23 Nov 2025·8 menit
Peralihan Eric Schmidt dari Google Search ke Strategi AI
Melacak perjalanan Eric Schmidt dari perannya membentuk Google Search hingga memengaruhi strategi AI nasional, termasuk peran kebijakan, gagasan kunci, dan perdebatan.
Melacak perjalanan Eric Schmidt dari perannya membentuk Google Search hingga memengaruhi strategi AI nasional, termasuk peran kebijakan, gagasan kunci, dan perdebatan.
Eric Schmidt sering diperkenalkan sebagai mantan CEO Google—tetapi relevansinya sekarang lebih sedikit tentang kotak pencarian dan lebih tentang bagaimana pemerintah memandang kecerdasan buatan. Tujuan artikel ini menjelaskan pergeseran itu: bagaimana seorang eksekutif teknologi yang membantu menskalakan salah satu perusahaan internet terbesar di dunia menjadi suara penting dalam prioritas AI nasional, laporan publik, dan praktik mengubah inovasi menjadi kapasitas negara.
Strategi AI nasional adalah rencana suatu negara tentang bagaimana mereka akan mengembangkan, mengadopsi, dan mengatur AI agar melayani tujuan publik. Biasanya mencakup pendanaan untuk penelitian, dukungan untuk startup dan adopsi industri, aturan untuk penggunaan bertanggung jawab, rencana tenaga kerja dan pendidikan, serta bagaimana lembaga pemerintahan akan mengadakan dan menerapkan sistem AI.
Ia juga mencakup pertanyaan 'berat': bagaimana melindungi infrastruktur kritis, mengelola data sensitif, dan merespons ketika alat AI yang sama bisa dipakai untuk manfaat sipil maupun keuntungan militer.
Schmidt penting karena berada di persimpangan empat perdebatan yang membentuk pilihan kebijakan:
Ini bukan biografi atau daftar lengkap setiap pandangan Schmidt. Fokusnya pada peran publiknya (seperti kerja-kerja penasehat dan inisiatif yang diliput luas) dan apa yang diungkapkan tonggak tersebut tentang bagaimana pengaruh kebijakan AI terjadi—melalui laporan, prioritas pendanaan, gagasan pengadaan, dan penerjemahan realitas teknis menjadi tindakan pemerintahan.
Profil publik Eric Schmidt sering terkait dengan Google, tetapi jalannya menuju kepemimpinan teknologi dimulai jauh sebelum pencarian menjadi kebiasaan sehari-hari.
Schmidt berlatih sebagai ilmuwan komputer dan memulai kariernya dalam peran yang mencampurkan teknik dengan manajemen. Seiring waktu ia pindah ke posisi senior di perusahaan teknologi besar, termasuk Sun Microsystems dan kemudian Novell. Pekerjaan itu penting karena mengajarkan jenis kepemimpinan tertentu: bagaimana menjalankan organisasi yang kompleks, meluncurkan produk dalam skala global, dan mengambil keputusan teknologi di bawah tekanan pasar, pesaing, dan regulasi.
Saat Schmidt bergabung dengan Google pada 2001 sebagai CEO, perusahaan itu masih dalam tahap awal—tumbuh cepat, berorientasi misi, dan dipimpin oleh pendiri yang menginginkan eksekutif berpengalaman untuk memprofesionalkan operasi. Tugasnya bukan 'mencipta ulang pencarian' melainkan membangun struktur yang memungkinkan inovasi berulang: pengambilan keputusan yang lebih jelas, jalur perekrutan yang kuat, dan ritme operasi yang bisa mengikuti pertumbuhan pesat.
Era pertumbuhan Google bukan hanya tentang hasil yang lebih baik; ini tentang menangani volume besar kueri, halaman web, dan keputusan iklan—secara konsisten dan cepat. 'Pencarian pada skala besar' juga menimbulkan pertanyaan kepercayaan yang melampaui teknik: bagaimana data pengguna ditangani, bagaimana keputusan peringkat memengaruhi apa yang dilihat orang, dan bagaimana platform merespons ketika kesalahan menjadi konsumsi publik.
Sepanjang periode itu, beberapa pola menonjol: kecenderungan merekrut talenta teknis yang kuat, penekanan pada fokus (memprioritaskan yang penting), dan berpikir sistem—memperlakukan produk, infrastruktur, dan batasan kebijakan sebagai bagian dari satu sistem operasi. Kebiasaan itu membantu menjelaskan mengapa Schmidt kemudian condong ke soal teknologi nasional, di mana koordinasi dan pertukaran sama pentingnya dengan penemuan.
