22 Jan 2025 · Ringkasan AI 24 Jam: Microsoft Dorong LPDDR5X Masuk Data Center, Google Menguji “Pusat Data AI di Luar Angkasa”, dan Baidu Rilis ERNIE 5.0 Native Multimodal
Tiga kabar hari ini berada di tiga lapis berbeda—memori, batas infrastruktur-energi, dan model multimodal. Tapi benang merahnya sama: kompetisi AI makin bergeser dari “berapa banyak GPU” ke “rekayasa sistem end-to-end”. Memori yang jauh lebih hemat daya, eksplorasi ekstrem soal pasokan energi, dan rantai penuh dari pelatihan sampai deployment akan jadi pembeda nyata di fase berikutnya.
1. Microsoft × Cadence: solusi sistem memori LPDDR5X berkecepatan tinggi untuk data center AI
Ulasan:
LPDDR (low-power DDR) selama ini identik dengan perangkat mobile karena kemasan solder (on-board) dan tidak adanya dukungan ECC standar, sehingga sulit memenuhi tuntutan RAS (reliability, availability, serviceability) di data center. Microsoft membawa RAIDDR—algoritma ECC di sisi host—untuk mendekati level koreksi “SDDC” (single device data correction) dengan overhead logika yang rendah, sehingga reliabilitasnya bisa mendekati DDR5 RDIMM dan LPDDR5X jadi lebih masuk akal di skenario enterprise.
LPDDR5X sendiri punya keunggulan PPA yang besar: konsumsi daya memori jauh lebih rendah dibanding DDR5 (disebut hingga ~75%) dan bandwidth lebih tinggi (disebut 30%+). Dengan RAIDDR, Microsoft mencoba mempertahankan keuntungan daya/bandwidth sambil menutup “lubang” reliabilitas.
Namun adopsi luas tetap bergantung pada rekayasa sistem lengkap: desain motherboard, packaging, termal, hingga kemudahan servis/maintenance. Sehebat apa pun ECC, ia tetap harus dibuktikan lewat data operasi skala besar bahwa “failure terkendali, biaya masuk akal”. Pertanyaannya: Microsoft akan menempatkan ini lebih dulu di platform apa?
2. Google Project Suncatcher: uji peluncuran “pusat data AI di luar angkasa” pada 2027
Ulasan:
Di Bumi, data center menghadapi kendala energi, tekanan air, keterbatasan lahan, dan resistensi komunitas. Jika menengok ke luar angkasa, imajinasi baru terbuka. Project Suncatcher disebut memanfaatkan orbit sinkron-matahari sekitar 650 km dengan paparan sinar matahari hampir 24 jam, sehingga secara teori menghasilkan keuntungan besar untuk pasokan energi, sementara lingkungan vakum memberi “kondisi” termal yang berbeda.
Tapi tantangan fisika dan ekonomi sangat berat. Di luar angkasa tidak ada konveksi; pendinginan bergantung pada radiasi. Beban komputasi AI itu padat panas, sehingga luas radiator, massa, dan kompleksitas struktur akan melonjak—menaikkan biaya peluncuran dan risiko sistem. Jika compute di orbit tetapi data di Bumi, bandwidth, stabilitas link, dan latensi bolak-balik akan membatasi jenis workload. Bahkan bila energi “murah”, biaya peluncuran, perawatan in-orbit, depresiasi umur, asuransi, dan risiko kegagalan tetap sangat mahal.
Jika Suncatcher benar, ini lebih terlihat sebagai eksplorasi “batas atas energi & infrastruktur” di era AI ketimbang produk dekat-dekat ini. Kamu menantikan proyek ini atau justru skeptis?
3. Baidu ERNIE 5.0 resmi rilis: native multimodal untuk pemahaman dan generasi
Ulasan:
ERNIE 5.0 disebut melakukan joint modeling sejak tahap pretraining awal untuk teks, gambar, audio, dan video, memakai arsitektur autoregresif terpadu agar berbagai modalitas selaras dalam satu ruang semantik—mendorong klaim “native multimodal”. Baidu menekankan peningkatan pada creative writing, kepatuhan instruksi kompleks, tanya-jawab faktual, dan perencanaan agent.
Yang juga penting adalah “full-stack” buatan sendiri: framework PaddlePaddle + chip Kunlun + platform Qianfan, membentuk loop lengkap dari training—inferensi—deployment—aplikasi. Dalam konteks kompetisi teknologi global, rantai mandiri ini punya nilai strategis.
Namun kompetisi domestik juga brutal: Qwen, DeepSeek, Doubao bergerak cepat. Di luar kemampuan model, pemenangnya sering ditentukan oleh kecepatan produk, ekosistem developer, biaya, dan stabilitas. Kamu sudah pernah pakai ERNIE?
Penutup:
Microsoft sedang menguji jalur “memori super hemat daya” untuk data center, Google mendorong imajinasi “batas energi-infrastruktur” sampai orbit, dan Baidu bertaruh pada “native multimodal + full-stack loop”. AI ke depan makin terasa sebagai perang rekayasa sistem: dari memori, termal, sampai jalur deployment. Menurutmu, mana yang lebih dulu menghasilkan keunggulan yang benar-benar terasa: arsitektur memori hemat daya, taruhan infrastruktur ekstrem, atau platform multimodal full-stack?
Bacaan lanjutan (72 jam terakhir):