Cuma 3 Hari! Anthropic Klaim AI Claude Sukses Adaptasi ke Chip AMD

Anthropic resmi memulai rangkaian roadshow penawaran umum perdana (IPO) dan membeberkan strategi di balik efisiensi kecerdasan buatan (AI) mereka. Dalam presentasi tersebut, Anthropic mengklaim model AI Claude mampu mengadaptasi kodenya ke chip semikonduktor AMD hanya dalam tiga hari.

Kabar ini terungkap dari video presentasi roadshow IPO Anthropic yang diulas oleh pengamat teknologi Simon Willison. Dalam video tersebut, salah satu pendiri Anthropic, Tom Brown, memaparkan strategi komputasi multi-chip yang selama ini jarang diketahui publik.

Bagi pelaku bisnis, efisiensi komputasi ini adalah sinyal penting bahwa biaya operasional dan ketergantungan pada satu vendor chip AI mulai bisa ditekan.

Strategi Multi-Chip dan Kemampuan Mandiri Claude

Sejak awal, Anthropic mengambil langkah tidak biasa dengan bertaruh pada strategi multi-chip. Kini, mereka melatih dan menjalankan Claude di empat keluarga chip utama sekaligus, meliputi AWS Trainium, Google TPU, GPU NVIDIA, serta GPU AMD.

Sebelumnya, banyak pihak menilai strategi ini terlalu mahal dan rumit. Setiap jenis chip membutuhkan software stack dan inference stack—tumpukan perangkat lunak khusus untuk melatih dan menjalankan AI—yang berbeda satu sama lain.

Tahun ini, Anthropic mulai menggunakan GPU AMD untuk pertama kalinya. Biasanya, memindahkan sistem AI ke platform chip baru membutuhkan puluhan insinyur selama berbulan-bulan.

Namun, Anthropic menugaskan sistem AI mereka bernama Mythos untuk menangani proses tersebut. Menurut klaim Tom Brown, Claude berhasil menulis atau memindahkan hampir 100 persen kernel—kode dasar penghubung perangkat lunak dengan chip—hanya dalam tiga hari nyaris tanpa campur tangan manusia.

Rahasia Pengganda Komputasi untuk Efisiensi Biaya

Selain fleksibilitas chip, Anthropic mengandalkan apa yang mereka sebut sebagai compute multiplier atau pengganda komputasi. Konsep ini mengukur seberapa besar kapasitas komputasi fisik bisa dilipatgandakan melalui efisiensi perangkat lunak.

Sebagai gambaran, jika sebuah model AI butuh 100 unit komputasi untuk dilatih, pengganda 4 kali lipat memangkas kebutuhannya menjadi hanya 25 unit. Sebaliknya, kapasitas 100 unit fisik bisa dipakai untuk melatih model yang setara dengan 400 unit komputasi.

Menurut pihak Anthropic, teknik pengganda komputasi ini saling menumpuk dan memperkuat satu sama lain. Mereka memproyeksikan percepatan lebih lanjut saat AI mencapai tahap recursive self-improvement, yaitu kondisi ketika AI mampu menemukan cara efisiensi baru secara mandiri.

Strategi multi-chip ini sebenarnya sempat terlihat pada September lalu, ketika Anthropic merilis laporan evaluasi gangguan teknis yang hanya berdampak pada penggunaan Google TPU mereka.

Apa Artinya bagi Pelaku Usaha

Terobosan strategi multi-chip ini memberi pelajaran penting bagi pemilik usaha dan manajer TI di Indonesia agar tidak terjebak pada satu penyedia infrastruktur saja. Ketergantungan tunggal pada satu vendor komputasi awan atau satu jenis chip berisiko membuat biaya membengkak saat harga layanan naik atau pasokan terbatas.

Untuk mengantisipasi hal ini, perusahaan sebaiknya mulai mengevaluasi portofolio layanan AI mereka dengan menerapkan prinsip portabilitas. Pastikan arsitektur aplikasi bisnis Anda menggunakan standar terbuka atau perantara perangkat lunak yang memudahkan perpindahan antar penyedia layanan jika sewaktu-waktu dibutuhkan.

Selain itu, pelaku usaha perlu mencermati bagaimana penyedia AI mengelola efisiensi komputasinya, bukan sekadar melihat ukuran model yang ditawarkan. Semakin efisien sebuah penyedia mengoptimalkan perangkat kerasnya, semakin besar pula peluang bisnis Anda mendapatkan tarif layanan AI yang lebih terjangkau dan stabil di masa depan.