Sejarah Nvidia: Dari Startup Grafis ke Infrastruktur AI

Mengapa sejarah Nvidia penting

Kenaikan Nvidia menjelaskan bagaimana chip grafis khusus menjadi fondasi komputasi AI modern. Perusahaan ini berawal dari grafis 3D konsumen, selamat dari kesalahan arsitektur yang nyaris fatal, membangun platform komputasi yang dapat diprogram sebelum pasarnya besar, lalu bertahun-tahun mengubah akselerator tunggal menjadi sistem pusat data lengkap.

Orang mengenal Nvidia dari sisi yang berbeda. Gamer mengenal kartu GeForce, ray tracing, dan rendering berbantuan AI. Peneliti mengenal pustaka CUDA serta akselerator untuk komputasi ilmiah. Operator cloud membeli sistem padat berisi GPU, CPU, jaringan, switch, dan perangkat lunak pengelolaan. Investor melihat pergeseran pendapatan dari gaming ke infrastruktur AI dengan kecepatan yang tidak biasa.

Semua bisnis itu terhubung oleh satu gagasan: CPU tidak perlu mengerjakan setiap jenis komputasi. Nvidia berulang kali mengenali beban kerja dengan banyak pekerjaan paralel, merancang prosesor khusus, lalu melengkapinya dengan perangkat lunak agar dapat dipakai. Grafis memberi pasar massal pertama, komputasi ilmiah memberi pengguna awal yang menuntut, dan deep learning menjadikan komputasi terakselerasi prioritas pusat data.

Hasil ini tidak pernah terjamin. NV1 memakai primitif grafis yang salah untuk standar yang akhirnya menang. CUDA memerlukan investasi perangkat lunak bertahun-tahun sebelum menghasilkan pendapatan berarti. Nvidia memasuki server melawan vendor CPU mapan, mengakuisisi perusahaan jaringan seharga $6,9 miliar, dan berkomitmen pada sistem rak berpendingin cair yang jauh lebih sulit dibuat daripada kartu tambahan.

Tiga keputusan menjelaskan sebagian besar hasilnya:

• Nvidia memperlakukan perangkat lunak, pustaka, dan dukungan pengembang sebagai produk, bukan pelengkap silikon.
• Nvidia memakai volume gaming untuk mendanai arsitektur yang kemudian dapat melayani riset dan pusat data.
• Nvidia memperluas cakupan di sekitar GPU setiap kali hambatan lain, seperti perpindahan memori atau jaringan, membatasi performa yang berguna.

Pola ini penting bagi insinyur dan pembangun bisnis karena spesifikasi chip mentah hanya menceritakan sebagian kisah. Prosesor menjadi platform yang tahan lama saat pengembang dapat memprogramnya, sistem dapat diperluas, pelanggan dapat mengoperasikannya, dan setiap generasi baru dapat menjalankan perangkat lunak yang ada dengan gangguan terbatas.

Mendirikan Nvidia dan selamat dari langkah awal yang salah

Nvidia didirikan pada 5 April 1993 oleh Jensen Huang, Chris Malachowsky, dan Curtis Priem untuk membawa grafis 3D berkinerja tinggi ke PC konsumen. Huang pernah bekerja pada desain mikroprosesor di AMD dan integrasi chip di LSI Logic. Malachowsky dan Priem membawa pengalaman grafis serta sistem dari Sun Microsystems, sementara Priem juga pernah bekerja di IBM. Ketiganya memakai pertemuan di restoran Denny's untuk membentuk rencana yang menjadi Nvidia.

Peluangnya besar, tetapi belum stabil. Grafis 3D profesional terutama hidup di workstation mahal untuk desain berbantuan komputer, visualisasi, dan produksi media. PC konsumen memperoleh prosesor lebih cepat, CD-ROM, layar lebih baik, dan pasar game yang tumbuh, tetapi perangkat keras grafis masih terpecah. Puluhan perusahaan semikonduktor mengejar peluang yang sama.

Produk pertama Nvidia, NV1, hadir pada 1995 dan dijual dalam kartu Diamond Edge 3D. Produk itu menggabungkan grafis 2D dan 3D, audio, serta dukungan pengontrol Sega. Pilihan desain terpentingnya adalah quadratic texture mapping, pendekatan berbasis permukaan lengkung, bukan poligon segitiga yang menjadi standar di Microsoft Direct3D dan sebagian besar industri.

NV1 dapat menjalankan perangkat lunak yang ditulis untuk arsitekturnya, termasuk versi PC Sega Virtua Fighter. Namun, pengembang tidak punya alasan kuat mendukung sasaran kecil yang bersifat tertutup saat API berbasis segitiga mulai populer. Chip yang ambisius secara teknis menghadapi kekurangan perangkat lunak ketika kompatibilitas platform menjadi penentu.

Kerja Nvidia dengan Sega melahirkan proyek grafis lain yang umum disebut NV2. Huang akhirnya menyimpulkan bahwa melanjutkan arsitektur itu akan membuang waktu kedua perusahaan. Sega menghentikan proyek konsol, tetapi memberi dukungan finansial yang membantu Nvidia mengalihkan sumber daya yang tersisa. Startup itu nyaris tidak punya ruang untuk kegagalan lain.

Upaya penggantinya berfokus pada standar, jadwal, dan definisi produk yang lebih sempit. Nvidia mengurangi staf, mengadopsi rendering segitiga, dan merancang NV3 untuk Direct3D. Chip itu menjadi RIVA 128, dirilis pada 1997. Produk tersebut mengirim lebih dari satu juta unit dalam empat bulan pertama dan memberi Nvidia pendapatan serta kredibilitas di mata produsen PC.

Penyelamatan itu membentuk kebiasaan operasi yang bertahan melewati masa startup. Nvidia akan meninggalkan desain elegan bila pasar memilih standar pemrograman lain. Nvidia akan merilis perangkat keras dan driver dengan ritme cepat. Nvidia juga akan bekerja langsung dengan pengembang perangkat lunak karena prosesor grafis tanpa game yang kompatibel hanyalah persediaan, bukan platform.

Nvidia meresmikan model fabless lewat hubungan manufaktur dengan TSMC pada 1998. Alih-alih memiliki pabrik fabrikasi mahal, Nvidia memusatkan belanja pada arsitektur, perangkat lunak, dan desain produk sambil mengandalkan foundry eksternal. Struktur ini mendukung pertumbuhan cepat, tetapi juga menciptakan ketergantungan yang makin penting ketika kapasitas manufaktur canggih terkonsentrasi di Taiwan.

Nvidia melakukan penawaran umum perdana pada Januari 1999 dengan harga $12 per saham. IPO tidak mengakhiri tekanan operasional. Generasi grafis bergerak cepat, kualitas driver memengaruhi setiap ulasan produk, dan pesaing seperti 3dfx, ATI, Matrox, serta S3 masih mampu merebut pelanggan lewat satu peluncuran kuat.

RIVA, GeForce, dan persaingan grafis PC

RIVA dan GeForce membangun Nvidia dengan menggabungkan silikon kompetitif, dukungan driver yang konsisten, dan kompatibilitas luas. RIVA 128 membuktikan perusahaan dapat bangkit dari NV1, sedangkan RIVA TNT dan TNT2 meningkatkan kedalaman warna, kualitas gambar, multitexturing, dan performa pada API yang dipakai pengembang.

