Pengembangan Kecerdasan Buatan Taiwan dan Strategi Masa Depan: Tiket Masuk Hardware Sudah Didapat, Pertarungan Berikutnya di Mana

Ringkasan 30 detik: Pada 8 Oktober 2024, Hadiah Nobel Fisika diberikan kepada fisikawan yang menulis Jaringan Hopfield dan ilmuwan kognitif yang menulis backpropagation¹. Keesokan harinya, 9 Oktober 2024, Hadiah Nobel Kimia diberikan kepada tiga peneliti yang memecahkan teka-teki lipatan protein berusia lima puluh tahun menggunakan AI². Pada 29 Mei tahun yang sama, CEO NVIDIA Jensen Huang muncul di pasar malam Ningxia Taipei bersama Morris Chang, Lin Bai-li, dan Tsai Li-hsing makan o-a-chian. TSMC merebut 72% pangsa pasar foundry global, sementara Foxconn, Quanta, dan Wistron bersama-sama memproduksi sembilan puluh persen server AI dunia. Namun dalam upacara ilmiah dua hari berturut-turut ini yang memberi legitimasi atas empat puluh dua tahun sejarah jaringan saraf, tidak ada satu pun nama yang berasal dari Taiwan. Dari Laboratorium AI Taiwan yang didirikan oleh pendiri PTT Tu Yi-chin, hingga model bahasa besar berhuruf Tionghoa tradisional TAIDE yang ditaruhkan pemerintah, sebuah taruhan dari «memproduksi AI» menuju «menjadi AI» sedang berlangsung.

42 Tahun Pengakuan: Dua Hari Berturut-turut Nobel 2024

Pada pagi 8 Oktober 2024, Stokholm. Akademi Ilmu Pengetahuan Kerajaan Swedia mengumumkan, Hadiah Nobel Fisika tahun itu diberikan kepada dua ilmuwan AI: profesor emeritus Princeton berusia 91 tahun John J. Hopfield, serta Geoffrey Hinton berusia 76 tahun yang baru keluar dari Google lima bulan sebelumnya. Hadiah uang 11 juta krona Swedia, dibagi rata oleh keduanya¹.

Alasan yang diberikan juri adalah "temuan dan penemuan fundamental yang memungkinkan pembelajaran mesin dengan jaringan saraf buatan" (for foundational discoveries and inventions that enable machine learning with artificial neural networks)¹. Ini adalah pertama kalinya dalam sejarah Hadiah Nobel Fisika penghargaan langsung diberikan ke bidang jaringan saraf.

Keesokan harinya, 9 Oktober, Hadiah Nobel Kimia. Tiga pemenang: David Baker dari Universitas Washington, serta dua orang dari DeepMind, Demis Hassabis dan John Jumper. Baker mendapat setengah hadiah uang, Hassabis dan Jumper berbagi setengahnya yang lain². Alasan penghargaan terbagi dua: bagian pertama untuk "desain protein komputasional" Baker, bagian kedua untuk "prediksi struktur protein" Hassabis dan Jumper.

Dua hari, dua Nobel, semuanya berkaitan dengan AI. Hal ini tidak memiliki preseden dalam sejarah Hadiah Nobel.

Bandingkan dengan garis waktu: saat Hopfield menerbitkan makalah berjudul "Neural networks and physical systems with emergent collective computational abilities" di Proceedings of the National Academy of Sciences (PNAS) pada 1982, ia baru saja beralih dari fisika materi padat ke ilmu saraf³. Dari 1982 hingga 2024, total 42 tahun. Makalah 1986 di mana Hinton dan Rumelhart mengubah algoritma backpropagation menjadi alat praktis⁴, dari terbit hingga menerima penghargaan juga 38 tahun. AlphaFold dari debut pertamanya di CASP13 pada 2018 hingga meraih Nobel 2024, hanya butuh 6 tahun.

Pada hakikatnya, Nobel dua hari ini tidak diberikan untuk ChatGPT, melainkan untuk beberapa makalah tiga hingga empat puluh tahun lalu yang kaum orang tidak memahami. Keterlambatan antara penelitian dasar dan aplikasi industri memang selalu seperti ini.

Geoffrey Hinton, pemenang Hadiah Nobel Fisika 2024, Pekan Nobel Stokholm. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons.

Makan Malam Triliunan Dolar di Pasar Malam Ningxia

Pada sore hari 29 Mei 2024, di malam sebelum pembukaan COMPUTEX, Pasar Malam Ningxia di Taipei dikunjungi sekelompok tamu tidak biasa. CEO NVIDIA Huang Ren-hsun bersama pendiri TSMC Chang Chung-mou, Ketua Quanta Lin Pai-li, dan CEO MediaTek Tsai Li-hsing, berdesak-desakan di depan gerobak makan omelet tiram⁵. Penumpang jalan mengenali Huang Ren-hsun, dan dalam sekejap mereka dikelilingi penggemar dan wartawan, pemandangan yang sepadan dengan mengejar bintang.

