Mengapa model open-weight penting saat ini

Pemimpin AI Amerika seperti OpenAI, Google, dan Anthropic menjaga model paling kuat mereka tetap bersifat closed-source. Pengguna mengaksesnya melalui API cloud, yang memungkinkan penyedia mengontrol perangkat lunak, data yang melaluinya, dan pendapatan dari setiap kueri. Startup Tiongkok—DeepSeek, Qwen, dan Moonshot—melakukan hal sebaliknya. Mereka memublikasikan raw weights, memungkinkan siapa saja mengunduh file tersebut, melakukan fine-tuning, dan menjalankan inferensi pada perangkat keras milik sendiri.

Bagi negara yang tidak dapat mengimpor GPU terbaru, menyerahkan model alih-alih daya komputasi menjaganya tetap relevan. Seorang pengguna di Senegal, perusahaan menengah di Brasil, atau universitas di India dapat menjalankan server dengan perangkat keras apa pun yang mereka dapatkan dan menjalankan model Tiongkok tanpa pernah menyentuh layanan cloud AS. Data tidak pernah meninggalkan yurisdiksi pengguna, sebuah nilai jual bagi pemerintah yang waspada terhadap aturan akses data Amerika.

Sudut pandang diplomatik

Beijing membingkai AI sebagai “kebijaksanaan kolektif umat manusia” untuk memposisikan dirinya sebagai alternatif kooperatif terhadap apa yang disebutnya sebagai “monopoli eksklusif” Amerika Serikat. Narasi tersebut mengklaim bahwa Barat menyembunyikan model-model paling mumpuni mereka di balik argumen keamanan nasional, sementara Tiongkok menawarkan sumber daya yang terbuka dan dapat dibagikan. Jika cukup banyak pengembang di seluruh dunia mengadopsi model Tiongkok, sebuah ekosistem paralel dapat muncul—ekosistem yang dibangun di atas arsitektur, rangkaian alat (toolchains), dan hasil penelitian yang berasal dari Tiongkok.

Ekosistem tersebut akan memberi Beijing soft power yang jauh melampaui proyek perdagangan atau infrastruktur biasa. Negara-negara yang membangun tumpukan AI (AI stack) mereka di atas model Tiongkok mungkin akan lebih selaras dengan standar Tiongkok dalam tata kelola data, keamanan siber, dan geopolitik.

Kenyataan pahit: komputasi masih menjadi hambatan

Strategi open-weight tidak menghapus kesenjangan perangkat keras. Melatih model bahasa besar (LLM) adalah biaya satu kali. DeepSeek V3, misalnya, dilatih pada sekitar 2.000 GPU H800—sebuah klaster yang cukup besar namun dapat dikelola untuk laboratorium dengan pendanaan yang baik. Melayani model tersebut—menangani miliaran permintaan inferensi per hari—memerlukan armada GPU yang terus berkembang.

Perusahaan-perusahaan AS sudah merencanakan penyebaran yang melebihi satu juta GPU. Angka-angka tersebut menunjukkan skala yang dibutuhkan untuk menjaga model tetap responsif bagi jutaan pengguna di seluruh dunia. Perusahaan Tiongkok tidak dapat menandingi skala tersebut karena larangan ekspor yang menghentikan aliran GPU mutakhir juga membatasi pabrik (fab) domestik seperti SMIC, yang masih tertinggal dalam hal node proses paling canggih.

Dengan memublikasikan bobot model (model weights), perusahaan Tiongkok mengalihkan beban komputasi kepada pengguna. Pengguna menyediakan perangkat keras, membayar tagihan listrik, dan menangani biaya operasional. Secara teori, hal ini menghindari kekurangan chip domestik; dalam praktiknya, ini mengubah layanan AI Tiongkok menjadi “as-a-download” alih-alih “as-a-service.” Komprominya jelas: model tetap tersedia, tetapi performa dan latensi bergantung pada perangkat keras pengguna akhir, yang sering kali jauh kurang bertenaga dibandingkan klaster cloud yang menggerakkan ChatGPT milik OpenAI atau Gemini milik Google.

Apa yang terlewatkan oleh strategi ini

  • Kekhawatiran keamanan – Distribusi terbuka memudahkan aktor jahat untuk menyematkan fungsionalitas tersembunyi atau melakukan fine-tuning pada model dengan data yang bias. Tanpa otoritas pusat untuk menegakkan pembaruan keamanan, kerentanan dapat terus ada.

Perspektif India

India berada di persimpangan jalan di mana pendekatan open-weight Tiongkok menawarkan peluang sekaligus peringatan.

  • Otonomi strategis – Pengembang India dapat bereksperimen dengan model berkualitas tinggi tanpa membayar biaya per-token kepada penyedia AS, sehingga mengurangi biaya pembangunan chatbot khusus, alat penerjemahan, dan asisten spesifik domain.
  • Urgensi perangkat keras – Pengalaman Tiongkok menggarisbawahi perlunya rantai pasokan semikonduktor dalam negeri. Tanpa kapasitas pabrik (fab) domestik untuk GPU canggih atau akselerator AI, India mungkin menjadi bergantung pada impor yang dapat dibatasi dalam sengketa geopolitik di masa depan.
  • Manajemen risiko – Model terbuka bukanlah sesuatu yang gratis tanpa konsekuensi. Pembuat kebijakan harus menilai asal-usul data pelatihan dan kemungkinan adanya pintu belakang (backdoor) tersembunyi. Proses audit yang transparan dan keahlian lokal dalam verifikasi model menjadi sangat penting.

Argumen tandingan: keterbukaan dapat menjadi kekuatan

Para pendukung berpendapat bahwa keterbukaan memacu inovasi lebih cepat daripada platform tertutup milik perusahaan tunggal mana pun. Mengizinkan siapa pun untuk memodifikasi model memungkinkan munculnya aplikasi khusus yang tidak akan pernah diprioritaskan oleh penyedia besar. Model komputasi terdistribusi juga bisa lebih tangguh; jaringan server independen global dapat menjaga layanan tetap berjalan bahkan jika pusat data satu penyedia mati.

Sisi negatifnya adalah batas performa tetap terikat pada perangkat keras yang mampu dibeli oleh setiap pengguna. Perusahaan yang membutuhkan waktu respons di bawah satu detik dalam skala masif tetap akan mendapat manfaat dari model cloud.

Hal yang perlu diperhatikan selanjutnya

  • Pergeseran kebijakan ekspor – Pelonggaran atau pengetatan kontrol ekspor chip AS akan berdampak langsung pada kemampuan Tiongkok untuk melatih model-model terbaru dan dapat memaksa peralihan kembali ke penawaran yang lebih tertutup.

Kesimpulan

Upaya Tiongkok untuk mendorong model AI open-weight adalah solusi pragmatis untuk mengatasi kekurangan perangkat keras yang disebabkan oleh larangan ekspor. Langkah ini menunjukkan itikad baik diplomatik dan menawarkan titik masuk berbiaya rendah bagi pengembang global, namun tidak menyelesaikan defisit komputasi yang mendasarinya. Bagi negara-negara seperti India, strategi ini merupakan templat untuk membangun kemandirian AI sekaligus peringatan tentang risiko bergantung pada rantai pasokan semikonduktor asing. Beberapa bulan ke depan akan menunjukkan apakah model open-weight akan menjadi pilar abadi dalam ekosistem AI atau hanya menjadi solusi sementara hingga kesenjangan chip menyempit.