N1X: Chiplet dan Pergeseran dari Era Chip Monolitik
Selama puluhan tahun, peningkatan kemampuan chip mengikuti logika yang relatif sederhana: semakin banyak transistor yang dapat dimasukkan ke dalam silikon, semakin besar kemampuan komputasinya.
Namun, membuat satu die semakin besar bukan solusi tanpa batas.
Semakin besar die, semakin besar pula tantangan manufaktur, biaya, yield, konsumsi daya, dan keterbatasan proses litografi. Industri semikonduktor kemudian menemukan pendekatan lain: tidak semua fungsi harus dipaksa berada dalam satu keping silikon.
Komputasi dapat dibagi menjadi beberapa bagian, kemudian dihubungkan kembali melalui advanced packaging dan interkoneksi berkecepatan tinggi.
NVIDIA RTX Spark N1X berada di tengah perubahan tersebut.
N1X menggabungkan CPU NVIDIA Grace berbasis Arm dengan GPU NVIDIA Blackwell dalam sebuah SoC untuk PC AI. Konfigurasi tertingginya memiliki hingga 20 core CPU, 6.144 CUDA core, dan 128 GB unified memory LPDDR5X. NVIDIA juga menyediakan varian dengan 18-core CPU dan 5.120 CUDA core.
Yang menarik bukan hanya jumlah core tersebut.
Yang lebih penting adalah bagaimana CPU, GPU, dan memori besar tersebut dirancang untuk bekerja sebagai satu sistem.
Apa Itu N1X?
N1X merupakan bagian dari keluarga NVIDIA RTX Spark, platform PC yang dirancang untuk menjalankan AI secara lokal sekaligus menangani gaming dan aplikasi kreatif.
Di dalamnya terdapat dua blok komputasi utama:
- CPU NVIDIA Grace, dengan konfigurasi tertinggi 20 core Arm;
- GPU NVIDIA Blackwell, dengan hingga 6.144 CUDA core.
NVIDIA mencantumkan hingga 128 GB unified memory LPDDR5X pada konfigurasi N1X tertinggi. CPU dan GPU berbagi ruang memori tersebut, dengan antarmuka memori 256-bit dan bandwidth sekitar 300 GB/s menurut dokumentasi pengembang NVIDIA.
Untuk AI, GPU tersebut juga membawa Tensor Core generasi kelima dan NVIDIA mengklaim kemampuan hingga sekitar 1 PFLOP FP4 pada konfigurasi tertinggi.
Jadi N1X bukan sekadar prosesor dengan iGPU biasa.
Ia dirancang sebagai platform komputasi heterogen, di mana CPU dan GPU memiliki peran berbeda tetapi berbagi sumber daya memori yang sama.
Mengapa Industri Mulai Meninggalkan Ketergantungan pada Die Monolitik?
Bayangkan sebuah wafer silikon sebagai loyang besar tempat banyak chip dicetak.
Jika satu chip dibuat semakin besar, jumlah die yang dapat diperoleh dari wafer berkurang. Pada saat yang sama, peluang sebuah die terkena cacat manufaktur juga meningkat.
Pada die kecil, sebuah cacat dapat membuat satu bagian produksi gagal.
Pada die yang sangat besar, satu cacat di area tertentu berpotensi membuat seluruh die tidak dapat digunakan.
Inilah salah satu alasan mengapa ukuran die menjadi persoalan ekonomi sekaligus teknis.
Ada pula batas yang berasal dari sistem litografi itu sendiri. Proses pencetakan menggunakan reticle, sehingga ukuran area yang dapat diekspos dalam satu langkah tidak bisa diperbesar tanpa batas.
Artinya, ketika kebutuhan komputasi terus meningkat, industri membutuhkan pendekatan lain selain sekadar membuat satu keping silikon semakin besar.
Chiplet: Memecah Kompleksitas
Di sinilah konsep chiplet menjadi penting.
