Model AI Open-Weight China Makin Banyak Dipakai: Apa Artinya bagi Persaingan AS–China?

Persaingan kecerdasan buatan antara Amerika Serikat dan China kini tidak lagi hanya ditentukan oleh pertanyaan: laboratorium mana yang mampu membuat model paling canggih?

Pertanyaan yang sama pentingnya adalah: siapa yang dapat menempatkan AI mumpuni ke tangan lebih banyak pengembang, perusahaan, dan pemerintah dengan biaya paling rendah?

DeepSeek, Kimi milik Moonshot AI, dan Qwen dari Alibaba menjadikan distribusi model sebagai medan strategis baru. Kajian peneliti Stanford menunjukkan bahwa model open-weight asal China dengan cepat mempersempit—bahkan dalam sejumlah aspek menyamai atau melampaui—kesenjangan kemampuan dan adopsi terhadap model global. Pada September 2025, keluarga model Qwen juga melampaui Llama milik Meta sebagai keluarga large language model (LLM) yang paling banyak diunduh di Hugging Face. 18

Bagi Washington, perkembangan ini menciptakan dilema. Pembatasan terhadap model China dapat mengurangi paparan di lingkungan sensitif. Namun, larangan menyeluruh juga berisiko menyerahkan lapisan pengembangan AI terbuka kepada China sekaligus mengurangi transparansi dan kendali lokal yang membuat model self-hosted menarik.

Open-weight bukan berarti sepenuhnya open-source

Model open-weight adalah model yang parameter terlatihnya—sering disebut “bobot” model—tersedia untuk diunduh. Pihak ketiga dapat menjalankan, menyesuaikan, atau mengembangkan sistem tersebut tanpa harus selalu mengakses aplikasi maupun API yang dikendalikan pembuatnya. 33

Namun, pelepasan bobot tidak otomatis berarti pengembang juga menyediakan:

• kode pelatihan asli;
• data pelatihan dan asal-usulnya;
• resep pelatihan yang dapat direproduksi;
• hasil evaluasi secara lengkap;
• hak komersial dan distribusi ulang tanpa batas; atau
• informasi transparan mengenai penyaringan, penyelarasan keamanan, dan proses pengembangan model.

Karena itu, istilah “terbuka” perlu diperiksa untuk setiap rilis. Sebuah model bisa diunduh, tetapi tetap sulit direproduksi, memiliki lisensi yang membatasi, atau tidak transparan mengenai data yang membentuk perilakunya. Standar fully open-source AI lebih tinggi karena mencakup akses bermakna terhadap kode, informasi terkait data, serta komponen lain yang diperlukan untuk mempelajari dan mereproduksi sistem. 41

Perbedaan ini penting ketika membandingkan DeepSeek, Kimi, dan Qwen. Status ketersediaan, lisensi, serta tingkat keterbukaan teknisnya dapat berbeda-beda menurut rilis. Informasi publik pun bisa tertinggal dari perubahan status sebuah model.

China bertarung lewat adopsi, bukan hanya skor benchmark

Laboratorium AI China menggabungkan performa yang kompetitif dengan harga rendah, efisiensi, dan opsi menjalankan model di infrastruktur lokal. Kombinasi ini memberi startup, peneliti, dan perusahaan alternatif selain bergantung sepenuhnya pada API milik perusahaan AS yang mahal. Riset kebijakan dan laporan industri menggambarkan siklus umpan balik: rilis berbiaya rendah menarik pengguna, pengguna menciptakan alat dan model turunan, lalu ekosistem tersebut mempercepat iterasi berikutnya. 1720

Keuntungannya tidak hanya diukur dari jumlah orang yang memakai chatbot. Setiap penerapan dapat menghasilkan:

• model turunan yang disesuaikan atau terspesialisasi;
• alat pengembang dan integrasi baru;
• benchmark, laporan bug, dan evaluasi tambahan;
• familiaritas pengembang terhadap satu keluarga model; serta
• ketergantungan komersial dan kebiasaan teknis baru.

