Alibaba dan Baidu melatih AI dengan chip buatan sendiri saat pembatasan AS diperketat

Mengapa ini penting sekarang

Dua perusahaan internet konsumen dan komputasi awan terbesar di China mengambil langkah tegas untuk mengamankan rantai pasokan kecerdasan buatan mereka. Alibaba dan Baidu mulai melatih sejumlah model dengan prosesor rancangan mereka sendiri, sehingga mengurangi ketergantungan pada chip Nvidia yang selama ini menjadi tulang punggung AI modern. Peralihan ini mencerminkan dua kekuatan besar sekaligus: pengetatan kontrol ekspor Amerika Serikat atas semikonduktor canggih yang ditujukan ke China dan dorongan di dalam negeri untuk memprioritaskan teknologi buatan lokal pada infrastruktur penting.

Kedua perusahaan bergerak hati-hati, bukan beralih sepenuhnya dalam sekejap. Alibaba menggunakan akseleratornya sendiri untuk pekerjaan pelatihan berskala lebih kecil, sembari tetap memakai perangkat keras Nvidia untuk pekerjaan yang paling berat. Baidu menguji chip Kunlun P800 terbarunya pada versi baru model Ernie, teknologi yang mendukung layanan AI generatifnya. Kedua perusahaan masih mengandalkan Nvidia untuk proses pelatihan terbesar dan paling kompleks, yang sangat membutuhkan performa, kematangan perangkat lunak, dan interkoneksi antarchip.

Dampak praktisnya di pusat data China bisa sangat besar. Perusahaan yang sebelumnya harus mengantre untuk mendapatkan GPU impor kini memiliki jalur kedua untuk meningkatkan komputasi AI. Chip domestik yang cukup andal untuk menangani porsi pekerjaan yang terus bertambah membantu mengurangi risiko pasokan, menjaga proyek tetap sesuai jadwal, dan menyelaraskan belanja dengan sasaran teknologi nasional. Jika penerapan ini berjalan baik, langkah tersebut akan membuktikan nilai investasi bertahun-tahun pada chip AI lokal dan mempercepat peralihan yang lebih luas di kalangan penyedia komputasi awan China untuk memadukan perangkat keras asing dan domestik dalam armada mereka.

Apa yang dikembangkan Alibaba dan Baidu

Alibaba memiliki rekam jejak dalam pengembangan chip khusus melalui unit T-Head, yang sebelumnya memperkenalkan akselerator AI Hanguang 800 untuk inferensi dan CPU server berbasis set instruksi Arm. Prosesor pelatihan AI terbarunya, yang oleh para karyawan secara internal disebut Zhenwu, kini digunakan untuk melatih model-model lebih kecil di Alibaba Cloud. Orang-orang yang pernah bekerja dengan chip tersebut mengatakan performa praktisnya bersaing dengan H20 Nvidia untuk tugas yang tidak memerlukan interkoneksi tercanggih atau kapasitas memori terbesar. Untuk pelatihan model terdepan, Alibaba masih mengandalkan sistem Nvidia sambil menguji kemampuan chip baru itu dalam skala besar.

Proyek Kunlun Baidu merupakan salah satu lini akselerator AI buatan lokal yang paling lama dikembangkan di China. Chip Kunlun generasi awal berfokus pada inferensi, yakni proses menjalankan model yang telah dilatih. Dengan Kunlun P800, Baidu menjalankan eksperimen pelatihan untuk versi baru Ernie guna menguji stabilitas, throughput, dan kesiapan tumpukan perangkat lunaknya. Keunggulan utama Baidu adalah integrasi vertikal: perusahaan ini mengembangkan model Ernie, mengoperasikan klaster komputasi awan berskala besar, dan mengendalikan kerangka kerja PaddlePaddle. Hal itu memberinya keleluasaan lebih besar untuk merancang perangkat keras dan perangkat lunak secara bersamaan demi efisiensi yang lebih baik.

