Nvidia – Preset

DiffusionGemma: Model AI Google yang 4x Lebih Cepat dari LLM Biasa

Davina — Fri, 12 Jun 2026 05:52:36 +0000

DiffusionGemma adalah model AI open source terbaru dari Google DeepMind yang mengambil pendekatan radikal berbeda dalam menghasilkan teks. Alih-alih menulis satu per satu seperti kebanyakan large language model (LLM), DiffusionGemma menghasilkan 256 token sekaligus secara paralel — dan hasilnya? Kecepatan generasi teks bisa 4 kali lebih cepat dari model autoregressive setara.

Dirilis pada 10 Juni 2026, model ini menjadi tonggak penting karena ini pertama kalinya ada model text-diffusion berskala besar yang dirilis secara terbuka. Google DeepMind merilisnya di bawah lisensi Apache 2.0, artinya siapa pun bisa mengunduh, menggunakan, bahkan memodifikasinya secara gratis.

Apa Itu DiffusionGemma dan Kenapa Penting?

Kalau kamu familiar dengan cara kerja Stable Diffusion untuk menghasilkan gambar — mulai dari noise, lalu secara bertahap membentuk gambar yang jelas — nah, DiffusionGemma menerapkan konsep yang sama, tapi untuk teks. Model ini dimulai dari kanvas 256 token “noise” yang kemurniannya ditingkatkan secara bertahap melalui beberapa langkah denoising.

Pendekatan ini sangat berbeda dari LLM konvensional seperti GPT, Claude, atau bahkan Gemma 4 biasa yang menulis teks secara sekuensial — satu token setelah yang lain dari kiri ke kanan. DiffusionGemma bisa memproses seluruh blok teks sekaligus, mirip cara mesin cetak mencetak satu halaman penuh dibandingkan mesin tik yang mengetik huruf per huruf.

Kenapa ini penting? Karena di dunia nyata, banyak aplikasi AI yang butuh respons sangat cepat. Mulai dari code completion di IDE, editing teks real-time, sampai chatbot interaktif — semuanya terbottleneck oleh kecepatan generasi token. DiffusionGemma memecahkan masalah ini dengan memindahkan bottleneck dari bandwidth memori ke komputasi murni, yang bisa dimanfaatkan jauh lebih efisien oleh GPU modern.

Spesifikasi Teknis DiffusionGemma

Model ini dibangun di atas arsitektur Gemma 4 26B (A4B MoE) — backbone yang sama dengan Gemma 4 terbaru Google. Tapi ada perbedaan kunci: head autoregressive-nya diganti dengan diffusion head yang dirancang khusus untuk generasi paralel.

Berikut spesifikasi utamanya:

Total parameter: 25,2 miliar (26B), tapi hanya 3,8 miliar parameter aktif per inference berkat arsitektur Mixture of Experts (MoE)
Konteks window: 256K token
Bahasa: Mendukung lebih dari 140 bahasa
Input: Multimodal — teks, gambar, dan video
Lisensi: Apache 2.0 (sangat terbuka)
VRAM: Sekitar 18GB setelah dikuantisasi, muat di RTX 5090/4090
Kecepatan: 1.000+ token/detik di NVIDIA H100, 700+ token/detik di RTX 5090

Yang menarik, Google mendukung format NVFP4 (4-bit floating-point) dari NVIDIA secara native. Ini artinya model bisa berjalan lebih cepat di GPU Blackwell dengan akurasi yang hampir tidak berkurang.

Cara Kerja Text Diffusion vs Autoregressive

Supaya lebih mudah dipahami, mari kita bandingkan dua pendekatan ini secara sederhana.

Model autoregressive (GPT, Claude, Gemma 4 standar) bekerja seperti kamu mengetik di keyboard. Setiap kata yang muncul bergantung pada kata-kata sebelumnya. Kalau kamu mengetik “Saya sedang…”, model harus memprediksi kata berikutnya satu per satu. Ini efisien untuk cloud serving dengan banyak user, tapi kurang optimal untuk pengguna lokal yang butuh respons instan.

