BigCapital beta

Artikel · Teknologi

Ledakan AI dalam angka

Sejak 2010, daya komputasi yang dipakai untuk melatih model AI terkemuka berlipat ganda setiap 5,7 bulan — ×4,3 setahun, menurut tren yang dicocokkan pada 481 model dalam data Epoch AI. Microsoft, Alphabet, Amazon, Meta, dan Oracle membelanjakan $691 M untuk properti dan peralatan dalam empat kuartal hingga September 2026, 4,5 kali lipat dibandingkan empat kuartal sebelum ChatGPT dirilis. Pendapatan NVIDIA mencapai $216 M pada tahun fiskal 2026, 8,01 kali lipat dibandingkan tahun fiskal 2023.

Diperbarui dengan data Nov 2026Waktu baca 9 menit

Komputasi pelatihan berlipat ganda setiap
5,7 bulan

×4,3 setahun sejak 2010, tren yang dicocokkan pada 481 model terkemuka; sebelum 2010: setiap 20,5 bulan

Proses pelatihan terbesar dalam data, FLOP
9,4×1026

GPT-6 Astra, OpenAI, Sep 2026

Model di atas 10²³ FLOP yang dipublikasikan pada 2025
104

1 pada 2019; total 326 dengan estimasi

Belanja modal Big Tech, empat kuartal hingga September 2026
$691 M

Microsoft, Alphabet, Amazon, Meta, dan Oracle; $154 M dalam empat kuartal hingga September 2022

Pendapatan NVIDIA, tahun fiskal 2026
$216 M

tahun fiskal 2023: $27 M; laba bersih $120 M, 56% dari pendapatan

Komputasi pelatihan berlipat ganda setiap 5,7 bulan

Setiap titik adalah salah satu dari 543 model AI terkemuka yang komputasi pelatihannya telah diestimasi Epoch AI: jumlah operasi floating-point (FLOP) — penjumlahan dan perkalian — yang dipakai untuk melatihnya. Rentangnya dari Theseus, tikus mekanis pemecah labirin karya Claude Shannon pada 1950, yang dilatih dengan 40 FLOP, hingga yang terbesar sejauh ini, GPT-6 Astra oleh OpenAI (Sep 2026), dengan 9,4×10²⁶ FLOP.

Skalanya logaritmik, sehingga garis lurus berarti pertumbuhan eksponensial yang stabil. Garis kuadrat terkecil melalui 481 model yang dipublikasikan sejak 2010 naik ×4,3 setahun: komputasi pelatihan berlipat ganda setiap 5,7 bulan, dan sepuluh tahun di sepanjang garis itu melipatgandakannya 2,15 jt kali lipat. Melalui 62 model sebelum 2010, kenaikannya ×1,5 setahun, berlipat ganda setiap 20,5 bulan. Model frontier — lima model terbesar menurut komputasi saat dirilis — berlipat ganda setiap 5,4 bulan sejak 2010 (72 model).

Angka-angka ini adalah estimasi. Epoch menilai 59% di antaranya yakin (tepat dalam kisaran 3 kali lipat ke kedua arah), 28% kemungkinan besar (dalam 10 kali lipat), dan 12% spekulatif (dalam sekitar 31 kali lipat); yang spekulatif ditandai titik kosong. Tanpa estimasi spekulatif, tren sejak 2010 adalah penggandaan setiap 5,6 bulan.

Model frontier (5 besar menurut komputasi saat dirilis)Model terkemuka lainnyaEstimasi spekulatifTren sebelum 2010Tren sejak 2010
Model terkemuka dengan estimasi komputasi pelatihan, menurut tanggal publikasi. Skala log. Garis: tren kuadrat terkecil sebelum dan sejak 2010. Bernama: rekor komputasi, masing-masing minimal 10 kali lipat dari yang disebut sebelumnya. Data: Epoch AI, ‘Data on AI models’ (CC BY 4.0); tren dan jumlah dihitung oleh BigCapital
Tren dalam bentuk tabel
ModelJumlahWaktu penggandaanPertumbuhan setahunR²
Model terkemuka sebelum 20106220,5 bulan×1,50,69
Model terkemuka sejak 20104815,7 bulan×4,30,66
Model frontier sejak 2010725,4 bulan×4,60,97
Model bahasa sejak 20103024,9 bulan×5,50,68
Sejak 2010, tanpa estimasi spekulatif4225,6 bulan×4,40,67

Kuadrat terkecil dari log₂ komputasi pelatihan terhadap tanggal publikasi dalam tahun; waktu penggandaan = 12 ÷ kemiringan bulan, pertumbuhan setahun = 2^kemiringan. R² adalah porsi sebaran log komputasi yang dijelaskan oleh garis.