Nilai pasar gabungan para peserta makan malam ini melebihi beberapa triliun dolar. Namun cerita sebenarnya tidak ada di meja makan, melainkan di balik rantai industri yang mendukungnya: perusahaan-perusahaan yang diwakili oleh orang-orang ini menopang fondasi fisik komputasi AI global. Huang Ren-hsun selama kunjungannya ke Taiwan tersebut menyatakan secara terbuka: "Taiwan adalah salah satu negara terpenting di dunia."⁶ Ini bukan sekadar formalitas. Tanpa Taiwan, fondasi perangkat keras revolusi AI tidak akan ada.

Huang Ren-hsun lahir di Taipei pada 1963, menghabiskan masa kanak-kanak di Tainan, dan bermigrasi ke Amerika Serikat pada usia sembilan tahun⁷. NVIDIA yang didirikannya bersama pada 1993, kini menjadi sinonim dengan chip AI. Setiap GPU canggih yang dirancang NVIDIA, mulai dari A100 dan H100 untuk melatih ChatGPT, hingga seri Blackwell terbaru, semuanya diserahkan kepada TSMC untuk diproduksi⁸.

Empat bulan kemudian, dua daftar pemenang Hadiah Nobel yang diumumkan di Stokholm tidak berisi satu pun nama yang terkait dengan makan malam ini. Kesenjangan ini bukan kebetulan, melainkan sebuah fakta struktural.

Perangkat Keras: Satu Pulau Menopang Seluruh Revolusi AI

Posisi Taiwan dalam rantai pasokan perangkat keras AI, bahkan kata "kritis" pun terasa terlalu ringan untuk menggambarkannya.

Di tahap manufaktur chip, pada 2025 TSMC merebut 72% pangsa pasar pendapatan foundry global⁹. Pada node paling canggih 7 nanometer ke bawah, pangsa pasar TSMC melebihi sembilan puluh persen. Pangsa pasar GPU AI NVIDIA berkisar 86%, dan GPU-GPU tersebut hampir semuanya diproduksi oleh TSMC¹⁰. Sebagian besar daya komputasi dunia yang digunakan untuk melatih dan menjalankan model AI lahir di ruang bersih Taiwan.

Setelah chip dijadikan, ia harus dirakit menjadi server sebelum masuk ke pusat data. Tahap ini pun didominasi Taiwan. Foxconn, Quanta, dan Wistron — tiga ODM raksasa — bersama-sama memproduksi sekitar sembilan puluh persen server AI global¹¹. Pada 2025, pendapatan tahunan ketiga perusahaan ini masing-masing menembus NT$1 triliun (sekitar 32 miliar USD), di mana pendapatan server AI pada kuartal kedua pertama kali melampaui elektronik konsumen¹².

Kinerja chip AI tidak hanya bergantung pada penyusutan proses, tetapi juga pada teknologi kemasan. Teknologi kemasan canggih CoWoS (Chip on Wafer on Substrate) milik TSMC adalah kunci bagi GPU high-end NVIDIA untuk mencapai target performa. Pada 2026, kebutuhan NVIDIA saja atas wafer CoWoS diperkirakan mencapai 595.000 lembar, mencakupi 60% total permintaan global¹³.

Foxconn lebih lanjut bekerja sama dengan NVIDIA dan pemerintah Taiwan, membangun pabrik AI superkomputer kelas 100 megawatt (MW) di Kaohsiung, mengadopsi arsitektur NVIDIA Blackwell terbaru¹⁴. Taiwan sedang bertransisi dari "tempat manufaktur chip AI" menjadi "tempat menjalankan AI".

Pabrik TSMC Hsinchu Fab 5, lokasi fisik foundry chip AI. Foto: Wikimedia Commons via TSMC Fab 5 file.

Masalahnya: perangkat keras sudah mendapatkan tiket masuk, pertarungan berikutnya akan berlangsung di mana.

📝 Catatan Kurator

Narasi umum adalah "Gunung Penyelamat Negara Taiwan menopang revolusi AI". Frasa ini enak didengar, tapi membalik sebab-akibat setengahnya. Adalah revolusi AI yang butuh GPU lalu memilih TSMC, bukan TSMC yang tumbuh berkat revolusi AI. Ketegangan sebenarnya在于: ketika GPU menjadi komoditas, ke mana nilai tahap berikutnya akan geser? Dua Nobel 2024 memberi jawaban: pada model itu sendiri — 12 halaman karya Hopfield, malam di mana Hinton dan muridnya Krizhevsky membuat AlexNet menurunkan kesalahan pengenalan gambar ImageNet dari 26,2% ke 15,3%¹⁵, serta sore di mana tim Hassabis membuat AlphaFold meraih median GDT 92,4 di CASP14.

