Asumsi yang terus bertahan di industri AI adalah bahwa pertumbuhan segera akan dibatasi oleh kelangkaan global GPU kelas atas.
Namun batasan yang membentuk fase berikutnya dari pengembangan AI mungkin kurang tentang kelangkaan absolut dan lebih tentang ketidakefisienan struktural.
Menurut Trevor Harries-Jones dari Render Network, sebagian besar kapasitas komputasi dunia sama sekali tidak digunakan, sebuah kesenjangan yang ia anggap lebih penting daripada batasan pasokan.
Kekurangan GPU yang Disalahpahami
“Empat puluh persen GPU di dunia menganggur,” katanya kepada Yellow.com dalam sebuah wawancara di sela-sela acara Breakpoint Solana. “Orang mengira ada kekurangan, padahal sebenarnya ada kelebihan GPU yang cukup mumpuni untuk mengerjakan rendering dan tugas AI.”
Harries-Jones berargumen bahwa meski permintaan untuk chip kelas pelatihan seperti Nvidia H100 tetap tinggi, proses pelatihan sendiri hanya mewakili sebagian kecil dari beban kerja AI di dunia nyata.
“Pelatihan sebenarnya hanya persentase yang sangat kecil dari penggunaan AI,” ujarnya. “Inferensi menyita 80 persen.”
Ketimpangan itu, ia jelaskan, membuka peluang bagi perangkat konsumen, GPU kelas bawah, dan kelas prosesor baru seperti LPU, TPU, dan ASIC untuk menyerap jauh lebih banyak beban komputasi global daripada yang selama ini diasumsikan banyak pihak.
Pergeseran kedua yang ia soroti adalah konvergensi alur kerja 3D tradisional dengan format aset yang lahir-native dari AI.
Kreator Mendorong AI ke Arah Pipeline Setara Sinematik
Teknik seperti Gaussian splatting, yang mempertahankan struktur 3D dasar alih-alih menghasilkan frame 2D datar, serta kemunculan world model mulai menarik sistem AI lebih dekat ke pipeline produksi sinematik.
Perkembangan ini penting karena membuat keluaran AI dapat digunakan di dalam rantai alat profesional yang sudah ada, alih-alih menjadi format baru yang berdiri sendiri dan bersifat gimmick.
Ukuran model tetap menjadi tantangan, tetapi Harries-Jones memperkirakan kuantisasi dan kompresi model akan terus mengecilkan sistem open-weight hingga bisa berjalan dengan nyaman di perangkat konsumen.
Model yang lebih kecil, katanya, sangat penting bagi jaringan terdesentralisasi yang mengandalkan RAM dan bandwidth terdistribusi, bukan klaster hyperscale.
Also Read: Data Shows Bitcoin Enters 'Cost-Basis Cycle' Era As ETFs Redefine Market Structure
Saat banyak orang memperkirakan kompleksitas model yang meningkat akan mendorong biaya naik, ia justru percaya dinamika sebaliknya yang akan mendominasi.
Terobosan dalam pelatihan, seperti upaya model Tiongkok baru-baru ini yang memprioritaskan efisiensi dibanding skala, mengarah pada masa depan di mana AI menjadi lebih murah meski pemakaian terus meningkat.
“Seiring biaya turun,” katanya, “Anda akan melihat semakin banyak use case bermunculan.”
Alih-alih kelangkaan komputasi, Harries-Jones memperkirakan siklus ala paradoks Jevons: biaya yang menurun menciptakan lebih banyak permintaan, dan lebih banyak permintaan memicu sistem yang makin efisien.
Ia juga memperkirakan komputasi hibrida—campuran beban kerja on-device, jaringan lokal, dan cloud tersentralisasi—akan menjadi ciri tahap berikutnya industri ini.
Mirip dengan model kecerdasan terdistribusi Apple, lingkungan yang berbeda akan menangani tugas yang berbeda tergantung pada latensi, privasi, sensitivitas, dan skala.
Beban kerja yang mission-critical masih memerlukan pusat data yang patuh regulasi, tetapi beban yang tidak sensitif atau bersifat batch semakin bisa dijalankan di jaringan terdesentralisasi. Kemajuan enkripsi pada akhirnya dapat memperluas batas tersebut.
Gelombang Konten 3D-First yang Akan Datang
Dalam jangka panjang, ia melihat pergeseran yang jauh lebih luas: memasyarakatnya 3D, didorong oleh AI.
Harries-Jones memperkirakan era berikutnya AI untuk konsumen akan berpusat pada konten imersif yang 3D-native, bukan teks atau gambar datar.
“Kita akan mengonsumsi konten 3D lebih banyak daripada sebelumnya,” ujarnya, menunjuk pada sinyal awal dari perangkat imersif dan evolusi cepat tooling 3D-AI.
Hambatan tradisional motion graphics—alur kerja yang sangat teknis dan hanya bisa diakses segelintir ahli—mungkin akan digantikan oleh alat yang memungkinkan jutaan pengguna memproduksi adegan setara sinematik.
Para kreator, yang sebelumnya menolak AI, kini bereksperimen langsung dengan pipeline ini, mempercepat laju penyempurnaan alat dan membentuk bagaimana alur kerja hibrida berevolusi.
Masukan mereka, ia berargumen, kemungkinan akan memengaruhi arah industri sama besarnya dengan tren di sisi hardware.
Read Next: Why Gradient Thinks Trillion-Parameter Models Won’t Belong To OpenAI or Google In The Future