Perusahaan Tiongkok yang paling mirip Anthropic ingin memindahkan “tiga gunung besar”

Pendiri dan Chief Scientist Zhipu, Tang Jie, mengirim sebuah surat internal pada 11 Juli. Suratnya tidak panjang, kira-kira bisa selesai dibaca dalam dua menit, tetapi bobotnya tidak ringan.

Secara sederhana, Zhipu dalam dua tahun ke depan akan menjalankan “Touch High (rencana menyentuh ketinggian)”, dengan memusatkan sumber daya ke empat mesin, yaitu “tugas jarak jauh, sistem agen otonom, pelatihan mandiri sepenuhnya, dan tata kelola yang aman”.

Keempat arah ini bukan asal muncul. Tang Jie, berdasarkan perkembangan AI selama beberapa tahun terakhir, melihat tiga gunung penghalang besar bagi kemajuan industri. Setelah melewati gunung-gunung itu, barulah ada AGI yang legendaris. Namun untuk bisa melewati ketiga gunung tersebut, harus diarahkan pada empat arah ini. Dari sinilah empat arah berubah menjadi empat mesin yang mendorong Zhipu maju.

Meski disebut empat mesin, pada dasarnya satu akar dan satu sumber; kamu ada di dalamku dan aku ada di dalammu.

Dan tepat dua hari sebelum surat ini dikirim, pada 9 Juli, Zhipu baru melakukan penjatahan saham baru senilai 31.375 miliar dolar HK. Dalam pengumuman tertulis bahwa seluruh dana yang dihimpun dari penawaran ini akan digunakan sampai akhir 2027.

Dengan demikian, surat Tang Jie sebenarnya sedang membahas “Zhipu akan membelanjakan uang itu untuk apa”.

Lalu, selanjutnya, saya akan menganalisis tiga gunung besar dan empat mesin tersebut itu apa.

Dari “Tiga Gunung Besar” ke “Empat Mesin Utama”

Google tahun ini pada bulan Juni merilis laporan 57 halaman berjudul 《From AGI to ASI》, dan di dalamnya juga disebut gagasan serupa. “Jika diberi seluruh informasi dari era Einstein untuk sebuah AI, bisakah ia menurunkan sendiri teori relativitas umum?”

CEO DeepMind, Hassabis, mengakui “jelas, saat ini belum bisa, masih ada yang kurang.”

Tang Jie menyebut bagian yang kurang itu sebagai “tiga gunung”. Masing-masing adalah kemampuan tugas jarak jauh, sistem agen cerdas yang sepenuhnya otonom, dan evolusi diri.

Seperti “Empat Raja Langit” yang punya 5 orang, maka ketika ketiga gunung itu turun ke level pengembangan di perusahaan, hasilnya menjadi “empat mesin utama”. Tiga gunung masing-masing sesuai dengan satu mesin, dan mesin keempat disebut tata kelola yang aman.

Mengapa ditambah satu mesin lagi? Karena saat AI melewati tiga gunung tersebut dan melampaui kecerdasan manusia, ia harus dibatasi perkembangannya.

Mesin pertama, tugas jarak jauh.

Tang Jie pada bulan Mei tahun ini di X menulis esai panjang, dan kalimat pertamanya adalah “arah yang paling mungkin menerobos tahun ini adalah tugas jarak jauh.”

Tang Jie menyatakan bahwa model besar saat ini lebih seperti konsultan yang kaya pengetahuan: Anda mengajukan satu pertanyaan, ia menjawab satu pertanyaan. Namun model masa depan lebih seperti karyawan yang bisa bekerja sendiri. Manusia hanya perlu menetapkan tujuan, lalu ia akan memecah langkah-langkahnya sendiri, memanggil alat, melakukan coba-coba berulang, bekerja terus selama berjam-jam, berminggu-minggu, bahkan lebih lama, hingga akhirnya menyerahkan hasil.

Tang Jie memberi contoh dari bidang keamanan siber: misalnya menyuruh seorang peretas mencari celah pada perangkat lunak. Ia tidak hanya perlu membaca kode, tetapi juga menyiapkan lingkungan, mencoba jalur serangan yang berbeda, mengesampingkan false positive, dan memverifikasi hasilnya.

