Google sedang mengembangkan chip AI baru untuk membuat Gemini lebih efisien

Enam hingga sepuluh kali lebih efisien. Itulah lompatan performa yang dilaporkan ditargetkan Google dengan chip AI generasi berikutnya — dan ini bisa mengubah cara setiap developer di planet ini berinteraksi dengan Gemini. Google sedang mengembangkan chip AI baru untuk membuat Gemini lebih efisien pada saat seluruh industri sedang memikirkan kembali berapa biaya infrastruktur AI sebenarnya, dan siapa yang mengendalikannya.

Bagi developer dan founder di seluruh Asia, ini bukan sekadar kebisingan latar belakang. Ini adalah sinyal tentang ke mana komputasi AI menuju — dan apa yang berarti dari trajektori itu untuk produk yang sedang Anda bangun sekarang.

Apa yang Terjadi

Alphabet, perusahaan induk Google, sedang merancang chip server baru dengan nama kode internal "Frozen v2", menurut laporan TechCrunch yang mengutip The Information. Chip ini dijadwalkan dirilis pada tahun 2028, dan target performa sangat mencolok: antara enam dan sepuluh kali lebih efisien daripada chip AI Google yang sudah ada, diukur dari jumlah token yang dihasilkan per unit daya.

Google tidak secara langsung mengonfirmasi laporan ketika TechCrunch menghubungi, tetapi juga tidak menolaknya. Pernyataan perusahaan layak dibaca dengan cermat:

"Tim kami terus melakukan riset dan eksperimen dengan inovasi baru untuk memberikan performa dan efisiensi maksimal bagi pengguna dan pelanggan kami. Meskipun tidak setiap proyek masuk ke produksi, eksplorasi yang ketat ini adalah inti dari pendekatan full stack kami. Dengan co-designing hardware dan software kami dari awal, kami memastikan sistem kami terintegrasi dan sangat dioptimalkan untuk beban kerja dunia nyata."

Frasa itu — "co-designing hardware dan software kami dari awal" — adalah headline sebenarnya yang tersembunyi di dalam non-konfirmasi yang hati-hati. Google mendeskripsikan strategi integrasi vertikal: menguasai full stack dari silikon hingga model hingga API. Ini adalah postur yang fundamentally berbeda daripada membeli chip dari pihak ketiga dan mengoptimalkan software di sekitarnya.

Waktu juga penting. Berita ini muncul ketika kekhawatiran investor tentang pengeluaran AI telah mulai mendinginkan antusiasme pasar. OpenAI mengumumkan chip inference kustom pertamanya, bernama Jalapeño, pada Juni. Anthropic dilaporkan sedang dalam diskusi dengan Samsung tentang kemitraan pembuatan chip. Hyperscaler tidak hanya bersaing pada benchmark model lagi — mereka bersaing pada ekonomi inference dalam skala besar. Frozen v2 adalah langkah Google dalam permainan itu.

Mengapa Ini Penting untuk Asia

Asia bukan konsumen pasif dari keputusan infrastruktur AI yang dibuat di Silicon Valley. Wilayah ini menjalankan beberapa beban kerja AI paling menuntut di dunia — dari terjemahan real-time di puluhan bahasa hingga sistem deteksi fraud yang memproses jutaan transaksi per detik di seluruh lanskap pembayaran yang terfragmentasi di Asia Tenggara. Efisiensi komputasi bukan metrik abstrak di sini. Ini secara langsung menentukan apakah startup di Jakarta atau fintech di Ho Chi Minh City dapat membayar untuk menjalankan fitur bertenaga Gemini dalam skala produksi.

Saat ini, biaya inference AI adalah kendala nyata bagi sebagian besar startup Asia. Ekonomi memanggil frontier model API puluhan kali per sesi pengguna sulit untuk dikerjakan pada margin yang diminta pasar Asia Tenggara. Peningkatan efisiensi token-per-watt tidak hanya menguntungkan data center Google — mereka akhirnya mengalir ke hilir sebagai harga API yang lebih rendah, batas rate yang lebih tinggi, dan waktu respons yang lebih cepat. Peningkatan efisiensi 6–10x pada infrastruktur Google adalah, seiring waktu, peningkatan 6–10x dalam apa yang dapat developer bayar untuk dibangun.

Ada lapisan geopolitik di sini juga. Ambisi AI Asia secara konsisten telah menghadapi satu kendala keras: dominasi Nvidia atas komputasi AI dan tekanan rantai pasokan yang menyertainya. Setiap pemain utama — Google, OpenAI, Anthropic, dan semakin banyak juara domestik di China, Korea Selatan, dan Jepang — mencoba mengurangi ketergantungan itu. Bagi penyedia cloud Asia dan inisiatif AI yang didukung pemerintah, melihat Google mendemonstrasikan bahwa silikon kustom dapat memberikan jenis peningkatan efisiensi ini memberikan blueprint konkret. Harapkan lebih banyak pemain regional untuk mempercepat program chip mereka sendiri sebagai respons.

