Model AI Tiongkok Memicu Kekhawatiran Global di Tengah Perubahan Biaya dan Strategis

Penulis: Stratechery

Diterjemahkan oleh Deep潮 TechFlow

Panduan DeepCha: Kimi K3 menyerbu pasar model kognitif, mengapa Wall Street dan Silicon Valley bereaksi berlebihan? Artikel ini menguraikan bahwa setelah AI memasuki era Agent dari zaman ChatGPT, token bukan lagi barang komoditas; barang komoditas sejati adalah kecerdasan itu sendiri—dan dalam perang di mana biaya marjinal menjadi penentu utama, model open-source Tiongkok tampak gratis, tetapi biaya layanannya sama sekali tidak rendah. Kekhawatiran laboratorium terdepan lebih disebabkan oleh ketidaksiapan mereka menghadapi aturan permainan baru yang beralih dari dominasi biaya pelatihan menjadi dominasi skala inferensi.

Saya pernah menceritakan pengalaman saya pada hari pertama mengikuti STRT-431 di Sekolah Bisnis Kellogg, mata kuliah wajib untuk semua mahasiswa MBA baru. Saya memeriksa bahan kursus dan studi kasus, dan kecewa menemukan tidak ada perusahaan teknologi sama sekali dalam jadwal kuliah. Saya langsung mendatangi dosen untuk bertanya mengapa, dan jawabannya adalah: tujuan mata kuliah ini bukanlah untuk mempelajari industri tertentu, melainkan untuk menggali prinsip-prinsip universal yang dapat diterapkan di semua industri dan perusahaan.

Seperti yang selalu saya katakan, saya tidak puas dengan jawaban itu: menurut saya, esensi teknologi, terutama perangkat lunak dan distribusi dengan biaya marjinal nol (dan biaya transaksi nol), adalah sesuatu yang benar-benar berbeda. Mengisi angka nol dalam rumus seringkali mengacaukan segalanya. Namun, saya segera menyadari bahwa ini justru menjadi peluang saya. Wawasan inti dari Teori Agregasi adalah: biaya marjinal nol menghasilkan rantai nilai yang sama sekali berbeda dari apa yang dulu diharapkan orang dari internet—di dunia di mana pengendalian permintaan lebih penting daripada distribusi penawaran, Anda akan melihat sentralisasi dan skala.

Namun, yang menarik tentang AI adalah prinsip-prinsip universal kuno sedang kembali ke garis depan. Hal ini paling jelas terlihat akhir pekan lalu, ketika terjadi perdebatan sengit di X tentang Kimi K3. Kimi K3 adalah model berbasis terbuka yang diluncurkan Tiongkok, yang kemampuannya kini mendekati tingkat terdepan. Singkatnya: biaya marjinal kembali dengan cara yang signifikan, baik dari sudut pandang dampak jangka pendek model gratis terdepan maupun struktur jangka panjang industri.

Salah satu kesalahpahaman paling umum tentang model bobot open-source adalah bahwa mereka lebih murah—bahkan gratis. Setelah semua, Anda bisa langsung mengunduh bobotnya, melewati waktu, biaya, dan kemampuan yang diperlukan untuk membuat model sendiri. Ini memang benar, tetapi "gratis" di sini merujuk pada jumlah yang Anda habiskan untuk penelitian dan pengembangan (R&D). R&D adalah biaya tetap, tidak terkait dengan pendapatan yang Anda hasilkan. Jika Anda menghabiskan $1 juta untuk R&D, tidak peduli apakah pendapatan Anda $100.000 atau $1 miliar, Anda tetap menghabiskan $1 juta untuk R&D (tentu saja ini memengaruhi profitabilitas Anda).

Yang terkait dengan pendapatan adalah COGS—biaya penjualan—dan bagi AI, COGS benar-benar nyata, sesuatu yang belum pernah terjadi di industri perangkat lunak selama waktu yang lama. Secara khusus, menjalankan inferensi pada model—baik Kimi maupun Fable—memerlukan biaya, dan penyedia AI menghabiskan uang untuk inferensi, yang setidaknya dalam sebagian besar model bisnis, secara langsung terkait dengan pendapatan. Menggunakan contoh di atas, menghasilkan pendapatan 100 juta dolar AS dibandingkan 100.000 dolar AS, mungkin memerlukan COGS 1.000 kali lebih besar. Secara khusus, jika biaya token untuk menghasilkan pendapatan 1 dolar AS adalah 50 sen, maka pendapatan 100 juta dolar AS akan memiliki COGS sebesar 50 juta dolar AS, sedangkan pendapatan 100.000 dolar AS hanya memiliki COGS sebesar 50.000 dolar AS.