Model diffusion seperti DiffusionGemma bekerja seperti melukis. Kamu mulai dari kanvas kosong/noise, lalu secara bertahap “menghaluskan” seluruh kanvas sekaligus. Setiap langkah denoising memperjelas beberapa token yang sudah yakin benar sambil terus memperbaiki token yang masih ragu. Proses ini terjadi secara paralel — semua 256 token diproses sekaligus.

Keuntungan pendekatan diffusion adalah bi-directional attention. Setiap token bisa “melihat” semua token lainnya, termasuk token yang ada di sebelahnya. Ini sangat berguna untuk tugas-tugas non-linier seperti:

Code infilling dan completion
Editing teks inline
Menyelesaikan struktur markdown yang kompleks
Bahkan memecahkan puzzle seperti Sudoku!

Benchmark: Cepat, Tapi Ada Trade-off

Google cukup transparan soal performa DiffusionGemma. Dari sisi kecepatan, angkanya sangat impresif — 4x lebih cepat dari Gemma 4 autoregressive setara. Tapi dari sisi kualitas output, ada penurunan yang perlu dicatat:

MMLU Pro: 77,6 (vs 82,6 pada Gemma 4 AR)
GPQA: 73,2 (vs 82,3 pada Gemma 4 AR)
MMMU Pro: 54,3 (vs 73,8 pada Gemma 4 AR)

Artinya, model ini memang bukan pengganti Gemma 4 standar untuk tugas-tugas yang butuh kualitas output maksimal. Google sendiri merekomendasikan Gemma 4 autoregressive untuk produksi yang butuh kualitas tinggi. DiffusionGemma lebih cocok untuk skenario di mana kecepatan adalah segalanya.

Namun, Google juga menyebutkan bahwa performa bisa ditingkatkan melalui fine-tuning. Unsloth bahkan sudah berhasil fine-tune DiffusionGemma untuk bermain Sudoku — sesuatu yang sulit dilakukan model autoregressive karena setiap token bergantung pada token masa depan.

Siapa yang Cocok Pakai DiffusionGemma?

Model ini bukan untuk semua orang, tapi untuk beberapa use case tertentu, DiffusionGemma bisa jadi game changer:

1. Developer yang Bikin AI Tools Lokal
Kalau kamu membangun aplikasi AI yang jalan di hardware lokal (bukan cloud), kecepatan inference adalah masalah utama. DiffusionGemma yang bisa menghasilkan 700+ token/detik di RTX 5090 memberikan pengalaman yang jauh lebih smooth.

2. Code Completion dan IDE AI
Berkat bi-directional attention, model ini sangat cocok untuk code infilling — mengisi bagian yang hilang di tengah kode. Ini sesuatu yang model autoregressive sering struggle karena mereka hanya bisa melihat ke belakang.

3. Aplikasi Real-time Interaktif
Chatbot, voice assistant, atau tool editing yang butuh respons dalam hitungan milidetik akan sangat terbantu dengan kecepatan DiffusionGemma.

4. Researcher dan Akademisi
Karena lisensi Apache 2.0 dan dukungan dari Hugging Face, vLLM, dan NVIDIA NIM, model ini sangat mudah diakses untuk penelitian. Fine-tuning juga didukung melalui berbagai framework.

Cara Menggunakan DiffusionGemma

Google membuat akses ke DiffusionGemma cukup mudah:

Download langsung: Tersedia di Hugging Face
Cloud: Bisa diakses via Google Vertex AI Model Garden dan NVIDIA NIM
Serving: Kompatibel dengan vLLM, Hugging Face Transformers, dan MLX. Dukungan llama.cpp sedang dalam pengembangan
Fine-tuning: Tersedia tutorial menggunakan Hackable Diffusion (JAX), Unsloth, dan NVIDIA NeMo

Untuk hardware, kamu minimal butuh GPU dengan 18GB VRAM setelah kuantisasi. RTX 4090 atau 5090 sudah cukup untuk menjalankannya secara lokal.

