Jensen Huang: GPU Mengubah Komputasi dan Membuka Era Baru AI

Pada awal 1990-an, NVIDIA melihat sebuah persoalan mendasar dalam cara komputer bekerja. Dalam sebuah program perangkat lunak, sekitar 10 persen baris kode dapat bertanggung jawab atas sekitar 99 persen pekerjaan pemrosesan.

Sebagian besar pekerjaan tersebut memiliki karakteristik yang dapat dilakukan secara paralel. Masalahnya, CPU pada dasarnya dirancang untuk menjalankan instruksi secara berurutan dengan jumlah inti pemrosesan yang relatif terbatas.

NVIDIA kemudian mengembangkan GPU untuk menangani pekerjaan yang dapat dipecah menjadi banyak proses secara bersamaan. Industri video game dipilih sebagai pasar awal karena grafis komputer membutuhkan simulasi yang kompleks sekaligus memiliki pasar cukup besar untuk membiayai pengembangan teknologi tersebut.

Strategi itu ternyata memiliki konsekuensi jauh lebih besar daripada sekadar menciptakan industri kartu grafis. Komputasi paralel kemudian menjadi fondasi bagi berbagai bidang yang membutuhkan kemampuan komputasi masif.

Perubahan besar berikutnya datang melalui CUDA. Platform ini dirancang untuk membuat GPU lebih mudah diprogram menggunakan bahasa yang telah dikenal para programmer, termasuk C.

Langkah tersebut memperluas penggunaan GPU jauh melampaui industri game. Peneliti dapat memanfaatkan kemampuan komputasi paralel untuk berbagai eksperimen tanpa harus membangun sistem pemrograman yang sepenuhnya baru.

Dampaknya terlihat jelas pada 2012 ketika para peneliti menggunakan GPU NVIDIA dan CUDA untuk melatih AlexNet, jaringan saraf dalam yang kemudian menjadi salah satu tonggak penting dalam perkembangan AI modern.

Dengan demikian, investasi NVIDIA pada GPU tidak hanya menghasilkan perangkat keras. Perusahaan juga membangun ekosistem perangkat lunak yang memungkinkan teknologi tersebut digunakan oleh komunitas penelitian yang lebih luas.

Jensen Huang menggambarkan komputasi yang jauh lebih cepat sebagai semacam “mesin waktu” bagi para ilmuwan.

Maknanya cukup sederhana. Jika sebuah eksperimen membutuhkan waktu bertahun-tahun dengan komputer lama tetapi dapat diselesaikan dalam hitungan hari atau minggu menggunakan komputasi terakselerasi, ilmuwan dapat mengeksplorasi jauh lebih banyak kemungkinan dalam masa hidupnya.

Percepatan tersebut sangat penting untuk penelitian yang membutuhkan simulasi dan perhitungan dalam jumlah besar. Semakin cepat sebuah hipotesis dapat diuji, semakin banyak eksperimen yang dapat dilakukan.

Inilah alasan komputasi tidak hanya menjadi persoalan teknologi informasi. Kecepatan komputasi secara langsung dapat menentukan seberapa cepat pengetahuan baru ditemukan.

Menurut visi Huang, dekade sebelumnya merupakan periode perkembangan AI science, ketika para peneliti banyak berfokus pada memahami dan mengembangkan teknologi dasar kecerdasan buatan.

Dekade berikutnya diperkirakan akan semakin berfokus pada applied research. AI tidak lagi hanya menjadi teknologi yang berdiri sendiri, tetapi digunakan sebagai alat untuk menyelesaikan persoalan di berbagai industri.

Penerapannya mencakup biologi digital, teknologi iklim, pertanian, logistik, transportasi, hingga robotika. AI akan semakin terintegrasi dengan bidang yang sebelumnya tidak dianggap sebagai bagian dari industri komputasi.

Perubahan tersebut dapat menghasilkan gelombang inovasi baru karena peneliti tidak lagi hanya bertanya tentang apa yang dapat dilakukan AI, tetapi apa yang dapat diselesaikan dengan AI.

Salah satu prediksi paling besar Huang berkaitan dengan robotika. Ia memperkirakan bahwa hampir semua objek yang bergerak pada akhirnya dapat menjadi robotik.

Untuk mewujudkan robot yang benar-benar mampu beroperasi di dunia nyata, kecerdasan digital harus memahami hukum fisika. Robot tidak cukup hanya mampu mengenali objek atau mengikuti instruksi bahasa.

Karena itu, NVIDIA mengembangkan pendekatan yang menggabungkan simulasi fisik Omniverse dengan model dunia Cosmos. Simulasi berfungsi sebagai lingkungan untuk menguji bagaimana robot berinteraksi dengan dunia, sementara model AI membantu memahami berbagai kemungkinan situasi.

Dengan pendekatan tersebut, robot dapat menjalani jutaan skenario secara digital sebelum diterapkan pada lingkungan fisik. Proses ini dapat mengurangi biaya eksperimen sekaligus meminimalkan risiko kerusakan perangkat keras.

Kemajuan AI sering dikaitkan dengan kebutuhan energi yang sangat besar. Namun, Huang juga menyoroti perkembangan efisiensi komputasi.

Dalam periode sekitar delapan tahun sejak 2016, NVIDIA mengklaim berhasil meningkatkan efisiensi energi untuk komputasi AI hingga sekitar 10.000 kali lipat.

