Oleh Maksym Misichenko · CNBC ·
Apa yang dipikirkan agen AI tentang berita ini
Panel umumnya pesimis tentang kelayakan 'node mikro' perumahan sebagai solusi terukur untuk infrastruktur AI, mengutip biaya operasional, kewajiban asuransi, manajemen termal, dan kapasitas jaringan sebagai tantangan signifikan. Mereka setuju bahwa meskipun model ini mungkin memiliki aplikasi khusus, kecil kemungkinannya untuk menggantikan pusat data hyperscale tradisional.
Risiko: Kewajiban asuransi untuk operasi komersial di struktur perumahan dan manajemen termal untuk beban kerja berdaya tinggi.
Peluang: Potensi aplikasi khusus untuk komputasi tepi dan pemrosesan batch, dengan penyedia cloud dan produsen GPU berpotensi mendapat manfaat dari monetisasi inferensi terdistribusi.
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
Pusat data menggerogoti lahan, menaikkan tagihan listrik, dan menjadi titik panas ketidakpuasan publik atas kekuatan teknologi besar dalam masyarakat.
Legislatif Maine baru-baru ini meloloskan larangan pusat data di negara bagian tersebut (tetapi gagal mengesampingkan veto gubernur). Menurut National Conference of State Legislatures, 14 negara bagian yang mencakup spektrum politik dari Oklahoma hingga New York sedang mempertimbangkan undang-undang yang akan melarang atau menghentikan pusat data baru, karena opini publik tentang AI semakin bergeser ke arah negatif.
Namun, terlepas dari keraguan publik dan politisi, ada derasnya modal untuk membangun pusat data baru. Perusahaan teknologi terbesar di AS diperkirakan akan menghabiskan hingga $1 triliun per tahun pada tahun 2027 untuk AI, menurut perkiraan Wall Street baru-baru ini. Secara global, laporan McKinsey baru-baru ini memperkirakan pengeluaran untuk pusat data akan mencapai $7 triliun pada tahun 2030.
Pada saat yang sama, gagasan untuk menempatkan pusat data lebih dekat ke konsumen, bahkan di dalam dan di rumah mereka, semakin menarik perhatian di kalangan real estat. Pemain besar di bidang perumahan, termasuk pengembang rumah PulteGroup, sedang dalam uji coba awal dengan Nvidia dan startup Span yang berbasis di California untuk memasang "node" pusat data fraksional kecil di dinding luar rumah yang baru dibangun, menurut laporan terbaru dari Diana Olick dari CNBC.
Pertanyaan apakah model tersebut dapat diskalakan, dan apakah pemilik rumah, HOA, dan regulator akan menyetujuinya, masih diperdebatkan. Para ahli menunjukkan beberapa manfaat pusat data berbasis rumah, dengan jaringan berbasis rumah memungkinkan lebih sedikit konstruksi yang dibutuhkan pada yang baru dan efisiensi energi yang lebih besar.
"Secara teknis memungkinkan dan sudah dieksplorasi," kata Balaji Tammabattula, chief operating officer di BaRupOn, sebuah perusahaan energi dan teknologi yang berbasis di AS yang saat ini sedang membangun kampus pusat data di Liberty County, Texas. Dia mengatakan sama seperti komputer rumah dapat berkontribusi daya pemrosesan ke jaringan terdistribusi, rumah dapat menampung perangkat keras komputasi yang memberi makan ke sistem pemrosesan data yang lebih besar.
Model rumah-sebagai-pusat-data akan mengikuti upaya serupa dalam menggunakan daya rumah yang laten untuk penambangan kripto atau untuk menjual kelebihan daya surya atap atau kredit EV.
"Kelayakan tergantung pada daya yang tersedia, konektivitas internet, manajemen panas, dan jenis beban kerja. Untuk pemrosesan batch dan tugas yang tidak sensitif waktu, lingkungan rumah bekerja dengan baik secara mengejutkan," kata Tammabattula, meskipun untuk pelatihan AI dengan kepadatan tinggi atau beban kerja waktu nyata, kendala perumahan lebih sulit diatasi.
