DeepSeek, Z.ai, dan Moonshot AI Mengubah Persaingan AI China

Dampak Liang Wenfeng, Tang Jie, dan Yang Zhilin bukan semata-mata karena tiga pendiri asal China berhasil melahirkan model AI yang terkenal. Bersama-sama, DeepSeek, Z.ai, dan Moonshot AI memperluas definisi persaingan di garis depan AI: kemampuan model kini perlu dinilai bersamaan dengan keterbukaan, biaya inferensi, akses pengembang, serta jumlah komputasi yang dibutuhkan untuk menjalankannya.

Hal ini belum membuktikan bahwa China telah melampaui Silicon Valley. Namun, jelas bahwa pasar AI tidak lagi eksklusif milik perusahaan Amerika Serikat. Sebuah model tidak harus tertutup, berbiaya sangat besar, atau didukung raksasa teknologi Amerika yang melantai di bursa untuk mengubah ekspektasi global.

Tiga pendiri, tiga jalur menuju AI terdepan

Liang Wenfeng: tantangan DeepSeek yang berfokus pada efisiensi

Liang mempelajari teknik elektronika dan komunikasi di Zhejiang University sebelum ikut mendirikan High-Flyer, perusahaan hedge fund kuantitatif berbasis AI. Ia mendirikan DeepSeek pada 2023, dengan membawa pendekatan yang dipengaruhi pengalaman di bidang keuangan: pengoptimalan matematis dan efisiensi komputasi dalam riset model fondasi. 4144

DeepSeek-R1, yang dirilis pada Januari 2025, menjadi pencapaian paling penting perusahaan tersebut. Model penalaran ini didistribusikan dengan bobot yang dapat diunduh dan diposisikan sebagai alternatif berbiaya lebih rendah dibandingkan sistem tertutup terkemuka. Klaim biaya dan kinerja dari DeepSeek tidak dapat begitu saja menggantikan evaluasi independen, tetapi cukup kuat untuk mengubah cara investor memandang ekonomi pelatihan dan inferensi AI. 172226

Reaksi pasar berlangsung luar biasa besar. Nvidia kehilangan kapitalisasi pasar sebesar US$593 miliar dalam satu hari setelah investor mempertanyakan apakah AI terdepan memang harus bergantung pada anggaran perangkat keras yang sangat besar dan terus meningkat. Aksi jual itu sebagian berbalik tidak lama kemudian. Karena itu, peristiwa tersebut lebih tepat dipahami sebagai perubahan cepat atas ekspektasi pasar, bukan bukti bahwa permintaan chip canggih telah menghilang. 1718

Filosofi Liang juga berbeda dari banyak pendiri perusahaan teknologi. Reuters melaporkan bahwa ia pernah menyatakan prioritas DeepSeek adalah kecerdasan umum buatan atau artificial general intelligence (AGI) dalam jangka panjang, bukan memaksimalkan laba jangka pendek. Ia juga menyebut perusahaan kemungkinan akan mempertahankan model-model tercanggihnya tetap terbuka. 33 Posisi pendanaan, valuasi, rencana pencatatan saham, dan kekayaan pribadi Liang belum didukung bukti yang cukup kuat untuk dinyatakan sebagai fakta pasti.

Tang Jie: model Z.ai dari riset ke perusahaan

Tang Jie adalah profesor ilmu komputer di Tsinghua University sekaligus salah satu pendiri dan kepala ilmuwan Z.ai, yang sebelumnya dikenal sebagai Zhipu AI. Perusahaan ini lahir dari riset Tsinghua di Beijing pada 2019 dan mulai merilis keluarga model GLM pada 2021. 4950

Strategi Z.ai lebih terstruktur secara kelembagaan dibandingkan DeepSeek. Perusahaan ini memadukan basis riset universitas dengan ambisi komersial dan enterprise. Model GLM semakin menekankan penalaran, pemrograman, penggunaan alat, serta alur kerja berbasis agen. Pusat AI Standards and Innovation milik pemerintah Amerika Serikat melaporkan bahwa GLM-5.2 dirilis sebagai model open-weight pada 16 Juni 2026. 49

Tang berpendapat bahwa kemunculan DeepSeek-R1 menandai berakhirnya fase awal AI yang berpusat pada percakapan. Menurutnya, coding dan penalaran akan menjadi semakin penting seiring berkembangnya agen AI. 52 Pandangan ini membantu menjelaskan posisi Z.ai: perusahaan tidak hanya bersaing dalam kelancaran chatbot, tetapi juga membangun model yang mampu menangani tugas lebih panjang dan berinteraksi dengan perangkat lunak.

