Forum Zhongguancun | Apa yang dibahas oleh bintang terkemuka AI seperti Yang Zhilin, Zhang Peng, Xia Lixue, dan Luo Fuli?

Berita dari Li Jing, Beijing,

Pada 27 Maret, dalam konferensi tahunan 2026 Forum Zhongguancun, para talenta papan atas dari model-model besar Tiongkok dan infrastruktur AI berkumpul dalam sebuah forum meja bundar.

Meja bundar ini dipandu oleh pendiri Moonshot yang bernama Yang Zhilin, dan diikuti oleh CEO Zhipu Huazhang Zhang Peng, pendiri bersama sekaligus CEO Wuwen Qixiong Xia Lixue, pimpinan model besar MiMo Xiaomi Luo Fuli, serta Huang Chao—asisten profesor di Universitas Hong Kong, pembimbing doktoral, dan kepala tim Nanobot.

Reporter 《China Business Journal》 memperhatikan bahwa beberapa talenta teknis dari industri AI dalam percakapan tidak melakukan basa-basi; topik mencakup mulai dari guncangan besar industri yang dipicu oleh “Lobster (OpenClaw)”, hingga arus deras yang menggelegak di ekosistem open source; dari kecemasan akibat lonjakan biaya inferensi, sampai restrukturisasi komputasi pada era Agent.

Dalam pertemuan gagasan ini, mereka bukan hanya mengungkapkan jalur evolusi 12 bulan ke depan model besar dari “ngobrol” menjadi “benar-benar bekerja”, tetapi juga mengajukan pertanyaan yang membuat semua orang sama-sama bersemangat dan cemas: ketika penggunaan Token mengalami ledakan seratus kali, apakah kita sudah siap?

Membahas “Lobster”: Agent merombak interaksi manusia-manusia/mesin

Saat meja bundar dimulai, topik berfokus pada “Lobster” yang belakangan ini viral. Ini bukan sekadar pembaruan produk, melainkan dianggap sebagai penanda batas untuk penerapan AI di industri.

Dalam gelombang Agent ini, Zhang Peng berpendapat bahwa inti dari semuanya adalah membuat AI berevolusi dari “sekadar percakapan” menjadi “benar-benar mengerjakan pekerjaan”.

Ia menekankan, “Lobster” mengajukan tuntutan yang sangat tinggi pada kemampuan model: model perlu mampu berpikir dan merencanakan dalam waktu lama, serta menangani konteks dalam jumlah masif. Ini juga secara langsung menyebabkan Zhipu baru-baru ini menerapkan strategi penyesuaian harga untuk model inferensi GLM.

“Karena untuk mengerjakan tugas-tugas yang rumit, biaya inferensi naik secara eksponensial. Logika normal untuk kembali ke nilai komersial adalah jalan yang harus ditempuh bagi perkembangan industri yang sehat,” jawab Zhang Peng.

Xia Lixue mengungkapkan bahwa sejak awal tahun ini “Lobster” meledak, jumlah Token yang diproses perusahaannya hampir setiap dua minggu berlipat ganda, dengan pertumbuhan kumulatif mencapai 10 kali; kecepatan ledakan seperti itu terakhir kali terjadi pada masa popularitas arus data ponsel 3G.

Xia Lixue berpandangan, infrastruktur cloud masa lalu dirancang untuk “insinyur manusia”, sementara era Agent membutuhkan infrastruktur yang dirancang untuk “AI”. Ia bahkan menggunakan perbandingan “level menit” dan “level milidetik” untuk menggambarkan ketidaksesuaian ini: manusia memulai tugas pada level menit, sedangkan pemikiran dan pemulaan tugas oleh Agent pada level milidetik.

“Karena itu, infrastruktur masa depan harus seefisien seperti pabrik Token, bahkan berevolusi menjadi agen yang bisa melakukan evolusi mandiri dan iterasi mandiri,” prediksi Xia Lixue.