Hopfield 1982: Model Memori Karya Seorang Fisikawan

1982, John Hopfield, seorang fisikawan materi padat dari Princeton, menulis sebuah makalah hanya 12 halaman, berjudul panjang: Neural networks and physical systems with emergent collective computational abilities, diterbitkan di Proceedings of the National Academy of Sciences³.

Yang ia lakukan pada hakikatnya adalah menerjemahkan "memori" ke dalam bahasa fisika.

Dalam fisika ada sesuatu yang disebut spin glass (kaca spin): sejumlah atom magnet masing-masing memiliki arah spin, saling berinteraksi, dan seluruh sistem akan secara spontan menemukan titik energi terendah. Hopfield memindahkan konsep ini ke neuron: membayangkan neuron sebagai spin, kekuatan koneksi sebagai interaksi, dan seluruh jaringan akan secara spontan mengumpul ke "minimum energi" (energy minimum) tertentu — keadaan stabil³. Setiap minimum energi itulah sebuah memori yang tersimpan.

Keanggunan model ini terletak pada menjadikan memori sebagai sesuatu yang bisa digambarkan dengan bahasa fisika. Diberi petunjuk tidak lengkap, jaringan akan sendiri menemukan minimum energi paling dekat, melengkapi seluruh memori. Inilah nenek moyang matematika dari apa yang dilakukan AI generatif belakangan ini.

Tahun 1982, di Taiwan baru bermula industri elektronik, TSMC belum berdiri. Morris Chang baru mendirikan perusahaan yang 42 tahun kemudian menjadi "gunung pelindung negara" pada 1987. Sitasi makalah Hopfield di Google Scholar, hingga 2026 sudah terakumulasi lebih dari 27.000 kali¹⁶.

Lebih menarik lagi ucapan Hopfield kemudian. Ia menghabiskan hidup untuk fisika materi padat di Princeton, melangkah ke sains saraf dianggap "hanya main-main" oleh rekan sejawatnya saat itu. Hingga daftar Nobel 2024 diumumkan, usianya 91 tahun, Akademi Ilmiah Swedia menanyakan kesan menerima penghargaan dalam wawancara telepon, ia menjawab merasa gelisah atas "tidak ada yang memahami atau mengendalikan arah AI"¹⁷.

Orang yang menulis fondasi matematika AI modern, pada hari menerima medali justru mengingatkan semua orang untuk berhati-hati.

_John J. Hopfield, pemenang Nobel Fisika 2024, Minggu Nobel Stockholm. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons._

Hinton: Kertas 1986 itu, dan Peringatan saat Meninggalkan Google pada 2023

Geoffrey Hinton, yang lahir pada 1947 di Wimbledon, London, adalah sosok lain yang baru diakui oleh sejarah 38 tahun kemudian¹⁸.

Pada 1986, Hinton bersama David Rumelhart dan Ronald Williams menerbitkan sebuah makalah tentang backpropagation di 《Nature》⁴.

Arti algoritma ini adalah: ketika jaringan saraf membuat kesalahan, sinyal kesalahan dapat diteruskan mundur ke setiap lapisan, menyesuaikan bobot koneksi lapisan demi lapisan. Inilah cara semua model pembelajaran mendalam melatih dirinya sendiri hingga hari ini.

Algoritma ini ditulis pada 1986, tetapi harus menunggu tiga hal berkumpul baru meledak: daya komputasi yang cukup murah, data yang cukup masif, dan orang-orang yang mau mempercayai jalan ini. Dua hal pertama siap pada awal 2010-an, dan perwakilan hal ketiga adalah Hinton beserta dua muridnya, Alex Krizhevsky dan Ilya Sutskever.

Pada 2012, mereka menggunakan jaringan saraf konvolusional AlexNet yang dilatih dengan GPU dalam kompetisi pengenalan gambar ImageNet, meraih kesalahan top-5 sebesar 15,3%, menjauhkan juara kedua yang 26,2%¹⁵. Saat itulah seluruh industri percaya bahwa backpropagation benar-benar bisa bekerja.

Maret 2013, Google mengakuisisi perusahaan kecil Hinton, DNNresearch, seharga 44 juta dolar AS, menarik dia yang berusia 65 tahun ke dalam payungnya¹⁸. Selama sepuluh tahun berikutnya, dia adalah sarjana AI paling bergengsi di Silicon Valley.

Kemudian pada 1 Mei 2023, 《New York Times》 memuat sebuah wawancara: Hinton meninggalkan Google.

Alasan keluarnya bukan pensiun. Dalam wawancara ia berkata, ia ingin "dapat berbicara bebas tentang risiko AI, tanpa harus mempertimbangkan dampaknya bagi Google"¹⁹.

Peringatannya mencakup: sistem AI mungkin segera lebih cerdas dari manusia, mungkin dimanfaatkan orang jahat untuk kejahatan, dan menghentikannya "sulit dilihat ada cara apa pun"¹⁹.

Bahkan ia mengaku "sebagian merasa menyesal" atas pekerjaan seumur hidupnya¹⁹.