Pasar PC akhir 1990-an menghargai kombinasi itu. Kartu cepat tetap dapat mengecewakan jika drivernya macet, merender game secara keliru, atau tertinggal dari rilis DirectX baru. Nvidia memperlakukan driver sebagai tanggung jawab rekayasa berkelanjutan dan memakai rilis rutin untuk mendukung game baru serta memperbaiki masalah. Praktik ini kemudian membantu perusahaan mengelola tumpukan perangkat lunak komputasi yang jauh lebih besar.

Pada 1999 Nvidia memperkenalkan GeForce 256 dan memasarkannya sebagai graphics processing unit atau GPU pertama. Nilai historisnya bukan terutama pada kepemilikan istilah itu, melainkan pada perubahan arsitektur yang dijelaskannya. GeForce 256 mengintegrasikan transform dan lighting berbasis perangkat keras, memindahkan perhitungan geometri yang sebelumnya ditangani CPU ke prosesor grafis.

Pengalihan ini memberi pengembang lebih banyak ruang untuk logika game, fisika, dan adegan kaya. Definisi akselerasi grafis pun meluas. Prosesor tidak lagi sekadar perangkat tetap yang menaruh piksel bertekstur di layar. Setiap generasi menyerap lebih banyak pipeline rendering dan memberi perangkat lunak kendali lebih besar.

Nvidia memperkuat posisi lewat produsen PC besar dan pengembang game. Kemenangan desain OEM menempatkan chipnya dalam sistem utama, sementara hubungan dengan pengembang membantu studio menyetel rilis untuk perangkat keras GeForce. Nvidia juga memenangkan kontrak grafis Xbox pertama dari Microsoft, yang memberinya pengalaman memasok platform lengkap dengan tuntutan ketat atas performa, biaya, dan pengiriman.

Persaingan tetap keras. Pada 2000 Nvidia setuju mengakuisisi aset inti 3dfx, perusahaan yang kartu Voodoo-nya mendefinisikan gaming 3D penggemar awal. ATI tetap menjadi pesaing independen dan kemudian menjadi bagian dari AMD. Nvidia dapat memimpin satu generasi lalu tersandung pada generasi berikutnya, seperti ditunjukkan keluarga GeForce FX yang kurang diterima pada sebagian era DirectX 9.

Responsnya adalah koreksi arsitektur yang lebih cepat. GeForce 6 memulihkan daya saing, lalu generasi berikutnya menambahkan unified shader, kemampuan pemrograman yang lebih baik, dan throughput floating-point yang terus tumbuh. Nvidia mempertahankan merek terpisah: GeForce untuk konsumen, Quadro untuk visualisasi profesional, dan akhirnya Tesla untuk akselerator komputasi.

Grafis terus menyumbang gagasan teknis bagi AI. Shader yang dapat diprogram mengajarkan Nvidia bagaimana pengembang memakai eksekusi paralel. Kebutuhan tekstur dan frame buffer mendorong bandwidth memori. Gaming multi-GPU memberi pengalaman tentang interkoneksi dan distribusi beban kerja. Kebutuhan mendukung game lama sambil meluncurkan perangkat keras baru juga memaksakan kompatibilitas perangkat lunak yang sering diremehkan startup perangkat keras murni.

Pada 2018 Nvidia memperbarui model rendering dengan arsitektur Turing dan GeForce RTX. RT Cores khusus mempercepat perhitungan perpotongan sinar, sedangkan Tensor Cores mendukung metode saraf seperti Deep Learning Super Sampling. Rendering makin menggabungkan rasterisasi konvensional, ray tracing, dan rekonstruksi terpelajar.

Keluarga GeForce RTX 50 berbasis Blackwell yang diperkenalkan pada 2025 meneruskan konvergensi tersebut melalui RT Cores generasi keempat, Tensor Cores generasi kelima, neural shaders, dan DLSS 4. Gaming menjadi lebih dari sumber kas awal Nvidia. Bahkan setelah pusat data menjadi bisnis yang lebih besar, gaming tetap menjadi kanal penyebaran luas untuk grafis berbantuan AI dan inferensi model lokal.

Programmable shader membuka jalan ke komputasi umum

Programmable shader mengubah arah strategis Nvidia dengan menunjukkan bahwa prosesor grafis dapat menjalankan program berguna di luar pipeline rendering tetap. GPU awal memiliki tahap khusus untuk geometri, pencahayaan, penerapan tekstur, dan keluaran piksel. Perangkat keras ini cepat karena terspesialisasi, tetapi pengembang hanya bisa mengubah sedikit pengaturan.

GeForce 3, dirilis pada 2001, mendukung programmable vertex shader. Program piksel dan fragmen menjadi lebih mampu di generasi selanjutnya. Pengembang game memakainya untuk pencahayaan khusus, air, kulit, bayangan, dan efek pascaproses, sementara peneliti mulai memperlakukan prosesor yang sama sebagai mesin paralel murah.

Eksperimen penelitian itu canggung. Ilmuwan yang ingin menjalankan operasi matriks sering harus menyatakan data sebagai tekstur dan komputasi sebagai operasi menggambar. Hasil mungkin ditulis ke frame buffer dan dibaca kembali melalui API grafis. Perangkat keras memberi throughput mengesankan, tetapi cara pemrogramannya menuntut pengetahuan grafis yang tidak terkait masalah ilmiah.

Tetap saja, eksperimen itu menunjukkan struktur ekonomi yang menguntungkan. Gaming menciptakan volume cukup untuk mendanai chip besar dengan banyak unit aritmetika dan memori berbandwidth tinggi. Peneliti dapat membeli perangkat keras itu dengan sebagian kecil biaya prosesor ilmiah khusus. Investasi transistor yang sama dapat melayani hiburan dan komputasi teknis jika Nvidia menyediakan lapisan pemrograman yang sesuai.

Nvidia bergerak menuju arsitektur unified shader, ketika kelompok prosesor yang dapat diprogram menangani berbagai tahap shader alih-alih perangkat keras terpisah untuk masing-masing tahap. Keluarga GeForce 8 dan arsitektur G80 membuat model ini penting secara komersial. Kumpulan terpadu meningkatkan pemakaian untuk grafis dan memberi komputasi umum sasaran eksekusi yang lebih teratur.

Komputasi GPU juga membawa batasan yang membentuk produk berikutnya. Perangkat keras paralel unggul ketika beban kerja berisi banyak operasi serupa dengan pekerjaan independen yang cukup untuk mengisi ribuan jalur eksekusi. Kode serial dengan banyak percabangan dapat berjalan lebih baik pada CPU. Transfer data dapat menghapus keuntungan akselerasi bila aplikasi berulang kali memindahkan sedikit informasi antar memori prosesor. Aritmetika cepat hanya berguna jika kapasitas memori, bandwidth, dan komunikasi terus memasok data.

Batasan ini menjelaskan ekspansi Nvidia berikutnya. CUDA menangani pemrograman. Memori berbandwidth tinggi menangani pasokan data lokal. NVLink menangani perpindahan antarprosesor. Jaringan Mellanox menangani komunikasi antarpeladen. Sejarahnya bergerak keluar dari chip karena setiap hambatan yang terpecahkan memperlihatkan hambatan berikutnya.

