Google tidak main-main soal ambisi chip AI-nya. Perusahaan yang berbasis di Mountain View ini baru saja mengumumkan generasi baru Tensor Processing Units (TPU) di konferensi Google Cloud Next di Las Vegas — dan sasaran tembaknya jelas: Nvidia.
Strategi Google kali ini berbeda dari sebelumnya. Alih-alih mencoba mengalahkan Nvidia di segmen training — di mana GPU Nvidia masih jadi raja — Google justru mengalihkan fokus ke inference, alias proses menjalankan model AI setelah selesai dilatih. Menurut Jeff Dean, Chief Scientist Google, seiring melonjaknya permintaan untuk memproses kueri AI secara cepat, sudah saatnya chip khusus dibuat untuk memangkas waktu respons chatbot dan agen AI.
Chirag Dekate dari Gartner menyebut pergeseran ini sangat strategis. "Medan pertempuran bergeser ke inference. Di situ, Google punya keunggulan infrastruktur." Ini bukan klaim kosong — model Gemini 3 milik Google sendiri dilatih dan dijalankan di atas TPU, membuktikan bahwa hardware ini mampu menangani tugas penalaran kompleks dengan kecepatan tinggi.
Yang membuat Nvidia harus waspada adalah daftar mitra besar yang mulai melirik TPU. Anthropic — perusahaan di balik Claude — baru saja menandatangani perjanjian untuk mengakses hingga 1 juta TPU, ditambah kesepakatan dengan Broadcom senilai 3,5 gigawatt daya komputasi hingga 2027. Meta Platforms juga dikabarkan menandatangani deal senilai miliaran dollar untuk menguji TPU via Google Cloud.
Tidak hanya raksasa AI, Citadel Securities pun dilaporkan menggunakan TPU untuk melatih model lebih cepat dibanding workflow berbasis GPU. Sementara itu, G42 dari Abu Dhabi sedang dalam pembicaraan untuk mengadopsi infrastruktur TPU Google. Jajaran klien ini menunjukkan bahwa TPU bukan lagi sekadar eksperimen internal — ini sudah jadi komoditas serius.
Namun Google menghadapi tantangan nyata. Satu, pengembangan chip memakan waktu sekitar tiga tahun, sementara model AI berevolusi tiap bulan. Ini menciptakan "tebakan terdidik" bagi desainer hardware yang harus memprediksi kebutuhan model masa depan. Dua, meski Google adalah produsen chip sendiri, mereka masih kekurangan pasokan — startup kecil mengeluh bahwa "tim elite" seperti Anthropic mendapat prioritas akses ke stok TPU yang terbatas.
Menariknya, Google kini mengizinkan mitra menjalankan TPU di data center mereka sendiri, bukan cuma di fasilitas Google. Perusahaan juga membuka ekosistem dengan mendukung PyTorch dan software penjadwalan pihak ketiga — langkah yang mengurangi ketergantungan pada satu vendor.
Di sisi lain, Nvidia tidak tinggal diam. Jensen Huang, CEO Nvidia, berargumen bahwa GPU bisa menangani rentang aplikasi yang lebih luas dibanding TPU yang terspesialisasi. Nvidia juga baru mengakuisisi teknologi dari Groq senilai $20 miliar untuk mempercepat kemampuan inference-nya.
Data prediksi pasar menunjukkan bahwa trader masih yakin Nvidia akan mempertahankan posisi sebagai perusahaan dengan kapitalisasi pasar terbesar hingga pertengahan 2026. Tapi permainan panjang Google tidak bisa diremehkan — dengan infrastruktur cloud global dan kemitraan strategis yang terus bertambah, peta persaingan chip AI sedang ditulis ulang.
Sudut Pandang Kami:
Strategi Google di TPU inference membuka jalan yang sebelumnya tertutup: inference murah dan terdistribusi. Jika Google berhasil, biaya menjalankan AI bisa turun signifikan. Tapi infrastruktur cloud Google di Asia Tenggara masih terbatas — tanpa data center lokal yang kuat, latency akan jadi masalah.
