Microsoft memperkenalkan Maia 300, chip AI generasi terbaru yang dirancang untuk meningkatkan efisiensi layanan kecerdasan buatan. Dengan klaim pemrosesan token 40% lebih efisien per megawatt dibandingkan sistem GPU terkemuka, Microsoft ingin memiliki kendali lebih besar atas infrastruktur AI-nya sendiri.
Selama bertahun-tahun, Nvidia menjadi salah satu pemain paling penting dalam industri kecerdasan buatan.
Chip GPU perusahaan tersebut digunakan secara luas untuk melatih model AI, menjalankan chatbot, hingga mendukung berbagai layanan komputasi berbasis AI. Ketika permintaan terhadap teknologi ini melonjak, kebutuhan akan chip berkinerja tinggi ikut meningkat.
Namun, ada persoalan yang dihadapi perusahaan teknologi besar: bagaimana jika bisnis AI mereka terus berkembang, tetapi infrastruktur yang dibutuhkan masih sangat bergantung pada pemasok eksternal?
Microsoft tampaknya sedang menyiapkan jawabannya.
Pada 12 Oktober 2026, Microsoft mengumumkan Maia 300, chip akselerator AI generasi ketiga yang dikembangkan sendiri untuk mendukung layanan dan produk perusahaan. Chip ini dijadwalkan mulai digunakan dalam skala produksi pada 2027.
Langkah tersebut bukan sekadar peluncuran perangkat keras baru. Microsoft sedang membangun fondasi teknologi yang memungkinkan perusahaan mengendalikan lebih banyak bagian dari infrastruktur AI-nya sendiri.
Dan Nvidia kini menghadapi situasi yang menarik: sebagian pelanggan terbesarnya juga mulai mengembangkan teknologi yang dapat mengurangi ketergantungan mereka pada GPU Nvidia.
1. Mengapa Microsoft Ingin Mengurangi Ketergantungan pada Nvidia?
Untuk memahami langkah Microsoft, kita perlu melihat bagaimana bisnis AI modern bekerja.
Model kecerdasan buatan membutuhkan daya komputasi besar. Setelah model dilatih, sistem juga memerlukan infrastruktur untuk menjalankan model tersebut setiap kali pengguna mengajukan pertanyaan atau meminta AI menyelesaikan tugas.
Tahap menjalankan model untuk menghasilkan jawaban disebut inference.
Ketika jutaan pengguna mengakses layanan seperti Microsoft Copilot, kebutuhan komputasi dapat meningkat dengan cepat. Setiap interaksi membutuhkan sumber daya, dan semakin besar penggunaan AI, semakin penting efisiensi infrastrukturnya.
Selama ini, GPU Nvidia menjadi salah satu pilihan utama untuk menjalankan berbagai beban kerja tersebut.
Namun, mengandalkan satu pemasok teknologi secara besar-besaran dapat menimbulkan tantangan terkait biaya, ketersediaan perangkat keras, dan fleksibilitas pengembangan sistem.
Dengan mengembangkan chip sendiri, Microsoft dapat merancang perangkat keras yang lebih sesuai dengan kebutuhan layanan Azure dan produk AI miliknya.
Strategi ini juga memungkinkan Microsoft mengoptimalkan hubungan antara chip, memori, jaringan, perangkat lunak, dan pusat data.
Artinya, Microsoft tidak harus selalu menunggu perkembangan perangkat keras dari pemasok eksternal untuk meningkatkan efisiensi sebagian beban kerja AI-nya.
Meski demikian, mengembangkan chip sendiri bukan berarti Microsoft akan berhenti menggunakan Nvidia. Strategi ini lebih tepat dipahami sebagai upaya diversifikasi dan optimalisasi infrastruktur.
2. Maia 300 Menawarkan Efisiensi AI yang Lebih Tinggi
Salah satu klaim utama Microsoft mengenai Maia 300 adalah efisiensi pemrosesan AI.
Perusahaan menyatakan bahwa sistem Maia 300 dirancang untuk menghasilkan 40% lebih banyak token per megawatt dibandingkan sistem GPU terkemuka.
Token merupakan unit teks yang diproses model AI. Jumlah token yang dihasilkan dapat menjadi salah satu ukuran kapasitas pemrosesan, meskipun bukan satu-satunya ukuran kualitas atau kecepatan pengalaman pengguna.
Mengapa efisiensi ini penting?
Bayangkan sebuah perusahaan menjalankan layanan AI yang digunakan jutaan orang setiap hari. Sistem tersebut harus terus memproses permintaan pengguna, menghasilkan jawaban, dan menangani berbagai tugas secara bersamaan.
Jika infrastruktur mampu memproses lebih banyak token dengan konsumsi daya yang sama, perusahaan berpotensi meningkatkan kapasitas layanan tanpa harus menaikkan kebutuhan listrik secara sebanding.