Poin penting tentang model bobot open-source adalah bahwa mereka bukan layanan gratis. Biaya Kimi K3 adalah $3 per juta token masukan dan $15 per juta token keluaran. Ini lebih murah dibandingkan Sol yang mematok $5 per juta token masukan dan $30 per juta token keluaran, tetapi ini mungkin bukan ukuran yang tepat.

CEO NVIDIA, Jensen Huang, menggambarkan apa yang sedang dibangun NVIDIA sebagai "pabrik token". Dari sudut pandang NVIDIA, pernyataan ini masuk akal. GPU NVIDIA tidak dirancang untuk model tertentu: mereka menghasilkan token, dan melakukannya dengan cara paling cepat dan paling efisien. Hal ini menghasilkan metrik seperti jumlah token per detik, waktu token pertama, token per watt, dan biaya token, yang menurut Huang akan menjadi dasar pengambilan keputusan.

Kerangka ini memang bermakna di era pertama AI—era ChatGPT—ketika token langsung diserahkan kepada pengguna akhir. Namun, paradigma kedua AI, yaitu era reasoning, mengacaukan cara pengukuran ini. Reasoning berarti ledakan jumlah token chain-of-thought, dan berbagai model memerlukan jumlah token reasoning yang berbeda untuk mendapatkan jawaban yang benar. Misalnya, dilaporkan bahwa Kimi menggunakan jumlah token jauh lebih banyak daripada Sol, sehingga keunggulan harganya menjadi lenyap. Agent memperkenalkan dinamika serupa: beberapa model lebih efisien dalam jumlah token yang diperlukan untuk menjalankan alur kerja Agent.

Ini berarti token bukan komoditas. Ciri khas komoditas adalah dapat ditukar: satu galon minyak sama dengan satu galon minyak, satu ton tembaga sama dengan satu ton tembaga, satu bushel gandum sama dengan satu bushel gandum. Namun, token dari satu model berbeda dengan token dari model lainnya. Yang dapat ditukar adalah sesuatu yang dibangun dari token, yaitu kecerdasan. Dengan kata lain, jika Kimi dan Sol sama-sama menghasilkan jawaban yang benar, maka jawaban tersebut dapat ditukar. Perbedaan jumlah token yang diperlukan untuk menghasilkan jawaban yang benar menyebabkan perbedaan dalam COGS.

COGS yang cerdas adalah fungsi dari beberapa faktor berbeda:

Ruangan yang digunakan model: Bobot dan status runtime menentukan berapa banyak memori mahal dan akselerator yang diperlukan untuk menjalankan setiap salinan layanan.

Inference efficiency: Architecture choices (such as mixture-of-experts models) reduce computational cost per generated token

Efisiensi memori: Pemilihan arsitektur dapat mengurangi kebutuhan cache KV, memungkinkan lebih banyak permintaan konkuren dan pemanfaatan GPU yang lebih baik

Efisiensi layanan: pemrosesan batch, penjadwalan, cache awalan, dan optimasi inferensi lainnya memaksimalkan pemanfaatan dan berbagi pekerjaan di antara permintaan

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

Ini sangat penting karena kita semakin mendekati titik di mana kecerdasan menjadi komoditas untuk banyak tugas yang bermanfaat secara ekonomi. Misalnya, siapa pun yang membangun aplikasi CRUD dasar kemungkinan akan menggunakan model dari beberapa penyedia untuk menyelesaikannya. Dan di pasar komoditas, jalan untuk mendapatkan keuntungan bukan dengan menetapkan harga lebih tinggi—karena Anda dapat (atau segera dapat) membuat aplikasi yang sama persis menggunakan beberapa model—melainkan dengan memiliki struktur biaya yang lebih unggul.

Di sini patut dirinci mekanismenya, karena seperti yang saya singgung beberapa bulan lalu dalam "Daya Tahan Amazon", dinamika pasar barang bukanlah hal yang umum dikenal oleh para profesional teknologi:

Di pasar komoditas, setiap orang menetapkan harga yang sama karena semua orang menjual barang yang sama. Harga ini ditentukan oleh penawaran dan permintaan.