CUDA mengubah perangkat keras GPU menjadi platform komputasi

CUDA memberi pemrogram model langsung untuk komputasi paralel dan menciptakan komitmen perangkat lunak yang tidak dapat dijawab pesaing hanya dengan chip lebih cepat. Nvidia mengumumkan arsitekturnya pada 2006 dan merilis alat pengembangan pertama pada 2007. Pengembang dapat menulis kernel bergaya C tanpa menerjemahkan masalah mereka menjadi operasi grafis.

Model pemrogramannya mengekspos thread, block, grid, shared memory, dan device memory. Pengembang tetap perlu memahami pekerjaan paralel serta perpindahan data, tetapi tidak lagi harus berpura-pura bahwa array numerik adalah gambar. Perbedaan ini membuka perangkat keras bagi ilmuwan, insinyur, dan pengembang kuantitatif yang tidak tertarik pada rendering.

Nvidia lalu mendanai bagian adopsi platform yang kurang terlihat: compiler, debugger, profiler, dokumentasi, contoh, mata kuliah universitas, dan kompatibilitas di GPU berturut-turut. Pustaka membuat perbedaan terbesar bagi pengguna yang tidak ingin menulis kernel. cuBLAS menyediakan aljabar linear teroptimasi, cuFFT menangani fast Fourier transform, dan pustaka berikutnya mencakup operasi sparse, angka acak, pencitraan, analitik data, serta bidang lain.

Adopsi awal datang dari beban kerja dengan struktur paralel yang jelas:

• Dinamika molekuler dan kimia komputasional
• Pemrosesan seismik dan pencitraan medis
• Penetapan harga opsi dan simulasi Monte Carlo
• Aljabar linear dan pemecah masalah ilmiah
• Pemrosesan sinyal dan dinamika fluida komputasional

Klaim performa perlu dibaca hati-hati. GPU dapat memendekkan satu kernel dari jam menjadi menit, sementara seluruh aplikasi tetap dibatasi pemrosesan input, pekerjaan serial, atau komunikasi. Manfaat yang tahan lama muncul ketika tim menyusun ulang beban kerja lengkap di sekitar akselerator, bukan memperlakukannya sebagai pengganti langsung bagi semua instruksi CPU.

Nvidia mendukung pekerjaan ini lewat hibah riset, program universitas, acara pengembang, dan GPU Technology Conference. Mahasiswa mempelajari satu lingkungan pemrograman, peneliti menerbitkan kode dengannya, lalu perusahaan merekrut orang yang sudah mengenal alat itu. Pustaka mengumpulkan optimasi dan pengujian numerik bertahun-tahun.

Ini menciptakan biaya pindah, tetapi keterikatan saja tidak menjelaskan pemakaian berkelanjutan. Pengembang bertahan ketika biaya perpindahan melebihi manfaatnya dan platform yang ada terus membaik. Nvidia memakai kompatibilitas mundur, dukungan framework yang luas, pustaka teroptimasi, serta fitur perangkat keras baru untuk menjaga pertimbangan itu di banyak siklus produk.

CUDA juga mengubah Nvidia secara internal. Perusahaan chip dapat menyatakan produk selesai saat manufaktur dimulai. Platform komputasi memerlukan pekerjaan compiler yang berkelanjutan, pembaruan keamanan, pemeliharaan pustaka, dokumentasi, dan dukungan untuk framework pemrograman baru. Pendapatan dari sebuah board diakui sekali, sementara kewajiban perangkat lunak berlanjut sepanjang masa pakainya.

Komitmen panjang ini terlihat mahal sebelum pasar komputasi GPU matang. Namun, ketika permintaan AI meningkat, CUDA menjadi pertahanan terkuat Nvidia. Vendor akselerator baru harus bersaing melawan bertahun-tahun kode yang berjalan dan pengalaman pengembang, bukan sekadar hasil benchmark.

Tesla dan perpindahan ke pusat data

Lini produk Tesla memberi Nvidia jalur khusus ke server dan superkomputer, memisahkan produk komputasi dari kartu grafis untuk menggerakkan layar. Diperkenalkan pada 2007, akselerator Tesla menekankan performa numerik, kapasitas memori, fitur keandalan, dan operasi dalam sistem padat.

Pembeli pusat data menilai batasan berbeda dari gamer. Mereka peduli pada throughput berkelanjutan, penanganan kesalahan, rancangan termal, masa dukungan perangkat lunak, kemudahan servis, komunikasi klaster, dan performa per satuan daya. Aritmetika presisi ganda penting bagi banyak simulasi ilmiah meskipun sedikit artinya bagi game. Memori dengan koreksi kesalahan dapat menjadi penting ketika perhitungan berjalan berhari-hari di ribuan perangkat.

Laboratorium nasional dan universitas menjadi pelanggan referensi awal. Superkomputer Titan di Oak Ridge National Laboratory menggabungkan CPU dengan akselerator Nvidia K20X dan mulai melayani peneliti pada 2012. Sistem seperti Titan membuktikan akselerasi GPU dapat beroperasi pada skala superkomputer untuk sains produksi, bukan hanya demonstrasi workstation.

Visualisasi profesional menjadi jembatan lain. Produk Quadro sudah menempatkan perangkat keras Nvidia di organisasi teknik, desain, film, dan ilmiah. Hubungan ini membantu perusahaan memahami aplikasi tersertifikasi, siklus dukungan panjang, dan pembelian institusional sebelum klaster akselerator AI menjadi pengeluaran tingkat direksi.

Akses cloud memperluas pasar. Amazon Web Services memperkenalkan instance GPU, disusul Microsoft Azure, Google Cloud, dan penyedia lain. Peneliti serta startup dapat menyewa akselerator per jam alih-alih membeli server, mencari ruang, dan memelihara driver sendiri. Ini menurunkan biaya eksperimen dan memungkinkan proyek yang berhasil meminta kapasitas lebih tanpa membangun ulang infrastruktur lokal.

Peta jalan perangkat keras bergerak melalui beberapa arsitektur. Kepler meningkatkan efisiensi energi dan kemampuan komputasi. Pascal memasangkan P100 dengan memori berbandwidth tinggi serta NVLink. V100 berbasis Volta memperkenalkan Tensor Cores untuk operasi matriks padat. A100 berbasis Ampere memperluas dukungan mixed precision dan fitur partisi. H100 berbasis Hopper menargetkan pelatihan serta inferensi transformer melalui Transformer Engine dan interkoneksi lebih cepat.

Setiap generasi meningkatkan throughput teoretis, tetapi performa klaster yang berguna bergantung pada seluruh sistem. Operator memerlukan prosesor host, penyimpanan, adaptor jaringan, switch, pengiriman daya, pendinginan, firmware, scheduler, container, dan pemantauan yang kompatibel. Satu akselerator dapat memimpin benchmark sementara klaster yang tidak seimbang membuat prosesor mahal menunggu data.

Kenyataan ini menarik Nvidia ke rekayasa sistem. Perusahaan memperkenalkan rancangan referensi, bekerja erat dengan pembuat server, lalu mulai mengirim peralatan terintegrasi. Pelanggan pusat data membeli hasil dalam bentuk waktu menuju hasil, dan Nvidia makin mengendalikan komponen yang menentukan apakah komputasi yang dijanjikan dapat dipertahankan.

AlexNet menjadikan deep learning arah komersial

AlexNet menunjukkan bahwa jaringan saraf yang dilatih GPU dapat mengungguli metode visi komputer mapan pada skala bermakna. Dalam kompetisi ImageNet 2012, Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton melatih jaringan itu sekitar lima hingga enam hari menggunakan dua GPU GeForce GTX 580 dengan memori 3 GB masing-masing. Tingkat kesalahannya jauh lebih rendah dibanding sistem pesaing, sehingga perhatian tertuju pada jaringan konvolusional mendalam dan perangkat keras pelatihannya.