Z.ai juga mencerminkan pergeseran dari laboratorium riset privat menjadi perusahaan pasar modal. Sejumlah laporan menyebut pendanaannya sebelum IPO mencapai sekitar US$1,25 miliar pada pertengahan 2025. Sementara itu, penilaian pemerintah Amerika Serikat menyatakan bahwa Z.ai menyelesaikan IPO di Hong Kong pada 8 Januari 2026. 4950 Estimasi nilai perusahaan di ruang publik berbeda-beda, sehingga angka tersebut tidak boleh diperlakukan sebagai nilai yang pasti dan setara. Bukti tepercaya mengenai kekayaan pribadi Tang juga belum memadai.

Yang Zhilin: taruhan Moonshot AI pada konteks panjang

Yang Zhilin menempuh pendidikan di Tsinghua University dan menyelesaikan doktoralnya di Carnegie Mellon University. Sejumlah laporan juga menyebut pengalaman risetnya di Google dan Meta sebelum ia ikut mendirikan Moonshot AI di Beijing pada 2023. 2712

Moonshot pertama kali menarik perhatian melalui Kimi, yang identitasnya sangat terkait dengan kemampuan berinteraksi menggunakan konteks panjang. Model Kimi K3 kemudian memperluas strategi itu menjadi sistem open-weight berskala jauh lebih besar. Sumber-sumber menggambarkannya sebagai model mixture-of-experts dengan 2,8 triliun parameter dan jendela konteks hingga satu juta token. 15

Bobot K3 dirilis setelah model tersebut tersedia melalui produk dan API Moonshot. Langkah ini menghubungkan bisnis chatbot konsumen dengan strategi platform yang lebih luas bagi pengembang. 2 Skala model memang menarik perhatian, tetapi jumlah parameter saja tidak dapat membuktikan tingkat kecerdasan, biaya operasional, atau kegunaan model. Hasil papan peringkat independen dapat membantu perbandingan, tetapi peringkat bisa berubah dan tidak menggantikan pengujian terhadap keandalan, coding, keamanan, serta tugas agen di dunia nyata.

Angka pendanaan Moonshot juga masih berubah-ubah. TechCrunch melaporkan putaran pendanaan sekitar US$2 miliar dengan valuasi US$20 miliar pada Mei 2026. Laporan berikutnya menyebut kemungkinan valuasi lebih dari US$30 miliar dan persiapan menuju potensi pencatatan saham di Hong Kong. Angka-angka ini merupakan estimasi pasar privat yang dilaporkan media, bukan nilai pasar publik yang telah diaudit. 41215 Bukti tepercaya mengenai kekayaan pribadi Yang belum mencukupi.

Mengapa tantangan ini bukan sekadar perlombaan Amerika Serikat–China?

1. Kemampuan kini diukur bersama biaya

DeepSeek menjadikan penalaran efisien sebagai sorotan utama. Z.ai menekankan coding, penerapan enterprise, dan agen. Moonshot menggabungkan konteks panjang, bobot terbuka berskala sangat besar, dan distribusi produk. Pendekatan mereka berbeda, tetapi ketiganya mendorong industri menuju pertanyaan yang lebih luas: berapa banyak kemampuan yang berguna dapat diperoleh pengembang untuk setiap dolar biaya pelatihan atau inferensi?

Perbandingan ini tidak sepenuhnya setara. Biaya pelatihan yang dilaporkan sering kali berasal dari klaim perusahaan, dan bisa saja tidak mencakup data, rekayasa, akses perangkat keras, evaluasi, maupun biaya penerapan. Meski demikian, dampak strategisnya nyata: DeepSeek memaksa investor dan laboratorium AI meninjau ulang asumsi tentang kurva biaya model terdepan. 1722

2. Bobot terbuka memberi lebih banyak pilihan bagi pengembang

Bobot model yang dapat diunduh memungkinkan pengembang melakukan self-hosting, fine-tuning, atau integrasi tanpa sepenuhnya bergantung pada API milik perusahaan. Hal ini memberi DeepSeek, GLM, dan Kimi jalan masuk ke ekosistem perangkat lunak global, bahkan ketika perusahaan-perusahaan tersebut menghadapi keterbatasan distribusi di luar negeri.