Pencarian tampak sederhana—ketik kueri, dapat jawaban—tetapi sistem di baliknya adalah loop disiplin mengumpulkan informasi, menguji asumsi, dan memperoleh kepercayaan pengguna pada skala besar.
Secara garis besar, pencarian memiliki tiga tugas.
Pertama, merayapi (crawling): program otomatis menemukan halaman dengan mengikuti tautan dan mengunjungi kembali situs untuk mendeteksi perubahan.
Kedua, mengindeks dan memberi peringkat: sistem mengorganisasi apa yang ditemukan, lalu mengurutkan hasil menggunakan sinyal yang memperkirakan kualitas dan kegunaan.
Ketiga, relevansi: peringkat bukan 'halaman terbaik di internet', melainkan 'halaman terbaik untuk orang ini, untuk kueri ini, saat ini.' Itu berarti menafsirkan niat, bahasa, dan konteks—bukan sekadar mencocokkan kata kunci.
Era pencarian menegaskan kebenaran praktis: hasil yang baik biasanya berasal dari pengukuran, iterasi, dan infrastruktur siap-skalal.
Tim pencarian hidup dari data—pola klik, reformulasi kueri, kinerja halaman, laporan spam—karena itu menunjukkan apakah perubahan benar-benar membantu pengguna. Perubahan peringkat kecil sering dinilai melalui eksperimen terkontrol (seperti tes A/B) untuk menghindari bergantung pada intuisi.
Tidak ada itu yang bekerja tanpa infrastruktur. Sistem terdistribusi masif, pelayanan latensi rendah, pemantauan, dan prosedur rollback cepat mengubah 'ide baru' menjadi rilis yang aman. Kemampuan menjalankan banyak eksperimen dan belajar cepat menjadi keunggulan kompetitif.
Tema yang sama cocok dengan pemikiran kebijakan AI modern:
Yang paling penting, sistem yang berhadapan dengan pengguna naik atau turun berdasarkan kepercayaan. Jika hasil terasa dimanipulasi, berbahaya, atau terus-menerus salah, adopsi dan legitimasi terkikis—wawasan yang berlaku lebih tajam lagi untuk sistem AI yang menghasilkan jawaban, bukan sekadar tautan.
Ketika AI diperlakukan sebagai prioritas nasional, percakapan bergeser dari 'Apa yang harus dilakukan produk ini?' menjadi 'Apa yang bisa kapabilitas ini lakukan terhadap masyarakat, ekonomi, dan keamanan?' Itu adalah pengambilan keputusan jenis berbeda. Taruhannya meluas: pemenang dan yang kalah bukan hanya perusahaan dan pelanggan, tetapi industri, institusi, dan kadang-kadang negara.
Pilihan produk biasanya mengoptimalkan nilai pengguna, pendapatan, dan reputasi. AI yang menjadi prioritas nasional memaksa pertukaran antara kecepatan dan kehati-hatian, keterbukaan dan kontrol, serta inovasi dan ketahanan. Keputusan tentang akses model, berbagi data, dan garis waktu penerapan dapat memengaruhi risiko disinformasi, gangguan tenaga kerja, dan kesiapan pertahanan.
Pemerintah peduli pada AI karena alasan sama seperti dulu mereka peduli pada listrik, penerbangan, dan internet: ini bisa meningkatkan produktivitas nasional dan membentuk ulang kekuatan.
Sistem AI juga bisa bersifat 'dual-use'—berguna dalam bidang medis dan logistik, tetapi juga dapat diterapkan untuk operasi siber, pengawasan, atau pengembangan senjata. Bahkan terobosan sipil pun dapat mengubah perencanaan militer, rantai pasok, dan alur kerja intelijen.
Sebagian besar kapabilitas AI terdepan berada di perusahaan swasta dan laboratorium penelitian teratas. Pemerintah perlu mengakses keahlian, komputasi, dan pengalaman penerapan; perusahaan butuh kejelasan aturan, jalur pengadaan, dan kepastian tanggung jawab. Namun kolaborasi jarang mulus. Perusahaan khawatir tentang IP, kerugian kompetitif, dan diminta melakukan pekerjaan penegakan. Pemerintah khawatir tentang capture, akuntabilitas yang tidak merata, dan bergantung pada sedikit vendor untuk infrastruktur strategis.
