TLDR
Pengembang model di China masih bergantung pada chip Nvidia meskipun ada dorongan untuk mengganti dengan semikonduktor domestik. Migrasi dari platform CUDA ke Ascend membutuhkan perubahan besar dalam kode, yang dapat meningkatkan waktu dan biaya pengembangan. Keberhasilan China dalam semikonduktor tidak hanya bergantung pada pembuatan chip, tetapi juga pada ekosistem perangkat lunak yang mendukung pelatihan model yang efisien. Pomodo.id - Tantangan besar dihadapi pengembang kecerdasan buatan (AI) di Tiongkok saat mencoba beralih dari chip Nvidia ke solusi chip domestik. Meskipun pemerintah Tiongkok berupaya mendorong industri semikonduktor lokal untuk menggantikan ketergantungan pada produk asing, banyak pengembang AI masih bergantung pada chip Nvidia untuk melatih model-model mereka yang paling canggih. Tantangan ini bukan semata-mata terkait kemampuan chip domestik untuk menangani beban kerja yang diperlukan, namun perubahan perangkat keras juga berarti memodifikasi sistem perangkat lunak yang sudah dibangun di sekitar platform CUDA milik Nvidia. Hal ini menjadi tantangan rekayasa yang mahal bagi pengembang model.Huawei, yang telah mengembangkan alternatifnya sendiri yaitu Compute Architecture for Neural Networks (CANN) untuk chip Ascend, menghadapi tantangan serupa. Para pengembang yang akrab dengan CUDA harus menulis ulang dan mengoptimasi sebagian besar kode yang sudah ada sebelum bisa memindahkan beban kerja pelatihan mereka ke Ascend. James Wang, seorang peneliti yang terlibat dalam pengembangan model di Tiongkok, memperkirakan bahwa untuk memindahkan alur kerja timnya ke chip Ascend milik Huawei bisa menambah waktu dan biaya sebesar setidaknya 50%. Ini menunjukkan seberapa dalam ketergantungan mereka pada sistem yang ada saat ini.Sebagai tambahan, struktur perangkat lunak yang menyokong chip Nvidia telah membuat beberapa pengembang tidak melihat alternatif lainnya. Meski chip domestik terus berkembang, arsitektur chip yang berbeda memunculkan hambatan teknik yang curam. Sergey Wang, seorang insinyur yang terlibat dalam pemindahan beban model ke Ascend, juga menyoroti bahwa model-model sumber terbuka bisa dipindahkan lebih mudah, berkat akses ke basis kode yang lebih fleksibel. Namun tetap saja, tantangan ini menciptakan ketidakpastian di kalangan pengembang AI yang merasa terjebak dalam ekosistem Nvidia.
Compute Architecture for Neural Networks (CANN)
CANN adalah arsitektur komputasi yang dikembangkan oleh Huawei untuk menangani tugas-tugas terkait jaringan saraf. Meskipun CANN bertujuan untuk menjadi alternatif bagi CUDA yang dikembangkan oleh Nvidia, penggunaan CANN mensyaratkan penulisan ulang kode yang ada, sehingga meningkatkan hambatan transisi bagi pengembang. Ini menunjukkan tantangan yang dihadapi dalam menciptakan ekosistem yang setara dan terintegrasi dalam industri semikonduktor lokal Tiongkok.
Kendala biaya dan waktu transisi yang tinggi membuat pengembang AI Tiongkok sulit beranjak dari chip Nvidia. Dalam konteks mendorong kebangkitan industri semikonduktor lokal, mengatasi hambatan-hambatan ini sangat penting untuk mencapai kemandirian teknologi. Ke depan, jika pemerintah Tiongkok dan perusahaan-perusahaan teknologi tidak bisa menciptakan solusi yang lebih efisien dan handal dengan dukungan kode yang kurang rumit, ketergantungan pada produk asing akan terus menghambat kemajuan mereka. Mengingat besarnya pasar AI yang diperkirakan mencapai lebih dari Rp 700 triliun pada tahun 2028, upaya peningkatan kemandirian ini sangat vital untuk memastikan posisi kompetitif Tiongkok di arena global.---
Diterbitkan oleh Pomodo · Redaksi Pomodo
Terbit: 11 Agu 2026, 08.06 WIB
Ditulis dengan bantuan AI dan diperiksa akurasinya terhadap sumber.
Menemukan kesalahan? Hubungi redaksi → [pomodo.id/contact](https://pomodo.id/contact)
