Peneliti AI Nathan Lambert baru-baru ini mengunjungi beberapa lab AI besar di Tiongkok, termasuk Moonshot AI, Zhipu, Meituan, Xiaomi, Alibaba Tongyi Qianwen (Qwen), Ant Ling (Grup Alibaba), dan 01.ai (01.ai), serta menuliskan catatan pengamatan mendalam ini. Ia mengakui bahwa kunjungan ini membuatnya kembali mengenal ekosistem AI Tiongkok; catatan ini bukan sekadar pengalaman wisata seorang peneliti, melainkan laporan diagnostik AI Tiongkok pertama tangan, mulai dari budaya teknis hingga struktur industri.
Keunggulan inti AI Tiongkok: budaya, talenta, dan sikap pragmatis
Dari mana daya saing peneliti Tiongkok berasal: cenderung menunduk dan bekerja keras
Lambert menilai, mengapa lab-lab Tiongkok bisa dengan cepat mengejar bahkan menyamai AI di garis depan, ada satu faktor kunci yang sering diabaikan: budaya riset dan suasana organisasi.
Dibandingkan peneliti Amerika yang umumnya memiliki dorongan kuat untuk tampil secara personal—cenderung mengumumkan hasil riset mereka sendiri, mengejar pembentukan merek pribadi di media dan komunitas—peneliti Tiongkok lebih cenderung menempatkan diri mereka di belakang kualitas model. Mereka lebih bersedia melakukan pekerjaan yang tanpa pamrih tetapi benar-benar meningkatkan performa model, dan juga lebih mampu menerima bahwa gagasan mereka dapat ditinggalkan dalam optimasi multi-tujuan.
Lambert menunjukkan, bahkan beredar kabar di Amerika bahwa ada laboratorium yang perlu “membayar peneliti papan atas” agar ia berhenti mengeluh rancangannya tidak diadopsi—sebuah simbol bahwa gesekan organisasi di balik lab Barat benar-benar nyata.
Perbedaan budaya ini menghasilkan efek yang signifikan pada level organisasi: kesadaran diri yang lebih rendah membuat struktur organisasi lebih mudah untuk berkembang ke atas, sehingga peneliti lintas tingkatan dapat berkolaborasi lebih efektif, bukan saling mempertahankan kepentingan masing-masing.
Mahasiswa menjadi salah satu kekuatan utama yang mengisi tim pengembangan LLM
Fenomena lain yang sangat mengesankan Lambert adalah proporsi kontributor inti di berbagai lab yang masih merupakan mahasiswa. Para mahasiswa ini tidak diperlakukan secara berbeda, melainkan langsung bergabung ke tim pengembangan LLM. Hal ini kontras dengan ekosistem Amerika yang hampir tidak menyediakan peluang magang di OpenAI dan Anthropic, atau bahkan jika ada magang, mereka akan diisolasi dari bisnis inti:
Keunggulan mahasiswa adalah “tanpa beban”—mereka belum mengalami asumsi inersia yang ditinggalkan gelombang AI sebelumnya, sehingga lebih mudah menyerap teknologi baru dengan cepat, mulai dari ekspansi MoE, penguatan pembelajaran hingga pengembangan agen. Setiap kali terjadi pergeseran teladan (paradigma), bagi mereka adalah titik awal yang benar-benar baru; tidak perlu membuang kognisi lama.
Bersaing atau berkolaborasi? Membongkar ekosistem “engineering governance” Tiongkok
Lambert memperhatikan, ketika ia mencoba membahas dengan peneliti Tiongkok risiko sosial jangka panjang AI, dampak ekonomi, atau debat moral atas perilaku model, percakapan sering jatuh ke dalam semacam keheningan. Ia memahami bahwa mereka bukan sengaja menghindari; melainkan persoalan-persoalan itu benar-benar di luar ruang pikir mereka.
Ia mengutip pandangan akademisi Dan Wang tentang “Tiongkok dikelola oleh insinyur, Amerika dikelola oleh pengacara” untuk menjelaskan posisinya: “Tugas mereka adalah membuat model menjadi bagus; masalah lain diserahkan kepada orang lain.”
Hal ini membuat komunitas AI Tiongkok, menurut pandangan Lambert, lebih mirip “komunitas” ketimbang suku-suku yang saling bersaing. Di antara berbagai lab, umumnya saling menghormati; terhadap raksasa seperti ByteDance ada rasa hormat, sementara kualitas riset dan daya eksekusi DeepSeek sangat dihargai—namun tidak ada ketegangan persaingan khas lab Amerika yang penuh “nuansa bubuk mesiu”.