Jaringan saraf cocok dengan GPU karena pelatihan berulang kali menerapkan perkalian matriks, konvolusi, fungsi aktivasi, dan reduksi pada array besar. Operasi ini memiliki pekerjaan paralel cukup untuk mengisi banyak unit eksekusi. GPU juga menawarkan bandwidth memori untuk memasok perhitungan, walaupun ukuran model dan komunikasi segera menimbulkan batasan baru.

Terobosan itu adalah demonstrasi, bukan tumpukan komersial lengkap. Peneliti masih membutuhkan primitif andal, integrasi framework, komunikasi multi-GPU, dan metode aritmetika presisi lebih rendah. Nvidia merespons lewat perubahan perangkat lunak dan arsitektur yang diarahkan untuk jaringan saraf.

Pustaka cuDNN, pertama dirilis pada 2014, menyediakan implementasi operasi deep learning yang dioptimalkan. Pengelola framework dapat mengintegrasikan pustaka itu sekali sehingga banyak pengguna memperoleh akselerasi GPU tanpa menulis kernel kustom. Caffe, Theano, Torch, TensorFlow, dan PyTorch membantu menaikkan abstraksi jauh dari instruksi perangkat individual.

Presisi yang lebih rendah mengubah ekonomi pelatihan. Banyak operasi jaringan saraf tidak membutuhkan floating-point 64-bit. Perangkat keras yang memproses format 32-bit, 16-bit, 8-bit, dan lebih kecil dapat meningkatkan throughput serta mengurangi penggunaan memori bila perangkat lunak mengelola akurasi numerik dengan benar. Tensor Cores Volta, yang diperkenalkan pada 2017, mempercepat operasi matriks yang sesuai pola tersebut. Arsitektur berikutnya menambah format dan kendali untuk transformer serta inferensi.

Nvidia mengemas bagian-bagian ini dalam DGX-1 pada 2016. Sistem 3U itu menggabungkan delapan akselerator Tesla P100, koneksi NVLink, penyimpanan, jaringan, dan lingkungan perangkat lunak siap pakai. Laboratorium dapat membeli mesin terintegrasi alih-alih merakit komponen kompatibel dan menyelesaikan konfigurasi perangkat lunak sendiri.

Modelnya berubah dari menjual prosesor menjadi menjual komputer AI. HGX menyediakan baseboard dan platform referensi untuk pembuat sistem. DGX berkembang menjadi sistem lebih besar dan rancangan SuperPOD. Penyedia cloud menawarkan instance berbasis generasi akselerator yang sama, sementara perusahaan dapat menerapkan perangkat lunak terkait pada server sendiri.

Model transformer meningkatkan nilai skala. Melatih model bahasa yang lebih besar membutuhkan komputasi lebih banyak, memori akselerator lebih besar, dan komunikasi kolektif lebih cepat. Menyajikan model ini menambah ukuran ekonomi lain: biaya serta latensi untuk menghasilkan token bagi pengguna. Nvidia dapat menangani kedua tahap karena tumpukan perangkat lunaknya mencakup pustaka pelatihan, alat komunikasi, optimasi inferensi, dan komponen penyajian model.

AI generatif memperkuat pekerjaan yang dimulai bertahun-tahun sebelum AlexNet. Hasil 2012 mengidentifikasi aplikasi berpertumbuhan tinggi untuk prosesor paralel, sementara investasi CUDA sebelumnya menjadikan Nvidia platform praktis yang tersedia ketika aplikasi itu datang.

Ekosistem perangkat lunak menjadi parit persaingan

Ekosistem perangkat lunak Nvidia mengurangi pekerjaan yang diperlukan untuk mengubah akselerator menjadi aplikasi yang berfungsi. Nilainya datang dari beberapa lapisan yang menyelesaikan masalah berbeda, bukan dari satu antarmuka tertutup.

CUDA menyediakan fondasi pemrograman dan runtime. Pustaka CUDA-X memberi fungsi teroptimasi untuk matematika, pemrosesan data, komunikasi, pencitraan, serta machine learning. NCCL mengoordinasikan operasi kolektif antargpu, yang diperlukan saat model tersebar di banyak perangkat. TensorRT mengoptimalkan model terlatih untuk inferensi, sedangkan Triton Inference Server mengelola penyajian model di framework dan konfigurasi perangkat keras yang didukung.

Lapisan lebih tinggi menangani alur kerja lengkap. RAPIDS mempercepat persiapan data dan analitik. NeMo menyediakan alat untuk mengembangkan serta menyesuaikan model generatif. NIM mengemas model tertentu dan komponen inferensi sebagai microservice yang dapat diterapkan. Nvidia AI Enterprise menawarkan perangkat lunak yang didukung bagi organisasi yang menginginkan proses rilis dan pemeliharaan yang jelas.

Keunggulan praktisnya bersifat kumulatif. Framework dapat memakai kernel teroptimasi tanpa mengharuskan setiap pengguna menjadi spesialis GPU. Pustaka dapat memakai instruksi dari arsitektur baru sambil menjaga antarmuka aplikasi tetap familier. Perusahaan dapat memvalidasi kombinasi driver, container, perangkat lunak orkestrasi, dan server yang didukung, alih-alih menguji tiap komponen sendiri.

Kompatibilitas tidak pernah otomatis. Presisi baru dapat memengaruhi akurasi model. Perubahan compiler dapat mengungkap asumsi pada kode lama. Versi driver, firmware, container, dan framework harus tetap selaras. Nvidia menghabiskan banyak sumber daya untuk integrasi ini karena operasi yang dapat diprediksi melindungi nilai perangkat keras.

Ekosistem ini meluas melalui mitra. Pembuat server membangun sistem di sekitar rancangan HGX dan MGX. Penyedia cloud mengoperasikan instance GPU dan layanan terkelola. Vendor perangkat lunak mensertifikasi aplikasi. Konsultan serta integrator sistem menerapkan klaster. Universitas melatih pengembang, sementara startup memperoleh dukungan teknis lewat program Nvidia.

Platform vertikal memakai ulang komponen dasar yang sama sambil menambahkan alat bidang tertentu:

• DRIVE menggabungkan komputasi otomotif, simulasi, perangkat lunak persepsi, dan alat pengembangan.
• Isaac menangani pengembangan robotika, data sintetis, persepsi, dan kendali.
• Clara mengelompokkan alur kerja kesehatan serta ilmu hayati seperti pencitraan dan genomik.
• Omniverse menghubungkan simulasi dan alur kerja 3D kolaboratif di sekitar OpenUSD.
• Jetson mengemas perangkat keras akselerator serta perangkat lunak untuk robot, kamera, dan sistem edge lain.

Penawaran ini tidak menjamin adopsi di setiap industri. Program otomotif memiliki siklus validasi panjang. Penerapan kesehatan menghadapi batasan klinis dan regulasi. Simulasi industri memerlukan model akurat serta integrasi dengan data operasional yang ada. Nvidia menyediakan dasar komputasi bersama, tetapi pelanggan dan mitra tetap mengerjakan banyak pekerjaan khusus bidang.