Bagaimana aturan ekspor AS membentuk ulang pasar

Washington terus memperketat kontrol sejak 2022, ketika ambang batas performa akselerator AI pertama kali membatasi produk yang boleh dikirim vendor AS ke China. Solusi sementara, seperti GPU khusus China dengan bandwidth interkoneksi yang dikurangi, sempat menjaga sebagian pasokan tetap mengalir. Langkah-langkah baru yang diumumkan pada tahun-tahun berikutnya mempersempit jalur tersebut. Platform Nvidia kelas atas, seperti H100 dan komponen Blackwell yang lebih baru, tetap tidak dapat diakses di China. Nvidia membuat H20, opsi dengan kemampuan lebih rendah yang dirancang agar mematuhi aturan AS, tetapi riset industri menunjukkan bahwa pengiriman komponen tersebut pun kini memerlukan lisensi ekspor mulai April 2025. Hal ini menambah hambatan dan ketidakpastian bagi pembeli chip AS di China.

Platform internet dan komputasi awan besar China merespons dengan strategi dua jalur: memperoleh pasokan yang tersedia dari luar negeri sembari berinvestasi besar-besaran pada akselerator domestik. Lingkungan kebijakan juga mendukung solusi lokal. Instansi pemerintah dan pelanggan infrastruktur penting semakin memilih perangkat keras yang dirancang dan didukung di China, sehingga mendorong penyedia komputasi awan membuktikan bahwa akselerator buatan China dapat menangani beban kerja produksi dengan biaya yang wajar dan performa yang konsisten.

Nvidia menyadari bahwa persaingan sedang berubah dan pelanggan terdorong untuk melakukan diversifikasi. Seorang juru bicara perusahaan mengakui kenyataan itu, sembari menegaskan tekad Nvidia untuk terus melayani para pengembang di seluruh dunia.

Persaingan kini tak terbantahkan. Kami akan terus berupaya mendapatkan kepercayaan dan dukungan para pengembang arus utama di mana pun.

Seberapa dekat kemampuan chip domestik dengan Nvidia

Jawabannya bergantung pada jenis pekerjaan. Laporan dari para insinyur yang telah menggunakan akselerator terbaru Alibaba menunjukkan bahwa chip tersebut menyamai H20 Nvidia pada sejumlah tugas pelatihan dan ukuran model yang lebih kecil. Ini merupakan kemajuan berarti bagi platform yang masih baru. Untuk model terbesar dan jadwal pelatihan paling intensif, Nvidia masih unggul berkat kapasitas komputasi puncak yang lebih tinggi, interkoneksi antarmulti-GPU yang lebih cepat, tumpukan kompilator yang matang, dan ekosistem pustaka teroptimasi yang luas. Chip seperti H100 dan rancangan Blackwell terbaru masih menjadi standar untuk pelatihan model mutakhir di luar China.

Pelatihan dan inferensi adalah pekerjaan yang berbeda

Pelatihan AI adalah proses mengajari model dengan menyesuaikan miliaran parameter melalui banyak pengulangan terhadap data. Proses ini mendorong perangkat keras hingga batas kapasitas komputasi dan bandwidth memori, serta membutuhkan koneksi sangat cepat antarakselerator agar ribuan chip dapat melakukan sinkronisasi secara efisien. Inferensi terjadi setelah pelatihan. Model sudah selesai dipelajari, lalu sistem menghasilkan keluaran bagi pengguna secara waktu nyata. Inferensi mengutamakan latensi rendah, efisiensi biaya, dan penghematan daya. Chip yang sangat baik untuk inferensi atau untuk melatih model lebih kecil tetap bisa kurang memadai untuk pelatihan berbulan-bulan pada model yang sangat besar, karena jaringan komunikasi antarchip dan orkestrasi perangkat lunak menjadi hambatan.

