Widget HTML Atas


Jensen Huang dan Nvidia

Perjalanan Jensen Huang dan Nvidia 

Dari Awal yang Sederhana hingga Dominasi AI

Jensen Huang lahir di Taiwan dan memulai perjalanan hidupnya dengan pekerjaan sederhana sebagai pencuci piring di Denny's. Namun, tekad dan kerja kerasnya membawanya ke Stanford, di mana ia mendapatkan pendidikan tinggi. Setelah lulus, ia mendapatkan pekerjaan, namun kemudian memutuskan untuk berhenti dan pindah ke California.

Di California, Huang mendirikan Nvidia tanpa rencana bisnis yang jelas dan mendekati Sequoia untuk mendapatkan pendanaan. Nvidia kemudian memulai petualangan di dunia chip 3D dengan meluncurkan NV1. Sayangnya, peluncuran ini berakhir dengan bencana. Dari 250.000 unit yang dijual kepada Diamond Multimedia, 249.000 unit dikembalikan karena masalah pada produk.

Tidak menyerah, Nvidia mencoba mengembangkan NV2 bersama Sega, namun proyek ini juga berakhir dengan kegagalan. Pada titik ini, Nvidia hanya memiliki satu kesempatan untuk menciptakan chip yang sempurna. Mereka membeli "emulator" dari perusahaan yang hampir bangkrut dan menciptakan RIVA 128NV3, yang terbukti sukses dengan menjual satu juta unit. Nvidia terus berinovasi dan mengembangkan chip pertama yang dapat diprogram, GeForce 256, yang menjadi GPU pertama di dunia dan meraih kesuksesan besar.

Pada tahun 1999, Nvidia go public dan bermitra dengan Microsoft untuk membangun Xbox. Nvidia tidak ingin terjebak hanya di pasar game, sehingga pada tahun 2006, mereka memutuskan untuk memasukkan CUDA ke dalam GPU mereka. Langkah ini membuka peluang untuk aplikasi di berbagai bidang seperti dinamika molekuler, pemrosesan seismik, rekonstruksi CT, dan pemrosesan gambar.

Andrew Ng, bersama dengan mahasiswa Ian Goodfellow, membangun server GPU di kamar asrama mereka dan berhasil mencapai peningkatan kecepatan 100x dalam melatih jaringan neural menggunakan GPU. Yann LeCun di NYU melakukan hal yang sama, dan semua peneliti ini menghubungi Nvidia. Pada tahun 2012, Nvidia memutuskan untuk bertaruh besar pada AI, yang saat itu merupakan pasar yang masih belum berkembang.

Nvidia menjangkau setiap peneliti AI di dunia dan mendapatkan umpan balik positif. Mereka terus membangun teknologi untuk AI dan ketika OpenAI meluncurkan ChatGPT, semua orang menjadi optimis tentang AI. Harga saham Nvidia yang pada tahun 1999 kurang dari $0,5, kini telah mencapai lebih dari $1220, meningkat sebesar 298.534,15%.

Selama 31 tahun, Nvidia telah berkembang pesat dengan kapitalisasi pasar mencapai $3 triliun pada tahun 2024. Semua ini berkat visi dan kegigihan Jensen Huang serta tim Nvidia yang tak pernah menyerah.

Keputusan Penting Huang

Keputusan Huang agar Tidak terjebak dalam Dunia Game, adalah keputusan penting dengan mengembangkan CUDA.
Pada tahun 2006, NVIDIA memperkenalkan CUDA sebagai bagian dari arsitektur G80 mereka. Ini merupakan langkah signifikan dalam evolusi GPU dari sekadar pengolah grafis menjadi perangkat yang bisa digunakan untuk komputasi umum (General-Purpose Computing on Graphics Processing Units, atau GPGPU).
Pada tahun 2007, NVIDIA secara resmi meluncurkan CUDA Toolkit. Ini memungkinkan para pengembang untuk menulis program yang bisa berjalan pada GPU NVIDIA menggunakan bahasa pemrograman yang lebih familiar seperti C, C++, dan Fortran.
CUDA mulai digunakan di berbagai bidang seperti penelitian ilmiah, analisis data, simulasi fisika, dan pembelajaran mesin. Kemampuan untuk memanfaatkan ribuan core paralel dari GPU membuat CUDA sangat menarik bagi aplikasi yang membutuhkan komputasi intensif.
Menyiapkan Ekosistem dan Dukungan Industri, Seiring waktu, NVIDIA terus memperbarui dan meningkatkan CUDA. Ekosistem perangkat lunak yang mendukung CUDA juga berkembang pesat, dengan banyak framework dan library yang dioptimalkan untuk CUDA, seperti TensorFlow, PyTorch, dan cuDNN (NVIDIA CUDA Deep Neural Network library).
Dominasi di Bidang AI dan Pembelajaran Mesin, Dalam dekade terakhir, CUDA telah menjadi tulang punggung dari banyak kemajuan dalam kecerdasan buatan dan pembelajaran mesin. GPU NVIDIA yang didukung oleh CUDA menjadi pilihan utama untuk melatih model pembelajaran mendalam (deep learning) karena efisiensinya dalam menangani komputasi paralel skala besar.
Integrasi CUDA dengan GPU NVIDIA merupakan langkah strategis yang berhasil mengubah GPU dari perangkat yang awalnya hanya digunakan untuk rendering grafis menjadi alat yang sangat kuat untuk komputasi umum dan ilmiah. Dukungan yang terus berlanjut dari NVIDIA melalui peningkatan perangkat keras dan perangkat lunak telah memastikan bahwa CUDA tetap relevan dan menjadi standar de facto di banyak bidang komputasi. (cahyod)