Daripada membangun seluruh sistem sebagai satu die monolitik, fungsi dapat dibagi ke beberapa die dengan karakteristik berbeda. Die-die tersebut kemudian disatukan dalam satu paket menggunakan teknologi advanced packaging dan interkoneksi berkecepatan tinggi.
Keuntungannya bukan sekadar ukuran.
Desain multi-die dapat memberikan fleksibilitas dalam:
- Pengembangan blok CPU dan GPU;
- Proses fabrikasi;
- Yield;
- Skalabilitas produk;
- Serta integrasi berbagai teknologi dalam satu paket.
Catatan Penting: NVIDIA belum mempublikasikan seluruh detail fisik die dan packaging N1X secara terbuka dalam dokumentasi spesifikasi publiknya.
Dokumentasi NVIDIA saat ini menggambarkan RTX Spark N1X sebagai SoC berbasis Arm dengan GPU Blackwell terintegrasi, bukan memberikan diagram publik yang cukup untuk menyimpulkan secara definitif bahwa seluruh implementasinya adalah “dua die terpisah” dalam arti tertentu.
Karena itu, istilah “dual-die” sebaiknya diperlakukan sebagai pembacaan arsitektural atau laporan teknis pihak ketiga, bukan fakta yang diklaim secara eksplisit oleh halaman spesifikasi NVIDIA.
Perbedaan ini penting bagi artikel teknologi yang ingin tetap akurat.
Yang Membuat N1X Menarik Bukan Sekadar Jumlah CUDA Core
Angka 6.144 CUDA core memang besar.
Tetapi jumlah CUDA core tidak dapat digunakan sendirian untuk menentukan performa.
Dua GPU dengan jumlah CUDA core yang sama dapat memiliki performa berbeda karena dipengaruhi:
- Arsitektur;
- Frekuensi;
- Cache;
- Bandwidth memori;
- Tensor Core;
- Ray Tracing Core;
- Batas daya;
- Sistem pendingin;
- Driver;
- Dan jenis beban kerja.
Karena itu, N1X tidak tepat dinilai hanya dengan pertanyaan: “Apakah 6.144 CUDA core berarti setara dengan GPU desktop tertentu?”
Jawabannya tidak sesederhana itu.
N1X dirancang dengan karakteristik daya dan memori yang berbeda dari kartu grafis desktop. NVIDIA mencantumkan TDP sekitar 140 W untuk konfigurasi superchip N1X, sementara GPU desktop kelas tinggi dapat memiliki anggaran daya yang jauh lebih besar.
Jadi jumlah core yang sama tidak berarti kelas performanya sama.
Unified Memory Justru Menjadi Kunci
Salah satu karakteristik paling menarik dari N1X adalah unified memory.
Pada sistem PC dengan discrete GPU, CPU biasanya menggunakan memori sistem sementara GPU memiliki VRAM sendiri. Data yang diperlukan GPU harus tersedia pada ruang memorinya, dan dalam sejumlah skenario data perlu dipindahkan antara CPU memory dan GPU memory.
N1X mengambil pendekatan berbeda.
CPU dan GPU berbagi satu ruang memori hingga 128 GB LPDDR5X. Dokumentasi NVIDIA menyebut memori tersebut sebagai memori bersama yang koheren dengan bandwidth hingga sekitar 300 GB/s pada desain RTX Spark N1X.
Keuntungan terbesarnya muncul pada workload yang membutuhkan kapasitas memori besar.
Model AI tidak hanya membutuhkan memori untuk menyimpan bobot. Ada pula KV cache, konteks, data input, buffer, dan kebutuhan runtime lainnya.
Karena itu, pada AI lokal: kapasitas memori menentukan seberapa besar model yang dapat ditampung, sedangkan bandwidth dan kemampuan komputasi ikut menentukan seberapa cepat model tersebut diproses.
Inilah alasan mengapa angka 128 GB pada N1X jauh lebih penting daripada sekadar terlihat besar di lembar spesifikasi.
Apakah N1X Bisa Menjalankan Model AI 120 Miliar Parameter?