Strategi AI nasional lebih dari sekadar memo. Biasanya meliputi:
Setelah bagian-bagian ini dianggap prioritas nasional, mereka menjadi alat kebijakan—bukan sekadar keputusan bisnis.
Dampak Eric Schmidt pada strategi AI kurang soal menulis undang-undang dan lebih soal membentuk 'narasi default' yang digunakan pembuat kebijakan saat bertindak. Setelah memimpin Google, ia menjadi suara penting di lingkaran penasehat AI AS—terutama sebagai ketua National Security Commission on Artificial Intelligence (NSCAI), serta melalui peran dewan, penasehat, dan upaya penelitian lain yang menghubungkan keahlian industri dengan prioritas pemerintahan.
Komisi dan gugus tugas biasanya bekerja pada jadwal ketat, mengumpulkan masukan dari lembaga, akademisi, perusahaan, dan masyarakat sipil. Output cenderung praktis dan mudah dibagikan:
Dokumen ini penting karena menjadi titik rujukan. Staf mengutipnya, lembaga meniru strukturnya, dan jurnalis menggunakannya untuk menjelaskan mengapa topik layak diperhatikan.
Kelompok penasehat tidak bisa mengalokasikan dana, menerbitkan regulasi, atau memerintahkan lembaga. Mereka mengusulkan; pejabat terpilih dan lembaga eksekutif menentukan. Bahkan ketika laporan berpengaruh, laporan itu bersaing dengan anggaran, keterbatasan politik, otoritas hukum, dan prioritas nasional yang bergeser.
Meski begitu, garis antara 'ide' dan 'aksi' bisa pendek ketika laporan menawarkan langkah siap-implementasi—terutama pada pengadaan, standar, atau program tenaga kerja.
Jika ingin menilai apakah pekerjaan seorang penasehat mengubah hasil, cari bukti selain tajuk berita:
Pengaruh terukur ketika ide berubah menjadi mekanisme kebijakan yang dapat diulang—bukan sekadar kutipan yang mengena.
Strategi AI nasional bukan satu undang-undang atau paket pendanaan sekali saja. Ia adalah serangkaian pilihan terkoordinasi tentang apa yang dibangun, siapa yang membangunnya, dan bagaimana negara akan mengetahui apakah itu berhasil.
Pendanaan riset publik membantu menciptakan terobosan yang mungkin diabaikan pasar—terutama pekerjaan yang membutuhkan waktu bertahun-tahun, memiliki imbal balik tidak pasti, atau fokus pada keselamatan. Strategi yang kuat menghubungkan riset dasar (universitas, laboratorium) ke program terapan (kesehatan, energi, layanan pemerintah) sehingga penemuan tidak berhenti sebelum sampai ke pengguna nyata.
Kemajuan AI bergantung pada peneliti, insinyur, dan tim produk yang terampil—tetapi juga staf kebijakan yang dapat mengevaluasi sistem dan tim pengadaan yang dapat membelinya dengan bijak. Rencana nasional sering menggabungkan pendidikan, pelatihan tenaga kerja, dan jalur imigrasi, karena kekurangan tak bisa dipecahkan hanya dengan uang.
'Komputasi' adalah tenaga mentah yang digunakan untuk melatih dan menjalankan model AI—kebanyakan di pusat data besar. Chip canggih (seperti GPU dan akselerator khusus) adalah mesin yang menyediakan tenaga itu.
Itu membuat chip dan pusat data mirip jaringan listrik dan pelabuhan: tidak glamor, tetapi penting. Jika suatu negara tidak dapat mengakses chip kelas atas—atau tidak dapat secara andal memberi daya dan mendinginkan pusat data—maka ia dapat kesulitan membangun model kompetitif atau menerapkannya dalam skala.
Strategi hanya berarti jika AI meningkatkan hasil di bidang prioritas: pertahanan, intelijen, kesehatan, pendidikan, dan layanan publik. Itu memerlukan aturan pengadaan, standar keamanan siber, dan akuntabilitas yang jelas ketika sistem gagal. Ini juga berarti membantu perusahaan kecil mengadopsi AI agar manfaat tidak terbatas pada beberapa raksasa.
