India Luncurkan Model AI EKA-1 dan Dhir dengan Dukungan Bahasa India dan Kemampuan Luring

Tiga model AI India menargetkan bahasa lokal dan pemrosesan privat

India telah memperkenalkan tiga model kecerdasan buatan yang dikembangkan di dalam negeri di bawah Misi IndiaAI: EKA-1 dari Soket Labs serta Dhir 2B dan Dhir 5B dari ZenteiQ. Pengumuman pada November 2026 ini menyatukan dua prioritas program AI negara tersebut: perangkat lunak yang dapat digunakan dalam bahasa-bahasa India dan alat yang mampu menjalankan tugas berguna tanpa koneksi internet terus-menerus.

EKA-1 memiliki 26,3 miliar parameter dan mendukung bahasa Inggris serta seluruh 22 bahasa yang tercantum dalam Jadwal Kedelapan Konstitusi India. Model Dhir yang lebih kecil masing-masing memiliki dua miliar dan lima miliar parameter serta mendukung bahasa Inggris dan 10 bahasa India. Pengembangnya menyebutkan beragam penggunaan, mulai dari menjawab pertanyaan tentang dokumen hingga membantu matematika, pemrograman, dan pekerjaan institusi.

S. Krishnan, sekretaris Kementerian Elektronika dan Teknologi Informasi, menghadiri peluncuran bersama para pejabat kementerian dan IndiaAI. Ia mengatakan model yang dikembangkan di dalam negeri dapat memperkuat kemandirian teknologi India dan mendukung pekerjaan di pemerintahan, industri, penelitian, pendidikan, dan keamanan siber.

Manfaat praktis yang paling langsung adalah pilihan yang lebih luas mengenai tempat AI dijalankan. Sebuah organisasi dapat menggunakan model di komputernya sendiri, sementara sejumlah aplikasi seluler dapat memproses permintaan langsung di ponsel. Bagi institusi yang menangani dokumen sensitif, ini menawarkan cara untuk menggunakan AI sambil menjaga informasi tetap berada di lingkungan komputasi mereka sendiri.

Akses ke model-model tersebut disediakan melalui AIKosh bagi peneliti, mahasiswa, startup, perusahaan, dan masyarakat umum. ZenteiQ juga berencana meluncurkan aplikasi seluler gratis. Dengan demikian, pengumuman ini mencakup model dasar yang dapat dikembangkan lebih lanjut oleh pengembang serta rencana bagi masyarakat untuk menggunakannya secara langsung.

Fungsi yang dirancang untuk EKA-1

Soket Labs mengembangkan EKA-1 untuk tugas-tugas seperti matematika, pengodean, dan penalaran, yakni mengolah informasi untuk menghasilkan jawaban. Chief executive Abhishek Upparwal menyebut perbankan, jasa keuangan, dan keamanan siber sebagai bidang fokus utama, dengan model yang dirancang berdasarkan kebutuhan ekonomi digital India.

Model fondasi adalah sistem AI yang dilatih secara luas agar dapat mendukung beragam aplikasi. Pengembang dapat membangun alat yang lebih khusus di atasnya, seperti layanan untuk menjawab pertanyaan tentang dokumen keuangan atau perangkat lunak yang membantu pemrogram menulis kode. EKA-1 dimaksudkan untuk menyediakan kemampuan dasar tersebut, bukan hanya menjalankan satu tugas dengan cakupan sempit.

Jumlah 26,3 miliar parameter pada model ini merujuk pada nilai numerik internal yang disesuaikan selama pelatihan. Nilai-nilai itu membantu sistem mengenali pola dan menghasilkan tanggapan. Jumlah parameter menunjukkan skala model, sementara pengguna juga perlu mempertimbangkan mutu bahasa, akurasi jawaban, kecepatan, dan sumber daya komputasi yang dibutuhkan untuk pekerjaan tertentu.

Volume pelatihan EKA-1 yang disebutkan adalah sekitar 7,5 triliun token. Token adalah bagian-bagian yang digunakan untuk membagi teks dalam pemrosesan, terkadang berupa kata utuh dan terkadang bagian dari kata. Angka lain yang dipublikasikan menyebut volume 7,5 lakh crore token, setara dengan 75 triliun. Hal ini menunjukkan adanya perbedaan signifikan pada angka total pelatihan yang disebutkan.

Dukungan bahasa India memiliki dua cakupan berbeda

Dukungan EKA-1 untuk bahasa Inggris dan seluruh 22 bahasa India yang tercantum dalam jadwal tersebut merupakan bagian utama dari peran domestik yang dirancang untuknya. Deskripsi yang lebih luas juga menyebut cakupan lebih dari 100 bahasa India dan bahasa asing, selain bahasa pemrograman. Angka bahasa yang tercantum dalam jadwal menunjukkan cakupan bahasa India yang dinyatakan, sedangkan angka yang lebih besar menggambarkan cakupan yang lebih luas.