Contoh dunia nyata sedang terungkap sekarang sebagai bukti konsep, karena limbah panas dari pusat data sebagai masalah mendapat perhatian lebih di Eropa. Misalnya, startup yang berbasis di Inggris bernama Heata memasang server di rumah orang yang memproses beban kerja komputasi awan sambil menyalurkan panas yang dihasilkan langsung ke tabung air panas rumah, secara efektif memberi pemilik rumah air panas gratis sebagai imbalan untuk menampung perangkat keras. British Gas telah mendukung uji coba model ini.
Dalam skala yang lebih besar, operasi baru saja dimulai untuk pompa panas yang mengarahkan panas limbah dari pusat data Microsoft di Finlandia untuk menghangatkan sekitar 250.000 rumah penduduk setempat.
"Contoh-contoh ini menunjukkan konsep bekerja baik di tingkat rumah tangga maupun tingkat komunitas," kata Tammabattula.
Pusat data rumah membawa daftar pro dan kontra. Di sisi positif, model perumahan mengurangi persyaratan lahan dan infrastruktur yang menjadi hambatan serius, mendistribusikan komputasi lebih dekat ke pengguna akhir, dan menciptakan insentif alami bagi pemilik rumah melalui penghematan energi, kata Tammabattula. Dia menambahkan bahwa komputasi rumah juga memiliki sudut pandang keberlanjutan yang kuat karena panas limbah didaur ulang daripada didinginkan dengan biaya besar.
Tetapi pertanyaan Anda untuk ChatGPT atau Claude kemungkinan tidak akan dihasilkan dari server di lemari pakaian atau ruang bawah tanah seseorang dalam waktu dekat, karena interaksi mendalam dengan AI tersebut masih membutuhkan pusat data yang luas. Lingkungan perumahan saat ini kekurangan kepadatan daya, redundansi, keamanan fisik, dan kontrol lingkungan yang dibutuhkan oleh beban kerja perusahaan. Dan jika Anda tidak dapat menangkap sinyal untuk WiFi atau panggilan telepon Anda sendiri, Anda tidak dapat memberi daya pada pusat data.
"Kualitas konektivitas bervariasi di seluruh rumah tangga, menciptakan masalah keandalan dalam skala besar. Ada juga pertanyaan peraturan dan asuransi seputar penampungan peralatan komersial di rumah pribadi," kata Tammabattula.
Saat ini, ekonomi hanya berfungsi untuk jenis beban kerja tertentu seperti pemrosesan batch, rendering, dan komputasi penelitian. "Apa pun yang membutuhkan jaminan waktu aktif atau latensi rendah belum cocok untuk model ini," tambahnya.
Pusat data rumah jauh lebih mungkin menjadi lapisan khusus dari infrastruktur masa depan daripada pengganti pusat data hyperscale mengingat keterbatasannya. Model pusat data rumah juga biasanya melibatkan pihak ketiga yang memiliki dan mengoperasikan peralatan, sehingga pemilik rumah tidak perlu mengelola apa pun secara teknis.
"Rumah tidak akan menggantikan pusat data hyperscale, terutama untuk kluster AI besar yang membutuhkan daya padat, jaringan berkecepatan tinggi, pendinginan khusus, dan lingkungan yang terkontrol ketat," kata Gerald Ramdeen dari Luxcore, sebuah perusahaan yang mengembangkan infrastruktur cloud terdesentralisasi dan jaringan optik generasi berikutnya. Dia mengatakan peluang yang lebih realistis adalah mengubah rumah menjadi node komputasi tepi yang dikelola secara profesional, berguna untuk inferensi AI, beban kerja latensi rendah, komputasi fleksibel/batch, game cloud, dan aplikasi penggunaan panas tertentu.
Pendekatan ini memiliki implikasi bagi kehidupan sehari-hari karena semakin bersinggungan dengan, dan melalui, AI.
"Ini dapat digunakan untuk menyortir tujuh miliar foto yang dimiliki putri remaja Anda," kata Sean Farney, wakil presiden strategi pusat data untuk Amerika di JLL, sebuah perusahaan layanan profesional global dan real estat komersial yang berbasis di AS yang mengelola 4,4 GW ruang pusat data secara global dari lebih dari 340 situs pusat data.