Model terbesar setiap tahun

Rekor komputasi baru tercipta 24 kali sejak 2010. Model terbesar pada 2010, RNN LM, dilatih dengan 5,4×10¹⁶ FLOP; GPT-6 Astra memakai 17,4 M kali lipat dari itu.

Epoch AI juga mengestimasi biaya komputasi pelatihan untuk 178 model, dalam dolar 2023. Estimasi tertinggi adalah $388 jt, untuk Grok 4 (xAI, 2025); di atas $100 jt: 3 model. Daya terbesar dalam data, sekitar 233 megawatt, dipakai oleh 100.000 chip yang melatih GPT-6 Astra, menurut estimasi Epoch.

TahunModel dan pengembangKomputasi pelatihan, FLOP× tahun sebelumnyaBiaya komputasi, dolar 2023
2010RNN LMJohns Hopkins University · Amerika Serikat5,4×1016spekulatif——
2011CNN Committee (MNIST)IDSIA · Swiss5,2×1016kemungkinan besar×0,96—
2012Unsupervised High-level Feature LearnerGoogle · Amerika Serikat6,0×1017kemungkinan besar×11,5$16
2013DistBelief NNLMGoogle · Amerika Serikat2,6×1018kemungkinan besar×4,35$3,26 rb
2014SNM-skipGoogle · Amerika Serikat3,0×1020spekulatif×114—
2015AlphaGo FanDeepMind · Inggris Raya3,8×1020kemungkinan besar×1,28$4,83 rb
2016GNMTGoogle · Amerika Serikat6,6×1021kemungkinan besar×17,4$201 rb
2017JFTGoogle Research, Carnegie Mellon University (CMU) · Amerika Serikat8,4×1020yakin×0,13$17,9 rb
2018ResNeXt-101 32x48dFacebook · Amerika Serikat8,7×1021yakin×10,4$134 rb
2019AlphaStarDeepMind · Inggris Raya1,1×1023yakin×12,3$131 rb
2020GPT-3 175B (davinci)OpenAI · Amerika Serikat3,1×1023yakin×2,91$2,12 jt
2021FLAN 137BGoogle Research · Amerika Serikat2,0×1024yakin×6,52—
2022Minerva (540B)Google · Amerika Serikat2,7×1024yakin×1,34—
2023Gemini 1.0 UltraGoogle DeepMind · Amerika Serikat5,0×1025spekulatif×18,2$30,7 jt
2024Llama 3.1-405BMeta AI · Amerika Serikat3,8×1025yakin×0,76$52,9 jt
2025Grok 4xAI · Amerika Serikat5,0×1026spekulatif×13,2$388 jt
2026sejauh iniGPT-6 AstraOpenAI · Amerika Serikat9,4×1026kemungkinan besar×1,88—

Model terkemuka dengan komputasi pelatihan terbanyak yang dipublikasikan pada setiap tahun; × tahun sebelumnya membandingkannya dengan model terbesar tahun sebelumnya. Di bawah komputasi: seberapa yakin Epoch AI atas estimasinya. Biaya: estimasi Epoch AI, bila ada.

Klub 10²³ FLOP

Epoch AI menyimpan daftar model skala besar: model yang dilatih dengan lebih dari 10²³ FLOP, garis batas tetap yang dipakai beberapa regulasi AI. Daftar itu memiliki estimasi komputasi untuk 326 di antaranya. Yang pertama adalah AlphaStar pada 2019; pada 2025, 104 model melewati garis itu, setelah 101 pada 2024.

