul, saham Samsung turun 3,5% dan SK Hynix turun 2,2% setelah rilis tersebut, menurut laporan pada periode itu. 49 Dalam perdagangan AS berikutnya, saham memori dan penyimpanan juga menghadapi tekanan karena investor menilai ulang prospek permintaan infrastruktur AI setelah kebutuhan HBM dan SSD DeepSeek yang lebih rendah. 5152

Tentu, satu rilis model tidak otomatis menjelaskan seluruh pergerakan harga saham. Saham semikonduktor juga dipengaruhi laporan kinerja, kondisi pasokan, suku bunga, sentimen risiko, serta rencana belanja modal pusat data. Namun, reaksi pasar menunjukkan bahwa valuasi saham terkait AI sangat peka terhadap bukti bahwa inovasi perangkat lunak dan arsitektur model dapat mengurangi kebutuhan perangkat keras per unit layanan AI.

Tekanan kedua: seruan untuk memperlambat AI frontier

Berita efisiensi DeepSeek muncul bersamaan dengan kekhawatiran lain soal permintaan. CEO Anthropic, Dario Amodei, lewat esainya We Must Pace the Frontier, menyerukan perlambatan laju peningkatan kapabilitas AI agar perusahaan dan pemerintah memiliki waktu untuk menyelaraskan serta mengamankan sistem yang kian kuat.

Amodei menegaskan bahwa “pacing” bukan berarti menghentikan pelatihan atau kemajuan teknis. Usulnya mencakup evaluator pihak ketiga yang tertanam di perusahaan, koordinasi antarnegara demokrasi, dan koordinasi global. 40

Pasar dapat membaca lintasan kapabilitas yang lebih lambat—meski bukan pembekuan pelatihan—sebagai risiko penundaan sebagian belanja untuk akselerator, jaringan, memori, dan pusat data. Pada hari yang dicakup laporan pasar, kontrak berjangka Nasdaq-100 turun 1,77%; Marvell turun lebih dari 7%, Intel sekitar 6%, dan Micron lebih dari 5%. 51

Dua isu ini berbeda, tetapi bertemu dalam penilaian investor:

• DeepSeek mengangkat pertanyaan efisiensi: berapa banyak memori dan penyimpanan yang dibutuhkan setiap pekerjaan inferensi?
• Perdebatan soal perlambatan mengangkat pertanyaan waktu: secepat apa industri akan membangun dan menerapkan sistem AI frontier yang semakin cakap?

Gabungannya membuat proyeksi permintaan infrastruktur AI yang paling agresif terlihat tidak lagi otomatis.

Kritik Michael Burry

Investor Michael Burry menyebut retorika perlambatan AI sebagai langkah yang “self-serving” atau menguntungkan diri sendiri. Menurutnya, langkah itu dapat menguntungkan pemain AI frontier yang sudah besar dengan menyulitkan kompetitor, menciptakan “hype & puffery” menjelang potensi penawaran saham perdana, serta menjadi alasan atas perlambatan pertumbuhan.

Burry juga berpendapat bahwa model bahasa besar atau LLM bukan kecerdasan umum buatan (AGI), sehingga menurutnya tidak ada perkembangan semacam itu yang perlu diperlambat. 14

Itu adalah pandangan Burry mengenai persaingan, valuasi, dan kemampuan AI—bukan kesimpulan teknis yang telah disepakati. Bagi pasar, poin pentingnya adalah perdebatan perlambatan AI kini dibaca bukan hanya dari sisi keselamatan, tetapi juga dari sisi insentif bisnis.

Apa artinya bagi tesis bullish saham memori

Versi sederhana dari tesis bullish memori selama ini bersifat linear: model lebih besar, jendela konteks lebih panjang, dan pengguna AI lebih banyak berarti kebutuhan HBM, NAND, dan kapasitas penyimpanan akan terus meningkat.

DeepSeek memperkenalkan faktor penyeimbang yang penting: efisiensi arsitektur.

Cara yang lebih tepat untuk memandang permintaan adalah memisahkannya menjadi dua variabel:

1. Memori yang dibutuhkan per beban kerja. Desain KV cache yang lebih efisien dapat menurunkannya.
2. Jumlah dan intensitas total beban kerja. Pengguna lebih banyak, konteks lebih panjang, dan agen yang lebih otonom dapat meningkatkannya.

Penurunan pada variabel pertama tidak otomatis menentukan variabel kedua. Inferensi yang lebih murah dan hemat dapat memperluas adopsi AI serta menghasilkan lebih banyak permintaan. Sebaliknya, bila efisiensi menyebar lebih cepat daripada pertumbuhan penggunaan, kebutuhan perangkat keras untuk tingkat keluaran AI tertentu bisa turun.

Mengapa dampak jangka panjang belum dapat dipastikan

V4.1-Flash paling langsung relevan untuk layanan inferensi dan KV cache. Klaim DeepSeek tidak menghapus kebutuhan memori untuk bobot model maupun pelatihan. 25 Perbedaan ini penting karena pelatihan dan penyajian model kepada pengguna memiliki kebutuhan komputasi, memori, serta konektivitas yang berbeda.

Pertanyaan utamanya bukan apakah peningkatan efisiensi itu berarti—jelas berarti—melainkan apakah ia akan mengubah permintaan agregat. Investor perlu memantau adopsi teknik penghematan cache serupa, pertumbuhan penggunaan konteks panjang dan agen AI, harga HBM serta penyimpanan, dan apakah pelatihan maupun penerapan model frontier tetap melaju.

Untuk saat ini, aksi jual tersebut lebih tepat dipahami sebagai peringatan agar kelangkaan memori AI tidak dianggap sebagai perdagangan satu arah. Inovasi model dapat menurunkan kebutuhan perangkat keras per permintaan, sama cepatnya dengan penggunaan baru menaikkan jumlah permintaan.