Analisis Stanford menemukan bahwa pengembang model terbuka asal China menyumbang 17,1% unduhan Hugging Face antara Agustus 2024 dan Agustus 2025, sedikit lebih tinggi daripada pengembang AS yang menyumbang 15,8%. 18 Laporan lain juga mendokumentasikan meningkatnya penggunaan model China oleh perusahaan AS yang mencari biaya lebih rendah. 31

Jika model asal China tertanam dalam perangkat lunak, perangkat, layanan pemerintah, dan sistem industri di berbagai negara, Beijing berpotensi memperoleh pengaruh atas standar teknis, pembaruan, dan rantai pasok di sekitarnya. Ini merupakan titik pengaruh geopolitik yang mungkin muncul—bukan bukti bahwa setiap model yang dijalankan secara lokal telah disusupi.

Risiko keamanan perlu dipisahkan

Istilah “risiko AI China” dapat merujuk pada beberapa persoalan berbeda. Semuanya tidak boleh dicampuradukkan.

1. Akses terhadap data melalui layanan yang di-host

Ketika pengguna mengirimkan prompt, berkas, atau identitas ke layanan yang di-host di China, informasi tersebut meninggalkan lingkungan pengguna dan dapat tunduk pada yurisdiksi serta hukum yang berlaku bagi penyedia layanan. Beban kerja yang berkaitan dengan pemerintah, pertahanan, kesehatan, infrastruktur kritis, dan rahasia bisnis karena itu memerlukan penilaian risiko formal sebelum dikirim ke layanan eksternal mana pun.

Menjalankan model secara lokal mengubah persoalan aliran data tersebut. Infrastruktur yang dikonfigurasi dengan baik dapat menyimpan prompt dan dokumen di dalam jaringan organisasi. Namun, hal itu tidak menjamin bahwa paket model, perangkat lunak penyaji, maupun alat yang terhubung dengannya aman.

2. Sensor, bias, dan perilaku model

Pelatihan dan penyelarasan model dapat menghasilkan penolakan, penghilangan informasi, sudut pandang, atau misinformasi yang dipengaruhi politik. Laporan Kongres AS menuduh bahwa produk DeepSeek yang di-host mentransfer data warga Amerika ke China dan memanipulasi jawaban. Tuduhan tersebut merupakan temuan dan klaim dari penyelidikan Kongres, bukan bukti bahwa setiap berkas bobot yang dapat diunduh berisi kode berbahaya. 2

Perilaku produk yang di-host juga dapat berbeda dari model turunan yang dijalankan secara lokal. Wrapper aplikasi, system prompt, lapisan moderasi, alat retrieval, dan proses pembaruan semuanya dapat memengaruhi keluaran.

3. Backdoor dan kompromi rantai pasok

Secara teori, paket model atau perangkat lunak di sekitarnya dapat memuat kode pemuatan yang tidak aman, perilaku yang telah diracuni, atau pemicu tersembunyi. Namun, negara asal model saja bukan bukti adanya backdoor.

Tim keamanan perlu memverifikasi asal-usul artefak, hash, dan tanda tangan digital; memeriksa aktivitas jaringan; mengisolasi komponen dalam sandbox; serta menguji seluruh stack penerapan, bukan hanya file bobotnya.

4. Risiko model tertutup

Model proprietary tertutup juga memiliki risiko konsentrasi dan akuntabilitas. Pengguna umumnya tidak dapat memeriksa bobot, data pelatihan, prompt tersembunyi, telemetri, penyaringan, maupun proses pembaruan model. API terpusat dapat menjadi sasaran bernilai tinggi untuk pengawasan, gangguan layanan, peretasan, dan perubahan kebijakan sepihak.

