Kenapa Lab AI China Masih Nempel ke Nvidia, Meski Pemerintah Sudah Tekan dan Anggaran Rp4.800 Triliun Disiapkan

Meskipun pemerintah China terus mendorong kemandirian chip dan memberikan tekanan besar, para pengembang AI terkemuka China—termasuk tim di balik DeepSeek, Kimi K3, dan model Qwen milik Alibaba—masih sangat bergantung pada chip Nvidia untuk melatih model bahasa besar (LLM) tercanggih mereka . Hambatan utamanya bukanlah performa perangkat keras, melainkan ketergantungan pada ekosistem software: platform CUDA milik Nvidia sudah menjadi standar de facto dalam pengembangan AI, dan migrasi ke chip Ascend milik Huawei dengan toolkit CANN membutuhkan biaya rekayasa yang sangat tinggi .

Moat CUDA: 15 Tahun Ketergantungan Developer

CUDA (Compute Unified Device Architecture) milik Nvidia memiliki keunggulan lebih dari 15 tahun dengan pustaka yang matang (cuDNN, TensorRT), alat debugging, dan komunitas developer global . Hampir semua framework AI utama—PyTorch, TensorFlow, JAX—sudah dioptimalkan untuk CUDA secara langsung .

Sebaliknya, CANN (Compute Architecture for Neural Networks) milik Huawei, meskipun telah dijadikan open source pada Agustus 2025, masih jauh lebih belum matang dalam hal cakupan operator, optimasi, dan alat komunitas . Para developer melaporkan bahwa banyak kernel yang dioptimalkan untuk CUDA tidak memiliki padanan langsung di CANN, sehingga perlu ditulis ulang secara manual .

Ini adalah siklus yang sulit diputus: semakin besar komunitas developer Nvidia dan semakin kaya pustaka kode yang sudah dioptimalkan, semakin sulit bagi alternatif untuk mendapatkan daya tarik .

Biaya Migrasi: Waktu dan Uang Lebih 50%

Seorang peneliti AI di lembaga afiliasi Shanghai memperkirakan bahwa beralih dari Nvidia CUDA ke Huawei Ascend akan menambah setidaknya 50% dalam hal waktu dan biaya . Sumber industri mengonfirmasi angka ini sebagai batas bawah yang realistis .

Ini mencakup:

• Upaya porting awal: Kode pelatihan yang ditulis untuk CUDA menggunakan panggilan kernel spesifik arsitektur, pola manajemen memori, dan strategi paralelisasi yang tidak bisa langsung diterjemahkan ke arsitektur NPU Ascend yang berbeda .
• Debugging dan tuning berkelanjutan: Setelah di-porting, model harus dioptimalkan ulang untuk mencapai performa yang setara di pustaka operator CANN yang lebih kecil .
• Produktivitas yang hilang: Developer harus belajar toolchain baru, dan komunitas CANN yang lebih kecil berarti lebih sedikit solusi bersama untuk masalah umum.

Kasus Nyata: Rencana DeepSeek R2 yang Dibatalkan

Contoh paling jelas dari kesenjangan software ini datang dari DeepSeek, salah satu lab AI paling menonjol di China. DeepSeek dilaporkan membatalkan rencana untuk melatih model R2-nya di NPU Ascend milik Huawei, dengan alasan masalah performa dan toolchain yang belum terselesaikan . Ini adalah bukti nyata bahwa lab AI kelas atas menganggap alternatif domestik belum siap untuk beban kerja paling berat mereka.

Kesenjangan Performa yang Masih Ada

Meskipun NPU Ascend 910C milik Huawei telah meningkat secara signifikan, para developer melaporkan bahwa performanya masih di bawah GPU generasi Hopper milik Nvidia untuk tugas pelatihan terdistribusi skala besar . Ascend 910C, yang dibuat di atas proses 7nm SMIC yang disempurnakan, memberikan sekitar sepertiga throughput BF16 dari B200 milik Nvidia . Ascend 950 milik Huawei yang akan datang diharapkan dapat mempersempit kesenjangan ini, dengan data Morgan Stanley menunjukkan kesenjangan performa antara chip China dan perangkat keras Nvidia yang sesuai ekspor telah menyempit secara signifikan .

Paradoks Pasokan: Stok Chip Nvidia Ciptakan Inersia

Secara paradoks, pembatasan ekspor AS tidak sepenuhnya memutus pasokan Nvidia ke China. AS menyetujui H200 untuk dijual ke China, dan Beijing kemudian memblokir penerimaannya—tetapi lab China sudah memiliki simpanan besar chip Nvidia . ByteDance, Alibaba, dan Tencent secara kolektif menghabiskan sekitar $16 miliar (Rp256 triliun) untuk menimbun sekitar 1,3 hingga 1,6 juta unit H20 sebagai antisipasi larangan .

Instalasi yang sudah ada ini menciptakan inersia yang kuat: selama perangkat keras Nvidia yang ada masih berfungsi, biaya peralihan yang tinggi menunda perpindahan ke alternatif domestik .

Respons Rp4.800 Triliun: Dorongan Chip Domestik China

China bukannya diam. Menanggapi hambatan ini:

• Produsen chip China menargetkan peningkatan tiga kali lipat output chip AI domestik pada tahun 2026
• Beijing dilaporkan sedang menyusun rencana senilai sekitar Rp4.800 triliun ($295 miliar) untuk menghubungkan setiap pusat data besar China ke dalam satu jaringan komputasi AI pada tahun 2028, dengan setidaknya 80% chip yang mendasarinya harus buatan dalam negeri
• Huawei membuka sumber kode CANN pada Agustus 2025, merilis komponen inti termasuk operator, pustaka domain, dan teknologi graph-engine
• ByteDance menandatangani kontrak $5,6 miliar (Rp89,6 triliun) dengan Huawei untuk chip AI Ascend pada Desember 2025, dengan pengiriman dimulai pada Q1 2026

Kemajuan nyata terjadi: pangsa pelatihan chip domestik dilaporkan tumbuh dari 8% pada awal 2025 menjadi 42% pada April 2026 . Namun, sebagian besar adopsi ini tampaknya terkonsentrasi pada beban kerja yang tidak terlalu kritis dan tugas inferensi, bukan pada pelatihan model perbatasan .

Prospek: Transisi Bertahun-Tahun

Langkah Huawei membuka sumber kode CANN adalah langkah berarti menuju pembangunan ekosistem developer seperti yang dimiliki CUDA . Namun, sebagian besar analis sepakat bahwa kesenjangan ekosistem software—bukan spesifikasi perangkat keras mentah—akan membutuhkan waktu bertahun-tahun untuk ditutup . Dalam jangka pendek, lab AI terkemuka China akan terus melatih model di chip Nvidia sambil bereksperimen dengan deployment hybrid domestik untuk beban kerja yang tidak terlalu kritis, dan sementara rencana jaringan senilai Rp4.800 triliun dari Beijing bertujuan untuk mempercepat transisi .