Ketika Hadiah Nobel Fisika 2024 diberikan kepadanya, ia mengulangi peringatan itu lagi dalam wawancara telepon: hati-hati dengan kemungkinan AI keluar kendali²⁰.

Orang yang menulis algoritma pelatihan pembelajaran mendalam, dan orang yang menulis model memori, pada hari itu Oktober 2024 berdiri bersama di panggung Akademi Ilmu Pengetahuan Kerajaan Swedia, bersama-sama mengingatkan agar semua orang waspada bahwa hal ini mungkin lebih berbahaya dari yang dibayangkan.

Pemandangan ini dengan ekspresi Oppenheimer menatap awan jamur di gurun New Mexico pada 1945, memiliki rasa kontras yang mendalam.

Dua bulan kemudian, 8 Desember 2024, Hinton menyampaikan pidato Nobel di Aula Magna, Universitas Stockholm. Judulnya 〈Boltzmann Machines〉——itu adalah karya awalnya yang sejalan dengan Hopfield, yang memasukkan distribusi probabilitas termodinamika ke dalam jaringan saraf:

Saluran resmi Royal Swedish Academy of Sciences: Pidato Hadiah Nobel Fisika 2024 Geoffrey Hinton pada 8 Desember 2024 "Boltzmann Machines". Dari 1980-an ia menulis Boltzmann machine bersama Sejnowski, ke backpropagation, hingga LLM hari ini — empat puluh tahun penuh. 5 menit terakhir ia mengulangi kekhawatirannya tentang risiko AI, kali ini di atas panggung Nobel.

Dari PTT ke Laboratorium AI: Dua Kali Kewirausahaan Tu Yi-chin

Kembali ke pulau Taiwan. Pada saat yang sama Hopfield menulis model memorinya, Taiwan baru saja mulai memiliki jurusan ilmu komputer.

Pada 1995, mahasiswa tahun kedua jurusan Ilmu Komputer Universitas Taiwan, Tu Yi-chin, menggunakan sebuah komputer 486 dan perangkat lunak sumber terbuka, mendirikan PTT di asramanya, yang kemudian menjadi papan pengumuman elektronik terbesar Taiwan. Tiga puluh tahun kemudian, PTT tetap memiliki ratusan ribu pengguna yang masuk setiap hari, menjadi fosil hidup budaya internet Taiwan.

Tu Yi-chin kemudian bergabung dengan Microsoft, berpartisipasi dalam pengembangan asisten suara Cortana. Pada April 2017, ia meninggalkan gaji tinggi di Silicon Valley dan kembali ke Taiwan, mendirikan "Taiwan AI Labs" (Laboratorium AI Taiwan), institusi penelitian AI non-profit dan terbuka pertama di Asia²¹.

Motivasinya sangat jelas: Taiwan memiliki bakat perangkat lunak kelas dunia, tapi bakat-bakat itu semua pergi ke Silicon Valley. Ia ingin membangun sebuah platform, agar orang yang ingin kembali atau ingin tinggal memiliki tempat untuk melakukan penelitian AI.

Produk paling terkenal Taiwan AI Labs adalah "Yating Transcript" (雅婷逐字稿), sebuah sistem pengenalan suara yang dioptimalkan untuk bahasa Mandarin tradisional dan aksen Taiwan. Selama pandemi COVID-19, laboratorium tersebut juga mengembangkan alat deteksi berita palsu dan AI medis pembelajaran federasi²². Kesamaan proyek-proyek ini adalah: mereka memecahkan masalah-masalah lokal Taiwan, menggunakan data lokal Taiwan, bukan menerjemahkan model-model Amerika untuk digunakan.

Kisah Tu Yi-chin, dari PTT ke AI Labs, pada tingkat tertentu adalah cerminan perkembangan perangkat lunak Taiwan: tidak kekurangan kemampuan teknis, yang kekurangan adalah ekosistem yang membuat bakat tetap tinggal.

💡 Tahukah Anda

Pada tahun 1986 ketika Hinton menerbitkan backpropagation, GDP Taiwan sekitar 77,9 miliar dolar AS, GDP per kapita sekitar 4.007 dolar AS, dan Taman Sains Hsinchu baru beroperasi enam tahun²³. Ketiga hal itu terjadi di bumi yang sama pada waktu yang bersamaan, tapi butuh 26 tahun kemudian di kumpulan data ImageNet, garis sejarah ini baru bertemu. Skala waktu penelitian dasar, selalu lebih lama dari yang dirasakan narasi industri.

AlphaFold: Setengah Nobel Lain untuk Teorit 50 Tahun Lipatan Protein

Kisah Nobel Kimia 2024 harus dimulai dari sebuah pertanyaan tahun 1972.

