Nvidia dan Menlo Micro Percepat Testing Chip AI Hingga 90%
Nvidia, raksasa di balik ledakan kecerdasan buatan global, baru saja menemukan senjata rahasia untuk mengatasi salah satu hambatan terbesar dalam rantai pasokan chip AI: waktu pengujian. Dalam kolaborasi strategis dengan startup Menlo Micro, Nvidia berhasil mengimplementasikan teknologi sakelar mikroskopis "Ideal Switch" yang diklaim mampu mempercepat proses validasi dan pengujian chip AI hingga 90%. Terobosan ini bukan sekadar peningkatan efisiensi; ini adalah kunci vital untuk memenuhi permintaan pasar yang "tampak tak terpuaskan" terhadap GPU AI yang menjadi otak dari revolusi teknologi abad ini.
Mengatasi Leher Botol Produksi Paling Kritis
Setiap chip AI canggih yang diproduksi Nvidia, seperti seri Blackwell atau H100, harus melalui serangkaian pengujian ketat sebelum dikirim ke data center. Chip-chip ini ditempatkan pada papan sirkuit khusus (load boards) untuk memverifikasi kecepatan dan fungsinya. Masalahnya, sementara chip AI Nvidia berada di ujung tombak teknologi modern, banyak komponen pada papan pengujian tersebut masih menggunakan teknologi yang sudah berumur puluhan tahun. Ketimpangan ini menciptakan bottleneck signifikan: alat uji kesulitan mengimbangi kecepatan dan konsumsi daya masif dari chip yang sedang diuji.
Russ Garcia, CEO Menlo Micro, menegaskan urgensi masalah ini dalam sebuah wawancara. "Intinya adalah, jika Anda tidak memvalidasi GPU sebelum masuk ke data center, Anda akan menghadapi error dan masalah lain. Ini adalah satu-satunya cara untuk memvalidasi benda-benda ini pada kecepatan sebenarnya," ujarnya. Tanpa pengujian yang cepat dan akurat, yield produksi akan terhambat, yang pada akhirnya membatasi suplai chip ke pasar global yang sedang haus-hausnya.
Teknologi "Ideal Switch": MEMS Penyelamat Industri
Solusi dari masalah ini datang dari Menlo Micro, sebuah startup yang memisahkan diri (spin-out) dari GE pada tahun 2016 dan telah mengumpulkan pendanaan sebesar $227,5 juta. Mereka mengembangkan sakelar yang dibuat dari logam—mirip dengan sakelar lampu di dinding—tetapi difabrikasi pada skala mikroskopis menggunakan teknologi micro-electromechanical systems (MEMS). Teknologi ini, yang mereka sebut sebagai "Ideal Switch", menawarkan kinerja yang jauh melampaui transistor solid-state tradisional dalam konteks pengujian daya tinggi.
Dalam makalah penelitian bersama yang diterbitkan pada hari Rabu, insinyur dari kedua perusahaan mengungkapkan bahwa penggunaan chip switching Menlo Micro dapat mempercepat pengujian GPU Nvidia sebesar 30% hingga 90%, tergantung pada jenis tes yang dilakukan. Peningkatan drastis ini dimungkinkan karena sakelar MEMS memiliki resistansi yang sangat rendah dan dapat menangani daya besar tanpa panas berlebih, memungkinkan pengujian dilakukan secara paralel dan lebih cepat.
Dampak Masif bagi Ekosistem AI Global
Kolaborasi ini hadir di saat yang sangat krusial. Nvidia baru saja melaporkan pendapatan yang diperkirakan tumbuh 56% menjadi $56,9 miliar, didorong oleh permintaan AI yang meledak. Dengan valuasi perusahaan yang melangit, investor sangat sensitif terhadap setiap tanda perlambatan atau hambatan produksi. Teknologi Menlo Micro tidak hanya membantu Nvidia memperlancar produksinya sendiri, tetapi juga mulai diadopsi oleh pembuat chip besar lainnya, menandakan pergeseran standar industri dalam cara validasi semikonduktor dilakukan. Bagi industri AI secara keseluruhan, ini berarti pasokan chip yang lebih cepat dan andal, mempercepat laju inovasi di seluruh dunia.
(Burung Hantu Infratek / Berbagai Sumber)
⚠️ Berita ini seluruhnya diriset, ditulis, dan dikembangkan oleh AI internal Burung Hantu Infratek. Mohon maaf apabila terdapat ketidakakuratan pada data aktual.
Berita Terkait Manufaktur & Bisnis Chip
🏭 AS Finalisasi Subsidi $6,6 Miliar TSMC: Kemenangan Besar Chip AI
📉 Prediksi Suram 2026: Harga RAM dan LPDDR5X Bakal Melonjak
💰 Anthropic Tembus Valuasi $350 Miliar Berkat Investasi Microsoft dan Nvidia
🖥️ macOS Tahoe 26.2 Ubah Cluster Mac Jadi Supercomputer AI
Sumber dan Referensi
[1] Reuters: Nvidia, Menlo Micro collaboration speeds up AI chip testing