Kapan tren pasar saham AS "Hore Chip" akan berakhir

Penulis: Sun Cheng; Sumber: Barrons

Pasar saham AS bulan April tenggelam dalam euforia struktural yang dipimpin AI, NASDAQ melonjak 15,3% dalam sebulan, S&P 500 naik 10,4%, dan Indeks Semikonduktor Philadelphia bahkan mencatat kenaikan bulanan terbesar sejak tahun 2000. Setelah Mei, skenario pasar pun berbalik cepat, ketiga indeks utama bergerak di level tinggi dengan volatilitas, di balik ketenangan permukaan, arus bawah mengalir deras: ARM melonjak 42,58% dalam seminggu berkat laporan keuangan yang menguntungkan, pemimpin penyimpanan seperti SanDisk dan Seagate naik lebih dari 15% dalam seminggu, sementara saham Nvidia dan Microsoft, yang dulu menjadi bendera AI, justru turun.

Apakah ini adalah mati surinya garis utama AI, atau sebuah pergantian internal yang mendalam? Dana sedang mengalir dari GPU dan raksasa cloud menuju arsitektur ARM dan chip penyimpanan, pasar tampaknya sedang memperdagangkan logika baru “puncak kapasitas pelatihan, inferensi di sisi perangkat, dan penyimpanan sebagai pengganti”. Apakah kenaikan indeks Dow baru mencerminkan dimulainya rotasi gaya investasi? Lonjakan ARM adalah titik awal penilaian ulang nilai, atau puncak gelembung jangka pendek?

Poin penting:

1. Gelombang panas AI belum berakhir, tetapi memasuki tahap diferensiasi yang lebih halus: Dana masih terus mengalir ke bidang AI, tetapi dari kenaikan umum beralih ke taruhan selektif. Dalam pasar internal, dana mengalir dari GPU dan raksasa cloud ke arsitektur ARM dan chip penyimpanan, mengubah logika perdagangan menjadi “puncak kapasitas pelatihan, inferensi di sisi perangkat, dan penyimpanan sebagai pengganti”.

2. Efek konsensus kolektif tetap kuat, hanya objeknya yang berganti: Perdagangan kuantitatif, opsi jangka akhir, dan ETF leverage mengubah ekosistem pasar, perilaku lindung nilai dari market maker memperkuat pergerakan naik dan turun. Efek konsensus tidak memudar, melainkan beralih dari Nvidia dan target lama ke hotspot baru seperti ARM dan SanDisk, menyebabkan “lonjakan yang melampaui batas logika”.

3. Lonjakan ARM adalah fenomena short squeeze yang khas, tidak berkelanjutan: Tekanan gamma dan tekanan short saling bertumpuk, menyebabkan harga saham melambung dalam waktu singkat. Tren ini tidak bisa berlangsung selamanya; begitu pembeli habis atau suasana hati goyah, harga bisa dengan cepat berbalik turun, harus sangat berhati-hati.

4. Arsitektur ARM memiliki keunggulan esensial dalam inferensi sisi perangkat: Sebagai RISC (set instruksi sederhana), ARM memiliki efisiensi energi hampir separuh dari x86; model lisensi IP mendukung desain heterogen yang disesuaikan; optimisasi operasi matriks lebih cocok untuk model Transformer. Titik balik industri telah terbentuk, tetapi fluktuasi harga jangka pendek sangat tajam.

5. Posisi Nvidia dalam pelatihan tetap kokoh, tantangan di sisi inferensi: Ekosistem CUDA sulit dilampaui, tidak ada penantang nyata di pelatihan. Tetapi di sisi inferensi, chip buatan sendiri dari AMD, Google, dan Microsoft mendapatkan peluang karena “selama ini Nvidia menjadi satu-satunya”. Ke depan, pangsa Nvidia akan menurun tetapi tetap menjadi pemain utama.