Luo Fuli berpendapat bahwa nilai terbesar OpenClaw terletak pada “open source”, yang menguntungkan agar komunitas bisa ikut secara mendalam. Ia mengangkat batas model-model tertutup level teratas di dalam negeri hingga sangat tinggi. Dalam sebagian besar skenario, tingkat penyelesaian tugas sudah sangat mendekati model terbaru, sekaligus menjamin batas bawah melalui sistem Skill. Selain itu, open source juga menyalakan antusiasme komunitas untuk mengeksplorasi lapisan Agent di luar model-model besar, sehingga lebih banyak non-peneliti ikut terlibat dalam perubahan menuju AGI.

Huang Chao menambahkan bahwa OpenClaw, dengan interaksi bergaya seperti aplikasi pesan instan, memberi Agent rasa “seperti manusia yang benar-benar hidup” yang lebih kuat, menurunkan ambang untuk membuat dan menggunakan Agent, dan ke depan berpotensi besar menggerakkan seluruh ekosistem alat.

Tantangan komputasi dan biaya

Seiring AI bergerak dari era pelatihan menuju era inferensi, iterasi teknologi model, kembalinya nilai komersial, dan dukungan infrastruktur komputasi menjadi topik kunci bagi perkembangan industri.

Yang Zhilin mengibaratkan open source seperti “perancah (scaffolding)”, dengan anggapan bahwa hal itu menurunkan ambang bagi orang biasa untuk menggunakan kemampuan model-model kelas atas, sehingga AI bukan lagi hak istimewa para programmer. Namun ia juga terus terang bahwa komunitas open source saat ini menghadapi kesenjangan besar dalam komputasi inferensi.

Soal “kecemasan komputasi” berulang kali disebut dalam diskusi meja bundar. Zhang Peng mengakui, karena peningkatan kompleksitas tugas, jumlah pemanggilan untuk menyelesaikan satu tugas bisa mencapai 10 kali bahkan 100 kali dibanding tanya-jawab sederhana, sehingga komputasi menjadi hambatan yang membatasi perkembangan industri.

Xia Lixue menyatakan bahwa masalah saat ini adalah lonjakan kebutuhan yang dibawa oleh AI, yang mengharuskan sistem meningkatkan efisiensi. “Kami menyelesaikannya lewat integrasi perangkat lunak dan perangkat keras: kami menghubungkan hampir semua jenis chip komputasi, tersambung dengan puluhan jenis chip dan klaster komputasi di dalam negeri, meningkatkan efisiensi konversi, dan menjadikan Tiongkok sebagai pabrik Token dunia.”

Ia juga melukiskan visi besar—“AI Made in China”, yakni memanfaatkan keunggulan energi dan manufaktur Tiongkok. Dengan infrastruktur yang efisien, energi diubah menjadi keluaran Token berkualitas untuk seluruh dunia.

Namun, infrastruktur komputasi awan yang ada membatasi perkembangan Agent. Perlu dibangun infrastruktur AI yang lebih cerdas untuk beradaptasi dengan kebutuhan frekuensi tinggi Agent. “Menurut kami, infrastruktur itu sendiri juga seharusnya menjadi agen: mampu evolusi mandiri dan iterasi mandiri, lalu membentuk organisasi otonom,” tambah Xia Lixue.

Luo Fuli menunjuk bahwa dua tahun lalu, ketika tim Tiongkok menghadapi keterbatasan komputasi—terutama keterbatasan bandwidth internet—mereka membuat terobosan pada struktur model (misalnya DeepSeek).

“Walaupun sekarang chip buatan dalam negeri tidak lagi terbatas, eksplorasi semacam ini terhadap efisiensi tinggi dan biaya inferensi yang rendah tetap penting,” kata Luo Fuli. “Syarat agar OpenClaw semakin sering dipakai menjadi semakin pintar adalah Context inferensi. Masalah sekarang adalah: bagaimana membuatnya tetap berbiaya rendah dan berkecepatan tinggi dalam long context 1M atau 10M? ‘Hanya dengan mewujudkan inferensi efisien untuk Long Context (konteks panjang), kita bisa menopang kemampuan iterasi diri Agent di lingkungan yang kompleks; ini akan menjadi arena kunci persaingan di masa depan.’”