Dhir 2B dan Dhir 5B disebut mendukung bahasa Inggris dan 10 bahasa India. Ukurannya yang lebih kecil dan cakupan bahasa yang dinyatakan lebih terbatas memberi institusi pilihan berbeda dari EKA-1, bergantung pada dokumen, bahasa, dan perangkat yang digunakan.

Bagi pelajar atau pegawai negeri, dukungan bahasa dapat menentukan apakah alat AI berguna dalam pekerjaan sehari-hari. Asisten dokumen yang dapat menerima bahasa yang digunakan di kantor atau ruang kelas bisa mengurangi kebutuhan menerjemahkan pertanyaan ke bahasa Inggris sebelum mengajukannya. Namun, deskripsi peluncuran tidak menyertakan hasil kinerja untuk masing-masing bahasa atau skor akurasi yang dapat dibandingkan untuk ketiga model.

Alasan model Dhir berukuran lebih kecil

Chief executive ZenteiQ, Profesor Sashikumaar Ganesan, menyebut Dhir 2B dan Dhir 5B sebagai model ringkas dan menjelaskan ukurannya saat peluncuran:

Kami telah meluncurkan dua model kecil. Kami menyebutnya model ringkas...yang kami luncurkan adalah model dengan dua miliar dan kemudian lima miliar parameter...

EKA-1 memiliki sekitar 5,3 kali lebih banyak parameter daripada Dhir 5B dan sekitar 13,2 kali lebih banyak daripada Dhir 2B. Perbandingan ini didasarkan pada jumlah yang diumumkan, yakni 26,3 miliar, lima miliar, dan dua miliar. Model yang lebih kecil umumnya membutuhkan lebih sedikit memori untuk menyimpan parameternya sehingga dapat digunakan pada perangkat dengan sumber daya yang lebih terbatas.

ZenteiQ menyatakan modelnya dapat dijalankan langsung di perangkat seluler dan berbagai platform komputasi. Ganesan menggambarkan pengalaman yang dituju sebagai akses bagi masyarakat tanpa harus mengirim setiap permintaan ke layanan jarak jauh:

Kita bisa menjalankan model ini langsung di perangkat seluler... pengguna bisa mendapatkan solusi AI di tangan mereka tanpa perlu menggunakan cloud, yang pertama...

Model Dhir dirancang untuk mengambil informasi dari dokumen, menjawab pertanyaan, dan mendukung pekerjaan rutin. Organisasi pertahanan, departemen pemerintah, perusahaan industri, dan institusi pendidikan termasuk di antara calon penggunanya.

Makna bekerja tanpa internet

Layanan AI yang diakses melalui cloud biasanya mengirim permintaan ke komputer di tempat lain untuk diproses, lalu mengembalikan jawabannya. Menjalankan model secara lokal memindahkan pemrosesan itu ke ponsel atau perangkat milik organisasi. Setelah perangkat lunak dan model yang diperlukan terpasang, tugas yang sesuai dapat tetap dijalankan tanpa koneksi internet aktif.

Krishnan menyoroti potensi model-model ini untuk beroperasi di jaringan komputer aman yang tidak memiliki akses internet. Jaringan semacam itu relevan bagi kantor pemerintah dan institusi sensitif lainnya yang membatasi koneksi ke layanan eksternal. Sebagai contoh, asisten dokumen lokal dapat membantu staf menelusuri materi internal sementara pemrosesan tetap berlangsung di dalam organisasi.

Pendekatan ZenteiQ yang berbasis perangkat juga dapat berguna di wilayah dengan koneksi lemah atau tidak stabil. Masyarakat tidak akan terlalu bergantung pada koneksi yang andal untuk setiap permintaan. EKA-1 juga disebut mampu menjalankan sejumlah tugas di ponsel, meskipun klaim penerapan seluler yang paling kuat ditujukan pada model Dhir yang ringkas.

Menyimpan informasi di perangkat memberi pemiliknya kendali lebih besar atas lokasi pemrosesan. Organisasi tetap harus mengelola akses ke berkas, mengamankan perangkat, dan menentukan dokumen mana yang boleh digunakan aplikasi. Karena itu, privasi bergantung pada cara keseluruhan aplikasi diterapkan, selain kemampuan model untuk berjalan secara lokal.

Komputasi cloud membantu membangun model yang dirancang untuk penggunaan lokal

Model Dhir dikembangkan dengan bantuan unit pemrosesan tensor Google Cloud, atau TPU. Ini adalah prosesor khusus yang digunakan untuk menangani komputasi dalam jumlah besar yang diperlukan AI. Model-model tersebut juga disebut dapat beroperasi pada sistem yang menggunakan unit pemrosesan grafis, atau GPU.