6. Beban kapasitas inferensi telah melampaui pelatihan, diperkirakan mencapai 70-80% di masa depan: Saat ini, beban inferensi dan pelatihan sekitar 6:4, tetapi pengeluaran modal (Capex) masih 60% untuk pelatihan. Dengan penyebaran model besar dan pengembangan AI Agenik, serta perlambatan iterasi pelatihan, kebutuhan inferensi terhadap biaya, konsumsi daya, dan latensi yang ketat membuka peluang baru bagi ARM dan chip penyimpanan.

Tinjauan pasar: Apakah euforia AI ini awal dari puncaknya atau gelembung?

Sun Cheng: Apakah gelombang kenaikan yang dipimpin AI sudah berakhir? Dana mengalir dari GPU/raksasa cloud ke ARM dan penyimpanan, apa kekuatan pendorong utama di baliknya?

Momo: Sejak 2023, pasar saham AS mulai fokus pada AI. Saham paling menonjol sepanjang 2023 adalah Nvidia, yang termasuk semikonduktor, tetapi kekuatan pendorong utamanya adalah AI. Gelombang ini mulai dari saat itu dan terus berlanjut hingga 2024, 2025, dengan stratifikasi dan ritme yang berkembang secara menyeluruh. Jadi, menyatakan bahwa gelombang panas AI sudah berakhir masih terlalu dini.

Berdasarkan data pasar saham AS yang kami pantau terakhir Jumat lalu, dana yang masuk ke bidang AI masih menunjukkan tidak ada tanda-tanda melemah. Tapi ada satu ciri khas yang menonjol, yaitu “diferensiasi di dalam diferensiasi”. Sejak Oktober tahun lalu, indeks utama AS memasuki kondisi stagnasi, dari Oktober hingga Februari bergerak datar. Dalam periode ini, beberapa saham perangkat lunak dan teknologi besar yang terkena dampak AI, sebenarnya sudah mengalami kelelahan dan koreksi. Tapi di saat yang sama, selama pasar datar bahkan turun, beberapa sektor populer AI seperti penyimpanan dan komunikasi optik tidak hanya tidak turun, malah naik, menunjukkan adanya diferensiasi pasar dan fokus dana.

Jadi, dari pengamatan dana ke depan, baik pembeli baru maupun pembeli yang sudah ada tetap sangat aktif. Tapi pasar menunjukkan tren berkelanjutan, yaitu di dalam sektor besar AI, dana terus mencari hotspot, mencari diferensiasi, mencari tema baru dan perusahaan dari berbagai jalur. Oleh karena itu, gelombang kenaikan belum berakhir, melainkan memasuki tahap yang lebih halus.

Sun Cheng: NASDAQ dan S&P 500 mencatat performa bulanan terbaik dalam hampir enam tahun, Indeks Semikonduktor Philadelphia mencatat kenaikan bulanan terbesar sejak tahun 2000. Di balik kondisi ekstrem ini, selain didorong AI, bagaimana sebenarnya suasana pasar dan efek konsensus kolektif tercermin? Setelah pertengahan Mei, pasar tidak lagi terus naik, apakah ini berarti suasana pasar beralih dari “optimisme umum” ke “taruhan selektif”? Apakah efek konsensus kolektif masih ada?

Momo: Ini bisa dilihat dari dua aspek. Pertama, ini adalah tren teknikal khas pasar saham AS. Biasanya, setelah periode datar dan penurunan panjang, pasar akan mengalami rebound besar, seperti pada tahun 2020 dan setelah koreksi dari Agustus hingga akhir Oktober 2023 selama tiga bulan, yang kemudian diikuti kenaikan besar selama hampir setengah tahun. Sejak Oktober tahun lalu, pasar utama AS terjebak dalam kondisi stagnasi, dengan titik fokus yang tidak berubah selama beberapa bulan, ini adalah pola konsolidasi yang khas. Penurunan terakhir di bulan Maret adalah koreksi valuasi yang serius, dan 30 Maret menjadi titik dasar dari gelombang ini. Oleh karena itu, lonjakan besar mulai April secara esensial adalah pemulihan dari stagnasi selama hampir setengah tahun sebelumnya. Ciri khas pasar saham AS adalah “stay in the game”, kamu harus tetap di dalam permainan, karena rebound bisa selesai dalam satu atau dua hari. Statistik menunjukkan, selama 50, 30, bahkan 10 tahun terakhir, jika melewatkan beberapa hari rebound dan lonjakan besar ini, hasil tahunan akan sangat berbeda.