AI mungkin tidak punya bakat lebih dari peretas kelas atas, tapi ia bisa berjalan 24 jam, sekaligus menyalin dan menjalankan ribuan hingga puluhan ribu instans yang terus mencoba. Jika mesin itu sudah mempelajari cara berpikir peretas profesional, daya tahan dan skala bisa memperbesar kemampuan ini, dan pada akhirnya menggantikan sebagian pekerjaan peretas dan programmer.

Masalahnya adalah, tidak serta-merta kalau Anda ingin model mengerjakan tugas jarak jauh, ia akan bisa menyelesaikannya. Tang Jie menulis dalam esai panjangnya bahwa selain harus punya kemampuan eksekusi, model juga harus memiliki kemampuan belajar berkelanjutan dan penilaian diri. Dari sinilah muncul gunung kedua.

Mesin kedua, sistem agen cerdas yang otonom.

Jika tugas jarak jauh menyelesaikan pertanyaan “apakah satu AI bisa menyelesaikan satu pekerjaan kompleks secara mandiri”, maka sistem agen otonom menyelesaikan pertanyaan “apakah sekumpulan AI bisa berkolaborasi seperti sebuah perusahaan”.

Tang Jie berpendapat bahwa sistem agen otonom dibentuk oleh sekelompok Agent yang memiliki kemampuan profesional berbeda serta pembagian peran.

Misalnya menghadapi tugas yang sangat kompleks, perlu ada Agent yang bertugas menyusun rencana, dan Agent lain untuk mencari referensi, menulis kode, menguji hasil, serta mencari celah. Ketika tugasnya mencapai skala tertentu, diperlukan Agent khusus untuk membagi daya komputasi dan memeriksa pekerjaan agen-agen cerdas lainnya.

Mereka bisa berjalan 24 jam, dengan diskusi mandiri, kolaborasi, dan koreksi kesalahan. Tang Jie juga sempat membahas “perusahaan satu orang (OPC)”, yaitu satu orang mengendalikan banyak AI. Namun kini penilaiannya lebih agresif: mungkin akan muncul “perusahaan tanpa orang (NPC)”, di mana mulai dari manajemen hingga eksekusi sebagian besar dilakukan oleh AI.

Ini bukan berarti Anda cukup membuat lebih banyak akun. Semakin banyak agen, risikonya juga semakin tinggi: komunikasi jadi kacau, tugas berulang, dan kesalahan saling memperbesar.

Yang benar-benar menghambat sistem agen otonom bukanlah jumlah Agent, melainkan mekanisme organisasi. Siapa yang memecah tujuan? Siapa yang membagi izin? Siapa yang memeriksa hasil? Bagaimana mencegah agar antar-agen tidak saling memperkuat kesalahan?

Karena itu, dalam esai panjangnya Tang Jie menyatakan bahwa perkembangan AI memerlukan mekanisme “penilaian diri”, agar AI bisa berevolusi sendiri. Inilah gunung ketiga.

Mesin ketiga, pelatihan mandiri sepenuhnya.

Tang Jie menyebut “pelatihan mandiri sepenuhnya” sebagai arah yang paling sulit sekaligus paling menggoda.

Saat ini melatih model besar masih perlu menyiapkan insinyur: mengumpulkan data, menulis kode, menjalankan eksperimen, dan menganalisis hasil.

Pelatihan mandiri sepenuhnya ingin membuat AI perlahan mengambil alih seluruh proses ini: menulis kode sendiri, membersihkan dan menghasilkan data sendiri, menjalankan pelatihan, lalu merancang eksperimen putaran berikutnya berdasarkan hasil.

Tang Jie mengatakan bahwa salah satu metode penting adalah Self-Play. Secara sederhana, yaitu membuat AI membuat soal sekaligus menjawab soal, lalu AI lain bertugas mencari kesalahan dan memberi penilaian. Di bidang yang hasilnya mudah diverifikasi—seperti kode, matematika, dan permainan—metode ini sudah bisa menghasilkan banyak materi pelatihan.

Meski kemungkinan tidak banyak menghemat daya komputasi, bahkan bisa jadi malah lebih boros, metode ini menghemat tenaga manusia. Para insinyur tidak perlu mengawasi AI di setiap tahap; mereka hanya perlu menetapkan tujuan, lalu mesin itu sendiri yang menjalankan sisanya.