Dalam praktiknya, banyak lembaga juga membutuhkan cara lebih cepat untuk membuat prototipe dan iterasi dengan aman sebelum berkomitmen pada kontrak multi-tahun. Alat seperti Koder.ai (platform vibe-coding yang membangun aplikasi web, backend, dan mobile dari chat, dengan mode perencanaan, snapshot, dan rollback) menggambarkan arah pengadaan: loop umpan balik lebih pendek, dokumentasi perubahan lebih jelas, dan pilot yang lebih terukur.
Lebih banyak data dapat meningkatkan AI, tetapi 'kumpulkan semuanya' menciptakan risiko nyata: pengawasan, kebocoran, dan diskriminasi. Strategi praktis menggunakan berbagi data terarah, metode yang menjaga privasi, dan batasan yang jelas—terutama untuk domain sensitif—daripada memperlakukan privasi sebagai hal yang tidak relevan atau absolut.
Tanpa pengukuran, strategi menjadi slogan. Pemerintah dapat mensyaratkan tolok ukur umum untuk kinerja, pengujian red-team untuk keselamatan, audit pihak ketiga untuk penggunaan berisiko tinggi, dan evaluasi berkelanjutan setelah penerapan—agar keberhasilan terlihat dan masalah cepat ditangani.
Kementerian pertahanan dan intelijen peduli pada AI karena alasan sederhana: ia dapat mengubah kecepatan dan kualitas pengambilan keputusan. Model dapat menyaring citra satelit lebih cepat, menerjemahkan komunikasi yang disadap, mendeteksi anomali siber, dan membantu analis menghubungkan sinyal lemah di kumpulan data besar. Jika digunakan dengan baik, itu berarti peringatan lebih awal, penargetan sumber daya yang lebih baik, dan lebih sedikit jam kerja manusia yang dihabiskan untuk tugas repetitif.
Banyak kapabilitas AI yang paling berharga juga yang paling mudah disalahgunakan. Model umum yang menulis kode, merencanakan tugas, atau menghasilkan teks meyakinkan dapat mendukung misi sah—seperti mengotomasi laporan atau mempercepat penemuan kerentanan—tetapi juga dapat:
Tantangan keamanan nasional bukan soal satu 'AI yang dilengkapi senjata', melainkan alat yang tersedia luas yang meningkatkan kemampuan pertahanan dan penyerangan.
Pemerintah kesulitan mengadopsi AI yang bergerak cepat karena pengadaan tradisional mengharapkan persyaratan stabil, siklus pengujian panjang, dan garis tanggung jawab yang jelas. Dengan model yang sering diperbarui, lembaga membutuhkan cara untuk memverifikasi apa yang mereka beli (klaim data pelatihan, batas kinerja, postur keamanan) dan siapa yang bertanggung jawab bila terjadi kesalahan—vendor, integrator, atau lembaga.
Pendekatan yang layak memadukan inovasi dengan cek yang dapat ditegakkan:
Jika dilakukan dengan benar, pengamanan tidak melambatkan semua hal. Mereka memprioritaskan pengawasan pada tempat di mana taruhannya tertinggi—analisis intelijen, pertahanan siber, dan sistem yang terkait dengan keputusan hidup atau mati.
Geopolitik membentuk strategi AI karena sistem paling kapabel bergantung pada bahan yang dapat diukur dan diperebutkan: talenta riset terbaik, komputasi skala besar, data berkualitas tinggi, dan perusahaan yang mampu mengintegrasikannya. Dalam konteks itu, dinamika AS–Tiongkok sering digambarkan sebagai 'perlombaan', tetapi bingkai itu bisa menyembunyikan perbedaan penting: berlomba untuk kapabilitas tidak sama dengan berlomba untuk keselamatan dan stabilitas.
Perlombaan kapabilitas murni memberi penghargaan pada kecepatan—luncurkan dulu, skalakan tercepat, raih pengguna terbanyak. Pendekatan keselamatan-dan-stabilitas memberi penghargaan pada penahanan—pengujian, pemantauan, dan aturan bersama yang mengurangi kecelakaan dan penyalahgunaan.
Kebanyakan pembuat kebijakan mencoba menyeimbangkan keduanya. Pertukarannya nyata: pengamanan yang lebih ketat dapat memperlambat penerapan, namun gagal berinvestasi pada keselamatan dapat menciptakan risiko sistemik dan mengikis kepercayaan publik, yang juga memperlambat kemajuan.
Kompetisi bukan hanya soal 'siapa punya model terbaik.' Ini juga soal apakah sebuah negara dapat secara andal menghasilkan dan menarik peneliti, insinyur, dan pembangun produk.