Kedua, efek konsensus kolektif tetap ada, tetapi pasar saat ini berbeda dari sebelumnya. Perdagangan kuantitatif, algoritma otomatis, partisipasi besar dari retail, serta volume besar opsi dan ETF leverage, mengubah ekosistem pasar secara fundamental. Market maker harus melakukan lindung nilai risiko, yang memperkuat pergerakan naik dan turun. Terutama di saham-saham utama AI, semua retail melakukan opsi jangka akhir, dan pemain besar (dengan volume dana besar dan pengaruh pasar) juga mengikuti hotspot ini. Hal ini mempercepat pergerakan naik dan turun, menyebabkan efek konsensus kolektif di pasar AS semakin kuat, dan fenomena “lonjakan yang melampaui batas logika” semakin sering muncul. Jadi, pasar tidak beralih dari optimisme ke pesimisme, melainkan objek konsensusnya yang berganti, dana tetap terkonsentrasi, hanya objeknya yang berbeda.

Sun Cheng: ARM melonjak lebih dari 42% dalam seminggu, dalam dua hari perdagangan. Apakah ini sudah termasuk “short squeeze” secara teknis? Apakah ada dorongan dari sentimen retail atau tekanan gamma dari opsi? Apakah kecepatan kenaikan ini berkelanjutan?

Momo: Ini benar-benar fenomena short squeeze yang sangat khas, di mana efek gamma memainkan peran penting. Pasar saham AS saat ini, begitu muncul hotspot, semua institusi, pemain besar, dan retail ikut berpartisipasi. Banyak opsi jangka akhir yang beredar menyebabkan masalah gamma squeeze. Market maker, banyak di antaranya tidak bertaruh arah, tetapi mencari keuntungan dari spread. Ketika sebagian besar pemain membeli opsi jangka akhir atau opsi call out-of-the-money, market maker menghadapi risiko besar: jika saham naik, mereka harus memenuhi opsi tersebut, dan untuk lindung nilai (menjaga delta netral), mereka harus terus membeli saham. Semakin banyak yang membeli, semakin banyak market maker harus membeli saham, sehingga harga saham didorong naik secara liar. Banyak efek “30 menit terakhir” di pasar saham AS akhir-akhir ini adalah hasil dari mekanisme ini. Melihat harga yang terus didorong naik, investor yang merasa terkejut akan terus menambah posisi membeli opsi call, yang kembali mendorong market maker membeli saham untuk lindung nilai.

Selain itu, ada tekanan short squeeze. Beberapa investor yang melihat harga jauh di atas valuasi memilih untuk short, tetapi karena mekanisme ini, harga terus naik, akhirnya mereka terpaksa menutup posisi dan membeli saham, menciptakan tekanan saling tekan di antara short. Jika tren ini berlangsung lebih lama dan kurva lebih curam, akan menjadi contoh short squeeze yang khas.

Mengenai keberlanjutan, dari sudut pandang teknikal, tren ini tidak bisa berlangsung selamanya. Jika semua short menyerah, atau kepercayaan pembeli baru sedikit goyah karena fluktuasi harga, pasar kehilangan buffer dan ketegangan, harga bisa dengan cepat berbalik turun saat profit taking atau suasana hati pasar ragu, dan efek tumpang tindih ini akan memperkuat penurunan. Oleh karena itu, harus sangat berhati-hati dengan tren ini.

Analisis mendalam tentang teknologi AI: Kebangkitan ARM, tekanan Nvidia, dan peran penyimpanan

Sun Cheng: ARM melonjak 42,58% minggu lalu, logika utama pasar adalah “AI beralih dari pelatihan ke inferensi sisi perangkat, arsitektur ARM akan sangat diuntungkan”. Dari sudut pandang teknikal, apa keunggulan esensial instruksi dan mode lisensi ARM dalam inferensi AI dibandingkan x86? Apakah penilaian ulang nilai ini didorong oleh katalis laporan keuangan jangka pendek, atau merupakan titik balik industri jangka panjang?