Model pertama di atas garis yang lebih tinggi adalah Wu Dao 2.0 di atas 10²⁴ (2021), GPT-4 di atas 10²⁵ (2023) dan Grok 3 di atas 10²⁶ (2025). Model di atas 10²⁵ FLOP yang dipublikasikan pada 2025: 9. Dari seluruh 104 model di klub itu pada tahun tersebut, 90 dirilis dengan bobot terbuka — siapa pun dapat mengunduh dan menjalankannya — dan 10 hanya melalui API atau layanan terhosting; 4 tidak dirilis.

2026 belum berakhir: hingga 10 November 2026, daftar itu memuat 27 model dengan estimasi. Epoch menambahkan model baru dalam hitungan minggu dan estimasi komputasi menyusul kemudian, sehingga bulan-bulan terbaru akan terisi seiring waktu. Daftar itu juga mencatat 208 model skala besar tanpa estimasi komputasi; model tersebut tidak dihitung di sini.

10²³ hingga 10²⁴10²⁴ hingga 10²⁵10²⁵ hingga 10²⁶di atas 10²⁶
Satu kotak per model yang menurut Epoch AI dilatih dengan lebih dari 10²³ FLOP dan memiliki estimasi komputasi, pada tahun publikasinya; yang terbesar di bagian bawah setiap kolom. 2026: hingga 10 November 2026. Data: Epoch AI, ‘Data on AI models’ (CC BY 4.0); tren dan jumlah dihitung oleh BigCapital
Kotak-kotak dalam bentuk tabel
TahunDi atas 10²³Di atas 10²⁴Di atas 10²⁵Di atas 10²⁶Tanpa estimasi
201910000
202020000
2021103000
2022233008
202358173063
2024101396066
2025104719361
2026sejauh ini27257110

Model dengan estimasi komputasi, menurut tahun publikasi; model di atas 10²⁵ FLOP juga dihitung sebagai di atas 10²⁴ dan 10²³. Tanpa estimasi: ada dalam daftar skala besar Epoch tanpa angka komputasi.

Siapa yang membangunnya

Organisasi di Amerika Serikat terlibat dalam 135 dari 326 model di atas 10²³ FLOP dan organisasi di Tiongkok dalam 139; berikutnya Korea Selatan (17), Prancis (10) dan Uni Emirat Arab (8). Model yang dibangun oleh beberapa organisasi dihitung satu kali untuk setiap negara mereka.

Yang terbanyak berasal dari Alibaba (36), Meta AI (24), dan Nvidia (20). Kelompok dinamai seperti dalam data, sehingga kelompok milik Google dihitung terpisah: Google, Google DeepMind, Google Research, DeepMind dan Google Brain.

Model di atas 10²³ FLOP, menurut negara
  1. Tiongkok139
  2. Amerika Serikat135
  3. Korea Selatan17
  4. Prancis10
  5. Uni Emirat Arab8
  6. Inggris Raya5
  7. Jerman4
  8. Hong Kong3
  9. Rusia3
  10. Finlandia2
Model di atas 10²³ FLOP, menurut organisasi
  1. Alibaba36
  2. Meta AI24
  3. Nvidia20
  4. DeepSeek17
  5. OpenAI11
  6. Google10
  7. IBM10
  8. Tsinghua University10
  9. ByteDance8
  10. Z.ai (Zhipu AI)8
  11. 01.AI7
  12. Ant Group6

Model dengan estimasi komputasi; satu model dihitung satu kali untuk setiap negara dan setiap organisasi yang disebutkan. Organisasi sebagaimana dinamai Epoch AI.

Perusahaan, bukan universitas

Dari 109 model terkemuka yang dipublikasikan pada 2025, 92% berasal dari perusahaan saja, 5% dari perusahaan yang bekerja sama dengan universitas, dan 2% dari universitas saja. Pada 2010–2014, perusahaan saja menghasilkan 19% di antaranya.