Permintaan terhadap barang adalah fungsi dari elastisitas harga: semakin murah barangnya, semakin besar permintaannya, dan sebaliknya.

Pasokan barang adalah fungsi dari biaya marjinal produksi barang tersebut

Yang penting untuk dipahami adalah bahwa biaya marjinal produksi barang oleh berbagai pemasok berbeda-beda. Dalam praktiknya, ini berarti pemasok dengan struktur biaya paling buruk akhirnya menjual barang mereka pada biaya marjinal mereka (jika mereka masih bisa memproduksi). Keuntungan semua pemasok lainnya bergantung pada seberapa lebih baik struktur biaya mereka dibandingkan pemasok marjinal.

Misalnya:

Pemasok A dapat memproduksi 10 unit barang dengan biaya $10 per unit

Supplier B dapat memproduksi 10 unit barang dengan biaya $15 per unit

Supplier C can produce 10 units of the product at a cost of $20 per unit.

Misalkan elastisitas harga menyebabkan permintaan sebanyak 25 unit pada harga 20 dolar. Ini berarti:

Pemasok A akan menjual 10 unit seharga 20 dolar, dengan keuntungan 10 dolar per unit

Supplier B will sell 10 units at $20 each, earning $5 per unit

Supplier C will sell 5 units at $20 each, earning $0 per unit

Ini tidak sepenuhnya akurat: penyedia C mengalami kekurangan karena penyedia A dan B dapat sedikit menekan harga mereka, yang tentu saja memengaruhi permintaan (elastis), tetapi ini menunjukkan masalahnya. Penyedia A memiliki bisnis yang baik, penyedia B memiliki bisnis yang bagus, sedangkan penyedia C akan bangkrut.

Risiko kebangkrutan adalah saat biaya tetap kembali ke garis depan: Pemasok C memiliki biaya tetap (seperti kemungkinan pengeluaran R&D) dan juga mungkin memiliki utang untuk membiayai peralatan yang diperlukan untuk memproduksi barang. Pemasok tidak dapat menetapkan harga barang berdasarkan biaya-biaya ini—ingat, harga keseimbangan pasar mendekati biaya marjinal dari unit dengan biaya tertinggi yang memenuhi permintaan—tetapi biaya-biaya ini pasti dapat mendorong pemasok keluar dari pasar. Jika pemasok bangkrut, harga akan naik hingga pemasok lain memutuskan untuk masuk (atau pemasok lain memperluas operasinya).

Mari kita kembali ke modelnya. Sekarang, semua analisis di atas tidak berlaku, karena permintaan terhadap model terdepan melebihi pasokan, dan pasokan dibatasi oleh kekurangan daya komputasi. Kekurangan daya komputasi ini tidak hanya berarti bahwa penyedia daya komputasi seperti NVIDIA dapat memperoleh margin keuntungan yang sangat tinggi, tetapi juga berarti bahwa klien NVIDIA, seperti SpaceXAI, dapat menjual kembali daya komputasi tersebut kepada perusahaan seperti Anthropic dengan margin keuntungan tinggi. Sementara itu, Anthropic dapat membayar harga tambahan, karena mereka dapat menjual token dengan harga tambahan yang lebih tinggi.

Namun, bukan hanya permintaan berlebih yang memberi Anthropic margin keuntungan besar: Anthropic dan OpenAI mungkin memiliki biaya per unit kecerdasan kualitas terdepan terendah, berkat kemampuan model, skala layanan, dan efisiensi token. Mereka melayani model dengan tingkat kemampuan tertentu beberapa bulan lebih awal daripada pesaing, sekaligus menerapkan model terbaik untuk mengoptimalkan biaya-biaya ini.

Perlu dicatat bahwa pasar belum menganggap kecerdasan sebagai komoditas: permintaan secara khusus ditujukan kepada Anthropic dan OpenAI, sementara permintaan untuk model yang kurang baik jauh lebih rendah (sehingga SpaceXAI dan Meta menjual kapasitas mereka kepada Anthropic). Salah satu cara memikirkan dorongan untuk mengoptimalkan biaya adalah bahwa ini adalah fungsi dari pekerjaan yang harus diselesaikan berdasarkan tingkat kecerdasan, sehingga pembeli kecerdasan dapat menciptakan pasar di mana kecerdasan menjadi komoditas. Namun, dalam jangka panjang, siapa pun yang berada di garis depan paling mampu menguasai pasar non-garis depan, yang hanyalah garis depan dikurangi n bulan—yaitu bulan-bulan di mana produsen model garis depan terus-menerus mengoptimalkan biaya layanan mereka.