Hal ini menjadi semakin penting karena pusat data AI membutuhkan energi dalam jumlah besar.
Namun, angka 40% tersebut merupakan klaim Microsoft berdasarkan perbandingan yang dinyatakannya. Hasil aktual dapat berbeda bergantung pada model, konfigurasi perangkat keras, jenis pekerjaan, dan metode pengujian.
Karena itu, angka tersebut sebaiknya dipahami sebagai indikator sasaran efisiensi, bukan jaminan bahwa setiap aplikasi AI akan menjadi 40% lebih cepat atau lebih murah.
3. Satu Rak Bisa Menampung 96 Akselerator AI
Maia 300 tidak hanya dirancang sebagai chip tunggal. Microsoft mengembangkan sistem yang mengintegrasikan akselerator, memori, jaringan, dan infrastruktur pusat data.
Dalam konfigurasi rak yang diumumkan Microsoft, satu rak dapat menggabungkan 96 akselerator Maia 300.
Perusahaan menyatakan bahwa konfigurasi tersebut dapat memberikan throughput token hingga tujuh kali lipat dibandingkan sistem Maia 200 pada skala rak.
Angka ini mengacu pada throughput agregat sistem, bukan berarti setiap chip Maia 300 tujuh kali lebih cepat daripada setiap chip Maia 200.
Peningkatan tersebut penting karena layanan AI tidak hanya membutuhkan chip yang kuat, tetapi juga sistem yang mampu mengoperasikan banyak akselerator secara efisien.
Microsoft juga menyebut beberapa karakteristik teknis Maia 300:
- Arsitektur multi-chiplet yang memisahkan fungsi komputasi, pengendali memori, dan input-output.
- Memori HBM4 dengan delapan tumpukan dan bandwidth puncak 18 TB per detik.
- Desain yang dioptimalkan untuk beban kerja AI dengan konteks panjang.
- Jaringan yang dirancang untuk menghubungkan akselerator dan mendukung pemrosesan dalam skala pusat data.
Kombinasi tersebut menunjukkan bahwa peningkatan performa AI tidak hanya bergantung pada kemampuan komputasi mentah. Perpindahan data, kapasitas memori, dan komunikasi antarkomponen juga berperan besar.
4. Bukan Hanya untuk Chatbot, tetapi Juga Agen AI
Microsoft mengarahkan Maia 300 untuk menjalankan beban kerja inference yang membutuhkan kapasitas memori tinggi dan respons yang efisien.
Salah satu sasaran utamanya adalah layanan percakapan yang sensitif terhadap latensi, model yang memproses konteks panjang, serta agen AI yang menjalankan tugas melalui beberapa tahapan.
Bayangkan sebuah agen AI yang membantu pengguna menyelesaikan pekerjaan kantor.
Sistem tersebut mungkin perlu membaca dokumen, membandingkan informasi, menyusun laporan, dan memeriksa hasil sebelum memberikan jawaban akhir.
Proses seperti ini dapat melibatkan banyak tahap komputasi. Ketika jumlah pengguna dan kompleksitas pekerjaan meningkat, efisiensi infrastruktur menjadi semakin penting.
Microsoft mengatakan Maia 300 dirancang untuk mendukung kebutuhan tersebut.
Dampaknya dapat terasa pada berbagai layanan AI Microsoft seiring penerapannya, termasuk Copilot dan layanan pengembangan AI di Azure.
Namun, Maia 300 bukan produk konsumen yang bisa dibeli dan dipasang langsung di laptop. Chip ini ditujukan untuk infrastruktur pusat data Microsoft.
Pengguna kemungkinan akan merasakan manfaatnya secara tidak langsung melalui layanan AI yang lebih efisien, kapasitas yang meningkat, atau potensi perbaikan biaya operasional dalam jangka panjang.
5. Microsoft Sudah Menggunakan Maia 200
Maia 300 bukan langkah pertama Microsoft dalam mengembangkan chip AI sendiri.
Microsoft menyatakan bahwa Maia 200 telah digunakan untuk menjalankan beban kerja produksi, termasuk Microsoft Copilot. Perusahaan juga merencanakan perluasan penggunaan Maia 200 ke GitHub Copilot dan Microsoft Foundry sebelum akhir 2026.
Pengalaman menjalankan layanan AI pada Maia 200 menjadi salah satu masukan dalam pengembangan Maia 300.
Pendekatan bertahap ini penting karena pengembangan chip tidak berhenti pada desain dan proses manufaktur. Perusahaan juga harus memastikan perangkat keras tersebut bekerja dengan perangkat lunak, sistem jaringan, dan kebutuhan operasional pusat data.
Dengan kata lain, Microsoft sedang membangun sebuah keluarga chip yang dapat berkembang mengikuti kebutuhan layanan AI-nya.
Perusahaan berencana memperluas penerapan sistem Azure Maia hingga skala multi-gigawatt mulai 2027.
