Angka di Balik Siklus Super

Skalanya sulit dibesar-besarkan. Pendapatan semikonduktor global melampaui US$800 miliar tahun lalu dan kini melesat menuju US$1,3 triliun pada 2026 . Firma riset pasar Gartner secara terpisah melaporkan kenaikan 64% tahun-ke-tahun untuk angka yang sama .

Rasgon menunjukkan bahwa empat hyperscaler AS terbesar — Amazon, Microsoft, Google, dan Meta — berencana mengeluarkan sekitar US$725 miliar untuk belanja modal pada 2026, dengan sebagian besar dialokasikan untuk infrastruktur AI . Harga memori telah meroket vertikal: harga DRAM naik sekitar 90% kuartal-ke-kuartal menjelang 2026 .

Efek Whack-a-Mole: Kelangkaan di Mana-Mana

Salah satu pengamatan Rasgon yang paling mencolok adalah apa yang ia sebut efek "whack-a-mole" — hambatan yang menjalar ke seluruh rantai pasokan chip. "Semuanya terseret oleh permintaan komputasi AI yang tak pernah puas ini. Saya belum pernah melihat sesuatu sebesar ini dalam karir saya," ujar Rasgon .

Ia merinci penyebarannya: kelangkaan dimulai dari akselerator GPU, lalu merambat ke memori HBM, kemudian ke peralatan manufaktur semikonduktor, lalu ke jaringan dan optik, kemudian ke chip daya, dan kini bahkan CPU pun mengalami kelangkaan .

Contoh konkret dari jangkauan permintaan ini: bahkan Intel, yang "sebelumnya memiliki inventaris bernilai nol," telah menjual seluruh persediaannya . Pelanggan dilaporkan berkata kepada Intel, "Kami tidak peduli; jual saja pada kami" .

HBM: Babi Besar Konsumsi Silikon yang Tersembunyi

Hambatan kritisnya adalah high-bandwidth memory (HBM), yang mencakup lebih dari 85% luas silikon sebuah chip AI . Karena hasil tumpukan (stacking yields) dan overhead logika, memproduksi 1GB HBM membutuhkan kira-kira empat kali luas silikon DRAM standar . Perhitungan ini menjelaskan mengapa pasokan memori tidak mampu mengimbangi permintaan GPU, dan mengapa harga memori menjadi faktor dominan dalam biaya chip.

Pendapatan CPU Nvidia: Satu Rak Menceritakan Kisahnya

Rasgon menyoroti satu titik data yang mengejutkan: dalam satu rak 72 GPU, 36 CPU di dalamnya menghasilkan pendapatan CPU sekitar US$20 miliar bagi Nvidia. Ini mengilustrasikan bagaimana pembangunan infrastruktur AI menciptakan permintaan chip masif yang jauh melampaui akselerator GPU itu sendiri.

Dari Pelatihan ke Inferensi: Pergeseran Komersialisasi

Rasgon menekankan bahwa fokus pasar bergerak dari pelatihan model ke inferensi AI — jalur inti menuju monetisasi . Ia mengutip pendapatan Anthropic yang melonjak dari US$9 miliar menjadi US$30 miliar sebagai bukti langsung dari pergeseran ini . Saat model AI berpindah dari proyek riset ke produksi, komputasi yang dibutuhkan untuk inferensi kemungkinan besar akan melampaui beban kerja pelatihan.

ASIC vs. GPU: Hidup Berdampingan, Bukan Bersaing

Pertanyaan umum investor adalah apakah ASIC khusus (seperti buatan Broadcom) pada akhirnya akan menggantikan GPU Nvidia. Rasgon yakin keduanya akan hidup berdampingan dalam jangka panjang di pasar yang terus berkembang . Kerangka berpikirnya: GPU yang dapat diprogram lebih cocok untuk riset dan inferensi eksploratif, sementara ASIC unggul dalam beban kerja inferensi bervolume tinggi yang dapat diprediksi. Pasar total yang dapat dijangkau cukup besar untuk menyerap keduanya.

Hambatan Paling Akhir: Listrik

Rasgon mengakhiri dengan nada serius. Kendala terakhir bukanlah chip, bukan memori, bukan jaringan — melainkan energi. Infrastruktur AI membutuhkan peningkatan kapasitas jaringan listrik AS sekitar 5% per tahun untuk mempertahankan lintasan pertumbuhan . Ini adalah tuntutan yang mencengangkan pada jaringan yang selama puluhan tahun hanya mengalami sedikit pertumbuhan kapasitas.

Ia berpendapat bahwa gelombang inovasi dan hambatan AI berikutnya pasti akan jatuh pada pembangkitan energi, pendinginan, dan tenaga nuklir . Tanpa investasi jaringan yang signifikan, siklus super itu sendiri bisa terbentur langit-langit daya.

Artinya bagi Investor

Pesan Rasgon jelas: selama permintaan AI tidak runtuh, siklus super semikonduktor adalah nyata dan berkelanjutan. Namun sifat peluang sedang berubah. Uang mudah dari saham GPU mungkin mulai bergeser ke lanskap yang lebih kompleks di mana "hambatan" itu sendiri — baik di HBM, chip daya, atau infrastruktur energi — menjadi mesin pencipta kekayaan .

