Mendorong Google menuju TPU senilai 4 triliun, bagaimana cara menunjukkan kehebatan di bidang blockchain?

Penulis: Eli5DeFi

Penerjemah: Tim, PANews

Catatan Editor PANews: Pada 25 November, kapitalisasi pasar Google mencapai titik tertinggi sepanjang masa sebesar $3,96 triliun. Selain peluncuran AI terkuat Gemini 3, faktor lain yang mendorong harga saham adalah chip TPU buatan sendiri. Selain di bidang AI, TPU juga akan berperan besar di blockchain.

Narasi perangkat keras komputasi modern pada dasarnya didefinisikan oleh kebangkitan GPU.

Dari gim hingga pembelajaran mendalam, arsitektur paralel Nvidia telah menjadi standar industri, membuat CPU beralih ke peran pendukung.

Namun, seiring model AI menghadapi hambatan skalabilitas dan teknologi blockchain bergerak menuju aplikasi kriptografi yang kompleks, pesaing baru bernama Tensor Processing Unit (TPU) telah muncul.

Meski TPU sering didiskusikan dalam kerangka strategi AI Google, arsitekturnya ternyata sangat sesuai dengan kebutuhan inti milestone blockchain selanjutnya: kriptografi pasca-kuantum.

Artikel ini menelusuri evolusi perangkat keras dan membandingkan fitur arsitektur, menjelaskan mengapa dalam membangun jaringan desentralisasi tahan serangan kuantum, TPU (bukan GPU) lebih cocok untuk beban komputasi matematis intensif yang dibutuhkan kriptografi pasca-kuantum.

Evolusi Perangkat Keras: Dari Pemrosesan Serial ke Arsitektur Systolic

Untuk memahami pentingnya TPU, Anda perlu mengetahui masalah apa yang diselesaikannya.

• Central Processing Unit (CPU): Sebagai pemain serba bisa, unggul dalam pemrosesan serial dan operasi cabang logika, tetapi perannya terbatas saat harus melakukan banyak perhitungan matematika secara bersamaan.
• Graphics Processing Unit (GPU): Sebagai ahli pemrosesan paralel, awalnya dirancang untuk merender piksel, sehingga mahir menjalankan banyak tugas serupa secara bersamaan (SIMD: Single Instruction Multiple Data). Karakter inilah yang membuatnya jadi tulang punggung ledakan kecerdasan buatan awal.
• Tensor Processing Unit (TPU): Sebagai chip khusus, dirancang Google untuk tugas komputasi jaringan saraf.

Keunggulan Arsitektur Systolic

Perbedaan mendasar GPU dan TPU terletak pada cara mereka memproses data.

GPU harus berulang kali mengambil data dari memori (register, cache) untuk menghitung, sedangkan TPU menggunakan arsitektur systolic. Arsitektur ini mirip seperti jantung yang memompa darah, membuat data mengalir secara ritmis melalui kisi unit komputasi besar.

https://www.ainewshub.org/post/ai-inference-costs-tpu-vs-gpu-2025

Hasil perhitungan langsung diteruskan ke unit komputasi berikutnya tanpa perlu menulis ulang ke memori. Desain ini secara signifikan mengurangi bottleneck von Neumann, yakni keterlambatan akibat data bolak-balik antara memori dan prosesor, sehingga meningkatkan throughput secara drastis pada operasi matematika tertentu.

Kunci Kriptografi Pasca-Kuantum: Mengapa Blockchain Membutuhkan TPU?

Aplikasi terpenting TPU di blockchain bukanlah penambangan, melainkan keamanan kriptografi.

Sistem blockchain saat ini mengandalkan kriptografi kurva eliptik atau sistem enkripsi RSA, yang memiliki kelemahan fatal terhadap algoritma Shor. Artinya, begitu komputer kuantum cukup kuat muncul, penyerang dapat mengekstrak private key dari public key, cukup untuk menguras semua aset kripto di Bitcoin atau Ethereum.

Solusinya adalah kriptografi pasca-kuantum. Standar algoritma PQC mainstream saat ini (seperti Kyber, Dilithium) dibangun di atas kriptografi Lattice.

Kecocokan Matematika TPU

Inilah keunggulan TPU dibanding GPU. Kriptografi Lattice sangat bergantung pada operasi matriks dan vektor berskala besar, utamanya:

• Perkalian matriks-vektor: As+e (di mana A adalah matriks, s dan e adalah vektor).
• Operasi polinomial: Berdasarkan operasi aljabar pada ring, biasanya menggunakan transformasi bilangan bulat (Number Theoretic Transform).