Tahun itu, biokimiawan Amerika Christian Anfinsen dalam pidato penerimaan Nobel Kimia mengajukan sebuah hipotesis: struktur lipatan tiga dimensi protein sepenuhnya ditentukan oleh urutan asam aminanya²⁴. Jika hipotesis ini benar, maka secara teoritis kita seharusnya hanya perlu melihat urutan asam amino untuk menghitung struktur 3D yang sesuai. Namun "seharusnya" ini bertahan selama setengah abad tanpa terwujud. Lipatan protein disebut sebagai grand challenge. Masyarakat ilmiah mengadakan kompetisi CASP setiap dua tahun, di mana semua hasil prediksi dibandingkan dengan struktur eksperimen. Sejak dimulainya pada 1994 hingga 13 edisi, tidak ada yang berhasil menerobos²⁵.

Hingga CASP13 pada 2018, DeepMind mengirimkan AlphaFold pertama kali berkompetisi dan memenangkannya, namun akurasinya belum cukup untuk penggunaan praktis. Titik balik nyata terjadi pada 30 November 2020 di CASP14: AlphaFold 2 mencapai skor GDT median 92,4²⁵. GDT 92,4 berarti lebih dari separuh hasil prediksi memiliki deviasi posisi atom kurang dari satu angstrom dari nilai eksperimen, mencapai tingkat resolusi eksperimen. Ketua CASP John Moult berkata saat itu: "Dalam arti yang luas, masalah ini sudah terpecahkan"²⁵.

Masalah yang tak terpecahkan selama 50 tahun, diselesaikan dalam enam tahun oleh sebuah tim penelitian di London.

Kemudian perkembangan bergerak lebih cepat. Juli 2021, kode sumber AlphaFold 2 dibuka; tahun yang sama DeepMind bekerja sama dengan Laboratorium Biologi Molekul Eropa (EMBL-EBI) membuat basis data publik dari prediksi struktur protein AlphaFold. Juli 2022, basis data ini mencakup 1 juta spesies dan sekitar 200 juta struktur protein, setara dengan pelepasan gratis model 3D hampir semua protein yang diketahui di Bumi²⁶.

8 Mei 2024, DeepMind menerbitkan AlphaFold 3 di Nature, memperluas kemampuan prediksi dari protein tunggal ke interaksi protein dengan DNA, RNA, ligan, dan ion²⁷. Dari pengembangan obat baru, desain vaksin, hingga rekayasa enzim, semua bidang yang perlu mengetahui bagaimana molekul mengunci satu sama lain, telah ditulis ulang fondasinya oleh alat ini.

Demis Hassabis, penulis AlphaFold, bukan biokimiawan tradisional. Ia mulai bermain catur umur empat tahun, meraih gelar master di usia 13 tahun; pada usia 17 tahun ia bersama Peter Molyneux mengembangkan game simulasi 《Theme Park》, terjual jutaan kopi²⁸. Tahun 2010 ia mendirikan DeepMind di London bersama Shane Legg dan Mustafa Suleyman, 2014 diakuisisi Google seharga 400 juta poundsterling²⁸. 2016 AlphaGo DeepMind mengalahkan Lee Sedol, 2020 AlphaFold 2, 2024 Nobel, tiga peristiwa terpisah kurang dari sepuluh tahun.

Benang merah di tengahnya adalah taruhan yang sama: menggunakan jaringan saraf untuk memecahkan masalah yang tidak bisa diselesaikan oleh otak manusia. Catur memiliki aturan tertutup, lipatan protein memiliki aturan terbuka tapi dengan batasan fisik yang kuat. Hassabis memilih medan perang yang tepat untuk keduanya.

Di Taiwan, penelitian protein glikosa yang didirikan selama masa jabatan Kepala Akademia Sinica Weng Chih-hui (2006-2016) adalah investasi akademis Taiwan yang paling dekat dengan garis depan ini²⁹. Institut Penelitian Biomedis dan Institut Biokimia Akademia Sinica juga memiliki tim yang menggunakan bobot open-source AlphaFold untuk penelitian hilir. Namun pengembangan model inti tingkat AlphaFold, saat ini Taiwan tidak memiliki struktur yang setara.

⚠️ Pandangan Kontroversial

AlphaFold meraih Nobel Kimia memicu perdebatan di kalangan akademis: sebagian biologi struktural berpendapat penghargaan seharusnya diberikan kepada para ilmuwan difraksi kristal sinar-X atau resonansi magnetik nuklir yang melakukan eksperimen kunci paling awal, bukan mengangkat alat komputasi ke pentas kimia³⁰. Sebagian lain berpendapat perdebatan ini sendiri sudah usang — ketika algoritma mampu dalam lima tahun membantu melengkapi struktur 3D hampir semua protein di Bumi, itulah kimia. Perdebatan dua posisi setelah Oktober 2024 beralih bertahap ke pihak kedua, namun ketegangan yang diwakilinya tidak hilang: saat kemampuan AI meluas, apakah batas disiplin ilmu tradisional perlu ditarik ulang?