Angka di Balik Siklus Super

Skalanya sulit dibesar-besarkan. Pendapatan semikonduktor global melampaui US$800 miliar tahun lalu dan kini melesat menuju US$1,3 triliun pada 2026 . Firma riset pasar Gartner secara terpisah melaporkan kenaikan 64% tahun-ke-tahun untuk angka yang sama .

Rasgon menunjukkan bahwa empat hyperscaler AS terbesar — Amazon, Microsoft, Google, dan Meta — berencana mengeluarkan sekitar US$725 miliar untuk belanja modal pada 2026, dengan sebagian besar dialokasikan untuk infrastruktur AI . Harga memori telah meroket vertikal: harga DRAM naik sekitar 90% kuartal-ke-kuartal menjelang 2026 .

Efek Whack-a-Mole: Kelangkaan di Mana-Mana

Salah satu pengamatan Rasgon yang paling mencolok adalah apa yang ia sebut efek "whack-a-mole" — hambatan yang menjalar ke seluruh rantai pasokan chip. "Semuanya terseret oleh permintaan komputasi AI yang tak pernah puas ini. Saya belum pernah melihat sesuatu sebesar ini dalam karir saya," ujar Rasgon .

Ia merinci penyebarannya: kelangkaan dimulai dari akselerator GPU, lalu merambat ke memori HBM, kemudian ke peralatan manufaktur semikonduktor, lalu ke jaringan dan optik, kemudian ke chip daya, dan kini bahkan CPU pun mengalami kelangkaan .

Contoh konkret dari jangkauan permintaan ini: bahkan Intel, yang "sebelumnya memiliki inventaris bernilai nol," telah menjual seluruh persediaannya . Pelanggan dilaporkan berkata kepada Intel, "Kami tidak peduli; jual saja pada kami" .

HBM: Babi Besar Konsumsi Silikon yang Tersembunyi

Hambatan kritisnya adalah high-bandwidth memory (HBM), yang mencakup lebih dari 85% luas silikon sebuah chip AI . Karena hasil tumpukan (stacking yields) dan overhead logika, memproduksi 1GB HBM membutuhkan kira-kira empat kali luas silikon DRAM standar . Perhitungan ini menjelaskan mengapa pasokan memori tidak mampu mengimbangi permintaan GPU, dan mengapa harga memori menjadi faktor dominan dalam biaya chip.

Pendapatan CPU Nvidia: Satu Rak Menceritakan Kisahnya

Rasgon menyoroti satu titik data yang mengejutkan: dalam satu rak 72 GPU, 36 CPU di dalamnya menghasilkan pendapatan CPU sekitar US$20 miliar bagi Nvidia. Ini mengilustrasikan bagaimana pembangunan infrastruktur AI menciptakan permintaan chip masif yang jauh melampaui akselerator GPU itu sendiri.

Dari Pelatihan ke Inferensi: Pergeseran Komersialisasi

Rasgon menekankan bahwa fokus pasar bergerak dari pelatihan model ke inferensi AI — jalur inti menuju monetisasi . Ia mengutip pendapatan Anthropic yang melonjak dari US$9 miliar menjadi US$30 miliar sebagai bukti langsung dari pergeseran ini . Saat model AI berpindah dari proyek riset ke produksi, komputasi yang dibutuhkan untuk inferensi kemungkinan besar akan melampaui beban kerja pelatihan.

ASIC vs. GPU: Hidup Berdampingan, Bukan Bersaing

Pertanyaan umum investor adalah apakah ASIC khusus (seperti buatan Broadcom) pada akhirnya akan menggantikan GPU Nvidia. Rasgon yakin keduanya akan hidup berdampingan dalam jangka panjang di pasar yang terus berkembang . Kerangka berpikirnya: GPU yang dapat diprogram lebih cocok untuk riset dan inferensi eksploratif, sementara ASIC unggul dalam beban kerja inferensi bervolume tinggi yang dapat diprediksi. Pasar total yang dapat dijangkau cukup besar untuk menyerap keduanya.

Hambatan Paling Akhir: Listrik

Rasgon mengakhiri dengan nada serius. Kendala terakhir bukanlah chip, bukan memori, bukan jaringan — melainkan energi. Infrastruktur AI membutuhkan peningkatan kapasitas jaringan listrik AS sekitar 5% per tahun untuk mempertahankan lintasan pertumbuhan . Ini adalah tuntutan yang mencengangkan pada jaringan yang selama puluhan tahun hanya mengalami sedikit pertumbuhan kapasitas.

Ia berpendapat bahwa gelombang inovasi dan hambatan AI berikutnya pasti akan jatuh pada pembangkitan energi, pendinginan, dan tenaga nuklir . Tanpa investasi jaringan yang signifikan, siklus super itu sendiri bisa terbentur langit-langit daya.

Artinya bagi Investor

Pesan Rasgon jelas: selama permintaan AI tidak runtuh, siklus super semikonduktor adalah nyata dan berkelanjutan. Namun sifat peluang sedang berubah. Uang mudah dari saham GPU mungkin mulai bergeser ke lanskap yang lebih kompleks di mana "hambatan" itu sendiri — baik di HBM, chip daya, atau infrastruktur energi — menjadi mesin pencipta kekayaan .