Wang Huai: Dari segi teknologi, pasar saat ini beralih ke aplikasi kapasitas AI inferensi di sisi perangkat, ini adalah logika yang cukup jelas. Ada tiga alasan utama mengapa ARM lebih cocok untuk inferensi di sisi perangkat dibanding x86:

Pertama, keunggulan instruksi. ARM adalah RISC (set instruksi sederhana), sedangkan x86 adalah CISC (set instruksi kompleks). RISC tidak perlu merancang pipeline yang terlalu rumit, sehingga dalam chip yang sama, bisa mengintegrasikan lebih banyak core, cache, atau unit akselerasi khusus, yang menguntungkan komputasi dekat memori. Dalam inferensi AI, salah satu bottleneck utama adalah komunikasi memori. ARM memiliki IP fisik yang fleksibel dan kemampuan kustomisasi, secara alami cocok untuk operasi inferensi AI. Dalam beban kerja di sisi perangkat, arsitektur ARM secara signifikan lebih efisien dari segi energi dibanding x86, biasanya konsumsi daya setengahnya, sehingga mengurangi biaya secara besar.

Kedua, keunggulan mode lisensi. ARM menggunakan model lisensi IP, pelanggan bisa melakukan desain kustom setelah mendapatkan lisensi, misalnya mengatur kolaborasi CPU dengan GPU dan NPU, dan dapat melakukan modifikasi sendiri. Sebaliknya, x86 adalah “kotak hitam”, sulit melakukan optimasi heterogen berbasis desain terbuka ini. Fleksibilitas ini membuat ARM lebih disukai dalam integrasi memori bandwidth tinggi (LPDDR).

Ketiga, optimisasi operasi matriks. Dalam model Transformer, operasi matriks paling banyak digunakan, dan optimisasi di ARM jauh lebih efisien dibanding x86. Meskipun x86 juga mampu melakukan operasi matriks secara efisien, untuk mencapai throughput dan efisiensi energi yang sama, ARM dengan vektor instruksi lebih unggul, terutama di sisi perangkat. Jika mengutamakan kompatibilitas dan kematangan, bisa pilih x86; tetapi jika fokus pada cost-performance dan konsumsi daya (yang akan menjadi faktor biaya besar di masa depan), ARM jelas lebih unggul.

Dari tren industri, AI dari pelatihan beralih ke inferensi, terutama menuju AI Agenik. Ini tidak hanya soal dialog model besar, tetapi juga melibatkan banyak API, panggilan jaringan, dan file, yang semuanya bergantung pada CPU. ARM sebagai CPU sangat diharapkan dalam aplikasi AI Agenik di sisi perangkat (PC, ponsel, mobil). Saya yakin arah besar ini benar, titik balik industri sudah terbentuk. Tapi fluktuasi harga jangka pendek akan sangat besar, dan dalam jangka panjang, realisasi arah besar ini akan memperkuat nilai. Jangka panjang adalah mesin penimbang, jangka pendek adalah mesin voting emosi.

Sun Cheng: Nvidia turun 2,58% minggu lalu, pasar khawatir pertumbuhan melambat. AMD naik 3,60%. Dalam bidang chip AI, apakah ekosistem CUDA Nvidia masih kokoh? Apakah GPU seri MI dari AMD bisa mengecilkan jarak di inferensi? Seberapa besar ancaman chip buatan sendiri dari pelanggan terhadap Nvidia?

Wang Huai: Saat ini, di sisi pelatihan, tidak ada yang mampu menggantikan posisi Nvidia. Tapi seiring penyebaran model besar dan pengembangan AI Agenik, kebutuhan kapasitas inferensi meningkat tajam, memberi peluang bagi pemain lain. Kebutuhan inferensi lebih kompleks, membutuhkan kolaborasi arsitektur heterogen CPU, GPU, NPU, dan lain-lain, serta permintaan memori yang tinggi. Ini memberi AMD dan pemain lain peluang untuk mendapatkan bagian.

