China mengembangkan proyek kecerdasan buatan skala besar

Ketika China mengembangkan proyek kecerdasan buatan skala besar, yang berubah bukan hanya peta riset di laboratorium, tetapi juga cara pabrik menghitung cacat produksi, rumah sakit menyortir pasien prioritas, hingga pemerintah kota mengelola lalu lintas dan energi. Dalam beberapa tahun terakhir, Beijing—sebagai pusat kebijakan dan salah satu magnet talenta—mendorong strategi yang menggabungkan teknologi, inovasi, dan ekosistem open source agar hasil riset cepat turun ke dunia nyata. Tekanan persaingan global membuat pendekatan “model besar untuk semua” terasa kurang efektif; yang dibutuhkan adalah model yang paham bahasa industri: dari baja, logistik, hingga layanan publik. Di lapangan, pergeseran ini tampak pada lahirnya platform yang menyatukan pelatihan model, penjadwalan daya komputasi, serta akses data yang lebih tertata. Ada juga upaya memperluas manfaat bagi UKM agar tidak tertinggal oleh raksasa digital. Di tahun-tahun menuju 2028, taruhannya adalah kecepatan: seberapa cepat pengembangan berubah menjadi produk, dan seberapa aman otomasi diterapkan tanpa mengorbankan transparansi, privasi, dan kualitas layanan.

• Beijing menargetkan penerapan 100 model besar yang spesifik untuk industri hingga 2028, dengan strategi ekosistem sumber terbuka.
• Rencana mencakup 10 proyek open source berpengaruh internasional (setidaknya 5 bertaraf teratas dunia) serta 30 proyek unggulan domestik dengan minimal 10 di bidang AI.
• Periode 2025–2027 disebut “jendela kritis” untuk akselerasi pemanfaatan kecerdasan buatan lintas sektor: sains, industri, konsumsi, kesejahteraan publik, tata kelola, dan kolaborasi global.
• Target kebijakan nasional bertahap: 2027 adopsi perangkat cerdas generasi baru >70%, 2030 penetrasi AI >90%, 2035 menuju masyarakat ekonomi cerdas.
• Kuncinya bukan hanya model, tetapi juga berbagi data, interoperabilitas, serta distribusi komputasi agar adopsi merata.

Strategi China mengembangkan proyek kecerdasan buatan skala besar: dari model umum ke model industri

Agenda Beijing untuk mendorong kecerdasan buatan tidak berhenti pada slogan. Yang menarik adalah pergeseran fokus: dari mengejar model serbaguna menjadi membangun model besar yang “mengerti pekerjaan” di sektor tertentu. Dalam rencana implementasi ekosistem open source yang diumumkan otoritas terkait di ibu kota, targetnya konkret: 100 model besar spesifik industri hingga 2028. Ini bukan sekadar angka; ia menyiratkan adanya peta portofolio—misalnya model untuk manufaktur presisi, farmasi, layanan pelanggan, perencanaan kota, sampai inspeksi keselamatan.

Untuk memahami logikanya, bayangkan sebuah perusahaan komponen otomotif fiktif bernama Beijing Hengtai Components. Selama ini, tim kualitas mereka mengandalkan aturan visual sederhana: jika goresan melewati ambang tertentu, produk ditolak. Ketika permintaan naik, aturan itu menjadi bottleneck. Model visi komputer generik bisa membantu, tetapi sering gagal saat cahaya berubah, bahan berbeda, atau ada jenis cacat baru. Model besar spesifik industri dapat dilatih dengan “bahasa pabrik”: metadata mesin, parameter suhu, ritme shift, dan korelasi cacat dengan pemasok. Hasilnya bukan hanya deteksi lebih akurat, tetapi rekomendasi perbaikan proses, yang memperkuat otomasi dan mengurangi pemborosan.

