lidia-susanto
Bayangkan besok pagi Anda membuka ponsel untuk menerjemahkan dokumen, mengedit foto otomatis, atau bertanya kepada asisten cerdas tentang resep masakan. Semua itu berjalan dalam hitungan detik karena ditopang oleh pusat data kecerdasan buatan yang bekerja di belakang layar. Kini alur kerja yang selama ini terasa tak terlihat itu sedang berubah besar. Dua perusahaan besar asal China memutuskan membangun fondasi perangkat lunaknya sendiri agar tidak lagi bergantung pada teknologi dari Amerika Serikat. Langkah ini penting karena menentukan siapa yang mengendalikan kecepatan, biaya, dan ketersediaan layanan digital yang kita pakai setiap hari, dari aplikasi ojek daring hingga layanan perbankan.
Ibarat seperti membangun jalan tol dan kendaraan dalam satu paket. Selama ini China memiliki kendaraan berupa chip canggih, tetapi jalannya masih meminjam peta dan aturan dari perusahaan Amerika. Dengan menciptakan bahasa pemrograman khusus untuk chip, kini mereka membuat peta, rambu, dan jalan tolnya sendiri. Bagi pengguna awam, dampaknya adalah harga layanan teknologi berpotensi lebih stabil, pilihan perangkat semakin beragam, dan persaingan global menjadi lebih sehat karena tidak dikuasai satu negara saja.
Apa Itu TileLang dan Mengapa Dibuat Dari Nol
Dalam dunia pengembangan perangkat lunak untuk kecerdasan buatan, ada lapisan penting yang disebut bahasa kernel. Bahasa ini mengatur bagaimana perintah matematika yang sangat besar dibagi menjadi potongan kecil lalu dikerjakan secara paralel oleh ribuan inti di dalam chip. Selama lebih dari satu dekade, industri global mengandalkan CUDA (Compute Unified Device Architecture/arsitektur komputasi paralel) milik Nvidia asal Amerika Serikat untuk menjalankan pekerjaan tersebut pada GPU (Graphics Processing Unit/unit pengolah grafis). Ketergantungan inilah yang ingin diputus melalui inovasi terbaru berupa perangkat bantu pemrograman bernama TileLang.
TileLang dirancang sebagai jembatan antara model AI (Artificial Intelligence/kecerdasan buatan) dan chip Ascend buatan Huawei. Model yang dimaksud termasuk model bahasa besar milik DeepSeek yang dikenal efisien dalam proses pelatihan dan inferensi. Pelatihan adalah tahap saat mesin belajar dari data raksasa, sedangkan inferensi adalah tahap saat mesin menjawab pertanyaan pengguna. Selama ini, untuk mendapatkan performa maksimal, para insinyur harus menulis kode yang sangat rumit dan spesifik untuk setiap jenis chip. TileLang menyederhanakan proses itu dengan menyediakan cara penulisan yang lebih ringkas, terbuka, dan mudah dioptimalkan. Hasil penelitian internal yang dibagikan kedua perusahaan menunjukkan bahwa penulisan operator komputasi yang biasanya memakan ratusan baris kode kini bisa dipangkas secara signifikan tanpa mengorbankan kecepatan.
Pertarungan Ekosistem Chip di Balik Layar
Untuk memahami bobot langkah ini, kita perlu melihat peta persaingan teknologi global. Setelah pembatasan ekspor chip canggih oleh pemerintah Amerika Serikat pada tahun 2022 dan diperketat pada 2023 serta 2024, perusahaan China tidak bisa lagi bebas membeli GPU (Graphics Processing Unit/unit pengolah grafis) kelas atas seperti Nvidia H100 dengan memori 80 GB dan bandwidth 3 TB per detik atau Nvidia A800 yang dibatasi performanya untuk pasar China. Sebagai jawaban, Huawei mempercepat produksi chip seri Ascend, antara lain Ascend 910B dengan daya komputasi 320 TFLOPS untuk operasi FP16 dan Ascend 910C yang diklaim mencapai 60 persen kemampuan H100. Angka TFLOPS (Tera Floating Point Operations Per Second/triliun operasi per detik) menunjukkan seberapa cepat chip mengolah angka desimal yang menjadi dasar kerja machine learning atau pembelajaran mesin.