Akses tertutup memang memudahkan penyedia memantau penyalahgunaan, meluncurkan pembaruan keamanan, dan mencegah distribusi tanpa kendali. Namun, model tertutup tidak otomatis lebih dapat dipercaya. Sistem terbuka dan tertutup menghadirkan jenis risiko serta bentuk kendali yang berbeda.

Mengapa hosting lokal menjadi argumen terkuat untuk menolak larangan menyeluruh?

Self-hosting dapat memberi organisasi kendali yang lebih besar atas model ancamannya. Tim keamanan dapat:

• mengunci versi model tertentu;
• memverifikasi artefak dan tanda tangan;
• membatasi koneksi keluar;
• memindai dependensi;
• mengisolasi layanan dalam sandbox;
• melakukan pengujian red-team; dan
• menyimpan prompt sensitif di infrastruktur internal.

Akses terhadap bobot juga memungkinkan peneliti independen mereproduksi kegagalan serta menyelidiki bias atau pemicu tersembunyi. Transparansi ini berharga, tetapi bukan jaminan keselamatan otomatis. Sebagian besar organisasi tidak mampu mengaudit sepenuhnya perilaku model berukuran sangat besar. Fine-tuning dapat menimbulkan kerentanan baru, sementara penerapan air-gapped hanya melindungi data dari keluar jaringan jika seluruh stack penyaji telah dikonfigurasi dengan benar.

Pelajaran praktisnya: yang harus dinilai adalah cara model diterapkan, bukan sekadar label atau negara asalnya. API yang di-host di China, penerapan lokal yang telah diaudit, dan model turunan pihak ketiga yang belum diverifikasi memiliki profil risiko berbeda.

Distilasi menjadi pusat kontroversi

Distilasi adalah proses melatih model “siswa” yang lebih kecil atau lebih baru menggunakan informasi dari model “guru” yang lebih kuat.

• Distilasi black-box memakai keluaran yang dapat diamati, sering kali melalui permintaan API. Metode ini dapat sah jika dilakukan dengan izin, tetapi pengambilan keluaran dalam skala besar dapat melanggar ketentuan layanan, menghindari pengamanan, atau menyalin perilaku proprietary.
• Distilasi white-box memanfaatkan informasi internal seperti bobot, logit, atau hidden state. Cara ini dapat memindahkan kemampuan secara lebih efisien, tetapi akses ke komponen internal tersebut umumnya memerlukan otorisasi. Pengambilan tanpa izin menimbulkan persoalan keamanan dan rahasia dagang yang lebih langsung.

OpenAI dan Anthropic menuduh perusahaan China, termasuk DeepSeek, menggunakan keluaran model untuk pelatihan. Komisi Tinjauan Ekonomi dan Keamanan AS–China menyebut tuduhan yang melibatkan akun palsu, layanan proxy, dan pengambilan keluaran secara terkoordinasi. Reuters juga melaporkan tuduhan OpenAI bahwa DeepSeek berupaya “free-ride” atas kemampuan model frontier AS. Semua itu masih merupakan tuduhan, bukan temuan final dalam proses pengadilan atau forum adjudikasi lainnya. 35

Tantangan kebijakannya adalah distilasi black-box sulit dibedakan secara teknis dari penggunaan sah dalam volume tinggi. Sebaliknya, distilasi white-box lebih mudah dikategorikan secara hukum, tetapi pembuktiannya dapat mengharuskan pembukaan bukti forensik yang sensitif. Solusinya bukan menganggap setiap distilasi ilegal, karena distilasi dengan izin merupakan metode teknis yang lazim.

Dampaknya bagi Silicon Valley dan Washington

Rilis open-weight dari China menekan model bisnis AS yang selama ini bertumpu pada API proprietary berharga tinggi. Perusahaan AS harus menentukan apakah menutup bobot benar-benar melindungi keunggulan teknologi—atau justru membiarkan perusahaan China dan pesaing lain merebut pengembang, integrasi, dan distribusi global.