Implikasi untuk Ekosistem AI Indonesia

Rilis DiffusionGemma punya dampak yang cukup signifikan untuk komunitas AI di Indonesia. Pertama, lisensi Apache 2.0 berarti startup dan developer lokal bisa menggunakan model ini tanpa biaya lisensi. Kedua, kebutuhan hardware yang relatif terjangkau (GPU consumer kelas atas) membuka peluang untuk menjalankan AI secara lokal tanpa tergantung cloud asing.

Ini juga sejalan dengan tren global di mana model AI open source semakin menyaingi model proprietary. DeepSeek, Llama, Qwen, dan sekarang DiffusionGemma membuktikan bahwa inovasi AI tidak harus selalu datang dari perusahaan dengan budget miliaran dolar.

Namun, penting untuk diingat bahwa model ini masih berstatus eksperimental. Untuk aplikasi produksi yang butuh kualitas tinggi, Gemma 4 standar tetap jadi pilihan yang lebih baik. DiffusionGemma adalah preview dari masa depan generasi teks — dan masa depan itu terlihat sangat cepat.

Kesimpulan

DiffusionGemma menandai era baru dalam pengembangan model AI. Dengan pendekatan text diffusion yang menghasilkan teks 4 kali lebih cepat, model ini membuka kemungkinan baru untuk aplikasi AI yang membutuhkan respons instan. Meskipun kualitasnya masih di bawah Gemma 4 autoregressive, trade-off antara kecepatan dan kualitas ini sangat masuk akal untuk banyak use case di dunia nyata.

Dengan lisensi Apache 2.0, dukungan hardware yang luas, dan integrasi dengan ekosistem NVIDIA, DiffusionGemma layak dicoba oleh developer dan researcher yang ingin mengeksplorasi batas baru dari generasi teks AI. Ini bukan sekadar model baru — ini paradigma baru cara AI menulis.

Sumber

Alibaba Luncurkan Chip AI Baru, Nvidia Mulai Ditekan dari China?

Davina — Wed, 20 May 2026 13:01:40 +0000

Chip AI Alibaba kembali jadi sorotan setelah muncul laporan soal chip baru yang diklaim membawa peningkatan performa besar. Di tengah persaingan AI global, kabar ini menarik karena Alibaba bukan hanya pemain e-commerce dan cloud, tetapi juga salah satu raksasa teknologi China yang ingin mengurangi ketergantungan terhadap chip asing.

Isu ini datang pada waktu yang sensitif. Nvidia masih menjadi nama paling dominan di pasar chip AI dunia. GPU Nvidia dipakai untuk melatih dan menjalankan banyak model AI besar, dari chatbot sampai sistem rekomendasi. Namun, tekanan geopolitik dan pembatasan ekspor membuat perusahaan teknologi China harus mencari jalan sendiri. Dari sinilah chip AI Alibaba menjadi penting.

Table of Contents

Toggle

Kenapa chip AI Alibaba penting?

AI modern membutuhkan komputasi besar. Model bahasa besar, sistem generatif, dan aplikasi AI perusahaan tidak bisa berjalan optimal hanya dengan prosesor biasa. Dibutuhkan akselerator khusus yang mampu memproses data dalam jumlah masif secara efisien. Selama beberapa tahun terakhir, Nvidia menjadi pilihan utama karena ekosistem hardware dan software mereka sudah sangat matang.

Masalahnya, tidak semua negara dan perusahaan punya akses bebas ke chip Nvidia kelas atas. China menghadapi pembatasan ekspor dari Amerika Serikat untuk sejumlah chip AI canggih. Kondisi ini membuat perusahaan seperti Alibaba, Huawei, Baidu, dan Tencent terdorong mengembangkan solusi lokal.

Jika laporan soal chip AI Alibaba benar-benar menunjukkan peningkatan performa signifikan, maka ini bukan sekadar produk baru. Ini bisa menjadi sinyal bahwa China makin serius membangun rantai pasok AI sendiri, dari model, cloud, sampai hardware.

Alibaba bukan pemain kecil di AI

Alibaba punya modal besar untuk masuk lebih dalam ke pasar chip AI. Mereka punya Alibaba Cloud, salah satu layanan cloud terbesar di Asia. Mereka juga punya ekosistem AI sendiri, termasuk model bahasa besar dan layanan AI untuk bisnis. Artinya, chip buatan sendiri bisa langsung dipakai untuk memperkuat layanan internal maupun produk cloud mereka.

