AI sumber terbuka semakin penting daripada sebelumnya, menurut Clem Delangue dari Hugging Face

Anthropic cuba mengunci peluncuran Fable mereka. CEO Hugging Face melihatnya — dan dia tidak diam tentang hal ini. Clem Delangue tampil di podcast Equity TechCrunch untuk membuat kasus bahwa AI sumber terbuka semakin penting daripada sebelumnya, dan argumennya membawa bobot nyata bagi setiap pembangun yang sedang membangun di Asia sekarang.

Hugging Face telah menjadi lapisan infrastruktur di bawah sebagian besar pengembangan AI dunia. Anggap saja sebagai GitHub untuk AI: platform di mana pembangun berbagi dan mengunduh model terbuka, dataset, dan segalanya di antaranya. Menurut podcast Equity TechCrunch, kira-kira setengah dari Fortune 500 sekarang menggunakan Hugging Face. Itu bukan lagi proyek sumber terbuka yang niche — itu infrastruktur kritis. Dan kekhawatiran Delangue sangat jelas: jika segelintir perusahaan kuat berakhir mengendalikan model AI fundamental yang semua orang bergantung padanya, seluruh ekosistem kehilangan sesuatu yang tidak bisa dengan mudah didapatkan kembali.

Apa yang Terjadi

Pemicu langsung untuk penampilan Delangue di Equity adalah peluncuran Fable Anthropic yang terhenti. Meskipun detail lengkap situasi Fable tetap terbatas, pola yang lebih luas yang dijelaskan Delangue sudah familiar bagi siapa pun yang memantau industri AI dengan cermat: sebuah perusahaan mengembangkan model yang kuat, kemudian memutuskan — karena alasan yang jarang sepenuhnya transparan — untuk membatasi atau menunda akses publik ke model tersebut. Apakah pembenaran adalah keamanan, keuntungan kompetitif, atau kehati-hatian regulasi, hasilnya sama. Pembangun yang membangun alur kerja di sekitar model itu tiba-tiba memiliki kontrol lebih sedikit atas tumpukan mereka sendiri.

Narasi tandingan Delangue dibangun atas pola yang telah dia amati berulang kali di seluruh basis pengguna Hugging Face. Perusahaan memulai perjalanan AI mereka pada API tertutup frontier — itu adalah jalur tercepat ke prototipe yang berfungsi. Tetapi ketika mereka berkembang, ekonomi bergeser secara dramatis. Biaya inferensi bertambah, batas laju menjadi kendala operasional nyata, dan ketidakmampuan untuk menyesuaikan atau memeriksa model menciptakan batas pada apa yang benar-benar dapat dicapai. Itulah saat, kata Delangue, ketika tim bermigrasi menuju model sumber terbuka. API tertutup adalah on-ramp yang bagus; itu adalah fondasi jangka panjang yang buruk.

Salah satu poin data yang paling mencolok dari percakapan: lab Tiongkok sekarang menghasilkan mayoritas model terbuka yang diunduh di Hugging Face. Itu adalah sinyal geopolitik sebanyak sinyal teknis. Pusat gravitasi dalam pengembangan AI terbuka bergeser, dan bergeser menuju Asia.

Mengapa Ini Penting untuk Asia

Bagi pembangun dan pengasas di seluruh Asia Tenggara, Asia Timur, dan Asia Selatan, gerakan AI sumber terbuka bukan hanya menarik secara filosofis — itu perlu secara struktural. Ekosistem teknologi Asia beroperasi di bawah serangkaian kendala yang berbeda dari startup Silicon Valley dengan akses mudah ke modal ventura berbasis AS dan saluran penjualan perusahaan.

Pertimbangkan ekonomi terlebih dahulu. Startup di Jakarta atau Ho Chi Minh City yang membakar kredit API OpenAI dalam skala besar bekerja dengan margin yang sama sekali tidak ada dengan cara yang sama untuk rekan AS yang didanai dengan baik. Model sumber terbuka — digunakan pada infrastruktur lokal atau di wilayah cloud yang hemat biaya — mengubah persamaan itu secara fundamental. Kemampuan untuk menjalankan model yang mampu sesuai syarat Anda sendiri, disesuaikan dengan data Anda sendiri, tanpa biaya per-token yang terus bertambah, adalah pembuka kompetitif yang nyata.