TAIDE: Mengapa Taiwan Perlu Model Bahasa Sendiri

April 2023, setengah tahun setelah ChatGPT menyapu bersih dunia, Dewan Sains dan Teknologi Nasional (NSTC) Taiwan meluncurkan proyek "TAIDE", yang kepanjangannya adalah Trustworthy AI Dialogue Engine (Mesin Dialog AI Generatif yang Dapat Dipercaya)³¹.

Mengapa sebuah negara pulau berpenduduk 23 juta orang harus membuat model bahasa besar sendiri?

Alasannya bukan hanya otonomi teknis. Huruf tradisional hanya menyumbang proporsi sangat kecil dalam data pelatihan AI global; sebagian besar data berbahasa Tionghoa berasal dari situs web huruf disederhanakan. Saat orang Taiwan menggunakan ChatGPT atau model lain, jawaban yang mereka terima sering kali mengandung kebiasaan bahasa dan prasangka sudut pandang Tiongkok daratan. "Video" (視頻) bukan "video/film" (影片), "kualitas" (質量) bukan "kualitas/mutu" (品質) — perbedaan yang tampak halus ini di baliknya adalah soal subjek budaya. Majalah CommonWealth melaporkan TAIDE dengan judul "Mencegah Invasi Budaya AI China"³².

April 2024, tim TAIDE merilis versi komersial TAIDE-LX-7B dan versi penelitian akademik TAIDE-LX-13B, yang berkinerja baik dalam tugas menulis, menerjemahkan, meringkas, dan sebagainya³³. Pada 2026, TAIDE 2.0 dirilis, ditambah model Breeze-8B yang didukung MediaTek, ekosistem LLM Taiwan beralih dari tahap "mengejar" ke tahap "dapat digunakan"³⁴.

Lebih menarik lagi adalah mekarnya sisi aplikasi. Universitas Chung Cheng menggunakan TAIDE membangun sistem pengambilan pengetahuan pertanian "Shennong TAIDE"; Universitas Tainan mengembangkan robot percakapan bahasa Taiwan-Inggris untuk pengajaran bahasa Taiwan; Universitas Yang Ming Chiao Tung melatih versi TAIDE berbahasa Taiwan dan Hakka³⁵. Aplikasi-aplikasi ini membuktikan satu hal: model bahasa sekaligus produk teknologi dan pembawa budaya. AI yang tidak memahami "Tian Chuan Ri" (天穿日) dan "Mazu Raojing" (媽祖遶境) tidak dapat benar-benar melayani orang Taiwan.

Namun skala TAIDE tetap kecil: parameter versi komersial 8B dan versi akademik 13B, jauh di bawah tingkat GPT-4 OpenAI (diperkirakan melebihi 1 triliun parameter) — selisih lebih dari dua orde magnitudo. Kesenjangan ini disebabkan keterbatasan anggaran GPU, bukan kemampuan. Melatih LLM tingkat terdepan memerlukan daya komputasi bernilai ratusan juta dolar AS, setara dengan anggaran tahunan sebuah lembaga penelitian tingkat negara.

Keamanan Siber AI yang Lahir dari Peretasan

Taiwan adalah salah satu negara yang paling sering menjadi target serangan siber di dunia. Kenyataan malang ini, secara tidak sengaja melahirkan industri keamanan siber AI yang tangguh.

O-Yi Smart Technology (CyCraft), yang didirikan pada akhir 2017, adalah perusahaan keamanan siber pertama di Taiwan yang menggabungkan AI dengan pemantauan titik akhir. Teknologinya tujuh kali dicatat dalam laporan oleh institusi penelitian global Gartner, dan merupakan satu-satunya vendor di Taiwan yang tiga kali lulus evaluasi otoritatif MITRE ATT&CK asal Amerika Serikat³⁶. Pada Februari 2026, O-Yi Smart Technology tercatat di papan inovasi Bursa Efek Taiwan, menjadi pabrik perangkat lunak keamanan siber AI pertama di pasar modal Taiwan yang memiliki kemampuan R&D mandiri berkelas internasional³⁷.

Klien O-Yi Smart Technology mencakup lembaga pemerintah Taiwan, unit pertahanan, bank, dan perusahaan semikonduktor, yang justru menjadi target paling sering dikunci oleh peretas tingkat negara. Perusahaan ini memiliki anak perusahaan di Jepang dan Singapura, dan sedang mengekspor "pengalaman tempur yang lahir dari peretasan" ke seluruh wilayah Asia-Pasifik.

Kasus ini mengilustrasikan satu hal: keunggulan AI Taiwan tidak hanya berasal dari semikonduktor, tetapi juga dari kemampuan tempur yang diasah oleh situasi geopolitik khususnya.

Kebijakan: Dari "Tahun AI" ke Kementerian Pengembangan Digital

Pengembangan kebijakan AI Taiwan dapat dipahami melalui tiga titik penting.

