AS vs China dalam Perlombaan Chip AI: Siapa Lebih Unggul?

Perlombaan global dalam komputasi kecerdasan buatan (AI) saat ini banyak ditentukan oleh persaingan antara ekosistem chip dari Amerika Serikat dan China. Perusahaan AS seperti Nvidia, AMD, dan Google mendominasi pasar akselerator AI kelas atas, sementara perusahaan China seperti Huawei, Biren, dan Cambricon berusaha membangun alternatif domestik.

Kedua negara kini memproduksi chip khusus untuk pelatihan (training) dan inferensi model AI. Namun persaingan tidak hanya bergantung pada performa mentah chip. Faktor lain seperti bandwidth memori, kemampuan manufaktur, ekosistem perangkat lunak, dan arsitektur klaster komputasi besar juga sangat menentukan.

Di bawah ini adalah perbandingan beberapa chip AI utama dari kedua ekosistem berdasarkan spesifikasi yang terdokumentasi.

---

Chip AI Utama dalam Persaingan AS–China

Amerika Serikat

• AMD Instinct MI325X
• Google TPU v6e (Trillium)

China

• Huawei Ascend 910 series (termasuk 910C)
• Biren BR100 / BR104
• Cambricon MLU370‑X8

Chip-chip ini dirancang terutama untuk pusat data dan beban kerja AI besar seperti pelatihan model bahasa besar (LLM), layanan inferensi AI, dan komputasi ilmiah.

---

Perbandingan Spesifikasi Chip AI

Chip	Negara / Perusahaan	Arsitektur / Node	Performa Puncak	Memori	Bandwidth Memori	Daya	Fitur Penting
AMD Instinct MI325X	AS / AMD	CDNA3 accelerator	~1.3 PFLOPS FP16 (hingga 2.6 PFLOPS FP8 dengan sparsity)	256GB HBM3E	~6 TB/s	~750–1000W	Kapasitas HBM sangat besar untuk pelatihan model skala besar.
Google TPU v6e (Trillium)	AS / Google	Arsitektur TPU khusus	918 TFLOPs bf16 per chip	32GB HBM	~1.6 TB/s	Tidak disebutkan	Dirancang untuk TPU Pod hingga 256 chip yang saling terhubung.
Huawei Ascend 910	China / Huawei	Da Vinci architecture (~7nm)	~256 TFLOPS FP16	HBM	~1.2 TB/s	~350W	Diluncurkan 2019 sebagai akselerator AI flagship Huawei.
Huawei Ascend 910C	China / Huawei	Desain chiplet (dual‑die)	~800 TFLOPS FP16	hingga ~96–128GB HBM	~3.2 TB/s	~310W	Dirancang untuk bersaing dengan GPU AI kelas data center.
Biren BR100	China / Biren	GPU dual‑die, TSMC 7nm CoWoS	256 TFLOPS FP32 / ~2,048 TOPS INT8	64GB HBM2E	~2.3 TB/s	~550W	GPU chiplet besar dengan ~77 miliar transistor.
Biren BR104	China / Biren	GPU single‑die	~128 TFLOPS FP32	32GB HBM2E	~819 GB/s	~300W	Varian PCIe untuk akselerator pusat data.
Cambricon MLU370‑X8	China / Cambricon	MLUarch03, 7nm	96 TFLOPS FP16 / 256 TOPS INT8	48GB LPDDR5	~614 GB/s	~250W	Interkoneksi MLU‑Link untuk klaster multi‑kartu.

---

Arsitektur dan Performa Komputasi

Akselerator AI dari AS saat ini masih memimpin dalam performa komputasi mentah yang terdokumentasi.

Sebagai contoh:

• AMD MI325X mencapai sekitar 1.3 PFLOPS FP16 performa teoretis.
• Google TPU v6e menawarkan 918 TFLOPs bf16 per chip dan dirancang untuk bekerja dalam pod berisi ratusan chip.

Di sisi China, beberapa desain terbaru mencoba memperkecil jarak tersebut.