Rencana tersebut memperlihatkan besarnya infrastruktur yang dipersiapkan Microsoft untuk mendukung pertumbuhan AI.
6. Apakah Ini Ancaman bagi Nvidia?
Pengembangan Maia 300 memperlihatkan perubahan penting dalam industri semikonduktor.
Perusahaan teknologi besar tidak lagi hanya membeli chip untuk menjalankan layanan AI. Mereka juga mulai merancang prosesor sendiri agar dapat mengoptimalkan kinerja dan biaya sesuai kebutuhan internal.
Google mengembangkan TPU, Amazon memiliki Trainium dan Inferentia, sedangkan Microsoft memperluas keluarga akselerator Maia.
Persaingan tersebut menciptakan tekanan bagi pemasok chip eksternal, termasuk Nvidia.
Namun, ada alasan mengapa dominasi Nvidia tidak serta-merta hilang.
Nvidia memiliki ekosistem perangkat keras dan perangkat lunak yang luas, termasuk CUDA, yang digunakan oleh banyak pengembang AI. Perusahaan tersebut juga memiliki pengalaman panjang dalam menyediakan GPU untuk beragam kebutuhan komputasi.
Sementara itu, chip khusus seperti Maia dapat menawarkan keuntungan ketika dirancang untuk beban kerja tertentu dalam skala besar.
Karena itu, persaingan tidak hanya ditentukan oleh siapa yang memiliki chip tercepat. Ketersediaan perangkat keras, kompatibilitas perangkat lunak, efisiensi energi, biaya, dan kemudahan pengembangan juga akan menentukan pilihan perusahaan.
Bagi Microsoft, tujuan utamanya bukan harus menggantikan seluruh GPU Nvidia. Perusahaan dapat menggunakan chip internal untuk beban kerja yang paling sesuai, sambil tetap memakai GPU eksternal ketika dibutuhkan.
7. Apa Dampaknya bagi Masa Depan AI?
Jika strategi ini berhasil, Microsoft berpotensi memperoleh kendali lebih besar atas biaya dan kapasitas infrastruktur AI-nya.
Efisiensi yang lebih baik dapat membantu perusahaan melayani lebih banyak permintaan menggunakan sumber daya yang tersedia. Dalam jangka panjang, hal tersebut juga dapat mendukung upaya menekan biaya operasional.
Namun, manfaat tersebut tidak otomatis berarti harga layanan AI akan langsung turun. Biaya pusat data juga mencakup listrik, jaringan, pendinginan, perangkat lunak, dan investasi infrastruktur lainnya.
Selain itu, keberhasilan Maia 300 akan bergantung pada penerapan produksi dan kinerjanya dalam kondisi nyata.
Pengembangan chip sendiri juga memiliki tantangan, mulai dari kompleksitas desain hingga ketergantungan pada kemampuan manufaktur semikonduktor canggih.
Microsoft masih membutuhkan ekosistem pemasok dan mitra teknologi untuk membangun infrastrukturnya.
Dengan demikian, strategi chip internal merupakan upaya memperluas kendali, bukan menghilangkan semua ketergantungan eksternal.
Kesimpulan: Perang AI Kini Juga Berlangsung di Dalam Pusat Data
Peluncuran Maia 300 menunjukkan bahwa persaingan AI telah berkembang jauh melampaui chatbot dan model bahasa.
Di balik setiap jawaban AI terdapat infrastruktur komputasi yang membutuhkan chip, memori, energi, dan jaringan dalam skala besar.
Microsoft ingin mengoptimalkan semua komponen tersebut melalui pengembangan perangkat kerasnya sendiri.
Dengan klaim efisiensi 40% lebih tinggi dalam pemrosesan token per megawatt dan throughput rak hingga tujuh kali lipat dibandingkan Maia 200, perusahaan sedang menyiapkan fondasi bagi pertumbuhan layanan AI berikutnya.
Namun, dampak sebenarnya baru akan terlihat ketika Maia 300 mulai diterapkan dalam skala produksi pada 2027.
Persaingan AI berikutnya bukan hanya tentang siapa yang memiliki model paling pintar, tetapi juga siapa yang mampu menjalankannya secara efisien, terjangkau, dan dalam skala yang jauh lebih besar.
Dan melalui Maia, Microsoft sedang berusaha memastikan bahwa masa depan tersebut tidak sepenuhnya bergantung pada chip buatan perusahaan lain.
Sumber Referensi
- Microsoft Official Blog — Microsoft to expand Azure Maia system to multi-gigawatt deployments.
- The Verge — Microsoft’s new AI chip makes it less reliant on Nvidia’s GPUs.
- Axios — The AI chip war is turning Nvidia’s customers into rivals.
Catatan editorial: Klaim performa dan efisiensi dalam artikel ini diatribusikan kepada Microsoft. Angka tersebut tidak berarti Maia 300 unggul dalam setiap jenis beban kerja dibandingkan seluruh GPU Nvidia.