Namun, istilah “open-weight” tidak selalu berarti “open source” sepenuhnya. Bobot dapat tersedia bagi publik, sementara data pelatihan, metode pemrosesan data, kode pelatihan, dan keseluruhan alur pengembangan tetap tidak diungkapkan. Perbedaan ini penting untuk reproduktibilitas, lisensi, keamanan, dan tata kelola.

3. Guncangan pasar menjalar ke luar laboratorium AI

Rilis DeepSeek pada Januari 2025 memengaruhi valuasi perusahaan teknologi Amerika Serikat karena menantang anggapan bahwa AI yang semakin canggih secara otomatis membutuhkan perangkat keras kelas atas dalam jumlah yang sebanding. Kerugian satu hari Nvidia menunjukkan betapa cepat inovasi di tingkat model dapat memengaruhi lapisan infrastruktur. 1718

Kimi K3 dari Moonshot memicu perhatian serupa terkait kemungkinan perusahaan China merilis model open-weight dengan skala yang selama ini diasosiasikan dengan laboratorium terbesar di Amerika Serikat. Reaksi pasar tersebut lebih tepat dibaca sebagai tekanan terhadap asumsi yang berlaku, bukan bukti bahwa kemenangan teknologi telah selesai diraih. 14

Hambatan yang dapat menentukan babak berikutnya

Ketiga perusahaan masih menghadapi persoalan struktural yang berat.

• Komputasi dan perangkat keras: Pembatasan ekspor serta akses terbatas terhadap akselerator terkuat membuat pelatihan dan pengoperasian model terdepan lebih sulit. Teknik efisiensi dapat mempersempit kesenjangan, tetapi tidak menghapus kebutuhan akan chip, listrik, jaringan, talenta rekayasa, dan modal. 45
• Komersialisasi: Model yang terbuka atau murah dapat menyebar dengan cepat, tetapi sekaligus menyulitkan pembuatnya menangkap pendapatan. Perhatian teknis harus diubah menjadi bisnis enterprise, API, atau konsumen yang berkelanjutan.
• Ketidakpastian benchmark: Kemenangan pada benchmark yang sempit atau dilaporkan sendiri tidak otomatis membuktikan keandalan, kualitas multibahasa, kemampuan coding, keamanan, maupun ketangguhan agen. Klaim keunggulan perlu direproduksi secara independen.
• Kepercayaan dan tata kelola: Privasi, keamanan, pembatasan konten, dan pengawasan geopolitik dapat membatasi adopsi di luar negeri meskipun model secara teknis menarik.
• Tekanan pasar modal: Pencatatan Z.ai memberi posisi pendanaan yang berbeda dibandingkan DeepSeek yang masih privat, sedangkan persiapan IPO Moonshot yang diberitakan masih bersifat prospektif. Struktur kepemilikan dan rencana pencatatan DeepSeek juga belum jelas dalam pemberitaan publik yang tepercaya. 495015

Kesimpulan

Liang Wenfeng, Tang Jie, dan Yang Zhilin tidak menjalankan satu strategi AI China yang seragam. Liang menjadikan efisiensi dan riset AGI jangka panjang sebagai identitas DeepSeek. Tang membawa riset model fondasi yang lahir dari universitas ke ranah coding, agen, dan skala pasar publik. Yang membangun Moonshot di sekitar konteks panjang, sistem mixture-of-experts berukuran sangat besar, dan distribusi open-weight kepada pengembang.

Pencapaian bersama mereka adalah membuat AI terdepan menjadi lebih plural. Mereka memperluas pilihan bagi pengembang, menantang ekonomi infrastruktur model tertutup, dan melemahkan anggapan bahwa China akan selalu tertinggal dari Amerika Serikat. Kesimpulan yang lebih hati-hati—dan lebih kuat secara bukti—adalah bahwa mereka telah mengubah lanskap persaingan. Namun, keterbatasan komputasi, benchmark yang belum pasti, komersialisasi, dan kepercayaan akan menentukan apakah perubahan itu dapat bertahan.