Strategi ini mirip dengan tren global. Perusahaan besar tidak lagi hanya mengandalkan chip pihak ketiga. Google punya TPU, Amazon punya Trainium dan Inferentia, sementara Microsoft dan Meta juga mengembangkan chip khusus untuk kebutuhan AI. Tujuannya sama: menekan biaya, meningkatkan kontrol, dan mengoptimalkan performa untuk workload internal.

Bagi Alibaba, chip AI Alibaba bisa menjadi senjata strategis. Jika performanya kompetitif dan biaya operasionalnya lebih rendah, Alibaba Cloud bisa menawarkan layanan AI yang lebih efisien untuk perusahaan di China dan kawasan Asia.

Apakah Nvidia langsung terancam?

Jawabannya: belum tentu langsung. Nvidia masih punya keunggulan besar, terutama dari sisi ekosistem CUDA, software, developer, dan kompatibilitas. Banyak perusahaan memilih Nvidia bukan hanya karena chip-nya kuat, tetapi karena seluruh ekosistemnya sudah terbukti.

Namun, tekanan terhadap Nvidia bisa muncul secara bertahap. Jika perusahaan China semakin mampu membuat chip AI sendiri, permintaan terhadap chip Nvidia di pasar China bisa berkurang. Walau pasar global Nvidia masih sangat besar, China tetap pasar penting, terutama untuk cloud, internet, riset, dan industri manufaktur.

Selain itu, kompetisi lokal dapat memaksa Nvidia beradaptasi. Mereka harus terus membuat produk yang sesuai dengan aturan ekspor, sambil tetap menjaga performa. Di sisi lain, perusahaan China akan terus mengejar agar tidak tertinggal terlalu jauh.

Dampaknya untuk industri AI global

Kemunculan chip AI Alibaba menunjukkan bahwa perang AI tidak hanya terjadi di level aplikasi. Selama ini publik lebih sering melihat persaingan chatbot, model generatif, atau fitur AI di smartphone. Padahal, fondasi paling bawah dari semua itu adalah hardware.

Siapa yang menguasai chip, punya posisi lebih kuat dalam menentukan arah industri AI. Negara dan perusahaan yang punya akses ke komputasi murah akan lebih mudah mengembangkan model besar, menjalankan eksperimen, dan menawarkan layanan AI dalam skala luas.

Karena itu, perkembangan chip AI lokal China bisa mempercepat fragmentasi teknologi global. Amerika Serikat dan sekutunya mungkin makin mengandalkan Nvidia, AMD, Google, dan pemain Barat lain. Sementara China memperkuat ekosistem sendiri lewat Alibaba, Huawei, dan perusahaan domestik lain.

Bagus untuk Alibaba, tapi tantangannya berat

Walau terdengar menjanjikan, Alibaba tetap punya tantangan besar. Membuat chip cepat bukan satu-satunya syarat sukses. Mereka juga harus memastikan produksi stabil, efisiensi daya bagus, dukungan software matang, dan developer mau memakai platform tersebut.

Di dunia AI, hardware yang kuat bisa gagal jika software-nya sulit digunakan. Nvidia memahami hal ini sejak lama. Karena itu, jika Alibaba ingin serius menantang dominasi Nvidia, mereka perlu membangun ekosistem yang nyaman untuk developer dan perusahaan.

Kesimpulan

Chip AI Alibaba adalah sinyal bahwa persaingan AI semakin dalam. Bukan hanya soal siapa punya chatbot paling pintar, tetapi siapa yang punya infrastruktur paling kuat untuk menjalankan AI secara mandiri.

Nvidia memang belum tergeser. Dominasi mereka masih sangat kuat. Tapi jika Alibaba dan pemain China lain terus mempercepat pengembangan chip sendiri, pasar AI global bisa berubah lebih cepat dari perkiraan. Untuk pengguna biasa, dampaknya mungkin belum terasa langsung. Tapi untuk industri teknologi, ini adalah bagian dari babak baru: perang komputasi AI.