2017 hingga 2018 adalah tahap awal. Menteri Sains dan Teknologi Chen Liangji mengumumkan bahwa 2017 adalah "Tahun AI" dan mengusulkan "Strategi Negara Kecil untuk AI"³⁸, mengakui bahwa pasar Taiwan kecil, namun menekankan tiga kekuatan utama: manufaktur semikonduktor, rantai pasok ICT, dan tenaga ahli STEM. Pada 2018, diluncurkan "Renstra AI Taiwan" fase pertama, dengan investasi lebih dari NT$40 miliar selama empat tahun, yang berfokus pada pembangunan infrastruktur komputasi AI "Awan AI Taiwan" (TWCC)³⁹.

Pada 2022, kebijakan mengarah ke institusionalisasi. Kementerian Pengembangan Digital (moda) didirikan, menggabungkan urusan digital yang sebelumnya tersebar di Kementerian Sains dan Teknologi, Kementerian Ekonomi, dan Kementerian Transportasi. Makna langkah ini adalah: kebijakan AI naik kelas dari "proyek Kementerian Sains dan Teknologi" menjadi "strategi nasional lintas kementerian". Pada tahun yang sama, pemerintah menerbitkan "Pedoman Pengembangan Riset dan Inovasi AI", yang menekankan prinsip human-centered, transparansi dan keterjelasan, serta keadilan dan anti-diskriminasi.

Sejak 2023 hingga kini, fokus beralih ke AI generatif. Dampak ChatGPT membuat kebijakan berubah cepat. Proyek TAIDE diluncurkan, rancangan undang-undang dasar AI digulirkan, dan adopsi AI di sektor publik dipercepat. Strategi Taiwan sangat pragmatis: tidak bersaing dengan AS dan Tiongkok dalam jumlah publikasi riset dasar, melainkan menggabungkan AI dengan keunggulan industri manufaktur yang sudah ada. Manufaktur pintar, citra medis, dan prediksi yield semikonduktor adalah bidang-bidang di mana Taiwan memiliki data, skenario, dan keunggulan kompetitif.

Namun, pada Oktober 2024, saat pengumuman pemenang Nobel, tidak ada satupun yang berasal dari jalur "manufaktur pintar".

Kecemasan: Kesenjangan Perangkat Lunak di Imperium Perangkat Keras

Di balik angka-angka menggiurkan, pengembangan AI Taiwan memiliki sebuah masalah struktural: ketidakseimbangan serius antara perangkat keras dan perangkat lunak.

Taiwan memproduksi sembilan puluh persen server AI dunia dan sebagian besar chip AI, namun dalam pengembangan model AI, ekosistem data, dan perangkat lunak platform — segmen-segmen "perangkat lunak" ini — kehadirannya sangat minim. Di antara dua puluh model AI teratas dunia, termasuk GPT, Claude, Gemini, dan LLaMA, tidak satupun yang berasal dari Taiwan. Jika dibandingkan dengan pekerjaan pemenang Nobel Ganda 2024, dari Jaringan Hopfield, backpropagation, hingga AlphaFold, ketiga garis penelitian ini semuanya berjauhan dari industri Taiwan.

Penyebabnya adalah versi baru dari masalah lama. Ketika insinyur TSMC bisa mendapatkan gaji tahunan melebihi dua juta dolar Taiwan, startup perangkat lunak kesulitan merebut talenta terbaik. Google, Microsoft, NVIDIA mendirikan pusat R&D di Taiwan, gaji dan tunjangan menciptakan efek hisap yang kuat. Pilihan pertama lulusan Teknik Komputer Universitas Taiwan (NTU) biasanya adalah perusahaan asing atau divisi IT TSMC, bukan bergabung dengan startup AI lokal.

Tantangan lebih fundamental adalah data. Nilai model AI berasal dari data pelatihan, sedangkan volume data berkualitas tinggi berbahasa Tionghoa tradisional, dibandingkan dengan bahasa Inggris atau Tionghoa disederhanakan, sangat minim. Volume teks yang dihasilkan oleh 23 juta penduduk Taiwan secara alami tidak bisa menyaingi dunia berbahasa Inggris atau Tiongkok daratan. Proyek TAIDE berusaha memecahkan masalah ini, tetapi kelemahan skala data bersifat struktural.

Taruhan sebenarnya Taiwan di bidang AI terletak pada aplikasi vertikal, bukan model dasar: alih-alih berhadapan langsung dengan OpenAI atau Google di model umum, Taiwan memilih untuk menemukan posisi tak tergantikan di AI proses manufaktur semikonduktor, AI pencitraan medis, AI keamanan siber, dan NLP Tionghoa tradisional. Di bidang-bidang ini Taiwan memiliki keunggulan data dan skenario unik yang sulit direplikasi oleh orang lain.

Pilihan AI Sebuah Pulau

Taiwan tahun 2026 berdiri di posisi unik: ia belum pernah begitu tak tergantikan dalam rantai pasokan keras AI, namun tetap marginal dalam ekosistem lunak AI.