Semua ini mengatakan bahwa saya merasa reaksi umum terhadap Kimi dan model-model Tiongkok agak berlebihan, setidaknya dari sudut pandang ekonomi. Sekarang ada payung harga, yang merupakan konsekuensi dari kekurangan daya komputasi. Saya sangat meragukan apakah model-model Tiongkok benar-benar lebih murah dalam hal biaya marjinal; mereka hanya tampak lebih murah karena pasokan dari Anthropic dan OpenAI sangat terbatas, sehingga harga yang mereka tetapkan jauh lebih tinggi daripada jika ada pasokan yang cukup untuk memenuhi permintaan kecerdasan.

Lalu, mengapa produsen model tampaknya sangat panik terhadap model-model Tiongkok?

Pertama, saya percaya laboratorium terdepan mengaitkan nilai mereka pada dunia di mana biaya pelatihan mendominasi pemodelan keuangannya. Selama pelatihan mengonsumsi lebih banyak GPU daripada inferensi, memaksimalkan pendapatan inferensi untuk membantu membiayai pelatihan berikutnya sangat penting, yang berarti memberikan harga sangat tinggi untuk inferensi.

Namun, melihat ke depan, saya memperkirakan pertumbuhan pasar inferensi akan jauh lebih cepat daripada biaya pelatihan (dengan asumsi biaya pelatihan akan terus melonjak), yang berarti mereka benar-benar dapat mengompensasi dengan volume. Hingga delapan bulan lalu, belum jelas apakah ini akan menjadi kenyataan, tetapi pembukaan paradigma Agent begitu besar sehingga laboratorium terdepan seharusnya lebih percaya diri bahwa mereka tidak hanya dapat bertahan dengan harga lebih rendah, tetapi juga berkembang (setelah mereka memiliki cukup daya komputasi).

Selanjutnya, kecerdasan sebenarnya bukanlah barang yang sempurna, sebagian karena penggunaan kecerdasan buatan membuatnya menjadi lebih cerdas. Secara khusus, siapa pun yang menjalankan inferensi juga mengumpulkan data, dan data tersebut digunakan untuk membuat model iterasi berikutnya menjadi lebih baik. Di satu sisi, ini menjadi alasan lebih lanjut bagi laboratorium terdepan untuk menurunkan harga dan meningkatkan penggunaan saat lebih banyak daya komputasi tersedia. Di sisi lain, inilah mengapa perusahaan seperti Microsoft semakin tertarik membantu perusahaan menjalankan model mereka sendiri. Jika model China merupakan alternatif yang layak, hal ini menjadi semakin mungkin.

Ketiga, laboratorium terdepan tidak hanya dapat menonjol dari model-model Tiongkok, tetapi juga dapat membedakan diri mereka sendiri dengan terus mengintegrasikan diri ke dalam pengalaman pengguna. Claude Code dan Codex terbukti cukup melekat, yang sangat mengejutkan. Terlepas dari alat mana yang Anda mulai gunakan, kemungkinan besar itulah yang akan terus Anda gunakan, terutama bagi pengguna non-teknis. Dalam jangka panjang, kebutuhan untuk bergerak ke atas ini benar-benar berarti bahwa model-model terdepan merupakan ancaman nyata bagi penyedia perangkat lunak, termasuk Microsoft. Di sisi lain, sejauh mana perusahaan perangkat lunak yang saat ini memiliki pengalaman pengguna mampu memperoleh model yang kompetitif, sejauh itu pula mereka dapat menahan serangan dari laboratorium terdepan.

Terakhir, sudut pandang ideologis Anthropic sangat tidak bisa diabaikan. Ini adalah perusahaan yang percaya bahwa hanya mereka yang dapat dipercaya dengan AI, dan keberadaan alternatif bobot open-source merupakan pukulan mematikan terhadap asumsi ini.