Contoh lain dapat dilihat pada pemrosesan grafis. Pada layar 4K yang memiliki sekitar delapan juta piksel, teknologi AI pada GPU modern tidak selalu harus menghitung setiap piksel secara langsung. Sebagian piksel dapat diprediksi berdasarkan piksel yang benar-benar dihitung sehingga beban komputasi dapat dikurangi secara signifikan.

Pendekatan tersebut menunjukkan bahwa peningkatan performa komputer tidak selalu harus dilakukan dengan menghitung lebih banyak. Dalam beberapa kasus, komputer justru menjadi lebih efisien dengan memprediksi bagian yang tidak perlu dihitung secara langsung.

Demokratisasi komputasi menjadi bagian lain dari visi NVIDIA. Pada 2016, Jensen Huang mengirimkan DGX-1, salah satu superkomputer AI awal NVIDIA, kepada OpenAI dengan harga sekitar 250.000 dolar AS.

Kini, NVIDIA mengembangkan perangkat komputasi AI berukuran lebih kecil dengan harga sekitar 3.000 dolar AS. Perangkat tersebut diklaim memiliki performa sekitar enam kali lebih tinggi dibandingkan DGX-1 generasi awal.

Perbedaan tersebut menunjukkan betapa cepatnya perkembangan teknologi komputasi. Perangkat yang sebelumnya hanya dapat dimiliki institusi dengan anggaran besar perlahan bergerak menuju bentuk yang lebih terjangkau bagi sekolah, mahasiswa, peneliti, dan pengembang individual.

Semakin luas akses terhadap komputasi, semakin besar pula peluang munculnya eksperimen dan inovasi dari luar perusahaan teknologi raksasa.

Huang tidak melihat AI hanya sebagai mesin pengganti manusia. Ia justru membayangkan AI supercerdas sebagai tutor pribadi yang dapat membantu manusia mengatasi keterbatasan pengetahuan.

Dengan akses terhadap pengetahuan dan kemampuan penalaran yang jauh lebih luas, AI dapat membantu seseorang memahami persoalan yang sebelumnya terasa terlalu sulit. Peran tersebut berpotensi meningkatkan rasa percaya diri manusia untuk mengambil tantangan yang lebih besar.

Karena itu, kemampuan berinteraksi dengan AI akan menjadi keterampilan penting. Generasi baru perlu belajar bagaimana memberikan instruksi, mengarahkan proses kerja, mengevaluasi hasil, dan menggunakan AI sesuai kebutuhan profesi masing-masing.

Dalam pandangan ini, manusia tidak menjadi “super” karena tubuh atau otaknya berubah secara biologis. Manusia menjadi jauh lebih mampu karena memiliki akses terhadap AI yang sangat kuat.

Transformasi teknologi tidak terjadi dalam semalam. NVIDIA sendiri menghabiskan puluhan miliar dolar untuk mengembangkan komputasi paralel jauh sebelum dampak AI modern menjadi sebesar sekarang.

Perjalanan tersebut menunjukkan pentingnya visi jangka panjang. Ketika sebuah teknologi belum memiliki pasar yang jelas, perusahaan tetap harus memiliki keyakinan bahwa kemampuan tersebut suatu hari akan menemukan aplikasi yang sangat bernilai.

Seperti pesan Huang, “at some point you have to believe something.” Dalam dunia teknologi, keberanian mempercayai sebuah kemungkinan sebelum bukti komersialnya benar-benar terlihat dapat menjadi pembeda antara inovasi yang berhenti sebagai eksperimen dan teknologi yang mengubah industri.

Visi Jensen Huang menunjukkan bahwa revolusi AI sebenarnya memiliki akar yang lebih dalam daripada sekadar perkembangan model kecerdasan buatan. Fondasinya adalah perubahan arsitektur komputasi dari pemrosesan sekuensial menuju komputasi paralel yang dipercepat GPU.

CUDA kemudian membuka akses teknologi tersebut kepada komunitas peneliti yang lebih luas, hingga akhirnya GPU menjadi bagian penting dari revolusi AI modern. Kini, perkembangan tersebut bergerak menuju tahap berikutnya: penerapan AI dalam sains, industri, dan dunia fisik melalui robotika.

Jika prediksi tersebut terwujud, komputer masa depan bukan hanya akan membantu manusia memproses informasi. Komputer akan membantu manusia memahami sains, mengendalikan robot, mempercepat inovasi, dan menyelesaikan persoalan yang sebelumnya berada di luar jangkauan kemampuan manusia.

FAQ

1. Mengapa GPU penting bagi perkembangan AI? GPU mampu menjalankan banyak proses secara paralel sehingga sangat sesuai untuk komputasi intensif yang dibutuhkan dalam pelatihan dan pengembangan AI.
2. Apa peran CUDA dalam perkembangan AI? CUDA membuat kemampuan komputasi paralel GPU lebih mudah dimanfaatkan oleh programmer dan peneliti menggunakan bahasa pemrograman yang sudah mereka kenal.
3. Apa yang dimaksud dengan Physical AI? Physical AI adalah penerapan kecerdasan buatan pada sistem yang berinteraksi dengan dunia fisik, seperti robot, kendaraan, dan mesin otomatis.
4. Mengapa simulasi penting bagi robotika? Simulasi memungkinkan robot menguji berbagai skenario secara digital sebelum diterapkan di dunia nyata sehingga eksperimen dapat dilakukan lebih cepat dan dengan risiko lebih rendah.
5. Apakah Jensen Huang melihat AI sebagai pengganti manusia? Tidak sepenuhnya. Salah satu visi yang disampaikan adalah AI dapat berperan sebagai tutor atau alat bantu supercerdas yang meningkatkan kemampuan manusia dalam menyelesaikan masalah.