Parit ini juga dapat melemah. Framework terbuka makin mengisolasi aplikasi dari kode khusus vendor. Proyek compiler dapat menargetkan beberapa jenis akselerator. Lingkungan ROCm AMD telah matang, dan perusahaan cloud mengendalikan layanan perangkat lunak sendiri di sekitar chip kustom. Pembeli besar mungkin menerima biaya porting demi keragaman pasokan atau biaya operasi lebih rendah.

Karena itu, pertahanan Nvidia adalah kegunaan berkelanjutan, bukan ketidakcocokan demi ketidakcocokan. Perusahaan harus menjaga pustaka tetap cepat, mendukung framework populer, membuat perangkat keras baru segera produktif, dan memberi nilai operasional yang cukup agar pembeli memilih platform terintegrasi meski ada harga serta risiko konsentrasi.

Taruhan strategis memperluas Nvidia melampaui GPU

Nvidia berekspansi melampaui prosesor grafis setiap kali teknologi di sekitarnya membatasi performa sistem atau membuka pasar komputasi lain. Sebagian taruhan menjadi bisnis inti, sementara sebagian lain menyerap kerja bertahun-tahun tanpa menghasilkan hasil yang diharapkan.

Tegra adalah upaya awal untuk menempatkan prosesor Nvidia di ponsel, tablet, mobil, dan perangkat tertanam. Pasar ponsel lebih menyukai vendor system-on-chip terintegrasi dengan posisi modem kuat, tempat Nvidia tidak memiliki keunggulan yang bertahan lama. Tegra menemukan peran yang lebih cocok dalam sistem otomotif, keluarga Shield, board pengembangan tertanam, dan konsol Switch Nintendo.

Pelajarannya: performa prosesor saja tidak mengalahkan ekonomi platform. Daya, integrasi radio, kompatibilitas aplikasi, perjanjian pasokan, dan peta jalan pelanggan dapat lebih penting daripada kemampuan grafis. Nvidia mempersempit ambisi mobile dan memakai teknologinya di pasar tempat komputasi paralel serta grafis lebih bernilai.

Perusahaan juga membangun atau mengakuisisi teknologi interkoneksi. NVLink, diumumkan pada 2014 dan diperkenalkan dengan sistem Pascal, memberi komunikasi langsung yang lebih cepat antar-GPU serta koneksi CPU-GPU yang lebih dekat dalam rancangan tertentu. NVSwitch memungkinkan lebih banyak akselerator berkomunikasi melalui fabric switching berbandwidth tinggi di dalam server atau rak.

Akuisisi Mellanox senilai $6,9 miliar, diumumkan pada 2019 dan selesai pada 2020, memperluas kendali itu ke jaringan pusat data. Mellanox membawa InfiniBand, Ethernet cepat, adaptor jaringan, switch, dan pengalaman mendalam dalam remote direct memory access. Aset ini makin bernilai ketika klaster AI tumbuh dari beberapa akselerator menjadi ribuan.

Pelatihan terdistribusi dapat terhenti ketika prosesor menunggu gradien, parameter, atau aktivasi. Jaringan berlatensi rendah dan operasi kolektif efisien meningkatkan persentase waktu GPU untuk menghitung. Mellanox dengan demikian memperbaiki ekonomi setiap akselerator dalam klaster, bukan sekadar fitur tambahan.

Data processing unit BlueField memindahkan tugas jaringan, penyimpanan, keamanan, dan infrastruktur dari CPU host. Spectrum-X menerapkan produk serta perangkat lunak Ethernet pada lalu lintas klaster AI, sementara sistem Quantum melanjutkan lini InfiniBand. Nvidia kini dapat merancang fabric komputasi mulai dari tautan akselerator di dalam rak hingga koneksi jaringan di banyak rak.

Upaya akuisisi Arm menempuh jalur berbeda. Nvidia mengumumkan proposal $40 miliar pada 2020, bermaksud memadukan komputasi terakselerasi dengan set instruksi CPU serta kekayaan intelektual Arm yang dilisensikan luas. Pelanggan dan regulator khawatir kepemilikan oleh pemasok chip dapat mengganggu posisi lisensi netral Arm. Nvidia menghentikan transaksi pada 2022 setelah penolakan regulator.

Kegagalan itu tidak mengakhiri rencana CPU Nvidia. Grace, CPU pusat data berbasis Arm yang dirancang Nvidia, masuk ke sistem yang dipasangkan dengan GPU Hopper dan Blackwell. Membangun CPU memungkinkan perusahaan menyetel memori, koherensi, daya, dan komunikasi antar-chip untuk beban kerja berat akselerator tanpa memiliki ekosistem Arm.

Nvidia juga mengakuisisi perusahaan perangkat lunak, penyimpanan, pengelolaan klaster, dan pengembangan AI. Transaksi yang paling penting secara strategis berbagi satu tujuan: mengurangi friksi atau waktu menganggur di sekitar komputasi mahal. Kriteria ini membedakan ekspansi platform yang koheren dari diversifikasi semata.

Blackwell dan Rubin menjadikan rak sebagai produk

Blackwell dan Rubin menandai perpindahan Nvidia dari menjual akselerator dalam server ke merekayasa rak pusat data sebagai satu unit komputasi. Pergeseran ini mencerminkan ukuran model dan beban kerja inferensi yang melampaui batas memori, komunikasi, serta daya sebuah chip tunggal.

Nvidia mengumumkan platform Blackwell pada 2024. GPU Blackwell menggabungkan dua die besar melalui koneksi chip-ke-chip berbandwidth tinggi sehingga dapat beroperasi sebagai satu perangkat logis. GB200 Grace Blackwell Superchip memasangkan dua GPU Blackwell dengan CPU Grace melalui NVLink-C2C.

GB200 NVL72 memperluas rancangan menjadi rak berpendingin cair yang berisi 72 GPU Blackwell dan 36 CPU Grace, terhubung melalui NVLink generasi kelima. Data processing unit BlueField serta jaringan InfiniBand atau Spectrum-X Ethernet eksternal menghubungkan rak ke penyimpanan dan sistem lain. Batas produk kini meliputi pendinginan, kabel, switching, firmware, dan orkestrasi di samping prosesor.

Blackwell Ultra, termasuk sistem GB300, meningkatkan memori dan menargetkan beban kerja penalaran serta inferensi yang menyimpan konteks panjang atau memindahkan banyak status model. Hasil fiskal Nvidia 2026 menunjukkan dampak komersialnya: pertumbuhan datang dari komputasi Blackwell sekaligus produk NVLink, Ethernet, dan InfiniBand yang dibutuhkan untuk mengoperasikannya dalam skala besar.

Platform Rubin masuk produksi pada 2026, dengan sistem mitra dijadwalkan diterapkan selama paruh kedua tahun tersebut. Platformnya menggabungkan CPU Vera, GPU Rubin, switch NVLink 6, adaptor jaringan ConnectX-9, data processor BlueField-4, dan switch Ethernet Spectrum-6. Nvidia merancang bagian-bagian itu bersama untuk model mixture-of-experts besar, inferensi konteks panjang, serta agen AI yang melakukan langkah penalaran dan penggunaan alat berulang.

Ritme platform tahunan ini mengubah masalah pembeli. Operator cloud tidak lagi membandingkan puncak throughput GPU terpisah. Mereka harus membandingkan token per satuan daya, latensi aplikasi, kapasitas memori efektif, pemakaian jaringan, kesiapan perangkat lunak, kebutuhan pendinginan, waktu pemasangan, dan pendapatan yang dapat dihasilkan sebuah rak.