Bisa menjadi sangat mungkin, tetapi jawabannya tidak boleh disederhanakan menjadi “128 GB = 120B”.
NVIDIA sendiri menyatakan platform DGX Spark berbasis GB10 dapat mendukung model AI hingga 200 miliar parameter, tetapi kemampuan tersebut tetap bergantung pada konfigurasi model dan teknik seperti quantization.
Ukuran model dipengaruhi oleh format numerik yang digunakan.
Model 120 miliar parameter dalam presisi tinggi membutuhkan memori yang jauh lebih besar daripada model yang sama setelah quantization.
Selain bobot, sistem juga harus menyediakan ruang untuk:
- KV cache;
- Panjang konteks;
- Runtime;
- Aktivasi;
- Dan kebutuhan sistem lainnya.
Jadi klaim yang lebih tepat adalah: N1X menyediakan kapasitas unified memory yang membuat model AI berukuran sangat besar lebih realistis untuk dijalankan secara lokal, termasuk kelas model sekitar 120 miliar parameter setelah konfigurasi dan quantization diperhitungkan.
Yang penting, “bisa dimuat” tidak sama dengan “bisa menjalankan inferensi dengan kecepatan tinggi”.
NVLink-C2C: Penghubung yang Menentukan
Ketika CPU dan GPU berbagi sistem yang sangat terintegrasi, komunikasi di antara keduanya menjadi sangat penting.
NVIDIA menggunakan NVLink-C2C dalam ekosistem Grace dan Blackwell untuk menyediakan interkoneksi chip-to-chip berbandwidth tinggi dan koheren.
Tujuannya sederhana: CPU dan GPU harus dapat bertukar data dengan cepat tanpa menjadikan interkoneksi sebagai hambatan utama.
Ini menjadi semakin penting ketika workload AI membutuhkan CPU untuk menyiapkan data dan GPU untuk melakukan komputasi paralel dalam jumlah besar.
Namun, NVLink-C2C bukan alasan tunggal mengapa N1X menarik.
Nilai desainnya muncul dari kombinasi: CPU + GPU + unified memory + interkoneksi + software CUDA.
Kelima komponen tersebut bekerja sebagai satu ekosistem.
Jadi, Apakah Chip Monolitik Sudah Berakhir?
Belum.
Dan justru di sinilah judul “akhir era chip monolitik” perlu dilihat secara lebih hati-hati.
Chip monolitik masih relevan dan akan terus digunakan pada berbagai jenis prosesor dan SoC.
Yang berubah adalah posisinya.
Ketika kebutuhan komputasi meningkat, produsen tidak lagi harus mengandalkan satu die raksasa untuk setiap peningkatan performa.
Desain multi-die memungkinkan kompleksitas dibagi ke beberapa komponen.
Jadi yang sedang berakhir bukan keberadaan chip monolitik, melainkan dominasi chip monolitik sebagai satu-satunya pendekatan menuju skala komputasi yang lebih tinggi.
Mengapa Pergeseran Ini Terjadi Sekarang?
Karena kebutuhan komputasi juga berubah.
PC tidak lagi hanya digunakan untuk menjalankan aplikasi tradisional. AI mulai menjadi bagian dari sistem operasi, aplikasi kreatif, pencarian, produktivitas, dan perangkat lunak sehari-hari.
Gartner memperkirakan AI PC mencapai 54,7% dari pasar PC global pada 2026, dengan sekitar 143 juta unit AI PC diproyeksikan dikirimkan sepanjang tahun tersebut.
Lebih menarik lagi, riset Gartner September 2026 menyebut arsitektur memori dan bandwidth sebagai faktor utama dalam desain PC untuk era agentic AI.
Artinya, perang performa PC mulai bergeser.
Dulu pertanyaannya: “Berapa cepat prosesornya?”
Sekarang pertanyaannya semakin kompleks: “Berapa besar model yang bisa dijalankan, seberapa cepat data dapat dipindahkan, dan seberapa efisien AI dapat bekerja secara lokal?”