Kimi bukan satu-satunya model Tiongkok baru. Bloomberg melaporkan:

Saham Alibaba Group Holding Ltd. naik 5,4% pada hari Senin, menyusul peluncuran versi preview dari model unggulannya, Qwen3.8 Max, yang diklaim hanya kalah dari Fable 5 milik Anthropic. Peluncuran pada hari Minggu ini terjadi hanya beberapa hari setelah perusahaan rintisan Moonshot AI meluncurkan produk baru yang kuat, yang memicu gejolak pasar dan kekhawatiran di Amerika Serikat mengenai kesenjangan Tiongkok dengan pemimpin global seperti Anthropic dan OpenAI. Qwen3.8 Max memiliki 2,4 triliun parameter dan bergabung dengan Kimi K3 milik Moonshot AI dalam kategori berat. K3 memiliki 2,8 triliun parameter dan mampu bersaing dengan produk teratas, sementara Alibaba juga menetapkan harapan setinggi itu.

Developer kini dapat mengakses Qwen3.8 Max melalui platform pengkodean Alibaba (termasuk Qoder). Alibaba berencana segera melepaskan bobot model ini secara open source, memperluas aksesnya di luar versi preview. Minat yang sangat tinggi terhadap sistem dan model kecerdasan buatan buatan Tiongkok ini memaksa Moonshot terpaksa menghentikan penerimaan langganan baru pada akhir Minggu malam untuk mengatasi permintaan yang meluap-luap.

Saham Alibaba Group Holding Ltd. naik hingga 5,4% pada hari Senin, setelah perusahaan meluncurkan versi preview dari model unggulannya, Qwen3.8 Max, dan menyatakan bahwa model ini hanya kalah dari Fable 5 milik Anthropic PBC. Peluncuran pada hari Minggu ini terjadi hanya beberapa hari setelah Moonshot AI merilis produk baru yang kuat, yang memicu gejolak pasar dan kekhawatiran di Amerika Serikat mengenai upaya Tiongkok mengejar pemimpin global seperti Anthropic dan OpenAI. Qwen3.8 Max memiliki 2,4 triliun parameter dan bergabung dengan Kimi K3 milik Moonshot di kelas berat. K3 memiliki 2,8 triliun parameter dan mampu bersaing dengan produk teratas, sementara Alibaba juga menetapkan harapan setinggi itu.

Para pengembang sekarang dapat mengakses Qwen3.8 Max, termasuk Qoder, melalui platform coding Alibaba. Alibaba berencana segera membuka bobot model ini, memperluas akses di luar versi preview. Permintaan terhadap sistem dan model kecerdasan buatan buatan Tiongkok ini sangat tinggi, sehingga Moonshot terpaksa menghentikan penerimaan langganan baru pada akhir Minggu malam untuk mengatasi permintaan yang meluap-luap.

Fakta bahwa Qwen3.8 Max juga akan membuka bobotnya patut diperhatikan. Alibaba berhenti merilis bobot model unggulannya pada awal tahun ini, tetapi tampaknya telah mengubah keputusan ini; saya menduga perubahan ini terkait dengan pidato Xi Jinping tentang AI minggu lalu, yang memperkuat penekanan pada pendekatan terbuka bobot:

Kita harus mempertahankan prinsip keterbukaan dan saling menguntungkan, serta mendorong perkembangan berbasis inovasi. Sebagai mesin pertumbuhan ekonomi dunia baru dan akselerator transisi kekuatan pertumbuhan, kecerdasan buatan sedang berpindah dari dunia digital ke dunia fisik. Kita harus memanfaatkan peluang sejarah yang langka ini, mendorong open source, keterbukaan, kolaborasi, dan berbagi. Kita harus mempromosikan inovasi teknologi, pengembangan industri, dan penerapan berbasis skenario kecerdasan buatan. Kita harus secara terkoordinasi mendorong transformasi dan peningkatan industri tradisional, pengembangan dan penguatan industri baru, serta perencanaan proaktif untuk industri masa depan, sehingga setiap sektor dapat memperoleh manfaat dari kecerdasan buatan.

Strategi Tiongkok jelas: mengkomoditisasi komplementer Anda. Perhatikan bahwa Xi Jinping secara eksplisit menghubungkan keterbukaan dengan AI "dari dunia digital menuju dunia fisik"; dunia fisik adalah dunia yang dipimpin oleh Tiongkok, dan kepemimpinan Tiongkok di bidang-bidang seperti robotika akan mendapat manfaat besar dari model AI yang secara luas tersedia.