Namun hal ini juga mudah menimbulkan masalah baru: AI bisa melampaui kendali manusia. Dalam akademik ada konsep yang disebut “Darwin-Gödel machine”, yaitu menggunakan cara agar AI bisa meningkatkan dirinya sendiri, sehingga performa model terus bertambah. Arah ini kemudian tidak banyak diteliti karena kekhawatiran AI tidak akan bisa dikendalikan.

Dan sampai di sinilah mesin terakhir, tata kelola yang aman.

Jika sebuah AI melewati ketiga gunung sebelumnya, memang performanya menjadi lebih kuat, tetapi risikonya juga ikut membesar.

Eksekusi jarak jauh berarti model akan terus bertindak. Kolaborasi antar-multiagen berarti kesalahan akan diperbesar. Pelatihan mandiri berarti logika keputusan model mungkin bahkan tidak dipahami oleh pengembang.

Begitu AI ini salah, skalanya naik dari “kadang memberi jawaban yang keliru” menjadi “sistem menjalankan sesuatu secara berkelanjutan dan memperbesar satu kesalahan”.

Tang Jie mengusulkan dua lapisan perlindungan.

Lapisan pertama ada pada tahap pelatihan, yakni alignment nilai. Ia tidak hanya puas dengan menambahkan “patch keamanan” seperti penyaringan kata kunci di luar model, tetapi ingin memasukkan etika manusia, norma sosial, dan peraturan hukum ke dalam tujuan pelatihan, agar model sejak level dasar tahu apa yang bisa dilakukan dan apa yang tidak.

Lapisan kedua adalah menaruh sumber daya tingkat puluhan miliar untuk riset mekanisme mekanika interpretabilitas, mencoba memahami neuron dan mekanisme internal model yang menyebabkan suatu keputusan, sehingga “kotak hitam” yang sulit dipahami menjadi lebih transparan.

Mengapa Zhipu, mengapa sekarang

Tidak diragukan lagi, Zhipu adalah salah satu fokus utama dalam komunitas AI seluruh Tiongkok, bahkan dunia.

Pada 13 Juni 2026, Zhipu merilis model unggulannya GLM-5.2. Jendela konteks 1M, lisensi MIT open source, dan pada benchmark kemampuan kode seperti SWE-Bench Pro serta Terminal-Bench menempati peringkat tiga besar secara global dan peringkat pertama di dalam negeri.

Menjelang akhir Juni, media luar negeri merilis laporan yang mengutip pengujian perusahaan keamanan siber Semgrep: pada beberapa benchmark deteksi celah, performa GLM-5.2 setara dengan model Mythos milik Anthropic yang terkuat, bahkan pada tugas tertentu melebihi Claude Opus 4.8.

Laporan ini memicu kontroversi besar di dunia AI.

Perlu diingat, GLM-5.2 adalah model open source. Mythos dan Opus 4.8 semuanya model closed source. Selain itu, harga GLM-5.2 sekitar hanya sepersepuluh dari Opus.

Co-founder Databricks Ali Ghodsi bahkan sengaja membuat eksperimen dengan karyawannya sendiri.

Ia menyuruh lebih dari 3.000 insinyur di perusahaannya mengerjakan tugas yang sama dengan GLM-5.2 dan Opus 4.8. Hasilnya menunjukkan kedua model menghasilkan output yang mirip, tetapi GLM-5.2 menghabiskan biaya 1,28 dolar AS untuk menyelesaikan satu tugas, sedangkan Opus membutuhkan 1,94 dolar AS.

Mengapa banyak orang suka membandingkan Anthropic dengan Zhipu? Karena CEO Anthropic, Amodei, sejak lama merupakan penentang keras model open source.

Bahkan sejak Juli 2023, ia mendatangi sidang Senat AS untuk bersaksi, mengatakan bahwa open source AI adalah jalur “yang sangat berbahaya”.

Logika penilaiannya seperti ini: jika model closed source bermasalah, perusahaan bisa segera mematikan, memperbaiki, dan melacak siapa yang menyalahgunakan; tetapi jika model open source sudah dilepas, pengembang tidak bisa menariknya kembali.