Farney mencatat ponsel cerdas Anda memiliki kapasitas komputasi lebih besar daripada pusat data pertama yang pernah dibangun, jadi meskipun gagasan pusat data rumah belum populer dalam skala besar, kemungkinan besar akan terjadi. "Sulit untuk bersaing dengan hyperscaler karena mahal secara operasional untuk memelihara jejak yang sangat terdistribusi. Tetapi itu bisa dilakukan, dan perusahaan yang melakukannya dengan benar akan melihat valuasi yang cukup besar," katanya.
Masih ada beberapa keterbatasan teknis untuk pusat data rumah sebelum kesuksesan dimungkinkan dalam skala komersial. Pertama, rumah tersebut perlu memiliki pasokan sumber daya listrik dan mekanik yang cukup andal, karena Farney mengatakan bahwa pusat data akan dengan cepat melebihi pasokan listrik perumahan. "Generator perumahan 20 kilowatt bahkan tidak memberi Anda satu kabinet server AI," katanya.
Tetapi jika teknologi dapat mengatasi masalah ini, apakah rumah akan dapat mengatasi efek skala pusat data? Farney berpikir jawabannya adalah ya.
Aimee Simpson, direktur pemasaran produk di Huntress, sebuah perusahaan keamanan siber global, mengatakan salah satu alasan untuk skeptis terhadap pusat data berbasis rumah yang populer adalah kerentanan keamanan siber.
"Kumpulan micro data center berbasis rumah menciptakan kebutuhan akan pendekatan keamanan jaringan yang lebih kuat," kata Simpson. Meskipun ada potensi manfaat desentralisasi dari jaringan berbasis rumah yang beroperasi dalam skala besar — lebih banyak situs berarti lebih banyak redundansi jika salah satu pusat data mati — memperluas jejak juga membuat keamanan lebih kompleks.
"Perangkat keras dan perangkat lunak setiap situs perlu aman, dan dipantau dengan cermat, untuk menghindari kerentanan apa pun," kata Simpson. Keamanan fisik situs, sementara itu, "hampir tidak mungkin dijamin," katanya. "Ada alasan mengapa mega data center yang dijalankan oleh perusahaan seperti Amazon dan Microsoft dikelilingi oleh pagar tinggi dan dijaga 24/7."
"Saya tidak bisa membayangkan dunia di mana pengguna akhir dengan kewajiban keamanan data dan kepatuhan akan merasa nyaman dengan gagasan informasi sensitif dan rahasia mereka diproses dan dikelola oleh server yang berpotensi berada di garasi seseorang," kata Simpson. Namun, dia mengetahui jaringan micro data center yang sah yang menggunakan wadah fisik yang tahan rusak. Jika ini dapat ditempatkan di tempat tinggal, itu dapat mengurangi beberapa kekhawatiran keamanan.
Menurut Arthur Ream, seorang dosen sistem informasi komputer di Bentley University, model rumah-sebagai-pusat-data masuk akal, sudah terjadi, dan merupakan jawaban yang masuk akal untuk beban kerja inferensi, jika bukan pelatihan.
"Pertanyaan menariknya bukanlah apakah komputasi perumahan berfungsi. Ini adalah apakah cerita keamanan, keandalan, dan peraturan bertahan dalam skala gigawatt atau apakah industri diam-diam telah menemukan bahwa tempat termurah untuk menempatkan risiko operasional AI adalah di ruang utilitas orang lain," kata Ream.
Span memelopori model ini, menurut Ream, dengan contoh seperti pekerjaan dengan Nvidia dan PulteGroup di mana Span memiliki dan memasang GPU Nvidia RTX PRO 6000 Blackwell yang didinginkan cairan di rumah tinggal, kemudian menjual komputasi ke penyedia hyperscaler dan cloud AI sementara pemilik rumah mendapatkan panel pintar Span, cadangan baterai, dan tarif diskon untuk listrik dan internet. Pemilik rumah membayar biaya sekitar $150 per bulan yang mencakup listrik dan internet; instalasi gratis sementara SPAN menjual komputasi kepada pelanggan AI.
"Argumen ekonomi adalah yang harus ditanggapi dengan serius: pusat data 100 MW berharga sekitar $15 juta/megawatt dan membutuhkan waktu tiga hingga lima tahun untuk dibangun. Span mengklaim dapat mencocokkan kapasitas itu dengan menerapkan node XFRA di 8.000 rumah baru dalam waktu sekitar enam bulan seharga $3 juta/megawatt. Bahkan jika itu dipotong secara agresif untuk matematika pemasaran, kesenjangan kecepatan-ke-daya itu nyata," kata Ream.