Integrasi skala rak menciptakan keunggulan dan kewajiban. Nvidia dapat menyetel seluruh jalur komunikasi dan menjual lebih banyak komponen per pemasangan. Pelanggan menerima rancangan tervalidasi dengan pilihan integrasi lebih sedikit. Namun, perusahaan harus mengoordinasikan rantai pasok yang lebih besar, mengelola kegagalan tingkat sistem, mendukung pendinginan cair, dan mengirim kematangan perangkat lunak yang cukup agar pembeli cepat memakai arsitektur baru.

Pendekatan ini juga mengubah margin kotor. Menjual sistem lengkap mencakup lebih banyak komponen fisik bermargin lebih rendah dibanding menjual akselerator tunggal, meski laba total per pemasangan tinggi. Cacat manufaktur, perubahan desain di menit akhir, atau kekurangan memori serta kapasitas packaging dapat memengaruhi bill of materials yang jauh lebih besar.

Daya telah menjadi batas keras. Pusat data mungkin mendapatkan chip lebih cepat daripada mendapatkan kapasitas utilitas, gardu induk, generator, peralatan pendingin, atau izin konstruksi. Keuntungan Nvidia di masa depan bergantung pada pekerjaan berguna per watt dan per rak, bukan hanya jumlah operasi aritmetika di spesifikasi.

Persaingan menguji setiap lapisan platform

Nvidia menghadapi persaingan dari akselerator komersial, chip rancangan cloud, tumpukan perangkat lunak alternatif, dan pelanggan yang mencari daya tawar. Ancaman berbeda menurut beban kerja, sehingga satu benchmark tidak dapat menyelesaikan persaingan.

AMD adalah pesaing langsung terdekat dalam grafis gaming dan GPU pusat data. Akselerator Instinct serta perangkat lunak ROCm menargetkan pelatihan, inferensi, dan komputasi berkinerja tinggi. Generasi MI300 memperoleh penerapan berarti, disusul produk MI350 dan keluarga MI400 dengan rancangan rak Helios pada 2026. AMD bersaing lewat kapasitas memori, standar terbuka, integrasi prosesor, dan keinginan pelanggan memiliki pemasok kedua.

Intel masih memiliki basis CPU server besar dan mengejar GPU diskret serta akselerator Gaudi. Strategi akseleratornya berubah beberapa kali, menunjukkan sulitnya menjaga ritme silikon, adopsi perangkat lunak, dan ketersediaan sistem sekaligus. Alternatif yang kredibel membutuhkan dukungan framework dan operasi skala klaster, bukan chip mengesankan yang berdiri sendiri.

Penyedia cloud menyerang bagian lain dari posisi Nvidia. Tensor processing unit Google mendukung layanan internal dan tersedia melalui Google Cloud, dengan Ironwood untuk pelatihan, penalaran, serta inferensi skala besar. AWS menawarkan Trainium untuk pengembangan model dan Inferentia untuk penyajian, termasuk sistem Trainium3. Perusahaan teknologi besar lain merancang akselerator atau silikon jaringan untuk beban kerja sendiri.

Chip kustom dapat menang ketika pembeli mengendalikan model, compiler, pusat data, dan tingkat pemakaian. Pembeli dapat menghapus fitur yang tidak diperlukan dan mengoptimalkan perangkat lunak yang dapat diprediksi. GPU komersial tetap unggul ketika pelanggan membutuhkan kompatibilitas framework luas, banyak jenis model, penerapan cepat, dan akses di beberapa cloud.

Perusahaan spesialis mengejar prosesor skala wafer, arsitektur dataflow, chip inferensi, interkoneksi optik, dan pendekatan lain. Cerebras, Groq, dan banyak startup berfokus pada masalah performa atau latensi tertentu. Tantangan mereka adalah mengubah keunggulan teknis menjadi sistem yang tersedia, perangkat lunak andal, dan kapasitas produksi cukup bagi pelanggan besar.

Persaingan juga datang dari abstraksi. PyTorch, JAX, compiler portabel, layanan ber-container, dan mesin inferensi dapat mengurangi pekerjaan khusus vendor yang terlihat oleh pengembang aplikasi. Jika tim dapat memindahkan model dengan perubahan terbatas, departemen pembelian mendapatkan daya tawar meski kernel dasar tetap sangat dioptimalkan untuk tiap perangkat.

Pembeli sebaiknya membandingkan sistem dengan beban kerja sendiri, bukan mengandalkan aritmetika puncak. Evaluasi yang berguna mencakup akurasi model pada presisi terpilih, ukuran batch, perilaku prefill dan decode, batas memori, skala interkoneksi, daya, ketersediaan, dukungan, dan upaya rekayasa. Akselerator murah dapat menjadi mahal bila menganggur atau memerlukan porting berbulan-bulan. Platform premium juga dapat tidak ekonomis jika perangkat lebih sederhana memenuhi target latensi dan throughput.

Posisi Nvidia paling kuat ketika pelanggan menghargai satu lingkungan yang didukung luas untuk pengembangan lokal, pelatihan cloud, klaster besar, dan inferensi produksi. Kerentanannya tumbuh ketika pembeli memiliki skala serta kendali perangkat lunak cukup untuk mengoptimalkan alternatif yang lebih sempit.

Kontrol ekspor dan konsentrasi pasokan menjadi risiko operasi

Kebijakan pemerintah dan manufaktur yang terkonsentrasi kini memengaruhi desain produk, persediaan, akses pelanggan, dan margin Nvidia. Akselerator canggih diperlakukan sebagai teknologi strategis karena dapat mendukung AI komersial, riset ilmiah, analisis intelijen, dan aplikasi militer.

Pembatasan ekspor Amerika Serikat yang diperkenalkan pada 2022 memengaruhi penjualan produk A100 dan H100 ke Tiongkok serta tujuan terbatas lain. Aturan diperluas pada 2023 untuk mencakup lebih banyak produk dan ukuran performa. Nvidia mengembangkan varian patuh aturan, termasuk H20, tetapi kebijakannya terus berubah.

Pada April 2025 Amerika Serikat mewajibkan lisensi untuk pengiriman H20 ke Tiongkok dan pasar terkait tertentu. Nvidia mencatat beban $4,5 miliar untuk persediaan berlebih serta kewajiban pembelian selama fiskal 2026. Lisensi terbatas kemudian mengizinkan sebagian pengiriman H20, sementara kebijakan 2026 mengizinkan peninjauan kasus per kasus atas permohonan H200 dalam kondisi tertentu. Nvidia tetap melaporkan bahwa pada akhir fiskal 2026 perusahaan secara efektif tidak dapat bersaing di pasar komputasi pusat data Tiongkok.

Peristiwa ini menunjukkan risiko khas semikonduktor. Perusahaan berkomitmen pada wafer, memori, packaging, dan sistem beberapa bulan sebelum pengiriman akhir. Aturan yang diberlakukan setelah komitmen itu dapat mengubah produk untuk satu wilayah menjadi persediaan yang sulit dialihkan. Rancangan ulang yang patuh pun dapat lemah secara komersial jika pesaing lokal menghadapi lebih sedikit pembatasan atau aturan lain datang sebelum produksi membesar.