Pelatihan dan penggunaan sehari-hari merupakan dua tahap berbeda. Pelatihan menyesuaikan nilai internal model dengan memproses materi dalam jumlah besar. Menjalankan model yang telah selesai untuk menjawab pertanyaan disebut inferensi. Pengembang dapat menggunakan perangkat cloud yang canggih selama pelatihan, lalu mendistribusikan model yang melakukan inferensi pada perangkat keras lokal.

Misi IndiaAI membantu kedua pengembang dengan menyediakan sumber daya komputasi berbiaya lebih rendah serta bantuan untuk pengeluaran penelitian. Dukungan ini mengatasi salah satu biaya praktis utama dalam menciptakan model fondasi: memperoleh kapasitas komputasi yang memadai untuk melatih dan mengembangkannya.

Krishnan mengaitkan inisiatif ini dengan kemandirian teknologi dan strategis. Dalam praktiknya, pengembangan di dalam negeri memberi organisasi India sumber model tambahan yang dirancang sesuai bahasa lokal dan kebutuhan institusi, dengan pilihan penerapan pada infrastruktur yang mereka kendalikan.

Cara masyarakat mengakses model

AIKosh menjadi jalur akses yang diumumkan bagi peneliti, mahasiswa, startup, pelaku bisnis, dan pengguna perorangan. Bagi pengembang, akses ke model fondasi membuka peluang untuk membangun aplikasi yang ditujukan pada dokumen atau tugas tertentu. Bagi institusi, langkah selanjutnya adalah memilih penerapan yang sesuai dengan perangkat, bahasa, dan aturan informasi mereka.

ZenteiQ berencana menyediakan aplikasi selulernya secara gratis melalui Play Store dan iOS. Ganesan juga mengatakan perusahaan berencana memperkenalkan model dengan sembilan miliar parameter, sehingga jangkauannya akan melampaui Dhir 2B dan Dhir 5B.

Pengumuman tersebut tidak menyebutkan tanggal peluncuran aplikasi seluler atau model sembilan miliar parameter yang direncanakan. Konfigurasi ponsel yang didukung, kebutuhan memori, ukuran unduhan, serta ketentuan lisensi model juga belum dijelaskan. Informasi tersebut akan penting bagi mereka yang ingin mengetahui apakah perangkat lunak ini dapat dipasang atau digunakan untuk membangun aplikasi.

Peluncuran itu sendiri disebut berlangsung pada Selasa, yang jatuh pada 3 November 2026, sementara 4 November juga disebut sebagai tanggal pengumuman. Kedua keterangan tersebut menempatkan pengenalan ketiga model pada pekan yang sama.

Perubahan bagi institusi dan pengguna

Departemen pemerintah dan perusahaan kini memiliki tiga model domestik tambahan untuk dipertimbangkan dalam tugas bahasa dan dokumen. Pilihan mereka berbeda dari segi skala: EKA-1 menggabungkan jumlah parameter yang lebih besar dengan cakupan bahasa yang dinyatakan luas, sedangkan model Dhir berfokus pada pengoperasian ringkas, termasuk di perangkat seluler.

Perbankan dan keamanan siber merupakan sasaran khusus Soket Labs. Pengambilan dokumen dan pertanyaan tentang informasi internal menjadi penggunaan utama Dhir. Sekolah, peneliti, dan lembaga publik juga dapat membangun aplikasi berdasarkan kemampuan tersebut, dengan memilih model dan konfigurasi komputasi yang sesuai dengan pekerjaan mereka.

Perkembangan konkret berikutnya mencakup akses yang lebih luas melalui AIKosh, rencana aplikasi seluler gratis, dan model ZenteiQ yang lebih besar. Bagi pengguna, manfaat praktisnya akan bergantung pada seberapa baik sistem ini menangani bahasa, dokumen, dan perangkat mereka.

Poin Utama

• India memperkenalkan EKA-1, Dhir 2B, dan Dhir 5B di bawah Misi IndiaAI pada November 2026.
• EKA-1 memiliki 26,3 miliar parameter dan mendukung bahasa Inggris serta seluruh 22 bahasa India yang tercantum dalam jadwal.
• Dhir 2B dan Dhir 5B mendukung bahasa Inggris dan 10 bahasa India serta dirancang untuk penerapan ringkas, termasuk di perangkat seluler.
• Pemrosesan lokal dapat mendukung pekerjaan berbasis dokumen di institusi dengan akses internet terbatas dan di wilayah dengan konektivitas terbatas.
• Misi IndiaAI membantu para pengembang dengan sumber daya komputasi dan biaya penelitian.
• AIKosh menjadi platform akses yang diumumkan; aplikasi seluler gratis dari ZenteiQ dan model dengan sembilan miliar parameter direncanakan.