Di AS, universitas terkemuka, pendanaan ventura, dan jaringan padat laboratorium serta startup memperkuat ekosistem riset. Pada saat yang sama, kapabilitas AI semakin terkonsentrasi pada sejumlah kecil perusahaan dengan anggaran komputasi dan akses data untuk melatih model paling mutakhir. Konsentrasi itu bisa mempercepat terobosan, tetapi juga membatasi kompetisi, menyulitkan keterbukaan akademis, dan mempersulit kemitraan pemerintah.
Kontrol ekspor paling baik dipahami sebagai alat untuk melambatkan difusi input kunci—terutama chip canggih dan peralatan manufaktur khusus—tanpa memutus semua perdagangan.
Aliansi penting karena rantai pasok bersifat internasional. Koordinasi dengan mitra dapat menyelaraskan standar, membagi beban keamanan, dan mengurangi 'kebocoran' di mana teknologi dibatasi dialihkan melalui negara ketiga. Jika dilakukan dengan hati-hati, aliansi juga dapat mempromosikan interoperabilitas dan harapan keselamatan bersama, alih-alih mengubah AI menjadi tumpukan regional yang terfragmentasi.
Pertanyaan praktis untuk strategi nasional adalah apakah itu memperkuat kapasitas inovasi jangka panjang sambil mencegah kompetisi mendorong penerapan yang gegabah.
Ketika sistem AI membentuk perekrutan, pemberian pinjaman, triase medis, atau penegakan hukum, 'tata kelola' berhenti menjadi kata kunci dan menjadi pertanyaan praktis: siapa yang bertanggung jawab saat sistem gagal—dan bagaimana kita mencegah bahaya sebelum terjadi?
Sebagian besar negara memadukan beberapa tuas daripada mengandalkan satu undang-undang:
Tiga isu muncul di hampir setiap debat kebijakan:
Sistem AI sangat beragam: chatbot, alat diagnostik medis, dan sistem penargetan tidak membawa risiko yang sama. Itulah sebabnya tata kelola semakin menekankan evaluasi model (pengujian pra-penerapan, red-teaming, dan pemantauan berkelanjutan) yang terkait konteks.
Aturan umum seperti 'ungkapkan data pelatihan' mungkin layak untuk beberapa produk tetapi mustahil untuk lainnya karena keamanan, IP, atau keselamatan. Sebaliknya, tolok ukur keselamatan tunggal dapat menyesatkan jika tidak mencerminkan kondisi dunia nyata atau komunitas yang terdampak.
Pemerintah dan industri tidak bisa menjadi wasit tunggal. Kelompok masyarakat sipil, peneliti akademis, dan laboratorium pengujian independen membantu mengungkap bahaya sejak dini, memvalidasi metode evaluasi, dan mewakili orang yang menanggung risiko. Membiayai akses ke komputasi, data, dan jalur pengujian aman sering sama pentingnya dengan menulis aturan baru.
Ketika AI menjadi prioritas publik, pemerintah tidak bisa membangun semuanya sendiri—dan industri tidak bisa menetapkan aturan sendirian. Hasil terbaik biasanya berasal dari kemitraan yang eksplisit tentang masalah yang diselesaikan dan batasan yang harus dihormati.
Kolaborasi yang dapat bekerja dimulai dengan tujuan yang jelas (mis. pengadaan komputasi aman lebih cepat untuk riset, alat pertahanan siber yang ditingkatkan, atau metode audit yang lebih baik untuk model berisiko tinggi) dan juga pembatas yang jelas. Pembatas sering mencakup persyaratan privasi-by-design, kontrol keamanan, standar evaluasi terdokumentasi, dan pengawasan independen. Tanpa itu, kemitraan melenceng menjadi usaha 'inovasi' yang kabur yang sulit diukur dan mudah dipolitisasi.
Pemerintah membawa legitimasi, mandat, dan kemampuan mendanai pekerjaan jangka panjang yang mungkin tidak cepat membuahkan hasil. Industri membawa pengalaman rekayasa praktis, data operasional tentang kegagalan dunia nyata, dan kemampuan beriterasi. Universitas dan LSM sering melengkapi segitiga dengan penelitian terbuka, tolok ukur, dan saluran tenaga kerja.