Keunggulan unduhan Qwen atas Llama menjadi salah satu tanda konkret bahwa persaingan model terbuka memiliki arti strategis. 18 Namun, bukti yang tersedia tidak cukup untuk menetapkan respons spesifik Nvidia atau Meta terhadap DeepSeek V4 Pro maupun Kimi K3. Klaim mengenai tindakan masing-masing perusahaan perlu dikaitkan dengan pernyataan primer bertanggal, bukan disimpulkan dari perubahan pasar secara umum.

Washington meningkatkan pengawasan. Komite-komite DPR AS mengumumkan penyelidikan bersama mengenai risiko keamanan nasional dan keamanan siber dari adopsi model yang dikembangkan di Republik Rakyat China, termasuk sistem open-weight berbiaya rendah dan sistem yang dapat diakses melalui API dari perusahaan seperti DeepSeek, Alibaba, dan Moonshot AI. 14

Sejumlah laporan juga menggambarkan pembahasan mengenai pembatasan. Namun, bukti yang tersedia tidak menunjukkan bahwa AS telah memberlakukan larangan komersial menyeluruh terhadap model open-weight China. 912

Pilihan kebijakan selain “larang semua” atau “biarkan saja”

Kerangka yang lebih terarah dapat menggabungkan beberapa langkah berikut:

1. Mengendalikan penggunaan berisiko tinggi. Mewajibkan otorisasi atau melarang model yang belum diperiksa dalam sistem pertahanan, intelijen, infrastruktur kritis, layanan pemerintah sensitif, dan lingkungan yang memproses data berdampak tinggi.
2. Menetapkan standar penerapan yang aman. Mewajibkan catatan asal-usul, paket bertanda tangan digital, software bill of materials, pengujian independen, hasil red-team, serta opsi isolasi jaringan untuk penerapan sensitif.
3. Membedakan layanan yang di-host dan bobot lokal. API yang di-host di China menimbulkan risiko akses data yang berbeda dari artefak yang dijalankan secara lokal dan telah diaudit secara independen.
4. Menindak pengambilan keluaran tanpa izin. Memperkuat verifikasi akun, pemantauan laju permintaan, deteksi penyalahgunaan, teknik pelacakan asal-usul model, dan penegakan kontrak tanpa menyamakan semua distilasi dengan pencurian.
5. Menggunakan kontrol ekspor dan investasi secara terarah. Fokus pada cip canggih, peralatan manufaktur, akses komputasi awan, dan entitas yang memiliki kaitan kredibel dengan penggunaan militer atau intelijen. Pembatasan yang terlalu luas dapat mempercepat pengembangan pengganti domestik China.
6. Membangun ekosistem model terbuka AS dan sekutunya. Investasi pada model yang aman dan terdokumentasi, evaluasi multibahasa, inferensi efisien, serta perangkat penerapan. Alternatif yang kompetitif akan menjawab strategi adopsi China secara lebih langsung daripada sekadar membatasi pilihan pengguna. 10

Kesimpulan

Model open-weight China mengubah persaingan AI karena membuat sistem berkemampuan tinggi lebih murah untuk diadopsi, lebih mudah disesuaikan, dan lebih sulit dibendung setelah dirilis. Nilai strategisnya terletak pada skala ekosistem, bukan hanya kualitas model.

Kekhawatiran keamanan tetap serius—terutama terkait layanan yang di-host, data sensitif, integritas rantai pasok, dan dugaan distilasi tanpa izin. Namun, kewarganegaraan pengembang tidak dengan sendirinya menunjukkan apakah sebuah penerapan aman. Model tertutup dari AS pun tidak bebas risiko hanya karena bobotnya tidak tersedia untuk publik.

Respons yang paling dapat dipertanggungjawabkan adalah pendekatan berbasis risiko: amankan rantai pasok, batasi penggunaan sensitif, selidiki bukti kredibel mengenai pencurian kemampuan model, dan bangun ekosistem model terbuka AS serta negara-negara sekutu yang mampu bersaing dalam distribusi maupun performa.