AMD pasti akan diuntungkan oleh suasana “selama ini Nvidia menjadi satu-satunya”, karena perusahaan membutuhkan vendor kedua yang andal untuk menjamin keamanan rantai pasok dan menghindari ketergantungan pada satu vendor. Selama ada vendor kedua yang layak, pelanggan akan memberi insentif lebih. Pertumbuhan bisnis data center AMD cukup signifikan, tetapi total pendapatannya masih jauh di bawah kenaikan harga sahamnya, yang menunjukkan adanya fluktuasi sentimen, tetapi peluang besar di inferensi memang nyata.

Untuk Nvidia, penjualan di sisi inferensi akan terpengaruh, tetapi tidak fatal. Ekosistem CUDA bukan sesuatu yang mudah dilampaui dalam waktu singkat. Selain itu, Google, Microsoft, Amazon sedang mengembangkan chip inferensi sendiri, untuk mengurangi ketergantungan pada satu vendor dan melakukan desain heterogen yang disesuaikan dengan kebutuhan mereka. Tren ini sangat jelas. Tapi chip yang paling umum dan serba guna tetap Nvidia. Dalam dua sampai tiga tahun ke depan, bahkan di inferensi, Nvidia akan tetap memegang pangsa utama, meskipun tingkat konsentrasinya tidak akan setinggi di pelatihan. Di sisi pelatihan, saat ini tidak ada penantang nyata dalam waktu dekat.

Sun Cheng: Ada pandangan pasar bahwa investasi AI beralih dari “kapasitas pelatihan” ke “aplikasi inferensi”. Berdasarkan implementasi nyata, berapa rasio beban kerja AI global saat ini antara pelatihan dan inferensi? Bagaimana proyeksi perubahan rasio ini dalam dua tahun ke depan? Pergeseran ini menimbulkan tantangan teknologi baru apa terkait desain chip, bandwidth penyimpanan, dan konsumsi daya?

Wang Huai: Saya merujuk ke beberapa laporan, saat ini rasio beban kerja inferensi terhadap pelatihan sekitar 6:4 atau 5,5:4, dengan inferensi sudah melampaui pelatihan. Tapi pengeluaran modal (Capex) justru berbalik, 60% untuk pelatihan dan 40% untuk inferensi, karena pelatihan membutuhkan biaya node super besar.

Di masa depan, rasio inferensi akan meningkat secara signifikan. Di satu sisi, adopsi model besar di seluruh dunia masih sangat rendah. Data menunjukkan bahwa 86% orang di dunia belum pernah menggunakan aplikasi model besar. Selain China dan AS, banyak negara lain jarang menggunakan model besar. Di sisi lain, AI Agenik akan secara besar-besaran meningkatkan jumlah panggilan ke model besar. Dalam tiga sampai lima tahun ke depan, rasio kapasitas inferensi mencapai 70-80% sangat memungkinkan.

Alasan lain adalah kecepatan iterasi di pelatihan yang melambat secara signifikan. Perusahaan yang mampu melatih model besar semakin sedikit, dan biaya pelatihan semakin tinggi. Setelah kompetisi berkurang, perusahaan lebih cenderung mengkomersialisasikan model yang sudah ada daripada meluncurkan model baru secara cepat. Kebutuhan kapasitas pelatihan berkurang. Kecuali ada terobosan besar di bidang kecerdasan fisik atau model dunia, yang bisa menjadi variabel baru.

Pergeseran dari pelatihan ke inferensi ini menuntut desain chip yang lebih tinggi. Inferensi sangat sensitif terhadap biaya, konsumsi daya, dan latensi, serta harus menyesuaikan berbagai skenario dari cloud ke perangkat. Ini membuka peluang bagi berbagai arsitektur seperti GPU, ASIC, CPU. Permintaan bandwidth memori dan cache konteks (KV Cache) juga lebih kompleks dibanding pelatihan. Tantangan teknologi ini justru memberi peluang pasar lebih besar bagi arsitektur seperti ARM dan chip penyimpanan.