Ketegangan terbesar adalah insentif. Perusahaan mungkin mendorong standar yang cocok dengan kekuatannya; lembaga mungkin memilih penawaran biaya terendah atau jadwal pendek yang merusak keselamatan dan pengujian. Masalah lain adalah 'pengadaan kotak hitam', di mana lembaga membeli sistem tanpa visibilitas memadai ke data pelatihan, batas model, atau kebijakan pembaruan.
Konflik kepentingan menjadi perhatian nyata, terutama ketika tokoh terkemuka menasehati pemerintah sambil mempertahankan hubungan dengan perusahaan, dana, atau dewan. Pengungkapan penting karena membantu publik—dan pembuat keputusan—membedakan keahlian dari kepentingan pribadi. Ini juga melindungi penasihat kredibel dari tuduhan yang dapat menggagalkan kerja berguna.
Kolaborasi cenderung berhasil saat konkret:
Mekanisme ini tidak menghilangkan perselisihan, tetapi membuat kemajuan terukur—dan memudahkan penegakan akuntabilitas.
Peralihan Eric Schmidt dari menskalakan pencarian konsumen ke memberi nasihat soal prioritas AI nasional menyoroti pergeseran sederhana: 'produk' bukan lagi hanya layanan—ia menjadi kapasitas, keamanan, dan kepercayaan publik. Itu membuat janji kabur mudah dijual dan sulit diverifikasi.
Gunakan ini sebagai saringan cepat saat mendengar rencana, white paper, atau pidato baru:
Era pencarian mengajarkan bahwa skala memperbesar segala hal: manfaat, kesalahan, dan insentif. Diterapkan pada strategi AI nasional, itu menunjukkan:
Strategi AI nasional dapat membuka peluang nyata: layanan publik yang lebih baik, kesiapan pertahanan yang lebih kuat, dan riset yang lebih kompetitif. Namun kekuatan dual-use yang sama menaikkan taruhannya. Klaim terbaik memadukan ambisi dengan pembatas yang bisa ditunjuk.
Bacaan lebih lanjut: jelajahi perspektif lain di /blog, dan primer praktis di /resources/ai-governance dan /resources/ai-safety.
Strategi AI nasional adalah rencana terkoordinasi tentang bagaimana suatu negara akan mengembangkan, mengadopsi, dan mengatur AI untuk melayani tujuan publik. Dalam praktiknya biasanya mencakup:
Karena pengaruhnya sekarang lebih sedikit soal produk konsumen dan lebih soal bagaimana pemerintah menerjemahkan kapabilitas AI menjadi kapasitas negara. Peran publiknya (terutama kerja penasehat dan komisi) berada di persimpangan inovasi, keamanan, tata kelola, dan kompetisi geopolitik—area di mana pembuat kebijakan butuh penjelasan operasional tentang apa yang bisa dan tidak bisa dilakukan AI.
Badan penasehat biasanya tidak membuat undang-undang atau mengalokasikan dana, tetapi mereka dapat menetapkan playbook default yang diikuti pembuat kebijakan. Mereka sering menghasilkan:
Cari bukti bahwa ide berubah menjadi mekanisme yang dapat diulang, bukan sekadar headline:
Pada skala besar, kegagalan langka menjadi kejadian yang sering. Itu sebabnya strategi perlu pengukuran dan operasional, bukan hanya prinsip:
Dual-use berarti kapabilitas yang sama dapat memberi manfaat sipil dan memungkinkan penyalahgunaan. Misalnya, model yang membantu coding, perencanaan, atau menghasilkan teks dapat:
Kebijakan cenderung fokus pada akses terkelola berisiko, pengujian, dan pemantauan, bukan asumsi pemisahan bersih antara AI sipil dan militer.
Pengadaan tradisional mengasumsikan persyaratan stabil dan produk yang bergerak lambat. Sistem AI sering diperbarui, sehingga lembaga perlu cara untuk memverifikasi:
“Komputasi” (pusat data) dan chip canggih (GPU/akselerator) adalah kapasitas untuk melatih dan menjalankan model. Strategi sering menganggapnya sebagai infrastruktur kritis karena kekurangan atau gangguan rantai pasok dapat menghambat:
Alat tata kelola umum meliputi:
Pendekatannya biasanya : pemeriksaan lebih ketat di tempat dampak tertinggi.
Kemitraan dapat mempercepat penerapan dan meningkatkan keselamatan, tetapi membutuhkan pembatas:
Kolaborasi yang dirancang dengan baik menyeimbangkan inovasi dan akuntabilitas, bukan menyerahkan salah satunya.