Google 'Triggerfish' Muncul: Chip AI Kustom dengan MediaTek, SRAM 3x Lipat, dan Siap Tantang Nvidia

Peran MediaTek yang Semakin Besar

Kabar ini menjadi angin segar bagi MediaTek. Analis Kuo menyebutkan bahwa MediaTek telah mendapatkan pesanan eksklusif untuk chip Triggerfish . Yang lebih menarik, nilai pesanan ini dilaporkan memiliki harga per unit ~30% lebih tinggi dibandingkan chip Humufish dasar .

Hal ini menandakan kolaborasi yang jauh lebih dalam dari sekadar pemasok komponen. Kuo menilai ini memvalidasi posisi MediaTek sebagai mitra utama pilihan Google untuk seluruh generasi TPU v9. Artinya, MediaTek kemungkinan besar tidak hanya terlibat dalam produksi, tetapi juga mengerjakan lebih banyak pekerjaan arsitektur dan integrasi, menandai pergeseran ke arah kolaborasi desain tingkat sistem (system-level design) .

Upgrade Teknis Utama

Dibandingkan dengan Humufish, Triggerfish membawa tiga perubahan arsitektur utama yang sangat signifikan:

• SRAM On-Chip: Kapasitasnya ditingkatkan hingga 2-3x lipat. Ini memungkinkan lebih banyak data kerja (active working set) dari model AI agent atau RL untuk tetap berada di dalam chip secara lokal. Hasilnya, kebutuhan untuk mengambil data dari memori off-chip yang lebih lambat berkurang drastis, sehingga menekan biaya perpindahan data dan meningkatkan efisiensi selama proses decoding dengan latensi sangat rendah .
• DRAM Off-Chip: Google melakukan upgrade dari memori HBM4 menjadi HBM4E generasi terbaru. Ini menyediakan bandwidth memori yang lebih tinggi, krusial untuk menjalankan inference dalam skala besar .
• Simulation Die Baru: Sebuah die (kepingan semikonduktor) analog/simulasi khusus ditambahkan untuk menangani beban kerja RL dan AI agent. Fungsinya bisa meliputi manajemen TPU lokal, peralihan mode training/inference, dan yang terpenting, komputasi untuk reinforcement learning serta kolaborasi antar AI agent .

Ketiga perubahan ini secara langsung menargetkan hambatan "CPU wall" dan "memory wall" yang sering menjadi masalah pada ASIC AI .

Target: AI Agent dan Reinforcement Learning

Triggerfish secara eksplisit dirancang untuk gelombang berikutnya dari beban kerja AI. Bukan sekadar untuk training model raksasa, tetapi untuk AI agent dan reinforcement learning .

• SRAM yang lebih besar memungkinkan lebih banyak state aktif dari sebuah AI agent—semacam memori kerja untuk penalaran multi-langkah—untuk disimpan di dalam chip, secara dramatis memangkas latensi respons.
• Simulation die baru adalah akselerator perangkat keras yang dioptimalkan untuk siklus belajar coba-coba (trial-and-error learning loops) yang menjadi ciri khas RL dan sistem berbasis agen.
• Memori HBM4E memastikan bahwa ketika data harus keluar dari chip, data tersebut dapat bergerak dengan bandwidth setinggi mungkin.

Fokus ini selaras dengan strategi AI Google yang lebih luas. Seperti disebutkan dalam dokumentasi Google Cloud sendiri, "Pergeseran ke Agentic AI membutuhkan infrastruktur yang mampu melakukan penalaran multi-langkah dan reinforcement learning berkelanjutan." TPU dirancang untuk "memecahkan 'dinding memori' inference dengan menampung KV cache masif sepenuhnya di dalam silikon, memanfaatkan perluasan SRAM on-chip" .

Jadwal Produksi dan Volume

Berdasarkan survei rantai pasok Kuo, berikut perkiraan jadwalnya:

Volume ini terbilang cukup kecil jika dibandingkan dengan TPU v9 dasar. Ini menegaskan posisi Triggerfish sebagai upgrade yang ditargetkan untuk beban kerja inference spesifik bernilai tinggi, bukan pengganti massal .

Strategi Google Melawan Nvidia

Triggerfish adalah bagian dari strategi jangka panjang Google untuk mengembangkan silikon kustom internal (TPU) guna mengurangi ketergantungan pada GPU Nvidia untuk beban kerja AI .

Dengan mengupgrade TPU v9 daripada menunggu v10 sepenuhnya, Google bisa berinovasi lebih cepat pada peningkatan spesifik untuk inference. Ini penting untuk beban kerja baru seperti AI agent dan RL—area di mana GPU tujuan umum Nvidia mungkin dianggap terlalu boros daya dan sumber daya untuk murni menjalankan inference .

Chip ini dirancang untuk "memaksimalkan komputasi efektif" (effective compute maximization)—menjaga data aktif tetap berada di dalam chip untuk menekan biaya dan latensi. Ini adalah upaya langsung untuk bersaing dalam total biaya inference melawan perangkat keras kelas H100/B200 milik Nvidia .

Catatan Kritis

Semua detail di atas hanya bersumber dari satu survei analis (Ming-Chi Kuo, TF International Securities, 22 Juni 2026). Google belum mengonfirmasi nama kode Triggerfish, spesifikasi, atau jadwalnya. Harga, volume, dan eksklusivitas mitra masih belum terverifikasi oleh perusahaan yang terlibat. Sampai ada pengumuman resmi dari Google, informasi ini harus diperlakukan sebagai laporan industri yang kredibel namun belum terkonfirmasi.