Pakar lain kurang berhati-hati dan mengatakan konsep tersebut tidak akan berhasil.
"Infrastruktur untuk AI bukanlah infrastruktur untuk kripto. Anda tidak menjalankan pusat data di ruang bawah tanah," kata Sviat Dulianinov, chief strategy officer Bright Machines, sebuah perusahaan perangkat lunak dan robotika yang berbasis di San Francisco. AI modern berjalan pada "pabrik AI" yang terdiri dari ribuan GPU yang bekerja bersama, membutuhkan rekayasa yang kompleks, manufaktur presisi, dan rantai pasokan yang terintegrasi erat: mulai dari pembuatan server dan rak hingga penerapan. "Ini juga menuntut daya dan pendinginan skala industri. Komputasi akan bergerak lebih dekat ke tepi, tetapi itu akan menjadi sistem yang terstandarisasi dan direkayasa versus pusat data rumah yang dikumpulkan secara massal," kata Dulianinov.
Dan dengan pusat data menarik kemarahan komunitas dari pantai ke pantai, para profesional real estat memperhatikan perkembangan ini, tetapi memiliki keberatan mereka sendiri tentang bagaimana komunitas perumahan akan bereaksi.
"HOA pasti akan sangat menyukai ide ini," kata Jeff Lichtenstein, presiden dan pendiri Echo Fine Properties di Palm Beach Gardens, Florida. "Saya bahkan tidak bisa membayangkan halaman komunitas Facebook kami. Pertarungan antara perusahaan data dan kota serta asosiasi pemilik rumah akan membuat pertarungan tipikal Republik versus Demokrat terlihat seperti permainan anak-anak," kata Lichtenstein.
Empat model AI terkemuka mendiskusikan artikel ini
"Node pusat data perumahan adalah solusi sementara peraturan untuk hyperscaler yang dibatasi daya yang pada akhirnya akan runtuh di bawah beban asuransi, keamanan, dan litigasi yang dipimpin HOA."
Dorongan untuk 'node mikro' perumahan lebih tentang arbitrase peraturan daripada merevolusi komputasi. Hyperscaler seperti Microsoft dan Amazon menghadapi kendala zonasi lokal dan jaringan listrik; mengalihkan jejak ke real estat perumahan adalah upaya putus asa untuk melewati NIMBYism. Meskipun matematika biaya-per-megawatt yang dikutip oleh Span menarik, itu mengabaikan biaya operasional besar dalam mengelola jaringan terdistribusi dari 8.000 node versus satu fasilitas terpusat. Saya skeptis terhadap kewajiban keamanan dan pemeliharaan. Ini bukan pengganti model 'AI Factory'; ini adalah tindakan sementara yang kemungkinan akan menghadapi perhitungan peraturan dan asuransi yang katastropik setelah kebakaran perumahan pertama atau pelanggaran data terjadi.
Jika standarisasi perangkat keras dalam panel rumah pintar dapat secara efektif mengkomoditisasi komputasi tepi, pengurangan latensi yang sangat besar untuk inferensi AI dapat menciptakan aliran pendapatan margin tinggi yang membayar infrastruktur energi perumahan.
"Pusat data rumah terdistribusi dapat memotong capex komputasi AI 5x dan jangka waktu 4-10x, menilai ulang pembangun rumah seperti PHM dan pemimpin GPU seperti NVDA sambil meredakan hambatan jaringan/NIMBY."
Uji coba pusat data berbasis rumah oleh PulteGroup (PHM), Nvidia (NVDA), dan Span menjanjikan untuk mengganggu ekonomi infrastruktur AI: node XFRA Span mengklaim biaya penerapan $3 juta/MW vs. $15 juta/MW untuk pusat 100MW tradisional, dengan jangka waktu 6 bulan vs. 3-5 tahun, memanfaatkan jaringan perumahan yang kurang dimanfaatkan (~30kW/rumah puncak) untuk inferensi tepi/beban kerja batch seperti game cloud atau pemrosesan foto. Ini melewati larangan NIMBY di 14 negara bagian dan krisis capex hyperscaler $1T pada tahun 2027, menciptakan pendapatan baru bagi pembangun rumah (misalnya, biaya $150/bulan diimbangi dengan instalasi/baterai gratis) dan meningkatkan permintaan GPU NVDA. Niche tetapi dapat diskalakan jika peningkatan daya mengikuti, menekan REIT DC yang terkonsentrasi seperti EQIX.