GPU tradisional memperlakukan operasi ini sebagai tugas paralel umum, sedangkan TPU mempercepatnya dengan unit komputasi matriks yang tertanam pada level perangkat keras. Struktur matematis kriptografi Lattice hampir sepenuhnya terpetakan secara topologis dengan array systolic TPU.

Persaingan Teknologi TPU dan GPU

Meski GPU masih menjadi raja komputasi serba guna di industri, untuk tugas matematika yang sangat intensif, TPU punya keunggulan mutlak.

Kesimpulan: GPU unggul dalam fleksibilitas dan ekosistem, sedangkan TPU unggul dalam efisiensi komputasi aljabar linear intensif—yang merupakan inti matematika yang dibutuhkan AI dan kriptografi modern canggih.

Narasi Ekspansi TPU: Zero-Knowledge Proof dan AI Terdesentralisasi

Selain kriptografi pasca-kuantum, TPU juga menunjukkan potensi aplikasi di dua bidang kunci Web3.

Zero-Knowledge Proof

ZK-Rollups (seperti Starknet atau zkSync) sebagai solusi scaling Ethereum, membutuhkan proses pembangkitan proof yang sangat berat secara komputasi, terutama:

• Fast Fourier Transform: Untuk konversi bentuk representasi data dengan cepat.
• Multi-scalar Multiplication: Untuk mengombinasikan operasi titik pada kurva eliptik.
• Protokol FRI: Sistem pembuktian kriptografi polinomial.

Operasi ini bukan hash computation seperti ASIC, melainkan matematika polinomial. Dibandingkan CPU umum, TPU dapat mempercepat FFT dan komitmen polinomial secara signifikan; dan karena algoritma ini memiliki pola data yang dapat diprediksi, TPU seringkali dapat lebih efisien daripada GPU.

Dengan munculnya jaringan AI terdesentralisasi seperti Bittensor, node jaringan perlu mampu melakukan inferensi model AI. Menjalankan model bahasa besar pada dasarnya adalah melakukan perkalian matriks secara masif.

Dibandingkan kluster GPU, TPU memungkinkan node desentralisasi memproses permintaan inferensi AI dengan konsumsi energi lebih rendah, sehingga meningkatkan kelayakan bisnis AI terdesentralisasi.

Peta Ekosistem TPU

Meskipun sebagian besar proyek saat ini masih mengandalkan GPU karena popularitas CUDA, bidang-bidang berikut sangat siap untuk integrasi TPU, terutama dalam kerangka narasi kriptografi pasca-kuantum dan zero-knowledge proof.

Zero-Knowledge Proof dan Solusi Scaling

Mengapa memilih TPU? Karena pembuatan ZK-proof membutuhkan komputasi polinomial paralel skala besar, dan dalam konfigurasi arsitektur tertentu, TPU jauh lebih efisien daripada GPU umum untuk tugas semacam ini.

• Starknet (solusi scaling Layer-2): Proof STARK sangat bergantung pada fast Fourier transform dan interactive oracle proof Reed-Solomon, operasi komputasi intensif yang sangat cocok dengan logika komputasi TPU.
• zksync (solusi scaling Layer-2): Prover Airbender-nya perlu memproses FFT dan operasi polinomial skala besar, yang merupakan bottleneck utama yang bisa dipecahkan TPU.
• Scroll (solusi scaling Layer-2): Menggunakan sistem proof Halo2 dan Plonk, operasi utamanya, KZG commitment verification dan multi-scalar multiplication, sangat cocok dengan arsitektur systolic TPU.
• Aleo (blockchain privasi): Fokus pada pembuatan zero-knowledge proof zk-SNARK, operasi utamanya sangat bergantung pada matematika polinomial yang sejalan dengan throughput komputasi khusus TPU.
• Mina (blockchain ringan): Menggunakan teknologi recursive SNARKs, mekanisme regenerasi proof-nya yang terus menerus memerlukan operasi polinomial berulang, sehingga efisiensi komputasi TPU menjadi sangat menonjol.
• Zcash (privacy coin): Sistem proof Groth16 klasik bergantung pada operasi polinomial. Meski teknologi awal, perangkat keras throughput tinggi tetap memberinya manfaat signifikan.
• Filecoin (DePIN, storage): Mekanisme proof of replication-nya memverifikasi validitas data penyimpanan menggunakan zero-knowledge proof dan teknik encoding polinomial.

AI Terdesentralisasi dan Komputasi Agen

Mengapa memilih TPU? Inilah skenario aplikasi asli TPU, didesain khusus untuk mempercepat tugas pembelajaran mesin jaringan saraf.