Pertanyaan antimonopoli muncul dari posisi pasar dan strategi full-stack Nvidia. Regulator dapat memeriksa akuisisi, praktik pasokan, bundling, hubungan cloud, serta akses ke perangkat lunak atau perangkat keras. Transaksi Arm yang dibatalkan menunjukkan bahwa kendali atas infrastruktur netral mendapat pengawasan berbeda dari ekspansi produk biasa.

Konsentrasi manufaktur menciptakan paparan tersendiri. Nvidia tetap fabless dan sangat bergantung pada TSMC untuk wafer canggih. Perusahaan juga membutuhkan memori berbandwidth tinggi, packaging canggih, substrat, komponen jaringan, sistem daya, dan produsen kontrak yang dapat merakit rak kompleks. Kapasitas satu komponen tidak dapat mengganti kekurangan komponen lain.

Taiwan menjadi pusat manufaktur semikonduktor terdepan dan perakitan sistem, sementara Korea Selatan penting bagi pasokan memori. Gempa bumi, gangguan utilitas, masalah pengiriman, pembatasan dagang, atau konflik dapat mengganggu keluaran. Diversifikasi geografis membutuhkan waktu bertahun-tahun karena fasilitas canggih, proses yang memenuhi syarat, dan jaringan pemasok tidak dapat diduplikasi hanya dengan memindahkan pesanan ke pabrik biasa.

Pusat data AI menambah batasan lokal. Penerapan besar membutuhkan pembangkit daya, transmisi, air pendingin atau sistem pembuangan panas alternatif, lahan, izin, dan operator terampil. Aturan nasional maupun regional tentang energi, lokasi data, privasi, serta investasi asing dapat menentukan tempat sistem dipasang meski pasokan akselerator tersedia.

Karena itu Nvidia harus mengelola rekayasa, kebijakan, dan infrastruktur fisik secara bersamaan. Skalanya memperkuat daya beli serta koordinasi pemasok, tetapi nilai yang terkonsentrasi pada setiap generasi produk membuat kesalahan dan guncangan eksternal lebih mahal.

Kepemimpinan Jensen Huang membentuk model operasi Nvidia

Masa jabatan Jensen Huang yang panjang memberi Nvidia kesinambungan yang tidak biasa di seluruh grafis, komputasi mobile, akselerasi ilmiah, dan AI. Ia menjadi chief executive sejak perusahaan berdiri sehingga investasi teknis dapat terus berlanjut pada masa ketika pasar publik belum terlalu menghargainya.

Huang menggabungkan komunikasi produk dengan keterlibatan teknis yang mendalam. Presentasi publik menerjemahkan arsitektur menjadi ekonomi beban kerja dan sistem, sedangkan tinjauan internal dikenal karena umpan balik langsung serta berbagi informasi yang luas. Jaket kulitnya menjadi identitas yang mudah dikenali, tetapi ciri yang lebih penting adalah desakannya untuk memahami hubungan antara perangkat keras, perangkat lunak, jaringan, dan pasar.

Nvidia beroperasi dengan struktur yang relatif datar untuk ukurannya. Informasi dapat sampai ke pimpinan senior melalui pembaruan status ringkas dan kelompok tinjauan besar, bukan rantai panjang rapat manajemen tertutup. Hal ini dapat mengungkap masalah lebih cepat dan memungkinkan spesialis menguji asumsi lintas batas organisasi.

Model ini juga menciptakan tekanan. Kritik langsung, ekspektasi tinggi, siklus produk yang sering, dan keterlihatan atas pekerjaan yang belum selesai menuntut banyak dari karyawan. Praktik yang membantu perusahaan rekayasa kecil bergerak cepat memerlukan disiplin ketika jumlah karyawan, kewajiban regulasi, dan komitmen pelanggan bertumbuh.

Beberapa prinsip budaya berulang dalam keputusan besar Nvidia:

• Kejujuran intelektual penting saat asumsi arsitektur atau pasar gagal.
• Rencana produk menggabungkan siklus semikonduktor panjang dengan iterasi perangkat lunak cepat.
• Pengembang diperlakukan sebagai pengguna utama yang adopsinya harus diraih.
• Taruhan teknis dapat berjalan bertahun-tahun bila alasan dasarnya tetap kuat.
• Performa sistem lebih penting daripada mengoptimalkan satu komponen secara terpisah.

CUDA adalah contoh paling jelas investasi sabar, sedangkan perubahan arah dari NV1 menunjukkan keterampilan sebaliknya: meninggalkan jalan ketika bukti membatalkannya. Ketekunan dan fleksibilitas dapat berjalan bersama jika pemimpin membedakan rencana sulit dari premis yang keliru.

Kendali pendiri dapat mendukung konsistensi, tetapi juga memusatkan penilaian. Masa depan Nvidia bergantung pada perencanaan suksesi, pemimpin yang dapat menantang Huang, dan proses yang tetap berjalan tanpa keterlibatannya dalam setiap keputusan penting. Skala membawa tanggung jawab yang tidak dapat diselesaikan oleh urgensi startup, termasuk kepatuhan, keselamatan, keamanan, pengelolaan tenaga kerja, dan pengiriman andal kepada pemerintah serta perusahaan global.

Budaya perusahaan juga meluas melampaui rekayasa grafis. Peneliti, tim compiler, spesialis jaringan, arsitek sistem, operator cloud, kelompok otomotif, dan tim perangkat lunak industri harus berkoordinasi pada platform yang sama. Tantangan organisasinya adalah menjaga perdebatan teknis cepat sambil mengoperasikan infrastruktur yang kegagalannya dapat memengaruhi pelanggan jauh di luar pasar game PC.

Transformasi finansial mengikuti transformasi produk

Hasil keuangan Nvidia berubah ketika sistem pusat data menjadi sumber pendapatan dominan, mengubah pemasok grafis yang siklis menjadi salah satu bisnis infrastruktur komputasi terbesar di dunia. Perkembangannya bertahap selama bertahun-tahun lalu dipercepat oleh permintaan AI generatif.

Setelah IPO 1999, pendapatan Nvidia sangat bergantung pada grafis PC, siklus game, permintaan workstation, serta hubungan dengan produsen board dan OEM. Gaming tetap menguntungkan, tetapi koreksi persediaan dapat tajam. Generasi grafis baru memerlukan belanja riset besar sebelum permintaan pasti.

Beberapa penurunan menampakkan sifat siklis itu. Krisis keuangan 2008 mengurangi belanja teknologi. Penambangan cryptocurrency mendorong permintaan kartu grafis yang sangat tinggi lalu menyumbang koreksi persediaan pada 2018. Permintaan era pandemi dan gangguan pasokan diikuti penyesuaian gaming lain pada 2022. Nvidia juga mencatat beban terkait produk ketika asumsi rekayasa atau pasar gagal.

Penjualan pusat data mengubah skala dan konsentrasi pelanggan. Pendapatan fiskal 2024 mencapai $60,9 miliar, termasuk $47,5 miliar dari Data Center. Pendapatan fiskal 2025 naik menjadi $130,5 miliar, dengan Data Center menyumbang $115,2 miliar. Pendapatan fiskal 2026 mencapai $215,9 miliar, termasuk $193,7 miliar dari Data Center.

Angka fiskal 2026 menunjukkan betapa tuntas pergeseran komposisinya. Data Center menyumbang hampir 90 persen pendapatan tahunan, sementara gaming tetap besar tetapi jauh lebih kecil. Pada kuartal yang berakhir 26 April 2026, total pendapatan $81,6 miliar dan pendapatan Data Center $75,2 miliar ketika sistem Blackwell 300 serta produk jaringan meningkat.