• Huawei Ascend 910C diperkirakan mencapai sekitar 800 TFLOPS FP16 dengan desain dual‑chiplet.
• Biren BR100 menghadirkan hingga 256 TFLOPS FP32 dan sekitar 2,048 TOPS INT8 dalam GPU multi‑die.
• Cambricon MLU370‑X8 memberikan 96 TFLOPS FP16 serta 256 TOPS INT8 untuk pelatihan dan inferensi AI.

Secara umum, performa chip AI modern sangat bergantung pada operasi matriks dan tensor yang digunakan dalam pelatihan model deep learning.

---

Memori dan Bandwidth

Model AI besar memindahkan data dalam jumlah sangat besar antara memori dan unit komputasi. Karena itu, HBM (High Bandwidth Memory) menjadi komponen penting dalam akselerator AI.

Beberapa contoh spesifikasi memori:

• AMD MI325X memiliki 256GB HBM3E dengan bandwidth sekitar 6 TB/s.
• TPU v6e menggunakan 32GB HBM dengan bandwidth sekitar 1.6 TB/s.
• Huawei Ascend 910C dilaporkan mencapai bandwidth sekitar 3.2 TB/s.
• Biren BR100 menyediakan 64GB HBM2E dengan bandwidth sekitar 2.3 TB/s.

Bandwidth tinggi membantu mempercepat operasi tensor besar yang umum dalam pelatihan model AI modern.

---

Interkoneksi dan Skalabilitas

Pelatihan model AI jarang dilakukan pada satu chip saja. Biasanya ratusan hingga ribuan akselerator dihubungkan dalam satu klaster komputasi besar.

Contohnya:

• Google TPU v6e menggunakan jaringan Inter‑Chip Interconnect (ICI) yang memungkinkan pod berisi hingga 256 chip.
• Cambricon MLU370‑X8 menggunakan MLU‑Link dengan throughput komunikasi sekitar 200GB/s antar kartu.
• GPU Biren juga menyediakan interkoneksi GPU‑ke‑GPU berkecepatan tinggi untuk klaster akselerator.

Dalam praktiknya, arsitektur klaster sering sama pentingnya dengan performa chip individu.

---

Manufaktur dan Rantai Pasok

Teknologi fabrikasi semikonduktor berpengaruh besar terhadap efisiensi energi dan performa.

Beberapa chip AI China masih bergantung pada teknologi manufaktur eksternal. Misalnya:

• Biren BR100 diproduksi menggunakan proses 7 nm TSMC dan packaging CoWoS.
• Ascend 910C menggunakan proses 7 nm‑class dari SMIC, dengan beberapa wafer berasal dari produksi sebelum pembatasan ekspor AS.

Sementara itu, chip yang dirancang di AS biasanya memanfaatkan rantai pasok global dengan akses ke teknologi fabrikasi dan packaging paling mutakhir.

---

Ekosistem Software

Performa hardware saja tidak cukup menentukan dominasi di komputasi AI.

Keunggulan besar perusahaan AS adalah ekosistem software yang matang, seperti:

• CUDA dari Nvidia
• ROCm dari AMD
• software stack TPU dari Google

Huawei mencoba membangun alternatif domestik melalui framework CANN (Compute Architecture for Neural Networks) untuk chip Ascend.

Bagi banyak perusahaan AI, dukungan framework, tooling pengembang, dan integrasi cloud sering menjadi faktor utama dalam memilih hardware.

---

Apa yang Ditunjukkan Perbandingan Ini

Beberapa pola penting muncul dari generasi akselerator AI saat ini:

• Kepemimpinan performa: Chip AI dari AS masih menunjukkan performa komputasi dan kapasitas memori yang lebih tinggi dalam spesifikasi yang tersedia.
• Strategi substitusi domestik: China mengembangkan beberapa lini chip seperti Ascend, Biren, dan Cambricon untuk mengurangi ketergantungan pada hardware AS.
• Kompetisi sistem skala besar: Kedua pihak semakin bersaing pada level klaster AI dan superkomputer, bukan hanya satu chip.

Dengan ukuran model AI yang terus meningkat, faktor seperti arsitektur memori, jaringan interkoneksi, kemampuan manufaktur, dan ekosistem software kemungkinan akan menentukan platform mana yang mendominasi komputasi AI di masa depan.