Tumpukan perangkat lunak sama pentingnya dengan chip

Dominasi Nvidia tidak pernah hanya bertumpu pada chip. Platform CUDA, pustaka seperti cuDNN dan TensorRT, serta beragam perangkat dari mitra membuat pengembangan lebih mudah dan performa lebih terprediksi. Platform China sedang membangun tumpukan perangkat lunak sendiri untuk akselerator lokal. PaddlePaddle milik Baidu dan perangkat pengembangan komputasi awan Alibaba sudah mendukung chip mereka, dan kedua perusahaan dapat menyesuaikan kernel serta kompilator graf untuk model mereka sendiri. Kendali tersebut dapat meningkatkan efisiensi, tetapi juga berarti pengembang pihak ketiga mungkin perlu beradaptasi saat memindahkan kode ke perangkat keras domestik. Jika Alibaba dan Baidu membuat perpindahan ini berjalan mulus di layanan komputasi awan mereka, pelanggan mungkin lebih mementingkan harga, ketersediaan, dan tingkat layanan ketimbang merek chip.

Strategi bisnis dan reaksi pasar

Investor menyambut baik tanda-tanda bahwa para pemimpin internet China dapat mengamankan kapasitas komputasi AI tanpa sepenuhnya bergantung pada impor. Saham Alibaba dan Baidu naik setelah laporan tentang penerapan baru tersebut, mencerminkan harapan bahwa basis pasokan yang lebih tangguh akan mendukung peta jalan produk dan mengurangi risiko keterlambatan. Chip buatan lokal yang cukup mumpuni untuk menangani sebagian besar pekerjaan pelatihan juga dapat menekan biaya operasional jangka panjang jika lebih mudah diperoleh dan ditingkatkan skalanya di pusat data domestik.

Logika strategisnya tidak hanya berkaitan dengan biaya dan pasokan. Alibaba Cloud dan Baidu Cloud melayani perusahaan serta klien sektor publik yang sering kali memilih perangkat keras rancangan lokal. Menawarkan kapasitas komputasi menggunakan akselerator domestik dapat membantu perusahaan-perusahaan ini memperoleh beban kerja sensitif sekaligus mematuhi preferensi regulasi terkait keamanan dan lokasi data. Meski begitu, kedua perusahaan tampaknya memilih perpaduan yang pragmatis: mempertahankan sistem Nvidia untuk pekerjaan tersulit dan mengandalkan chip domestik untuk banyak tugas yang performanya sebanding dan lebih menarik dari sisi ekonomi.

Kendala rantai pasokan dan manufaktur

Merancang akselerator AI yang kompetitif hanyalah sebagian dari tantangan. Manufaktur, pengemasan, dan pasokan memori juga penting. Chip berperforma tertinggi saat ini dibuat dengan proses manufaktur canggih dan mengandalkan tumpukan memori bandwidth tinggi yang dikemas dekat dengan prosesor. Pabrik semikonduktor China telah berkembang, tetapi belum menyamai teknologi proses tercanggih di luar negeri. Kesenjangan tersebut dapat dikurangi sebagian melalui pilihan desain yang cermat, pengemasan yang unggul, dan perangkat lunak yang efisien, tetapi tetap memengaruhi performa puncak dan efisiensi daya.

Ketersediaan memori bandwidth tinggi juga menjadi kendala, karena pelatihan model besar mengonsumsi bandwidth dan kapasitas memori dalam jumlah sangat besar. Penyedia komputasi awan menyiasati batasan ini dengan membagi beban kerja ke lebih banyak chip, mengoptimalkan format presisi, dan menjadwalkan pekerjaan sesuai keunggulan masing-masing platform. Dalam kondisi tersebut, akselerator domestik yang terintegrasi dengan baik ke dalam tumpukan perangkat lunak komputasi awan dan mudah diperoleh dapat menangani porsi pekerjaan yang berarti, sekalipun performa puncak teoretisnya masih di bawah komponen asing terbaik.