Di level ekosistem, Beijing juga memasang sasaran untuk 10 proyek open source yang bergaung secara internasional—dengan minimal lima di antaranya masuk jajaran terdepan dunia—serta 30 proyek unggulan domestik, termasuk setidaknya 10 yang terkait langsung dengan AI. Sasaran ini penting karena proyek open source bukan hanya soal “kode gratis”, melainkan cara mempercepat standardisasi, audit keamanan, dan kolaborasi lintas kampus–industri. Saat sebuah library inferensi, kerangka kerja evaluasi, atau alat kompresi model menjadi standar, biaya adopsi turun drastis.

Perubahan besar lain adalah penekanan pada open sharing: pembagian sumber daya perangkat keras, data, dan instrumen. Dalam praktiknya, ini bisa berupa “pool” GPU lintas lembaga, katalog dataset yang diproses ulang agar patuh aturan, serta perangkat uji untuk mengukur stabilitas model. Ada pula dukungan untuk platform AI open source yang mengintegrasikan proses pengembangan model dengan penjadwalan daya komputasi. Bagi banyak pelaku, penjadwalan adalah masalah nyata: model butuh komputasi besar pada jam tertentu, sementara inferensi produksi butuh latensi rendah 24/7. Platform terpadu memaksa disiplin: mana beban pelatihan, mana beban layanan.

Beijing juga mendorong perusahaan besar membuka sebagian teknologi mereka kepada UKM. Ini bukan romantisme kolaborasi, melainkan strategi industri masa depan: UKM diberi jalan untuk menekan biaya litbang lewat komponen open source, sambil difasilitasi pembiayaan untuk yang berpotensi tinggi. Bila dilakukan konsisten, efeknya mirip “jalan tol inovasi”: perusahaan kecil tidak perlu membangun semuanya dari nol. Insight kuncinya: skala besar dalam AI bukan hanya ukuran model, tetapi juga skala kolaborasi yang membuat model itu berguna di banyak lini.

Ekosistem open source dan pembagian komputasi: fondasi teknologi untuk pengembangan AI yang bisa dipakai industri

Ambisi China dalam pengembangan AI tidak akan bergerak tanpa fondasi: komputasi, data, dan perangkat evaluasi. Karena itu, pendekatan open source yang diangkat Beijing perlu dibaca sebagai kebijakan infrastruktur, bukan sekadar preferensi lisensi. Ketika pemerintah kota mendorong open sharing untuk perangkat keras, data, dan instrumen, tujuannya adalah menurunkan biaya eksperimen serta mempercepat replikasi solusi. Industri biasanya tidak sabar menunggu riset bertahun-tahun; mereka ingin prototipe yang bisa diuji minggu ini, lalu masuk lini produksi kuartal depan.

Contoh paling terasa ada pada “biaya tak terlihat” dalam proyek kecerdasan buatan. Banyak perusahaan mampu membayar pelatihan satu model, tetapi kesulitan menjaga siklusnya: data drift, pembaruan sensor, perubahan regulasi, hingga kebutuhan audit. Ekosistem open source yang matang menyediakan komponen siap pakai: pipeline pembersihan data, alat pelacakan eksperimen, benchmark keselamatan, dan modul optimasi inferensi. Ketika komponen ini dibagikan dan distandardisasi, tim di pabrik atau rumah sakit bisa fokus pada domain—bukan pada membangun ulang fondasi yang sama.

Yang juga penting adalah platform AI yang menggabungkan pengembangan model dengan penjadwalan daya komputasi. Secara operasional, banyak organisasi memiliki “jam sibuk” komputasi. Pelatihan biasanya memakan GPU dalam blok panjang, sedangkan aplikasi layanan publik membutuhkan kapasitas stabil. Platform penjadwalan memungkinkan pemisahan prioritas: misalnya malam untuk pelatihan, siang untuk inferensi layanan, atau pengalihan beban ke node lain saat ada peristiwa besar. Dengan cara ini, skala besar menjadi lebih efisien, bukan sekadar membakar energi.