Selain itu, Luo Fuli memprediksi bahwa seiring meledaknya kebutuhan inferensi yang dibawa Agent, kebutuhan Token tahun ini mungkin akan tumbuh 100 kali, dan dimensi persaingan akan merambah sampai ke lapisan komputasi, chip inferensi, bahkan energi.

Huang Chao berpendapat bahwa saat ini Agent dalam aspek Memory masih memiliki masalah: kompresi informasi tidak akurat dan tidak mampu mengingat dengan benar. Pada tugas jangka panjang dan skenario yang kompleks, Memory akan membengkak, sehingga menimbulkan tekanan besar. “Saya pikir Memory di masa depan harus menuju desain berlapis agar Memory lebih umum.”

Meninjau 12 bulan ke depan

Jika hanya menggunakan satu kata untuk menggambarkan tren perkembangan model besar dalam dua belas bulan mendatang, kata apa yang akan Anda pilih?

Kata kunci Huang Chao adalah “ekosistem”. Ia memperkirakan bahwa perangkat lunak di masa depan mungkin sejak awal dirancang untuk Agent, sehingga seluruh tumpukan teknologi perlu berevolusi menjadi pola “Agent Native”. Ini menuntut komunitas open source, pengembang model, dan perusahaan aplikasi untuk membangun bersama, agar Agent dari “mainan baru yang menarik” benar-benar menjadi “rekan digital” yang andal (Co-worker).

Kata kunci Luo Fuli adalah “evolusi mandiri”. Ia berpendapat bahwa kerangka Agent yang kuat mengaktifkan batas atas model besar yang sebelumnya belum tersentuh. Dalam siklus yang bisa diverifikasi, model sudah bisa mengoptimalkan tujuan secara mandiri selama beberapa hari, seperti mengeksplorasi struktur model yang lebih baik dalam penelitian ilmiah. Ia memperkirakan kemampuan “evolusi mandiri” ini, dalam 1—2 tahun, akan meningkatkan efisiensi pekerjaan kreatif seperti penelitian ilmiah hingga beberapa orde besaran.

Kata kunci Xia Lixue adalah “token yang berkelanjutan”. Menurutnya, perkembangan AI saat ini masih berada dalam proses dorongan jangka panjang yang terus berlanjut, tetapi ada masalah yang sangat realistis: sumber daya pada akhirnya terbatas.

“Bisakah kita terus, stabil, dan dalam skala besar menyediakan token, sehingga model-model terbaik benar-benar melayani lebih banyak skenario hilir dalam jangka panjang—ini adalah pertanyaan yang sangat kunci.” Menurut Xia Lixue, jika keunggulan Tiongkok dalam energi dan hal-hal terkait dapat diubah secara berkelanjutan menjadi Token berkualitas melalui pabrik Token, lalu diekspor ke seluruh dunia, maka Tiongkok memiliki kesempatan menjadi “pabrik Token” dunia.

Kata kunci yang dipilih Zhang Peng adalah “komputasi”. Kerangka Agent memang membuat kreativitas banyak orang bisa dilepaskan, dan efisiensi mungkin meningkat hingga 10 kali, tetapi prasyaratnya adalah semua orang mampu membelinya, dan bisa memanfaatkannya.

“Dua tahun lalu, saat Academician Zhang Yaqin di Forum Zhongguancun mengatakan sesuatu—kurang lebih, ‘kalau tidak ada kartu (chip), tidak ada perasaan; membahas kartu itu tidak ada perasaan’—menurut saya, hari ini sebenarnya kembali sedikit ke keadaan seperti itu,” kata Zhang Peng.

(Penyunting: Zhang Jingchao; Penelaahan: Li Zhenghao; Koreksi: Yan Jingning)