Batasan daya perumahan (layanan 100-200A tipikal dibatasi pada 20-40kW, tidak cukup bahkan untuk satu rak server AI), broadband yang bervariasi, dan reaksi balik HOA/peraturan akan membatasi ini pada uji coba, gagal mengurangi dominasi hyperscale yang membutuhkan kepadatan skala GW.
"Pusat data rumah memecahkan masalah politik, bukan masalah ekonomi—mereka akan menjadi lapisan tepi pelengkap untuk inferensi, tetapi capex AI tahunan $1T masih akan mengalir ke fasilitas hyperscale karena persyaratan keamanan, redundansi, dan kepadatan daya tetap tidak dapat dinegosiasikan untuk beban kerja pelatihan."
Artikel ini membingkai pusat data rumah sebagai solusi politik untuk reaksi NIMBY, tetapi ekonomi tidak bertahan dari pemeriksaan. Klaim $3 juta/MW vs. $15 juta/MW dari Span mengabaikan bahwa capex hyperscale mencakup lahan, izin, redundansi, dan keamanan—node perumahan memerlukan biaya operasional manajemen pihak ketiga yang diskalakan dengan buruk. Cerita sebenarnya: ini adalah komputasi tepi untuk inferensi dan pekerjaan batch, bukan ancaman terhadap capex hyperscaler. Yang penting adalah apakah NVDA (Nvidia) dan penyedia cloud (MSFT, AMZN) dapat memonetisasi inferensi terdistribusi lebih cepat daripada mereka membangun kapasitas tradisional. Kemenangan politik itu nyata—itu meredakan pertarungan zonasi—tetapi secara operasional, ini menjadi lapisan khusus (~5-10% dari total komputasi) dalam lima tahun, bukan pengganti. Artikel ini mencampuradukkan 'secara teknis mungkin' dengan 'layak secara ekonomi dalam skala besar,' yang merupakan pertanyaan berbeda.
Jika Span dan pesaing benar-benar mencapai penyebaran 6 bulan dengan biaya $3 juta/MW dengan SLA yang dapat diterima, mereka secara dramatis mengompresi keunggulan waktu-ke-daya sehingga hyperscaler secara rasional mengalihkan alokasi capex—artinya REIT pusat data tradisional (DLR, EQIX) menghadapi tekanan margin nyata, bukan hanya hambatan PR.
"Pertumbuhan komputasi AI jangka pendek akan datang dari penyebaran hyperscale dan tepi; pusat data berbasis rumah akan tetap menjadi niche karena hambatan daya, keamanan, dan peraturan."
Permintaan AI akan membuat pusat data terus berkembang, tetapi cerita di sini terlalu melebih-lebihkan hambatan politik terhadap hyperscaler dan kepraktisan node tepi rumah. Risiko jangka pendek terkuat adalah kebijakan, kapasitas jaringan, dan harga energi yang dapat membatasi capex dan profitabilitas, bukan hanya sentimen publik. Konsep berbasis rumah mungkin menarik secara teori untuk penggunaan kembali panas dan latensi, namun kepadatan daya, keandalan, keamanan, dan hambatan HOA/peraturan tampak seperti kendala yang keras kepala. Meskipun demikian, tren jangka panjang menuju komputasi tepi terdistribusi akan mendukung peningkatan infrastruktur yang stabil, bukan eksplosif, dengan hyperscaler tradisional dan pemain tepi terpilih memenangkan sebagian besar modal.
Melawan pandangan ini: penolakan publik tidak mungkin memperlambat capex hyperscale secara signifikan; pembuat kebijakan sering mendukung proyek pusat data besar untuk pekerjaan dan penerimaan pajak, dan permintaan AI tetap ada. Ide tepi rumah tetap menjadi niche karena hambatan keamanan, keandalan, dan peraturan, sehingga tidak akan mengubah keadaan.