Di sinilah strategi pembukaan teknologi oleh perusahaan besar menjadi krusial. Jika raksasa teknologi membuka toolkit internal—misalnya compiler inferensi, sistem evaluasi, atau model dasar yang bisa di-fine-tune—UKM dapat “naik kelas” tanpa memulai dari nol. Namun pembukaan itu harus disertai tata kelola: dokumentasi jelas, pembaruan versi, serta mekanisme pelaporan kerentanan. Tanpa itu, open source hanya akan menjadi tumpukan repositori yang sulit dipakai.

Untuk melihat dampaknya secara regional, menarik membandingkan antusiasme adopsi dan literasi AI di kota-kota lain. Diskusi publik tentang peningkatan pemanfaatan AI di Asia, termasuk dinamika minat dan kesiapan talenta, sering muncul dalam berita seperti perkembangan peningkatan AI di Jakarta. Sementara itu, minat lintas negara terhadap AI juga menggambarkan kompetisi talenta dan investasi, misalnya sorotan tentang minat Korea Selatan pada AI. Bahkan ekosistem kelas robotik dan otomasi di tingkat kota memberi sinyal bahwa pasokan talenta teknisi akan ikut menentukan kecepatan industri mengadopsi model-model baru, seperti yang tampak pada minat kelas robotik di Surabaya.

Di atas semua itu, kunci praktisnya adalah menyatukan tiga hal: data yang dapat dipertanggungjawabkan, komputasi yang terjadwal rapi, dan komponen open source yang mudah diintegrasikan. Insight penutupnya: ketika fondasi kuat, proyek AI tidak lagi berhenti di demo—ia berubah menjadi mesin produktivitas.

Kebijakan nasional “AI Plus” dan jendela kritis 2025–2027: peta jalan penerapan AI lintas sektor

Di tingkat nasional, periode 2025–2027 disebut sebagai “jendela kritis” untuk mempercepat pemanfaatan AI. Dalam kerangka “AI Plus”, pesannya sederhana: jangan biarkan kecerdasan buatan menjadi proyek terpisah. Ia harus melekat pada sains, industri, konsumsi, kesejahteraan publik, tata kelola, dan kerja sama internasional—enam bidang yang sering disebut sebagai fokus mobilisasi sumber daya lintas sektor. Jika diterjemahkan ke operasi lapangan, “AI Plus” berarti setiap kementerian, kota, atau BUMN didorong punya agenda implementasi yang jelas: use case, data, komputasi, vendor, dan indikator keberhasilan.

Tiga target besar yang sering dibicarakan menegaskan ritme itu: 2027 adopsi perangkat cerdas generasi baru ditargetkan melampaui 70%, 2030 penetrasi AI diharapkan menembus 90% sehingga menjadi penggerak ekonomi utama, dan 2035 diarahkan menuju era ekonomi cerdas serta masyarakat berbasis AI. Target bertahap seperti ini memaksa institusi untuk berpikir dalam siklus implementasi, bukan sekadar pilot. Tahun 2026, misalnya, menjadi fase penting untuk memastikan standar, interoperabilitas, dan suplai komputasi tidak tertinggal dari laju adopsi.

Interoperabilitas sering terdengar teknis, tetapi dampaknya sangat nyata. Bayangkan rumah sakit tingkat kota menggunakan model triase A, sementara puskesmas memakai model B, dan platform klaim asuransi memakai sistem C. Jika format data dan protokol berbeda, integrasi akan memakan waktu, dan risiko kesalahan meningkat. Karena itu, penekanan pada standar berbagi data dan interoperabilitas model adalah strategi mengurangi friksi. Ini juga berkaitan dengan distribusi sumber daya komputasi yang lebih merata: kota besar mungkin punya cluster besar, tetapi daerah industri menengah juga butuh akses agar produktivitas nasional naik bersama.