Keterbatasan dan kelemahan AI Tiongkok: celah chip, data, dan kekosongan kreativitas
Chip Nvidia menjadi hambatan bersama seluruh lab
Akibat pengaruh pembatasan ekspor dari Amerika, kekurangan pasokan daya komputasi Nvidia (Nvidia) adalah batasan bersama yang dihadapi semua lab di Tiongkok. Lambert mengamati bahwa hampir setiap lab menyatakan dengan jelas: jika pasokan komputasi mencukupi, mereka akan dengan tegas memperbesar pembelian.
Akselerator buatan dalam negeri seperti Huawei dinilai positif di sisi inferensi dan banyak digunakan; tetapi pada sisi pelatihan, Nvidia masih menjadi standar emas yang tak tergantikan, dan celah ini dalam jangka pendek sulit diisi sepenuhnya oleh solusi lain.
Industri data menjadi kelemahan terbesar; membangun sendiri menjadi pilihan utama
Dibandingkan Anthropic dan OpenAI yang tiap tahun menggelontorkan jutaan dolar AS untuk membeli lingkungan pelatihan penguatan pembelajaran, industri data eksternal Tiongkok masih menunjukkan kesenjangan yang jelas dalam kualitas. Lambert mengamati bahwa mayoritas lab menganggap kualitas data yang bisa dibeli di pasar cenderung rendah, sehingga mereka lebih memilih mengalokasikan sumber daya untuk membangun lingkungan pelatihan sendiri; para peneliti pun menghabiskan banyak waktu untuk membangun lingkungan tersebut.
ByteDance, Alibaba, dan perusahaan besar lain memang memiliki tim data internal yang dapat membantu, tetapi seperti yang dianalisis analis Citrini Zephyr, ini tetap menjadi kelemahan terbesar ekosistem AI Tiongkok.
(Robot Moonshot Tiongkok menyebut dirinya Claude, tapi model Anthropic yang disuling ketahuan)
Di balik open source ada sikap pragmatis, bukan ideologi
Menanggapi pertanyaan dari pihak luar tentang “mengapa perusahaan seperti Meituan dan Xiaomi perlu membangun serta membuka model dasar umum”, Lambert berpendapat bahwa di baliknya ada logika bisnis yang sangat pragmatis: open source bisa mendapatkan umpan balik dari komunitas eksternal dan meningkatkan kualitas model; sekaligus, perusahaan dapat mempertahankan versi fine-tuning internal untuk produk mereka sendiri, sehingga mengendalikan tumpukan teknologi inti.
Sikap “kepemilikan teknologi” seperti ini mendorong hampir semua perusahaan teknologi besar Tiongkok untuk membangun model dasar sendiri, bukan bergantung pada layanan eksternal—ini sangat berbeda dari pilihan perusahaan AI di Amerika.
Sudut pandang pendiri Delphi Ventures: kuat dalam eksekusi, tetapi kekurangan kreativitas
José Maria Macedo, co-founder Delphi Ventures, baru-baru ini juga melakukan kunjungan mendalam ke ekosistem AI Tiongkok, dan memberikan lapisan pengamatan lain dari sudut pandang investor, yang kontras dengan pandangan teknis Lambert.
Macedo berpendapat bahwa pendiri Tiongkok umumnya memiliki rekam jejak yang tak tersangkal dan eksekusi yang luar biasa; namun dibandingkan itu, dorongan kewirausahaan orisinal “dari nol ke satu” lebih jarang: “Mereka lebih jago membuat versi unggulan dari arah yang sudah ada, ketimbang mengajukan masalah baru yang belum disadari pasar.” Ia mengaitkannya dengan sistem pendidikan yang dalam jangka panjang memperkuat pola pikir “pemecah soal” ketimbang “pembuat pertanyaan”.
(Talenta kelas atas bertebaran, tapi tidak bisa membuat OpenAI? Investor mengungkap masalah sebenarnya AI Tiongkok melalui kunjungan mendalam selama dua minggu)
Amerika masih perlu merebut posisi kepemimpinan dalam ekosistem terbuka
Lambert mengakui bahwa Tiongkok adalah tempat yang tidak bisa dipahami hanya dengan memasang kerangka Barat: “Budayanya terlalu tua, terlalu dalam, dan cara keterjalinannya dengan ekosistem teknologinya punya reaksi kimia yang unik.”
Sebagai orang Amerika, ia berharap lab AI Amerika yang mengutamakan model terbuka bisa terus mempertahankan keunggulan; tetapi yang paling ia khawatirkan adalah jika Amerika membatasi perkembangan model terbuka melalui perintah administratif, justru akan melemahkan posisi dominannya dalam ekosistem AI terbuka global, sehingga keseimbangan persaingan mengarah ke hal yang sulit diprediksi.
Artikel ini Tur berjalan langsung ke lab AI Tiongkok: peneliti mengungkap “kesenjangan chip dan data” sebagai kunci perbedaan Tiongkok-AS pertama kali muncul di Rantai Berita ABMedia.