PerusahaanPerusahaan dengan universitasUniversitasLainnya atau tidak diketahui
Semua model terkemuka (dengan atau tanpa estimasi komputasi) menurut tahun publikasi dan pembuatnya, sebagaimana Epoch AI mengategorikan organisasinya. Lainnya: pemerintah, kolektif riset, tidak dikategorikan. 2026: hingga 10 November 2026. Data: Epoch AI, ‘Data on AI models’ (CC BY 4.0); tren dan jumlah dihitung oleh BigCapital

Soal uang: belanja modal Big Tech

Melatih dan menjalankan model AI membutuhkan pusat data penuh chip, dan perusahaan yang membangun pusat data terbesar melaporkan tagihannya sebagai belanja modal: kas yang dibayarkan untuk properti dan peralatan. Microsoft, Alphabet, Amazon, Meta, dan Oracle bersama-sama membelanjakan $691 M dalam empat kuartal hingga September 2026, 4,5 kali lipat dibandingkan $154 M pada empat kuartal hingga September 2022 — kuartal terakhir sebelum ChatGPT dirilis pada 30 November 2022. Itu setara $1,89 M per hari, atau $21.900 setiap detik.

Dibandingkan dengan ukurannya, belanja itu menyerap 36% dari pendapatan kelima perusahaan dalam empat kuartal terakhir, dibandingkan 13% sebelumnya, dan 95% dari kas yang dihasilkan operasi mereka, dibandingkan 54%. Pembelanja terbesar adalah Amazon, dengan $215 M.

Laporan keuangan tidak menyebutkan berapa banyak dari belanja ini yang digunakan untuk AI. Belanja modal juga membiayai kantor dan bangunan lain — di Amazon, juga gudang dan jaringan pengiriman — dan setiap perusahaan melaporkannya menurut definisinya sendiri.

MicrosoftAlphabetAmazonMetaOracle
Belanja modal per kuartal kalender, dari laporan arus kas. Kuartal Oracle berakhir pada Februari, Mei, Agustus, dan November dan ditempatkan pada kuartal kalender tempat kuartal itu berakhir. Diarsir: empat kuartal hingga September 2022 dan hingga September 2026. Sumber: SEC EDGAR (laporan perusahaan)

Perubahan dibandingkan empat kuartal hingga September 2022. Batang: belanja modal per kuartal sejak 2015, setiap perusahaan dengan skalanya sendiri. Di atas 100% arus kas operasional: pengeluaran lebih besar daripada kas yang dihasilkan operasi. Kartu-kartu ini terhubung ke halaman perusahaan.

Belanja modal per tahun kalender
TahunMicrosoftAlphabetAmazonMetaOracleTotal
2015$6,55 M$9,93 M$4,59 M$2,52 M$1,61 M$25,2 M
2016$9,11 M$10,2 M$6,74 M$4,49 M$1,6 M$32,2 M
2017$8,7 M$13,2 M$12 M$6,73 M$2,04 M$42,6 M
2018$14,2 M$25,1 M$13,4 M$13,9 M$1,47 M$68,2 M
2019$13,5 M$23,5 M$16,9 M$15,1 M$1,59 M$70,6 M
2020$17,6 M$22,3 M$40,1 M$15,2 M$1,83 M$97 M
2021$23,2 M$24,6 M$61,1 M$18,7 M$3,12 M$131 M
2022$24,8 M$31,5 M$63,6 M$31,2 M$6,68 M$158 M
2023$35,2 M$32,3 M$52,7 M$27 M$6,93 M$154 M
2024$55,6 M$52,5 M$83 M$37,3 M$10,7 M$239 M
2025$83,1 M$91,4 M$132 M$69,7 M$35,5 M$412 M
20263 kuartal$106 M$132 M$176 M$83,1 M$63,6 M$560 M

NVIDIA: menjual sekop

Epoch AI mencatat perangkat keras pelatihan dari 278 model terkemuka yang dipublikasikan sejak 2020: 204 di antaranya (73%) dilatih pada chip NVIDIA dan 68 (24%) pada TPU milik Google.

Tahun fiskal NVIDIA berakhir pada akhir Januari: tahun fiskal 2026 berlangsung hingga 25 Januari 2026. Pendapatannya pada tahun itu $216 M, 8,01 kali lipat dibandingkan tahun fiskal 2023 ($27 M), tahun yang berakhir 2 bulan setelah ChatGPT dirilis. Laba bersih naik dari $4,37 M (16% dari pendapatan) menjadi $120 M (56%).

