HUMAIN-M3 Saudi Tunjukkan Peran Model AI Open-Weight China bagi Kedaulatan Digital

Arab Saudi melalui HUMAIN memperlihatkan seperti apa AI berdaulat yang semakin banyak dibangun negara: bukan semata-mata melatih model dasar tercanggih dari nol, dan bukan pula hanya menjadi pelanggan API perusahaan asing. Perusahaan AI yang didukung Public Investment Fund (PIF) itu menugaskan MiniMax, pengembang asal China, untuk membuat model yang berfokus pada bahasa Arab dari lini M3. Hasilnya adalah humain-m3—sistem yang dapat dievaluasi, diadaptasi, dan berpotensi dijalankan melalui infrastruktur yang berada dalam kendali Saudi. 34

Diluncurkan di LEAP 2026

HUMAIN memperkenalkan humain-m3 pada ajang LEAP di Riyadh, 3 September 2026. Model tersebut tersedia dalam pratinjau untuk riset dan evaluasi melalui HUMAIN Node, platform HUMAIN untuk akses model dan inferensi. Menurut laporan peluncurannya, rilis bobot model (open weight) direncanakan setelah pekerjaan tambahan terkait keamanan dan penyelarasan, di bawah MiniMax Community License. 3414

Secara teknis, humain-m3 memakai rancangan mixture-of-experts (MoE) dari MiniMax M3: sekitar 428 miliar parameter total, tetapi hanya kira-kira 23 miliar parameter yang aktif untuk setiap token. HUMAIN menyatakan telah melakukan prapelatihan tambahan menggunakan lebih dari 1 triliun token konten yang berasal dari bahasa Arab. 347

Signifikansinya bukan sekadar ukuran model. HUMAIN tidak memosisikan model ini sebagai AI umum yang hanya diterjemahkan ke bahasa Arab, melainkan sebagai model berkemampuan tinggi yang dispesialisasikan secara besar-besaran untuk penggunaan berbahasa Arab.

Mengapa basis open-weight penting bagi AI berdaulat?

Model open-weight membuka akses ke parameter terlatih, sehingga organisasi dapat menjalankan model secara lokal, melakukan fine-tuning, dan melakukan inferensi tanpa selalu bergantung pada API berpemilik. Brookings mencatat pendekatan ini memberi institusi kendali lebih besar atas penerapan dan evaluasi model. Namun, akses terhadap bobot saja tidak membuat model sepenuhnya dapat diaudit: data pelatihan, proses pengembangan, bias, serta risiko lain masih dapat tertutup.

Bagi program yang didukung pemerintah, pendekatan ini menawarkan jalan tengah yang praktis:

• Memulai dari model dasar yang sudah mapan, tanpa menanggung seluruh ongkos dan waktu pelatihan model frontier dari nol.
• Menyesuaikan model untuk bahasa, pengetahuan sektoral, standar evaluasi, dan kebutuhan keselamatan lokal.
• Menjalankan inferensi di infrastruktur yang terkendali untuk beban kerja yang sensitif terhadap pengelolaan data dan kesinambungan operasional.
• Mempertahankan kemampuan adaptasi, alih-alih terikat pada perilaku, harga, atau ketersediaan satu penyedia API dari luar negeri.

Center for a New American Security (CNAS) juga menilai hanya sedikit negara yang memiliki komputasi, data, talenta, dan modal untuk membangun model frontier kompetitif dari nol. Karena itu, banyak inisiatif pemerintah memilih menyempurnakan model open-weight dengan data lokal guna memasukkan bahasa nasional, konteks budaya, dan keahlian sektoral dengan biaya yang lebih rendah.

Fokus bahasa Arab, bukan hanya jumlah parameter

Pilihan teknis paling penting dari humain-m3 adalah pelatihan yang mengutamakan bahasa Arab. HUMAIN menyebut model ini menerima prapelatihan tambahan pada lebih dari satu triliun token materi berbahasa Arab. 34

Hal ini penting karena penerapan AI yang benar-benar berguna di tingkat nasional membutuhkan lebih dari terjemahan harfiah. Layanan publik dan perusahaan dapat memerlukan penalaran dalam bahasa Arab, terminologi setempat, ragam penggunaan bahasa di kawasan, serta evaluasi dalam bahasa yang benar-benar dipakai pengguna. Model yang diadaptasi secara lokal memberi peluang untuk mengoptimalkan kemampuan tersebut sambil mempertahankan kendali atas penerapan dan penyempurnaan berikutnya.