Narasi teknologi Asia yang lebih luas di sini adalah tentang kedaulatan. Negara-negara seperti India, Singapura, dan Korea Selatan telah membuat investasi signifikan dalam infrastruktur AI tepatnya karena mereka memahami bahwa bergantung sepenuhnya pada silikon asing menciptakan kerentanan strategis. Proyek Frozen v2 Google — terlepas dari apakah itu diluncurkan sesuai jadwal pada 2028 — memvalidasi logika strategis di balik investasi itu.

Apa Artinya Ini untuk Developer

Jika Anda membangun produk bertenaga AI hari ini, Frozen v2 tidak akan mengubah perencanaan sprint Anda untuk 18 bulan ke depan. Itu diluncurkan pada 2028, dan efek hilir pada harga dan ketersediaan API akan memakan waktu lebih lama lagi untuk terwujud. Tetapi ada hal-hal konkret untuk dipikirkan sekarang.

Pemilihan model akan semakin menjadi keputusan infrastruktur. Ketika Google, OpenAI, dan Anthropic masing-masing mengembangkan silikon kustom yang dioptimalkan untuk model mereka sendiri, karakteristik performa model tersebut akan berbeda dengan cara yang tidak ditangkap oleh leaderboard benchmark. Model yang berjalan pada hardware inference yang dirancang khusus akan berperilaku berbeda dalam produksi — latensi lebih rendah, throughput lebih konsisten, kurva biaya lebih baik dalam skala — daripada model yang sama berjalan pada GPU tujuan umum. Developer yang memahami ini akan membuat pilihan arsitektur yang lebih baik.

Ekonomi token semakin murah, tetapi tidak merata. Peningkatan efisiensi cenderung terkonsentrasi terlebih dahulu di tingkat hyperscaler, kemudian menyebar ke tier enterprise, kemudian akhirnya mencapai developer API. Jika Anda membangun di MonstarX atau platform dev AI-native lainnya, perhatikan perubahan harga dalam tier Gemini API selama jendela 2027–2028. Peningkatan efisiensi dari Frozen v2 kemungkinan akan muncul sebagai pengurangan biaya sebelum muncul sebagai kemampuan baru.

Arsitektur inference lebih penting daripada sebelumnya. Pergeseran menuju chip inference kustom — Google dengan Frozen v2, OpenAI dengan Jalapeño — menandakan bahwa industri mengoptimalkan keras untuk inference daripada training. Bagi developer, ini berarti kesenjangan antara "berjalan di notebook" dan "berjalan dalam produksi dengan biaya yang dapat diterima" semakin menyempit. Itu kabar baik bagi tim yang membangun produk nyata daripada demo.

Rencanakan risiko model lock-in. Ketika setiap penyedia AI utama membangun silikon yang dioptimalkan untuk model mereka sendiri, biaya switching antara penyedia akan meningkat. Produk yang deeply integrated dengan permukaan API Gemini hari ini akan menghadapi friction nyata ketika bermigrasi ke penyedia berbeda pada 2028, bukan hanya karena perbedaan API tetapi karena karakteristik performa yang mendasar akan dibentuk oleh hardware yang belum ada. Bangun dengan abstraction layer di mana Anda bisa. Gunakan connectors dan pola integrasi yang menjaga logika aplikasi Anda decoupled dari penyedia model mana pun.

Pantau metrik token-per-watt. Ini adalah angka yang Google gunakan untuk mendeskripsikan target efisiensi Frozen v2, dan layak ditambahkan ke model mental Anda tentang infrastruktur AI. Ketika kekhawatiran keberlanjutan tumbuh — khususnya di pasar seperti Singapura dan Jepang di mana konsumsi energi data center berada di bawah pengawasan regulasi — token-per-watt akan menjadi kriteria pengadaan, bukan hanya angka marketing.

Poin-Poin Kunci

• Frozen v2 nyata, atau cukup nyata. Google tidak mengonfirmasi atau menolak laporan, tetapi pernyataannya tentang "co-designing" adalah pengakuan implisit bahwa proyek ini sedang berjalan.
• Efisiensi inference adalah medan pertempuran baru. Hyperscaler bersaing pada ekonomi, bukan hanya kemampuan model. Siapa pun yang dapat menjalankan inference dengan biaya terendah memenangkan pasar jangka panjang.
• Asia tidak menunggu — Asia membangun. Investasi regional dalam chip AI dan infrastruktur kustom akan mempercepat sebagai respons terhadap langkah-langkah seperti Frozen v2.
• Untuk developer, abstraksi adalah pertahanan. Bangun dengan fleksibilitas untuk beralih antara penyedia model. Biaya switching akan meningkat seiring waktu.