Demikian pula, Tiongkok tidak ingin Amerika memperoleh keunggulan asimetris di bidang AI; akan lebih baik jika Tiongkok dapat melemahkan laboratorium terdepan Amerika sekaligus memperkuat setiap dan semua lawan potensial Amerika, dan ia juga dapat memanfaatkan inovasi yang melekat pada ekosistem terbuka.

Demikian pula, jangan harap Tiongkok akan mengambil tindakan apa pun terhadap serangan distilasi terhadap laboratorium mutakhir. Saya pikir salah untuk mengatribusikan semua keberhasilan laboratorium Tiongkok pada distilasi, tetapi juga salah untuk berpura-pura bahwa distilasi tidak memberikan keunggulan besar bagi laboratorium Tiongkok. Keunggulan ini benar-benar muncul dalam setahun terakhir, karena pembelajaran penguatan pasca-pelatihan menjadi semakin penting bagi kinerja model. Laboratorium Tiongkok tidak perlu membangun lingkungan pembelajaran penguatan dari awal, tetapi cukup menggunakan model laboratorium mutakhir sebagai guru untuk mencapai peningkatan cepat dengan biaya jauh lebih rendah (ini bukan satu-satunya alasan mengapa biaya pengembangan model Tiongkok lebih rendah, tetapi ini merupakan alasan penting).

Yang menarik, salah satu kasus penggunaan paling penting model Tiongkok di Barat justru merupakan distilasi. Misalnya, Thinking Machines yang baru saja merilis model dengan bobot terbuka, mengandalkan model Tiongkok untuk mengatasi masalah cold start dalam reinforcement learning. Dean Meyer dan Konstantine Buhler menulis artikel luar biasa di X yang menjelaskan bahwa distilasi berarti model open-weight Barat secara fundamental berada dalam posisi yang lebih rendah dibandingkan Tiongkok:

Distilasi tidak menjelaskan seluruh keunggulan Tiongkok dalam model terbuka. Laboratorium Tiongkok memiliki peneliti kelas dunia, kapasitas komputasi besar, model pra-pelatihan yang kuat, desain sinergis perangkat lunak dan perangkat keras, serta kemampuan pasca-pelatihan yang terus meningkat pesat. Namun, distilasi memperkecil jarak mahal terakhir antara dasar yang kuat dan sistem yang mendekati terdepan. Meskipun distilasi menyumbang sebagian kecil dari kapasitas total model Tiongkok, ia memainkan peran penting dalam keunggulan relatif model terbuka Tiongkok dibandingkan Amerika Serikat.

Mekanisme penegakan hukum baru akan membuat distilasi skala besar menjadi lebih sulit, lebih lambat, dan lebih mahal bagi perusahaan Tiongkok. Namun, penegakan hukum tidak dapat menghilangkan distilasi yang didukung oleh pelaku negara. Oleh karena itu, setiap kemajuan terdepan dari Barat menciptakan guru lain bagi laboratorium Tiongkok. Pembangun Barat harus mereplikasi kemampuan ini secara mandiri, atau menunggu untuk belajar dari model Tiongkok. Kesenjangan ini memberikan keunggulan struktural berulang bagi laboratorium Tiongkok dibandingkan perusahaan Barat.

Ini layak diulangi: karena produsen model bobot terbuka Amerika harus mematuhi syarat layanan laboratorium terdepan, mereka (1) kalah dibandingkan alternatif Tiongkok, (2) pada akhirnya mendapatkan hasil distilasi yang hanya melewati laboratorium Tiongkok sebagai jalan memutar. Bukankah lebih baik jika produsen model bobot terbuka Barat bisa langsung mendapatkan dari sumbernya?

Untuk itu, ada pertanyaan yang lebih menarik seputar distilasi: mengapa sebenarnya distilasi itu buruk? Bukankah model bahasa besar hanyalah distilasi dari seluruh pengetahuan di internet terbuka, yang diambil dan didistilasi oleh laboratorium terdepan menjadi model yang sedang didistilasi? Siapa sebenarnya yang dirugikan di sini?