Untuk membuatnya konkret, lihat skenario fiktif lain: Koridor Logistik Tianjin–Beijing mengadopsi model prediksi permintaan gudang dan rute pengiriman. Jika model hanya dilatih dengan data kota inti, ia akan bias terhadap pola permintaan perkotaan. Dengan kebijakan “AI Plus”, data dari pelabuhan, pergudangan pinggiran, dan ritel daerah dapat masuk lewat standar yang sama. Dampaknya bukan hanya efisiensi; ia menurunkan emisi, mengurangi keterlambatan, dan memperbaiki stabilitas pasokan.

Di sisi pembiayaan, penekanan bahwa investasi pemerintah dapat menekan biaya litbang menandakan adanya peran “modal sabar” untuk tahap awal. Banyak inovasi AI yang belum menghasilkan laba dalam 12 bulan, tetapi penting untuk daya saing 5–10 tahun. Jika pembiayaan diarahkan ke infrastruktur komputasi, dataset publik yang dibersihkan, dan benchmark keselamatan, maka sektor swasta dapat fokus pada diferensiasi produk. Kombinasi ini membuat China punya jalur cepat untuk memproduksi aplikasi skala besar yang bukan hanya canggih, tetapi juga siap pakai.

Insight akhirnya: peta jalan “AI Plus” bukan sekadar target persentase, melainkan cara mengubah AI menjadi layanan dasar ekonomi—setara listrik dan internet dalam logika pembangunan modern.

Beijing sebagai pusat inovasi: komersialisasi open source, dukungan UKM, dan otomasi industri

Jika kebijakan nasional adalah peta, maka Beijing berfungsi seperti ruang mesin. Kota ini menempatkan komersialisasi open source sebagai salah satu tuas agar riset menjadi produk. Dalam rencananya, Beijing tidak hanya mendorong pembangunan proyek, tetapi juga memberdayakan bisnis open source dan organisasi operasional khusus yang sudah punya rekam jejak. Tujuannya jelas: mengarahkan modal jangka panjang ke investasi teknologi canggih tahap awal dan memberi prioritas kepada perusahaan perangkat lunak open source untuk rencana pencatatan saham. Dengan kata lain, open source diperlakukan sebagai aset ekonomi—bukan sekadar gerakan komunitas.

Di level UKM, tantangan terbesar biasanya ada pada tiga hal: akses komputasi, akses data, dan akses pasar. Ketika pemerintah kota mendorong perusahaan besar membuka sumber teknologi, UKM bisa mendapatkan “starter kit” yang dulunya mahal: model dasar, pipeline MLOps, atau library optimasi. Tetapi dampak sesungguhnya muncul saat akses tersebut dipadukan dengan pembiayaan dan proyek percontohan yang nyata. Tanpa pelanggan awal, UKM sulit membuktikan nilai inovasi mereka.

Ambil contoh Hengtai Components tadi. Setelah memakai model inspeksi visual, perusahaan ingin menaikkan tingkat otomasi dengan sistem pemeliharaan prediktif. Mereka butuh model yang menggabungkan sinyal getaran, temperatur, dan histori perawatan. Di sinilah “model besar spesifik industri” menjadi relevan: model tidak hanya memprediksi kerusakan, tetapi juga menjelaskan variabel mana yang memicu risiko, sehingga manajer pabrik bisa mengambil keputusan. Ketika hasilnya mengurangi downtime 10–15% (angka yang sering menjadi target realistis di manufaktur), efeknya merembet ke jadwal pengiriman, kualitas, dan biaya tenaga kerja lembur.

Untuk memperjelas bagaimana strategi Beijing bisa dipetakan menjadi langkah implementasi, berikut ringkasan yang praktis dalam bentuk tabel. Tabel ini bukan dokumen resmi, tetapi cara membaca arah kebijakan dan konsekuensinya bagi pelaku industri.