Artinya bagi pengembang dan pelanggan

Pelanggan Alibaba dan Baidu akan memperhatikan tiga hal: waktu untuk memperoleh kapasitas, keandalan, dan total biaya untuk setiap proses pelatihan atau beban kerja inferensi. Jika akselerator domestik mengurangi antrean dan memberikan performa konsisten dengan kerangka kerja yang sudah dikenal, banyak tim akan beralih tanpa banyak hambatan. Pengembang model mungkin perlu menyesuaikan ulang kernel atau menggunakan perangkat khusus dari vendor untuk memperoleh throughput terbaik, tetapi praktik ini lazim dalam komputasi berperforma tinggi. Dalam waktu dekat, klaster gabungan dan kebijakan penjadwalan kemungkinan akan mengarahkan pekerjaan ke perangkat keras terbaik yang tersedia. Pelatihan model terdepan terbesar masih akan menggunakan sistem Nvidia, sementara semakin banyak pekerjaan arus utama dijalankan dengan chip Alibaba dan Baidu.

Hal yang perlu dicermati selanjutnya

Ada dua tonggak yang patut diperhatikan selama setahun ke depan. Pertama, rezim lisensi untuk pengiriman akselerator AS ke China, yang menurut peneliti industri akan mencakup komponen seperti Nvidia H20 dan AMD MI308 mulai April 2025. Kedua, bukti nyata dari Alibaba dan Baidu bahwa chip mereka dapat menangani pelatihan produksi dalam skala besar, bukan sekadar pengujian di laboratorium. Tolok ukur pada model yang dikenal luas, studi kasus pelanggan, dan kecepatan habisnya kapasitas instans komputasi awan berbasis akselerator domestik akan menunjukkan perkembangannya. Perhatikan seberapa cepat ekosistem perangkat lunak di sekitar chip-chip ini berkembang, termasuk dukungan pada kerangka kerja populer dan perangkat pihak ketiga. Cermati pula bagaimana platform China lainnya, termasuk yang mengembangkan akselerator sendiri atau membeli dari vendor domestik, membagi investasi antara GPU impor dan opsi lokal ketika proyek-proyek baru dimulai.

Poin Utama

• Alibaba dan Baidu mulai melatih model AI dengan chip rancangan mereka sendiri, sembari mempertahankan sistem Nvidia untuk pekerjaan yang paling berat.
• Akselerator terbaru Alibaba digunakan untuk pekerjaan pelatihan berskala lebih kecil dan, menurut para karyawan, menyaingi Nvidia H20 pada sejumlah tugas.
• Baidu menguji Kunlun P800 untuk versi baru model Ernie dan memanfaatkan kendalinya atas kerangka kerja PaddlePaddle.
• Kontrol ekspor AS membatasi akses ke komponen Nvidia kelas atas, sementara riset industri menunjukkan adanya persyaratan lisensi baru untuk pengiriman H20 ke China pada 2025.
• Nvidia menyatakan akan terus berupaya mendapatkan kepercayaan para pengembang seiring meningkatnya persaingan.
• Akselerator domestik sudah cukup mumpuni untuk menangani porsi beban kerja yang terus bertambah, meski Nvidia masih unggul dalam pelatihan model berskala terdepan.
• Ekosistem perangkat lunak merupakan faktor penting, dengan Alibaba dan Baidu menyesuaikan perangkat pengembangan untuk perangkat keras mereka sendiri.
• Investor bereaksi positif karena melihat risiko pasokan yang lebih rendah dan kendali lebih besar atas peta jalan AI.
• Manufaktur dan pasokan memori masih menjadi kendala, tetapi desain cermat dan integrasi komputasi awan dapat mengatasi sebagian keterbatasan.
• Klaster komputasi awan China diperkirakan akan menggabungkan berbagai chip, dengan penjadwal pekerjaan mengarahkan tugas antara chip domestik dan GPU impor.