Kuartal terbaru dalam laporan keuangan, K2 TF2027 (hingga 26 Juli 2026), mencatat pendapatan $96,2 M dan laba bersih $59,7 M; 75% dari pendapatan tersisa setelah biaya barang yang dijual (marjin kotor). Empat kuartal hingga 26 Juli 2026 berjumlah $303 M pendapatan dan $193 M laba bersih — dengan laju itu, laba bersih sebesar seluruh pendapatan NVIDIA pada tahun fiskal 2016 ($5,01 M) diperoleh setiap 9,5 hari.

Data SEC yang dipakai di sini memberikan total pendapatan NVIDIA, bukan rinciannya menurut pasar, sehingga grafik menampilkan totalnya. Nilai pasar saham NVIDIA yang dipegang publik — saham publik pada sampul laporan tahunannya, bukan kapitalisasi pasar — adalah $434 M pada akhir Juli 2022 dan $4,0 T pada akhir Juli 2025.

PendapatanLaba bersih
Pendapatan dan laba bersih per kuartal fiskal, sesuai yang dilaporkan; tahun fiskal sebagaimana dinamai NVIDIA (tahun fiskal 2026 berakhir 25 Januari 2026). Garis putus-putus: ChatGPT dirilis, 30 November 2022. Sumber: SEC EDGAR (laporan perusahaan)
Tahun fiskalPendapatanPerubahanMarjin kotorLaba bersihMarjin bersih
Tahun fiskal 2016berakhir 31 Januari 2016$5,01 M+7%56,1%$614 jt12,3%
Tahun fiskal 2017berakhir 29 Januari 2017$6,91 M+38%58,8%$1,67 M24,1%
Tahun fiskal 2018berakhir 28 Januari 2018$9,71 M+41%59,9%$3,05 M31,4%
Tahun fiskal 2019berakhir 27 Januari 2019$11,7 M+21%61,2%$4,14 M35,3%
Tahun fiskal 2020berakhir 26 Januari 2020$10,9 M−7%62,0%$2,8 M25,6%
Tahun fiskal 2021berakhir 31 Januari 2021$16,7 M+53%62,3%$4,33 M26,0%
Tahun fiskal 2022berakhir 30 Januari 2022$26,9 M+61%64,9%$9,75 M36,2%
Tahun fiskal 2023berakhir 29 Januari 2023$27 M+0%56,9%$4,37 M16,2%
Tahun fiskal 2024berakhir 28 Januari 2024$60,9 M+126%72,7%$29,8 M48,8%
Tahun fiskal 2025berakhir 26 Januari 2025$130 M+114%75,0%$72,9 M55,8%
Tahun fiskal 2026berakhir 25 Januari 2026$216 M+65%71,1%$120 M55,6%
Empat kuartal terakhirhingga 26 Juli 2026$303 M74,7%$193 M63,7%

Pertanyaan yang sering diajukan

Seberapa cepat AI berkembang?

Salah satu ukuran yang dilacak Epoch AI untuk setiap model terkemuka adalah komputasi pelatihan. Sejak 2010 ukuran itu berlipat ganda setiap 5,7 bulan — ×4,3 setahun, menurut tren kuadrat terkecil pada 481 model. Sebelum 2010, ukuran itu berlipat ganda setiap 20,5 bulan.

Apa itu FLOP dalam AI?

Operasi floating-point: satu penjumlahan atau perkalian bilangan desimal. Komputasi pelatihan adalah total operasi yang dilakukan untuk melatih sebuah model: GPT-6 Astra membutuhkan sekitar 9,4×10²⁶ FLOP menurut estimasi Epoch AI, Theseus pada 1950 membutuhkan 40.

Berapa biaya untuk melatih model AI?

Epoch AI mengestimasi biaya komputasi pelatihan untuk 178 model terkemuka, dalam dolar 2023. Yang tertinggi adalah $388 jt, untuk Grok 4 (2025); median dari 7 estimasi untuk model yang dipublikasikan pada 2025 adalah $44,6 jt. Angka-angka ini hanya mencakup komputasi.

Berapa banyak perusahaan teknologi membelanjakan dana untuk pusat data AI?