Ini tidak sepenuhnya hal buruk. Secara historis, model kesuksesan Taiwan selalu adalah "bukan menjadi merek, tapi menjadi merek di balik merek". Model murni foundry yang diciptakan Morris Chang pada 1987 menjadikan TSMC salah satu sepuluh perusahaan dengan kapitalisasi pasar terbesar di dunia. Hari ini, logika yang sama berulang di industri server AI: Foxconn tidak membuat model AI, tetapi semua model AI di dunia berjalan di server yang dirakit Foxconn.

Namun aturan main di era AI mungkin berbeda. Ketika pusat gravitasi nilai bergeser dari keras ke lunak dan data, ruang keuntungan hanya melakukan foundry akan tercekik. Pada dua hari Nobel 2024 itu, semua pemenang berasal dari lapisan lunak. Hopfield menulis model matematika, Hinton menulis algoritma pelatihan, Hassabis menulis metode menjawab biologi. Semua pekerjaan itu berjalan di keras buatan Taiwan, tetapi medali tidak diberikan untuk keras.

Taiwan perlu menumbuhkan kemampuan lunak dan data di atas fondasi hegemoni keras: keras tetap menjadi chassis, lapisan nilai baru ditumpangkan di atasnya. TAIDE adalah sebuah upaya, CyCraft adalah sebuah upaya, Taiwan AI Labs adalah sebuah upaya. Kesamaan mereka: tidak mengejar menjadi "AI terbesar di dunia", melainkan menjadi "AI yang paling memahami Taiwan".

42 tahun lalu, ketika Hopfield menulis 12 halaman kertas itu di Princeton, tidak ada yang tahu ini akan menjadi fondasi matematika model memori manusia hari ini. 50 tahun lalu, ketika Anfinsen mengemukakan hipotesis pelipatan protein dalam pidato Nobelnya, tidak ada yang menduga harus menunggu hingga sore hari 2020 baru terpecahkan oleh sekelompok orang London. Skala waktu penelitian dasar lebih panjang dari setiap Computex.

Makanan malam di pasar malam Ningxia adalah posisi yang dikumpulkan Taiwan selama 42 tahun ini. Di mana pertarungan selanjutnya — bukan di depan gerobak orak-arik tiram, melainkan apakah Taiwan memiliki keberanian membiarkan seorang mahasiswa yang sedang menulis kode di asrama NTU, dua atau tiga puluh tahun mendatang, meraih Nobel milik pulau ini.

Bacaan Lanjutan:

• Kebangkitan Negara Kepulauan AI: Perkembangan Kecerdasan Buatan Taiwan dan Strategi Masa Depan — Narasi kerangka kebijakan versi awal, rencana aksi AI, lima domain strategis, bagaimana gunung suci pelindung semikonduktor disambungkan ke revolusi AI secara panoramik.
• Laboratorium Kecerdasan Buatan Taiwan — Perjalanan lengkap Ethan Tu dari PTT ke AI Labs, ekosistem model bahasa open source TAIDE / TAME / FedGPT.
• Sekolah Kecerdasan Buatan Taiwan — Telepon yang tak sempat diselesaikan, bersama Chen Sheng-wei menggalang dana swasta 1,8 miliar membangun akademi AI: sejarah pembentukan bakat delapan tahun alumni melebihi sepuluh ribu.
• AI Sehari-hari Taiwan — Catatan masuknya AI generatif ke kehidupan sehari-hari Taiwan, dari memesan di minimarket hingga tinjauan batch oleh Badan Asuransi Kesehatan, observasi tingkat skenario.
• Perusahaan Taiwan: TSMC — Pemimpin foundry wafer global, inti manufaktur chip AI, dari model murni foundry Morris Chang hingga kisah advanced packaging.
• Industri Semikonduktor — Desain IC hingga assembly dan testing, panorama ekosistem semikonduktor Taiwan.
• Perkembangan Industri Keamanan Siber Taiwan — Bagaimana tekanan geopolitik melahirkan industri keamanan siber AI tingkat Asia-Pasifik.

Sumber Gambar

Artikel ini menggunakan 4 gambar domain publik / berlisensi CC, semuanya di-cache di public/article-images/technology/ untuk menghindari hotlink ke server sumber:

• Estructura tridimensional de la proteïna CBLN1 per AlphaFold amb codificació rainbow — hero, struktur prediksi AlphaFold protein CBLN1, pengkodean warna rainbow N→C terminal. Foto: BQUB25-UPoch (karya sendiri, AlphaFold + PyMOL), 2025-11-15, CC BY 4.0.
• Geoffrey E. Hinton, 2024 Nobel Prize Laureate in Physics (3x4 cropped) — inline, portret resmi Hinton pada Pekan Nobel 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
• John J. Hopfield, 2024 Nobel Prize Laureate in Physics 1 (cropped) — inline, portret resmi Hopfield pada Pekan Nobel 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
• TSMC Fab 5 — inline, pabrik TSMC Hsinchu Fab 5, lokasi fisik foundry chip AI. Foto: Wikimedia Commons (cache yang sudah ada).

Referensi