Sebabnya adalah, Anda tidak bisa memantau siapa yang menggunakan model open source, tidak bisa mencabut akses, dan tidak bisa menambal keamanan untuk model yang sudah di-open source.

Pada Juni 2026, setelah GLM-5.2 dirilis, Amodei kembali memperingatkan secara terbuka bahwa penyebaran (rilis) open source AI di Tiongkok “membuat orang sangat tidak menyukainya”, dan kemampuan keamanan tingkat terdepan tidak seharusnya dipegang oleh model open source.

Sudah jelas, Zhipu sudah memengaruhi narasi Anthropic. Tapi hanya punya model belum cukup; perlu juga alat untuk menghubungkannya ke skenario pengembangan dunia nyata. Seperti Anthropic punya Claude Code, OpenAI punya Codex.

Zhipu juga, pada hari yang sama saat merilis GLM-5.2, meluncurkan alatnya sendiri, ZCode 3.0. Alat ini sangat teradaptasi dengan GLM-5.2 dan tidak lagi memelihara penyesuaian Agent pihak ketiga. Artinya, ZCode adalah alat eksklusif untuk GLM-5.2; pihak lain tidak bisa menggunakannya.

Pengembang hanya perlu menyampaikan kebutuhan dengan bahasa alami. Zcode dapat membaca seluruh proyek kode, memanggil terminal dan browser, mengubah file, menjalankan pengujian, memeriksa perubahan Git, lalu langsung mendorong proyek tersebut ke kondisi sebelum tahap penyerahan.

Kecepatan perkembangan teknologi Zhipu sangat cepat, demikian pula kecepatan pembakaran uangnya.

Pada 8 Januari 2026, Zhipu mencatatkan diri di Hong Kong Stock Exchange, dengan harga emisi 116,2 dolar HK, dan dana bersih hasil IPO sekitar 4,896 miliar dolar HK. Hingga 30 Juni, sudah menggunakan sekitar 4,588 miliar dolar HK, dengan tingkat penggunaan lebih dari 93%, tersisa 308 juta dolar HK.

Pada 9 Juli, Zhipu mengumumkan penjatahan saham baru H paling banyak 19,78 juta saham dengan harga 1.588 dolar HK per saham, menghimpun dana bersih sekitar 31,375 miliar dolar HK.

Zhipu kali ini tidak menerbitkan obligasi, melainkan melakukan penerbitan tambahan saham untuk pendanaan. Harga saham baru itu sekitar 13% lebih murah dibanding penutupan hari sebelumnya, sehingga secara teori tindakan seperti ini seharusnya memberi tekanan pada harga saham. Namun nyatanya berlawanan: pada hari pengumuman, harga saham Zhipu sempat naik lebih dari 20% intraday.

Dalam pengumuman, Zhipu menyatakan bahwa dana ini direncanakan akan digunakan seluruhnya sebelum akhir 2027. Total ada tiga arah: riset inti dan infrastruktur komputasi; ekspansi komersial dan merger akuisisi industri; serta tambahan dana operasional dan optimalisasi struktur modal.

Jadi tepat di momen seperti ini, Tang Jie harus melakukan sesuatu untuk menstabilkan kepercayaan. Menulis esai panjang agar pihak eksternal dan internal perusahaan sama-sama jelas apa yang akan dilakukan Zhipu ke depan, menjadi pilihan paling efisien dan langsung.

Menjelang malam penentuan AGI di industri

Touch high, jika diterjemahkan langsung, berarti menyentuh ketinggian. Lalu ketinggian kita itu apa? Adalah langit.

Kebetulan, tepat sebelum Tang Jie mengirim surat internalnya, CEO MiniMax, Yan Junjie, juga menulis sebuah surat internal berjudul 《向天空尽头》（hingga ujung langit）.

Pada 9 Juli, MiniMax mengalami pelepasan besar-besaran putaran pertama saham terkunci setelah IPO. Sekitar 146 juta saham dilepas, atau hampir 49% dari total saham beredar.

Pada hari yang sama, harga saham jatuh hampir 18%, dan pada hari berikutnya turun lagi hampir 10%. Nilai pasar turun dari puncak 41.000 miliar dolar HK pada bulan Maret menjadi kurang dari 80.000 miliar dolar HK.