Laporan keuangan melaporkan belanja modal secara keseluruhan, bukan bagian untuk AI. Microsoft, Alphabet, Amazon, Meta, dan Oracle membelanjakan $691 M dalam empat kuartal hingga September 2026, dibandingkan $154 M dalam empat kuartal hingga September 2022; pembelanja terbesar adalah Amazon ($215 M).

Berapa banyak uang yang dihasilkan NVIDIA?

Pada tahun fiskal 2026, hingga 25 Januari 2026, pendapatan mencapai $216 M dan laba bersih $120 M. Dalam empat kuartal hingga 26 Juli 2026: pendapatan $303 M, laba bersih $193 M.

Pelajari lebih dalam

Cara angka dihitung

  • Model AI: Epoch AI, ‘Data on AI models’. Dipublikasikan daring di epoch.ai. Diambil dari https://epoch.ai/data/ai-models [sumber daring]. Diakses 15 November 2026. Lisensi CC BY 4.0: bebas digunakan, disebarkan, dan direproduksi dengan mencantumkan Epoch AI. Grafik, tren, dan jumlah di halaman ini dihitung oleh BigCapital.
  • Komputasi pelatihan: operasi floating-point yang dipakai untuk melatih model, sebagaimana dilaporkan pengembang atau diestimasi Epoch AI dari perangkat keras dan waktu pelatihan atau dari ukuran model dan data pelatihannya. Tingkat keyakinan, rentang 90% Epoch: yakin dalam 3 kali lipat, kemungkinan besar dalam 10, spekulatif dalam sekitar 31.
  • Tren: regresi kuadrat terkecil biasa dari log₂ (komputasi pelatihan) terhadap tanggal publikasi dalam tahun, untuk model terkemuka yang memiliki estimasi; waktu penggandaan = 12 ÷ kemiringan bulan, pertumbuhan setahun = 2^kemiringan. “Sejak 2010”: dipublikasikan mulai 1 Januari 2010. Rekor: komputasi lebih banyak daripada semua model terkemuka sebelumnya.
  • Model terkemuka: daftar Epoch tentang model yang memajukan teknologi mutakhir, banyak dikutip, relevan secara historis, atau banyak dipakai; model frontier masuk 5 besar menurut komputasi pelatihan saat dirilis. Model skala besar: daftar Epoch tentang model di atas 10²³ FLOP, dihitung menurut tahun publikasi dan satu kali untuk setiap negara dan organisasi yang disebutkan.
  • Angka perusahaan: SEC EDGAR, fakta perusahaan XBRL dari laporan 10-K dan 10-Q (domain publik).
  • Belanja modal: pembayaran untuk memperoleh properti dan peralatan dalam laporan arus kas, di bawah tag XBRL yang dipakai setiap perusahaan; kuartal yang tidak dilaporkan tersendiri dihitung dari tahun berjalan dikurangi tahun berjalan sebelumnya. Pendapatan, laba bersih, laba kotor, dan arus kas operasional sesuai yang dilaporkan. Amazon, K2 2017: tidak ada dalam data XBRL, sehingga dihitung dari tahun fiskal dikurangi tiga kuartal lainnya.
  • Tahun fiskal sebagaimana dinamai perusahaan: tahun fiskal 2026 NVIDIA berakhir pada 25 Januari 2026. Grafik belanja modal memakai kuartal kalender.
  • Angka masa lalu adalah sejarah, bukan prakiraan. Tidak ada di sini yang merupakan saran investasi.

Gunakan kembali artikel ini

Teks dan grafik bebas diterbitkan ulang, diterjemahkan, dan diadaptasi di bawah CC BY 4.0: cantumkan BigCapital.org dengan tautan ke halaman ini. Data dari penyedia lain tetap memiliki lisensinya sendiri (lihat sumber di bawah). Cara mencantumkan sumber

Sumber: BigCapital.org — “Ledakan AI dalam angka”, https://bigcapital.org/id/articles/ai-boom/

Bahasa

EnglishBahasa IndonesiaDeutschEspañolFrançaisItalianoNederlandsPolskiPortuguêsTürkçeРусскийУкраїнська日本語한국어简体中文