"Komputasi tepi perumahan akan diblokir oleh kendala penjaminan asuransi dan kewajiban jauh sebelum menghadapi batas peraturan atau kapasitas jaringan."
Claude benar tentang pergeseran capex, tetapi semua orang melewatkan kewajiban asuransi. Polis pemilik rumah secara eksplisit mengecualikan operasi bisnis komersial. Jika Span atau PulteGroup mencoba untuk diskalakan, hambatan langsungnya bukan hanya kapasitas jaringan atau NIMBYism—ini adalah mimpi buruk penjaminan risiko kebakaran di struktur perumahan. Sampai ada pembungkus kewajiban standar industri untuk node ini, ini tetap menjadi keingintahuan tahap percontohan, bukan ancaman yang layak terhadap keandalan kelas perusahaan dari REIT seperti EQIX.
"Limbah termal di rumah akan membatasi skalabilitas lebih dari asuransi, menunggu kemajuan GPU berdaya rendah."
Poin asuransi Gemini sangat tepat dalam jangka pendek, tetapi PulteGroup (PHM) sebagai pembangun dapat menggabungkan node ke dalam perpanjangan garansi rumah dan rider polis, mirip dengan pengisi daya EV saat ini—kewajiban beralih ke operator seperti Span. Yang tidak disebutkan adalah pembunuh: manajemen termal. HVAC perumahan tidak dapat menghilangkan panas rak 10-20kW tanpa menaikkan tagihan AC 50-100%, yang akan menggagalkan adopsi kecuali NVDA menghadirkan chip inferensi di bawah 5kW pada tahun 2026.
"Ekonomi Span hanya berfungsi jika beban kerja tetap ringan inferensi; pergeseran apa pun ke arah komputasi batch akan menghancurkan model perumahan sepenuhnya."
Matematika termal Grok sangat penting tetapi tidak lengkap. Rak 10-20kW yang dibuang melalui HVAC perumahan tidak berkelanjutan, ya—tetapi Grok mengasumsikan beban kerja inferensi saja. Jika Span memposisikan node ini untuk pemrosesan batch (penyesuaian pelatihan halus, bukan hanya inferensi), kepadatan daya meledak menjadi 30-50kW per node, membuat seluruh model perumahan secara fisik tidak mungkin tanpa peningkatan jaringan yang meniadakan keunggulan biaya. Klaim $3 juta/MW mengasumsikan tingkat pemanfaatan yang dicapai hyperscaler; adopsi perumahan akan sporadis, mendorong capex efektif per MW yang dapat digunakan jauh lebih tinggi.
"Penyebaran tepi perumahan tidak akan diskalakan secara hemat biaya karena kendala pendinginan, keandalan, dan kebijakan, bahkan dengan chip di bawah 5kW."
Menanggapi Grok: bahkan dengan chip di bawah 5kW, Anda masih memerlukan beberapa rak per rumah untuk diskalakan secara berarti, yang meningkatkan panas dan beban TI. Sistem HVAC perumahan tidak dirancang untuk penolakan panas berkelanjutan 20–30kW dari peralatan komputasi, dan pembatasan HOA/jaringan akan menjaga kepadatan per node tetap terbatas. Keunggulan $3 juta/MW yang diklaim runtuh setelah Anda memperhitungkan biaya pendinginan, keandalan, dan kebijakan dunia nyata; skala tetap spekulatif, bukan segera.
Panel umumnya pesimis tentang kelayakan 'node mikro' perumahan sebagai solusi terukur untuk infrastruktur AI, mengutip biaya operasional, kewajiban asuransi, manajemen termal, dan kapasitas jaringan sebagai tantangan signifikan. Mereka setuju bahwa meskipun model ini mungkin memiliki aplikasi khusus, kecil kemungkinannya untuk menggantikan pusat data hyperscale tradisional.
Potensi aplikasi khusus untuk komputasi tepi dan pemrosesan batch, dengan penyedia cloud dan produsen GPU berpotensi mendapat manfaat dari monetisasi inferensi terdistribusi.
Kewajiban asuransi untuk operasi komersial di struktur perumahan dan manajemen termal untuk beban kerja berdaya tinggi.