Profitabilitas mencerminkan akselerator langka bernilai tinggi dan biaya penyediaan sistem lengkap. Nvidia melaporkan margin kotor GAAP 71,1 persen pada fiskal 2026, turun dari 75,0 persen pada fiskal 2025. Penurunan itu mencerminkan perpindahan dari produk Hopper HGX menuju solusi pusat data Blackwell lengkap serta beban persediaan H20. Pendapatan tinggi tidak membuat risiko komposisi produk atau kebijakan menjadi tidak relevan.

Basis pelanggan menciptakan ketegangan lain. Penyedia cloud, laboratorium AI, pembuat server, dan pelanggan langsung besar lainnya dapat menyumbang pembelian besar. Rencana belanja modal mereka dapat berubah cepat, dan sebagian sedang mengembangkan chip internal sambil membeli sistem Nvidia. Permintaan agregat dapat tetap kuat sementara produk atau pelanggan tertentu menciptakan volatilitas.

Saham Nvidia mencerminkan perubahan ekspektasi. Nilai pasar perusahaan melewati $1 triliun pada 2023 saat investor menghargai skala permintaan infrastruktur AI, lalu melewati tonggak triliunan berikutnya selama 2024. Stock split 10-untuk-1 berlaku pada Juni 2024, setelah split 4-untuk-1 pada 2021 dan beberapa split sebelumnya. Split mengubah jumlah saham serta harga per saham, bukan nilai bisnis.

Analisis keuangan yang baik memisahkan permintaan dari ekonomi yang tahan lama. Pembeli dapat terus membangun kapasitas AI sambil beralih ke chip inferensi berbiaya lebih rendah. Nvidia dapat menumbuhkan pendapatan sementara margin kotor turun karena sistem berisi lebih banyak komponen pihak ketiga. Transisi arsitektur cepat dapat menciptakan beban persediaan. Batas daya dan konstruksi dapat menunda penerapan meski pelanggan menginginkan komputasi lebih banyak.

Kasus jangka panjang bertumpu pada komputasi terakselerasi yang menggantikan lebih banyak pekerjaan umum, inferensi AI yang menjadi beban kerja produksi berulang, serta Nvidia yang mempertahankan porsi besar nilai sistem dan perangkat lunak. Kasus sebaliknya bertumpu pada konsentrasi pelanggan, silikon kustom, akselerator alternatif, kontrol ekspor, batas pasokan, dan belanja yang mungkin mendahului aplikasi AI yang menguntungkan. Keduanya perlu dinilai lewat arus kas dan ekonomi penerapan, bukan label sederhana seperti perusahaan chip atau platform perangkat lunak.

Arti masa lalu Nvidia bagi fase berikutnya

Fase berikutnya Nvidia bergantung pada kemampuannya membuat sistem AI yang lebih besar tetap ekonomis untuk dioperasikan, bukan hanya membuat setiap prosesor lebih cepat. Pelatihan tetap berat, tetapi inferensi produksi, model penalaran, dan agen perangkat lunak dapat mengonsumsi komputasi secara terus-menerus. Ukuran penting bagi pelanggan bergeser ke latensi, token per watt, token per dolar, waktu aktif, dan pendapatan per satuan daya terpasang.

Rubin menunjukkan cara Nvidia menjawab permintaan itu: rilis platform tahunan, integrasi lebih ketat antarprosesor dan jaringan, sistem memori lebih besar, serta perangkat lunak yang disetel untuk struktur model yang berubah. Ritme lebih cepat dapat menjaga pelanggan di platform, tetapi juga memendekkan umur ekonomi peralatan mahal dan meningkatkan tekanan pada pemasok serta tim rekayasa.

Physical AI menjadi taruhan besar lain. DRIVE, Isaac, Jetson, Omniverse, dan alat simulasi menghubungkan pelatihan model dengan mesin yang merasakan serta bertindak di dunia fisik. Robot dan kendaraan membutuhkan inferensi lokal berlatensi rendah, sementara sistem cloud dapat melakukan pelatihan, analisis armada, dan simulasi. Kemajuan bergantung pada keselamatan, keandalan, data sensor, dan ekonomi penerapan nyata sama besarnya dengan performa akselerator.

Digital twin memperluas pendekatan yang sama ke pabrik, gudang, sistem daya, dan lingkungan rekayasa lain. Simulasi dapat mengurangi biaya pengujian tata letak atau perilaku robot sebelum perubahan fisik dilakukan. Nilainya bergantung pada model akurat dan data operasional yang dipelihara, sehingga integrasi perangkat lunak tetap sama menuntutnya dengan rendering.

Bagi pembangun aplikasi, sejarah ini menjelaskan mengapa infrastruktur AI dapat terasa jauh walaupun membentuk pekerjaan sehari-hari. Pendiri nonteknis dapat mendeskripsikan aplikasi web, server, atau mobile di Koder.ai, sementara model bahasa dan gabungan agen mengerjakan tugas di balik antarmuka chat. Pengalaman itu mengabstraksikan akselerator, jaringan, hosting, dan perangkat lunak model di bawahnya. Peluang komersial Nvidia tumbuh ketika lebih banyak produk memakai AI tanpa mengharuskan pengguna mengelola kernel GPU atau klaster.

Pembangun dapat menarik beberapa pelajaran praktis dari rekam jejak Nvidia. Pilih aplikasi mendesak yang dapat mendanai platform lebih luas. Investasikan pengalaman pengembang sebelum pesaing menganggapnya prioritas. Pertahankan kompatibilitas saat pengguna menanamkan kode dan pelatihan pada produk. Perluas ke komponen di sekitar hanya jika komponen itu menghilangkan hambatan yang terukur. Tinggalkan premis teknis saat standar atau bukti membuktikannya salah.

Pembuat kebijakan menghadapi pilihan berbeda. Pasokan akselerator, packaging canggih, memori, energi, akses cloud, dan keterampilan perangkat lunak kini memengaruhi kapasitas komputasi nasional. Kontrol ekspor dapat membatasi lawan, tetapi juga menciptakan kerugian persediaan, mengurangi akses vendor pada pengembang luar negeri, dan mendorong alternatif domestik di pasar terbatas. Kebijakan persaingan harus membedakan integrasi yang meningkatkan performa sistem dari praktik yang menghalangi pelanggan memilih pengganti yang layak.

Pada akhirnya, sejarah Nvidia adalah rangkaian komitmen yang saling memperkuat. Grafis mendanai perangkat keras paralel. Programmable shader membuka peluang komputasi umum. CUDA mengumpulkan perangkat lunak dan pengembang. AlexNet memberi beban kerja AI yang menentukan. DGX, Mellanox, Grace, Blackwell, dan Rubin memperluas batas produk hingga rak menjadi komputernya.

Rangkaian itu menciptakan keunggulan Nvidia, tetapi tidak menjadikannya permanen. Perusahaan harus terus menyelesaikan batasan operasi berikutnya saat pesaing menyerang harga, keterbukaan, keragaman pasokan, dan performa khusus. Keberhasilan sebelumnya datang dari kemampuan mengenali saat model komputasi telah berubah. Masa depannya bergantung pada kemampuannya melakukannya lagi sebelum model saat ini menjadi asumsi yang enggan dipertanyakan.