Lini M3 yang menjadi basisnya juga dilaporkan mendukung pemahaman teks, gambar, dan video, serta penggunaan alat dan kemampuan mengoperasikan komputer. Jika kemampuan itu tetap efektif setelah lokalisasi, program model nasional bisa membangunnya tanpa harus menciptakan kembali setiap lapisan pengembangan model frontier. 7

Skor benchmark menjanjikan, tetapi perlu dibaca hati-hati

HUMAIN melaporkan skor rata-rata berbobot sama sebesar 89,37% pada tujuh benchmark bahasa Arab publik. Dalam perbandingan HUMAIN, angka itu berada di atas skor referensi MiniMax M3 sebesar 80,34%, serta di atas GPT-5.6 SOL dan Claude Opus 5 yang dimasukkan ke dalam evaluasinya. HUMAIN juga menyatakan humain-m3 memimpin pada lima dari tujuh pengujian. 5

Namun, hasil itu perlu ditafsirkan secara hati-hati. Angka tersebut dilaporkan oleh vendor, dijalankan oleh HUMAIN, belum direproduksi secara independen, dan belum diserahkan ke Open Arabic LLM Leaderboard menurut laporan mengenai peluncuran model. Hasil itu dapat menjadi indikasi bahwa strategi lokalisasinya bekerja, tetapi belum merupakan pemeringkatan lintas-model yang final. 15

Kedaulatan tidak berhenti pada kepemilikan bobot model

Humain-m3 menunjukkan daya tarik checkpoint model yang dapat digunakan ulang, sekaligus memperjelas batas istilah “berdaulat”. Akses lokal ke model dapat mengurangi ketergantungan pada API asing dan mendukung hosting, fine-tuning, serta inferensi di dalam negeri. Akan tetapi, bobot model hanyalah satu lapisan dari keseluruhan ekosistem.

Kemampuan AI berdaulat juga memerlukan infrastruktur komputasi, chip, operasi cloud dan pusat data, tenaga ahli, proses keamanan, pembaruan model berkelanjutan, serta ketentuan lisensi model dasar. CNAS mendefinisikan proyek AI berdaulat secara luas sebagai inisiatif yang didukung pemerintah, terkait kepentingan strategis nasional, dan ditopang investasi nyata pada komputasi, model, atau ekosistem data—bukan sekadar model dengan label domestik.

Pembedaan ini penting bagi ketahanan operasional. Bobot yang dapat dijalankan secara lokal bisa menjadi cadangan jika layanan terkelola berubah kebijakan atau tidak tersedia. Namun, bobot itu tidak serta-merta menghapus ketergantungan pada pemasok perangkat keras, mitra infrastruktur, maupun syarat hukum penggunaan model dasar.

Pasar global untuk model dasar yang dapat diadaptasi

HUMAIN-M3 juga mengisyaratkan peluang internasional bagi laboratorium AI China. Mereka tidak hanya bisa bersaing lewat produk konsumen atau API yang di-host secara terpusat, tetapi juga memasok model dasar yang kuat untuk kemudian diadaptasi organisasi luar negeri sesuai bahasa, data, dan infrastrukturnya sendiri.

Tren ini bukan kasus tunggal. CNAS menghitung 184 proyek AI berdaulat yang didukung pemerintah di 67 negara dalam data yang mencakup proyek baru hingga paruh pertama 2026. Proyek yang berfokus pada infrastruktur menjadi porsi terbesar, menegaskan bahwa strategi AI nasional makin memperhatikan keseluruhan lingkungan operasional, bukan hanya modelnya.

Distribusi open-weight sangat relevan dalam konteks tersebut. Hugging Face berpendapat bahwa model yang bisa dijalankan pada perangkat keras domestik dapat mengurangi ketergantungan pada infrastruktur cloud yang dikendalikan pihak asing dan memungkinkan institusi publik menyempurnakan sistem di bawah kerangka hukum nasional.

Intinya: jalan yang lebih terjangkau menuju kendali AI

HUMAIN-M3 bukan bukti bahwa bobot terbuka saja sudah cukup untuk menghasilkan kedaulatan AI. Namun, proyek ini adalah contoh menonjol dari strategi yang lebih terjangkau: memperoleh atau melisensikan model dasar yang mumpuni, berinvestasi besar pada data serta evaluasi lokal, menerapkannya dengan kendali operasional domestik, lalu mempertahankan kemampuan untuk terus menyesuaikan sistem.

Bagi Arab Saudi, sasaran langsungnya adalah kapabilitas AI yang mengutamakan bahasa Arab. Bagi laboratorium China seperti MiniMax, implikasinya lebih luas: checkpoint model yang adaptif dapat menjadi bagian infrastruktur AI yang dapat diekspor. Sementara bagi pemerintah yang tidak mampu—atau tidak ingin—membangun model frontier dari nol, proyek ini menunjukkan mengapa model yang dapat diunduh dan dijalankan secara lokal kian menjadi pilihan strategis. 3