AI Mengubah Cara Kita Menilai Chip
Perubahan ini juga terlihat pada industri semikonduktor secara keseluruhan.
IDC memperkirakan pendapatan industri semikonduktor global mencapai US$1,29 triliun pada 2026, naik 52,8% dibandingkan 2025. IDC menyebut investasi infrastruktur AI sebagai pendorong utama pertumbuhan tersebut.
Namun pertumbuhan AI tidak hanya meningkatkan permintaan terhadap GPU.
Ia juga meningkatkan kebutuhan terhadap:
- Memori;
- Interkoneksi;
- Packaging;
- CPU;
- Akselerator;
- Jaringan;
- Dan sistem yang mampu menggabungkan semuanya.
Karena itu, desain chip modern semakin sulit dipisahkan dari desain sistem secara keseluruhan.
N1X Adalah Contoh Pergeseran Itu
N1X menarik bukan semata-mata karena memiliki 20 core CPU dan 6.144 CUDA core.
Yang lebih penting adalah filosofi desainnya.
CPU Grace menangani komputasi general-purpose.
GPU Blackwell menangani komputasi paralel dan AI.
Unified memory menyediakan ruang data bersama hingga 128 GB pada konfigurasi tertinggi.
Interkoneksi berkecepatan tinggi memungkinkan berbagai blok tersebut berkomunikasi dengan cepat.
Dan seluruhnya diarahkan untuk menjalankan AI secara lokal, bukan hanya mengandalkan cloud.
Itulah perubahan yang sebenarnya.
Dari “Chip Lebih Besar” Menjadi “Sistem Lebih Cerdas”
Selama bertahun-tahun, peningkatan performa identik dengan satu rumus: lebih banyak transistor = lebih banyak performa.
Rumus tersebut belum hilang, tetapi sekarang tidak cukup.
Era AI membutuhkan kombinasi: lebih banyak komputasi + memori lebih besar + bandwidth tinggi + interkoneksi cepat + software yang mampu memanfaatkan semuanya.
N1X menunjukkan arah tersebut.
Masa depan komputasi tidak harus selalu diwujudkan dengan membuat satu keping silikon semakin besar.
Sebaliknya, masa depan dapat dibangun dengan menggabungkan berbagai blok komputasi menjadi satu sistem yang bekerja seolah-olah merupakan satu kesatuan.
Dan itulah alasan chiplet serta desain multi-die semakin penting.
Bukan karena chip monolitik akan segera menghilang, tetapi karena skala komputasi modern membuat pendekatan “satu die untuk semuanya” semakin sulit menjadi satu-satunya jawaban.
N1X bukan sekadar cerita tentang 6.144 CUDA core.
Ia adalah cerita tentang perubahan cara industri mendefinisikan sebuah chip: bukan lagi sekadar seberapa besar silikon yang dapat dicetak, tetapi seberapa efektif berbagai bagian silikon dapat bekerja bersama.
Spesifikasi Utama NVIDIA RTX Spark N1X
| Komponen | Spesifikasi |
|---|---|
| CPU | NVIDIA Grace, hingga 20 core Arm |
| GPU | NVIDIA Blackwell RTX GPU |
| CUDA Core | Hingga 6.144 |
| Tensor Core | Generasi kelima |
| Ray Tracing Core | Generasi keempat |
| Unified Memory | Hingga 128 GB LPDDR5X |
| Memory Interface | 256-bit |
| Memory Bandwidth | Hingga sekitar 300 GB/s |
| AI Performance | Hingga 1 PFLOP FP4 |
| TDP Superchip | 140 W |
| OS | Windows 11 |
| Arsitektur | Arm-based SoC dengan GPU Blackwell terintegrasi |
Spesifikasi tersebut berasal dari dokumentasi dan halaman produk NVIDIA; konfigurasi 18-core/5.120-core juga tersedia dengan kapasitas memori hingga 64 GB pada varian tertentu.
Tidak ada komentar:
Posting Komentar
Biasakan berbahasa yang sopan