Masalahnya, perangkat keras yang kuat tidak cukup tanpa perangkat lunak pendukung. Di sinilah letak tantangan ekosistem dan platform komputasi. Nvidia unggul bukan hanya karena chipnya cepat, tetapi karena CUDA (Compute Unified Device Architecture/arsitektur komputasi paralel) sudah dipakai oleh jutaan pengembang di seluruh dunia selama 17 tahun. Huawei sebelumnya memiliki CANN (Compute Architecture for Neural Networks/arsitektur komputasi untuk jaringan saraf) sebagai platform dasar, namun tingkat kemudahan dan kelengkapan pustakanya masih tertinggal. Kehadiran TileLang menjadi lapisan baru di atas CANN yang membuat pengembang lebih mudah memindahkan algoritma model bahasa, model visi komputer, dan sistem rekomendasi dari lingkungan Nvidia ke lingkungan Ascend. Dalam konteks deep tech atau teknologi mendalam, ini adalah lompatan penting karena menyatukan desain chip dan desain model dalam satu alur kerja.
Efisiensi dan Disrupsi Rantai Pasok Global
Dari sisi implementasi di pusat data, efisiensi menjadi kata kunci. Pusat data AI (Artificial Intelligence/kecerdasan buatan) menghabiskan listrik sangat besar untuk pendinginan dan komputasi. Setiap peningkatan efisiensi sebesar 10 hingga 20 persen berarti penghematan jutaan dolar Amerika per tahun untuk satu klaster besar berisi ribuan chip. Tim gabungan mengklaim TileLang mampu menghasilkan kode mesin yang memanfaatkan memori berkecepatan tinggi pada chip Ascend secara lebih optimal, mengurangi kemacetan transfer data, dan mempercepat pelatihan model. Ibarat seperti menata kotak dalam kontainer kargo, jika susunannya tepat, lebih banyak barang bisa diangkut dalam satu perjalanan dan bahan bakar lebih hemat.
Para pengamat melihat langkah ini sebagai disrupsi atau gangguan besar terhadap rantai pasok perangkat lunak dunia. Jika sebelumnya pengembang global hanya punya satu jalur utama untuk akselerasi komputasi, kini muncul jalur alternatif yang terbuka dan didukung oleh dua kekuatan besar. Hal ini mempercepat pengembangan ekosistem kedua yang independen. Bagi perusahaan rintisan dan universitas, tersedianya perkakas terbuka berarti biaya riset bisa turun karena tidak wajib menyewa chip Amerika yang harganya bisa mencapai 30 ribu dolar Amerika per unit atau sekitar 480 juta rupiah di pasar. Bagi Huawei dan DeepSeek, keberhasilan TileLang akan memperkuat posisi tawar mereka dalam negosiasi teknologi dan memperluas pasar ke Timur Tengah, Asia Tenggara, dan Afrika yang mencari solusi komputasi hemat biaya.
Dampak Nyata Bagi Pengguna di Indonesia
Lalu apa artinya bagi pembaca di Indonesia yang tidak menulis kode chip setiap hari. Jawabannya terletak pada harga dan keberagaman layanan. Ketika biaya pelatihan model turun berkat efisiensi baru, perusahaan penyedia layanan digital bisa menawarkan fitur penerjemah, asisten belajar, dan analisis foto dengan harga langganan lebih murah. Para pengembang aplikasi lokal juga mendapatkan pilihan platform komputasi awan yang lebih beragam, tidak hanya terpaku pada satu penyedia Amerika. Dalam jangka panjang, persaingan dua ekosistem besar ini dapat mendorong inovasi layanan yang lebih sesuai dengan kebutuhan bahasa dan budaya lokal, termasuk model bahasa Indonesia yang lebih akurat dan cepat.
Tentu tantangan masih besar. Membangun komunitas pengembang membutuhkan waktu bertahun-tahun, dokumentasi lengkap, serta dukungan universitas dan komunitas sumber terbuka. Namun arahnya sudah jelas, kemandirian perangkat lunak sama pentingnya dengan kemandirian perangkat keras. Kolaborasi antara ahli model bahasa dan produsen chip ini menunjukkan bahwa masa depan teknologi tidak lagi ditentukan oleh siapa yang memiliki transistor tercepat, melainkan oleh siapa yang mampu menyediakan alur kerja paling mudah, murah, dan terbuka bagi semua pembuat aplikasi di dunia.
Comments (0)