• Bittensor: Arsitektur intinya adalah inferensi AI terdesentralisasi, yang sangat cocok dengan kemampuan komputasi tensor TPU.
• Fetch (AI agents): Agen AI otonom bergantung pada inferensi jaringan saraf secara berkelanjutan untuk pengambilan keputusan; TPU mampu menjalankan model ini dengan latensi lebih rendah.
• Singularity (platform layanan AI): Sebagai pasar perdagangan layanan AI, Singularity sangat meningkatkan kecepatan dan efisiensi biaya eksekusi model dasarnya melalui integrasi TPU.
• NEAR (blockchain, transformasi strategi AI): Beralih ke AI on-chain dan agen Trusted Execution Environment, komputasi tensor yang dibutuhkan hanya bisa dipercepat TPU.

Jaringan Kriptografi Pasca-Kuantum

Mengapa memilih TPU? Operasi inti kriptografi pasca-kuantum sering melibatkan masalah vektor terpendek pada lattice, yang membutuhkan operasi matriks dan vektor intensif—mirip dengan beban kerja AI pada arsitektur komputasi.

• Algorand (blockchain): Menggunakan hash dan vektor komputasi tahan kuantum, sangat sesuai dengan kemampuan komputasi matematika paralel TPU.
• QAN (blockchain anti-kuantum): Mengadopsi kriptografi Lattice, operasi dasar seperti polinomial dan vektor sesuai dengan spesialisasi optimasi matematika TPU.
• Nexus (platform komputasi, ZkVM): Persiapan komputasi anti-kuantumnya melibatkan algoritma polinomial dan lattice basis, dapat dipetakan secara efisien ke arsitektur TPU.
• Cellframe (blockchain anti-kuantum): Kriptografi Lattice dan teknik enkripsi hash yang digunakan melibatkan operasi seperti tensor, menjadikannya kandidat ideal untuk akselerasi TPU.
• Abelian (privacy token): Fokus pada operasi Lattice kriptografi pasca-kuantum. Seperti QAN, arsitekturnya sangat diuntungkan oleh throughput tinggi prosesor vektor TPU.
• Quantus (blockchain): Tanda tangan kriptografi pasca-kuantum membutuhkan operasi vektor skala besar, dan kemampuan paralel TPU jauh melampaui CPU standar untuk tugas ini.
• Pauli (platform komputasi): Komputasi aman kuantum membutuhkan banyak operasi matriks, inti keunggulan arsitektur TPU.

Hambatan Pengembangan: Mengapa TPU Belum Meluas?

Jika TPU sangat efisien untuk kriptografi pasca-kuantum dan zero-knowledge proof, mengapa industri masih berebut chip H100?

• Moat CUDA: Pustaka perangkat lunak CUDA Nvidia sudah menjadi standar industri, dan hampir semua engineer kriptografi memprogram berbasis CUDA. Porting kode ke framework JAX atau XLA khusus TPU menuntut keahlian tinggi dan sumber daya besar.
• Hambatan akses cloud: TPU kelas atas hampir dimonopoli Google Cloud. Jika jaringan desentralisasi terlalu bergantung pada satu penyedia cloud terpusat, akan menghadapi risiko sensor dan single point of failure.
• Arsitektur kaku: Jika algoritma kriptografi perlu penyesuaian (misal menambah logika cabang), performa TPU bisa anjlok drastis. GPU jauh lebih baik dalam menangani logika tidak teratur seperti ini.
• Keterbatasan pada hash computation: TPU tidak bisa menggantikan mesin mining Bitcoin. Algoritma SHA-256 adalah operasi bit, bukan operasi matriks, sehingga TPU benar-benar tidak berguna untuk bidang ini.

Kesimpulan: Arsitektur Bertingkat adalah Masa Depan

Masa depan perangkat keras Web3 bukanlah persaingan winner-takes-all, melainkan bergerak ke arah arsitektur bertingkat.

GPU akan terus menjadi tulang punggung untuk komputasi umum, rendering grafis, dan tugas logika bercabang yang kompleks.

TPU (dan akselerator ASIC sejenis) secara bertahap akan menjadi konfigurasi standar “lapisan matematika” Web3, khusus untuk pembuatan zero-knowledge proof dan verifikasi tanda tangan kriptografi pasca-kuantum.

Seiring blockchain bermigrasi ke standar keamanan pasca-kuantum, kebutuhan matriks komputasi besar untuk tanda tangan dan verifikasi transaksi akan membuat arsitektur systolic TPU bukan lagi opsi, tetapi fondasi wajib untuk membangun jaringan desentralisasi tahan kuantum yang skalabel.