Kemudian ada dimensi bahasa. Model tertutup dominan dioptimalkan untuk bahasa Inggris. Mereka menangani Mandarin dan Jepang dengan cukup baik, mengingat volume data pelatihan yang tersedia. Tetapi Bahasa Indonesia, Thai, Vietnam, Tagalog, Bengali — bahasa-bahasa ini kurang dilayani oleh model frontier tertutup dengan cara yang sangat penting bagi produk yang dibangun untuk pengguna lokal. Model sumber terbuka dapat disesuaikan dengan dataset bahasa lokal. API tertutup sebagian besar tidak dapat, atau setidaknya tidak dengan cara yang memberikan pembangun kontrol bermakna atas output.

Fakta bahwa lab Tiongkok memimpin rilis model terbuka di Hugging Face juga patut dibaca dengan cermat. Ini menandakan bahwa asumsi primasi teknologi Barat dalam AI sudah ketinggalan zaman. Pembangun Asia tidak perlu menunggu lab AS merilis model terbuka yang mampu — rantai pasokan untuk AI terbuka semakin regional. Itu adalah keuntungan struktural bagi pembangun yang memperhatikan.

Dari perspektif platform pengembangan asli AI, pergeseran ini penting karena lapisan perkakas harus berkembang bersama lapisan model. Ketika pembangun pindah dari API tertutup ke model terbuka yang dihosting sendiri, mereka membutuhkan infrastruktur yang menangani kompleksitas pemilihan model, penyebaran, dan integrasi tanpa menambah minggu overhead teknik.

Apa Artinya Ini untuk Pembangun

Argumen Delangue memiliki implikasi praktis yang mudah terlewatkan jika Anda fokus pada ideologi terbuka versus tertutup: pembangun yang belajar bekerja dengan model terbuka sekarang akan memiliki keuntungan keterampilan yang tahan lama saat industri matang.

Bekerja dengan model terbuka lebih menuntut daripada memanggil API. Anda perlu memahami kuantisasi model, optimasi inferensi, perbedaan pemformatan prompt di seluruh keluarga model, dan pertukaran antara ukuran model dan latensi. Ini bukan tantangan yang tidak dapat diatasi — ekosistem perkakas di sekitar model terbuka telah matang secara signifikan — tetapi mereka memerlukan investasi teknis yang nyata.

Inilah yang terlihat seperti investasi itu dalam praktik:

• Pemilihan model: Tidak setiap model terbuka cocok untuk setiap tugas. Model parameter 7B yang disesuaikan dengan kode akan mengungguli model umum 70B pada tugas pengkodean tertentu. Belajar mengevaluasi model terhadap kasus penggunaan aktual Anda — bukan papan peringkat benchmark — adalah keterampilan inti.
• Penyesuaian pada data lokal: Leverage nyata dalam model terbuka adalah kemampuan untuk menyesuaikan. Bagi pembangun Asia yang membangun produk untuk pasar lokal, ini berarti melatih pada data bahasa lokal, terminologi khusus domain, dan contoh yang relevan secara budaya. Chatbot e-commerce Thai yang disesuaikan dengan percakapan layanan pelanggan Thai aktual akan mengungguli model tertutup off-the-shelf apa pun pada tugas spesifik itu.
• Arsitektur penyebaran: Menjalankan model terbuka dalam skala produksi memerlukan keputusan tentang kuantisasi (GGUF, AWQ, GPTQ), kerangka kerja penyajian (vLLM, Ollama, TGI), dan pemilihan perangkat keras. Keputusan ini memiliki implikasi biaya yang signifikan.
• Pola integrasi: Model terbuka perlu terhubung ke sisa tumpukan Anda — database, API, aplikasi frontend. Konektor dan pola integrasi yang Anda bangun di sekitar model terbuka sering kali adalah tempat diferensiasi produk nyata berada.

Poin yang lebih luas adalah bahwa AI sumber terbuka menciptakan leverage bagi pembangun yang berinvestasi dalam memahaminya. API tertutup mengkommoditasi lapisan model — semua orang memiliki akses ke GPT-4 atau Claude yang sama. Model terbuka memungkinkan diferensiasi melalui penyesuaian, penyebaran khusus, dan integrasi mendalam dengan data proprieter. Bagi pengasas yang membangun di Asia, di mana pengetahuan pasar lokal adalah moat yang nyata, diferensiasi itu penting.

Ada juga argumen manajemen risiko. Kekhawatiran Delangue tentang segelintir perusahaan mengendalikan AI fundamental bukanlah hipotesis — itu adalah deskripsi dari keadaan pasar model tertutup saat ini. Setiap startup yang telah membangun produk intinya pada satu API tertutup memiliki risiko ketergantungan yang tidak muncul