Di titik ini, terlihat bahwa Beijing mencoba menghubungkan tiga jalur: riset open source, pembiayaan, dan permintaan industri. Ketika ketiganya bertemu, proyek AI tidak berhenti di laboratorium; ia menjadi rantai pasok solusi yang terus diperbarui. Insight penutupnya: keberhasilan tidak ditentukan oleh satu model superbesar, melainkan oleh sistem yang membuat puluhan model berguna, terukur, dan dapat dipercaya.

Kerja sama internasional, tata kelola data, dan dampak sosial: bagaimana China menjaga laju teknologi AI skala besar

Skala pembangunan kecerdasan buatan membawa konsekuensi yang sama besarnya: tata kelola. Karena itu, ketika kebijakan menekankan kerja sama internasional sebagai salah satu dari enam bidang utama, pesan yang tersirat adalah kebutuhan menyelaraskan standar—bukan hanya untuk ekspor produk, tetapi juga untuk kredibilitas. Kolaborasi riset lintas negara, konferensi, hingga kontribusi open source sering menjadi jalur “diplomasi teknis”. Dalam konteks persaingan global, kemampuan untuk menunjukkan bahwa model aman, dapat diaudit, dan mematuhi aturan data akan menentukan apakah sebuah solusi diterima di luar negeri.

Topik data selalu sensitif. Standar berbagi data yang lebih baik tidak identik dengan membuka semua hal. Yang dibutuhkan adalah pendekatan berlapis: klasifikasi data (publik, internal, sensitif), teknik anonimisasi, serta kontrol akses. Bagi layanan publik—misalnya kesehatan dan pendidikan—tantangannya semakin rumit karena data bersifat personal. Namun tanpa data yang representatif, model cenderung memihak kelompok tertentu. Jadi pertanyaannya bukan “buka atau tutup”, melainkan “bagaimana berbagi dengan aman agar kualitas naik”.

Di ranah industri, isu paling praktis adalah tanggung jawab ketika sistem otomatis membuat kesalahan. Jika model rekomendasi perawatan mesin salah, konsekuensinya downtime. Jika model bantuan diagnosis memberi saran keliru, dampaknya bisa jauh lebih serius. Karena itu, banyak organisasi mulai menerapkan prinsip “human-in-the-loop” untuk keputusan berisiko tinggi, sambil memanfaatkan AI untuk menyaring, merangkum, dan memprioritaskan. Dalam proyek skala besar, mekanisme eskalasi dan audit log menjadi sama pentingnya dengan akurasi.

Dampak sosial juga perlu dibaca lewat lensa tenaga kerja. Otomasi memang menggantikan sebagian tugas repetitif, tetapi juga menciptakan kebutuhan baru: operator sistem, analis data kualitas, teknisi integrasi robotik, dan auditor model. Itulah sebabnya ekosistem pelatihan—dari universitas hingga kelas praktis—menjadi bagian tak terpisahkan. Jika talenta hanya terkonsentrasi di kota tertentu, transformasi akan timpang. Kebijakan distribusi komputasi yang lebih merata sebenarnya bersandingan dengan kebutuhan distribusi talenta.

Dalam percakapan publik, masyarakat biasanya menilai AI dari pengalaman sehari-hari: layanan lebih cepat, antrean berkurang, atau rekomendasi makin tepat. Namun masyarakat juga cepat bereaksi terhadap insiden: kebocoran data, keputusan otomatis yang tidak transparan, atau konten sintetis yang menyesatkan. Karena itu, penguatan literasi digital dan mekanisme pengaduan menjadi “infrastruktur lunak” yang tidak boleh kalah penting dari server dan chip.

Jika ada benang merahnya, itu adalah upaya menyeimbangkan kecepatan pengembangan dengan kepercayaan publik. Insight penutupnya: masa depan AI tidak dimenangkan oleh siapa yang paling cepat membangun, tetapi oleh siapa yang paling mampu membuat teknologi itu bertahan—aman, berguna, dan diterima luas.