Faktanya, paradoks ini adalah solusinya. Saya percaya model dengan bobot terbuka mendukung inovasi (dan, berdasarkan informasi di atas, saya percaya laboratorium terdepan akan tetap aman), tetapi bergantung pada Tiongkok adalah masalah. Amerika Serikat harus mengesahkan undang-undang yang (1) secara jelas menyatakan bahwa pengumpulan data untuk pelatihan model termasuk penggunaan wajar, dan (2) setidaknya melarang ketentuan layanan yang melarang distilasi bagi perusahaan Amerika Serikat. Mencegah distilasi—yang pada dasarnya adalah mengakses API—hampir tidak mungkin dilakukan; Amerika Serikat seharusnya memilih jalan lain, yaitu mendukung kebijakan hak cipta baru yang melindungi laboratorium sekaligus memastikan pengetahuan yang mereka pelajari mendorong inovasi lebih lanjut oleh pihak lain.

Artikel ini terus-menerus meredakan reaksi berlebihan terhadap Kimi K3 dan model berbobot terbuka Tiongkok; namun, ada alasan yang patut dikhawatirkan, yaitu keamanan siber. Pertimbangkan cerita dari The Stack ini:

Hugging Face menyatakan bahwa infrastruktur produksinya diserang oleh sistem agen AI "otonom" awal pekan lalu. Tim keamanan platform awalnya terhambat dalam respons insiden (IR) oleh perlindungan model LLM mutakhir dari AS yang tidak disebutkan namanya, "mereka tidak dapat membedakan antara responder insiden dan penyerang," kata mereka. Oleh karena itu, para pembela Hugging Face beralih menggunakan model GLM 5.2 open-source dari laboratorium Z.ai di Tiongkok—menjalankannya di infrastruktur mereka sendiri untuk menganalisis lebih dari 17.000 log atau jejak yang ditinggalkan oleh penyerang.

Bagi Hugging Face, yang bermarkas di New York, ini merupakan pengakuan publik yang menarik, di mana perusahaan tersebut memungkinkan pengguna untuk berkolaborasi pada model, dataset, dan aplikasi, serta mencapai tonggak ARR senilai $100 juta musim panas ini. Dalam laporan insiden, perusahaan menyarankan para pembela untuk "memiliki model yang mampu dijalankan di infrastruktur Anda sendiri [tebal kami] sebelum insiden terjadi, untuk menghindari kunci pengaman dan mencegah data serta kredensial penyerang keluar dari lingkungan Anda."

Sangat sulit untuk terlalu mengecam reaksi panik pemerintah Trump terhadap peluncuran Fable oleh Anthropic, terutama karena hal itu memperburuk kecenderungan terburuk Anthropic, yaitu asumsi bahwa hanya mereka yang dapat dipercaya untuk menggunakan AI kuat. Di dunia di mana hanya ada satu AI, mungkin masuk akal untuk menyimpan kemampuan keamanan siber paling kuat bagi pemerintah AS dan sekutu yang dapat dipercaya; namun, ini bukan dunia yang kita tinggali.

Sudah ada dan akan ada model yang sepenuhnya mampu melakukan serangan siber terhadap infrastruktur yang ada, dan model-model ini akan—sudah—tersedia secara luas. Pertahanan terbaik—bahkan satu-satunya pertahanan yang layak—adalah memastikan para pembela juga dapat mengakses model terbaik. Sekarang, karena perintah pemerintahan Trump, para pembela sebenarnya dilarang menggunakan Fable atau Sol untuk keamanan siber; ini berarti alternatif terbaik adalah menggunakan model dari negara yang selama bertahun-tahun berusaha melemahkan pertahanan siber kita. Ini sangat gila!

Cara yang lebih baik adalah jelas: pertama, longgarkan pembatasan Fable dan Sol terhadap keamanan siber, kedua, pastikan produsen model open-weight Amerika bersaing dalam lingkungan yang setara dengan Tiongkok. Ya, laboratorium terdepan akan berteriak-teriak, tetapi pemerintah harus menyadari bahwa mengikuti histeria mereka telah menyebabkan Amerika berada dalam posisi di mana perusahaan Amerika bergantung pada Tiongkok untuk pertahanan. Biarkan laboratorium terdepan menang dengan melakukan yang lebih baik; jangan biarkan mereka mendefinisikan keamanan atau perlindungan, dan jangan biarkan mereka menarik tangga pengetahuan kolektif umat manusia. Tiongkok sudah cukup sulit untuk bersaing; membiarkan mereka memikul bendera keterbukaan dan inovasi adalah menyerahkan keunggulan terbesar kita.