Pada malam pelepasan yang memicu kejatuhan itu, MiniMax memulai pembiayaan ulang dengan skala terbesar sejak IPO. Dengan penjatahan saham baru ditambah obligasi konversi tanpa kupon senilai 6,5 miliar dolar HK, total dana yang dihimpun sekitar 16 miliar dolar HK.

Di antaranya, jumlah bersih dari penjatahan sekitar 9,491 miliar dolar HK, dan jumlah bersih dari obligasi konversi sekitar 6,466 miliar dolar HK. 80% digunakan untuk infrastruktur AI dan pengembangan model, 10% untuk komersialisasi global produk Harness, dan 10% untuk dana operasional.

Dalam latar belakang seperti itu, Yan Junjie membuat tiga janji dalam suratnya.

Pertama, mulai hari ini sampai perusahaan mencapai AGI, tidak akan menerima kompensasi apa pun; kedua, dalam empat tahun ke depan, menyiapkan insentif bagi tim berupa saham atas nama pribadi yang setara dengan 4% dari total saham beredar; ketiga, menyiapkan 1% saham untuk membentuk dana khusus guna mendukung komunitas open source. Saham pribadi 5% ditambah nol gaji.

Meski tulisan Yan Junjie tidak seterinci surat internal Tang Jie, semangatnya lebih terasa. Ia menggunakan kekayaan pribadinya untuk bertaruh pada nilai jangka panjang MiniMax, dan titik akhir pun sama-sama menuju AGI.

IPO bukanlah titik akhir, melainkan awal kemampuan untuk berinvestasi dalam jangka panjang.

Bicara soal uang, belakangan ada satu perusahaan bintang super yang juga mendapat pendanaan: DeepSeek.

Perusahaan ini pada bulan Juni menyelesaikan putaran pendanaan perdana senilai 50 miliar yuan, dan pada 25 Juni memulai rekrutmen ekspansi besar-besaran untuk seluruh staf.

Sebelumnya, DeepSeek tidak melakukan pendanaan, tidak komersialisasi, dan tidak roadshow. Liang Wenfeng menjaga seluruh tim dengan laba dari quant miliknya, yakni dari Fangdong Quant; perusahaan yang berdiri hampir tiga tahun menolak investasi eksternal.

Namun mulai sekarang, DeepSeek juga mengincar AGI.

Kali ini slogan rekrutmennya adalah “探索未至之境” (menjelajahi batas yang belum terjamah). Di pengumuman, tertulis langsung bahwa “manusia sedang berada di ambang AGI”, mengundang pelamar untuk “mengalami langsung proses perkembangan AGI, duduk di barisan depan era, dan menyaksikan kelahiran satu era baru”.

Dari 33 posisi, yang paling patut diperhatikan adalah tim Agent Harness yang baru dibentuk pada bulan Maret tahun ini.

Di dalam DeepSeek ada formula: Model + Harness = Agent. Ini sama dengan tugas jarak jauh dan agen cerdas otonom yang disebut Tang Jie. Harness menentukan alat apa yang bisa dipanggil model, sumber daya apa yang bisa diakses, dan bagaimana tugas diserahkan.

Tapi yang benar-benar menarik adalah posisi khusus bernama “talenta lintas bidang AI”.

Posisi ini tidak menetapkan batasan latar belakang profesi. Ditujukan untuk “kandidat yang ingin ikut menciptakan dan membangun AGI”. Nilai tambah yang tertulis: “tidak mengikuti jalur biasa”, “mencapai puncak di suatu bidang”, “punya pengalaman berwirausaha”.

Logika DeepSeek adalah, hanya dengan menjadi insinyur tidak akan sampai ke AGI; ia butuh lebih banyak “partisipan”.

Misalnya, orang yang meneliti ilmu kognitif atau psikologi. Karena pada dasarnya AI meniru proses berpikir manusia, dengan meneliti bagaimana manusia mengingat, belajar, membuat penilaian, dan memunculkan emosi, mungkin bisa membantu AI meningkatkan performanya.

Seberapa jauh lagi AGI? Saya tidak berani memastikan, tapi saya merasa AGI benar-benar tidak jauh.