Apa Malaysia Boleh Belajar dari Strategi AI Yotta India

India sedang bina ‘enjin AI’ — dan Malaysia patut ambil peluang

Dalam tempoh setahun, pendapatan Yotta Data Services di India melonjak lebih 120%, didorong oleh satu perkara utama: permintaan compute AI yang meletup untuk sektor kerajaan dan swasta. Pada masa yang sama, syarikat ini merancang penyenaraian di NASDAQ bagi membiayai pelaburan capex sekitar US$1 bilion.

Ini bukan sekadar cerita data center India. Ini amaran awal untuk pemain pembuatan elektronik, automotif dan semikonduktor di Malaysia: bila negara lain mula membina “enjin AI” berskala gigawatt, kilang kita tak boleh terus bergantung kepada server kecil di bilik IT dan eksperimen AI yang terpencil.

Dalam siri AI in Manufacturing (Electronics, Automotive, Semiconductor) ini, saya nak kupas bagaimana langkah agresif Yotta membina infrastruktur AI di India boleh dijadikan panduan praktikal untuk:

• Menstruktur pelaburan AI di kilang Malaysia
• Menentukan model kerjasama dengan penyedia cloud dan data center
• Menyokong use case AI dalam smart factory, kualiti, dan rantaian bekalan

Apa sebenarnya Yotta sedang buat di India?

Yotta ialah operator data center Tier III & IV yang fokus kepada colocation, hyperscale dan cloud terurus, dan kini memposisikan diri sebagai penyedia compute AI berskala besar.

Beberapa angka penting yang patut buat pengurus kilang berfikir:

• 33 MW kapasiti sedia ada
• Potensi pembangunan jangka panjang sehingga 890 MW
• Pendapatan naik 123% daripada kira-kira US$22 juta (FY2023) ke US$49.2 juta (anggaran FY2024)
• Sasaran pendapatan US$156 juta FY2025, disertakan kerugian lebih besar kerana capex meningkat
• Perancangan pelaburan sekitar US$1 bilion hanya untuk tahun mendatang

Yotta juga jadi pembekal utama GPU bagi IndiaAI Mission — inisiatif kerajaan India untuk menyediakan infrastruktur AI tempatan. Pada fasa awal:

• ~60% kapasiti mereka diperuntuk kepada IndiaAI Mission
• ~40% kepada pelanggan swasta
• Pusingan seterusnya dijangka 80–20 (lebih berat kepada kerajaan), sebelum beralih semula kepada dominasi sektor swasta

Daripada perspektif pembuatan, mesejnya jelas: permintaan compute AI mula digerakkan oleh kerajaan, tetapi pertumbuhan jangka panjang datang daripada industri dan enterprise.

Kenapa mereka pilih NASDAQ, bukan bursa tempatan?

Keputusan Yotta untuk bergabung dengan SPAC Cartica Acquisition Corp dan tersenarai di NASDAQ sebenarnya ada kaitan rapat dengan masa depan AI dalam pembuatan.

Yotta menolak IPO tradisional dan memilih SPAC atas beberapa sebab utama:

• Kelajuan akses modal – NASDAQ lebih mesra untuk syarikat yang perlu sentiasa mengumpul dana untuk capex infrastruktur.
• Tahap pemahaman pasaran – naratif AI dan cloud enterprise jauh lebih matang dalam kalangan pelabur AS berbanding bursa tempatan mereka.
• Kepercayaan pelanggan korporat – bank besar dan organisasi kritikal lebih selesa dengan syarikat yang tertakluk kepada standard tadbir urus dan audit pasaran AS.

Bagi Malaysia, mesej kritikalnya:

"Jika anda serius tentang AI dalam pembuatan, perbualan bukan lagi sekadar beli robot atau kamera vision. Anda perlu fikir bagaimana nak biayai infrastruktur data dan compute dalam skala berbilion ringgit dalam tempoh beberapa tahun."

Di Malaysia, model pembiayaan mungkin berbeza — kombinasi:

• Dana kerajaan (contoh geran automasi & digitalisasi)
• Pelaburan langsung MNC (Intel, Infineon, Dyson, dan lain-lain)
• Kerjasama dengan pemain data center serantau

Tapi struktur fikirannya sama: AI bukan projek sekali bayar. Ia kitaran pelaburan berterusan.

Dari data center ke lantai kilang: apa kaitannya dengan smart factory?

Jawapannya: AI compute ialah ‘jantung’ kepada smart factory moden. Tanpa GPU/accelerator yang mencukupi, banyak inisiatif AI kilang akan tersangkut di peringkat POC.

1. Kualiti & pemeriksaan visual

Use case paling ‘cepat nampak ROI’ dalam pembuatan elektronik dan automotif biasanya:

• Pemeriksaan visual PCB menggunakan computer vision untuk kesan solder defect, misalignment, micro-crack
• Pemeriksaan kosmetik housing plastik atau metal parts
• Pengesanan kecacatan wafer atau die dalam semikonduktor

Model AI vision ini perlukan:

• Latihan semula (retraining) berkala bila produk baru masuk
• Inferens masa nyata pada line (on-edge) atau near-edge

Di sinilah strategi seperti Yotta jadi relevan:

• Latihan model boleh dibuat di cloud/data center dengan GPU berkuasa
• Inferens boleh dijalankan di edge devices dalam kilang (IPC, industrial GPU box) yang diselaraskan dengan cloud

Tanpa infrastruktur AI yang fleksibel, setiap kilang terpaksa beli sendiri GPU besar dengan kadar penggunaan rendah — membazir dan sukar diskalakan bila projek bertambah.

2. Perancangan dan pengoptimuman rantaian bekalan

Model AI generatif dan machine learning advanced untuk:

• Peramalan permintaan (demand forecasting)
• Pengoptimuman jadual pengeluaran multi-plant
• Simulasi senario bahan mentah dan komponen (ideal untuk E&E dan semikonduktor)

semuanya perlukan akses kepada data besar dan compute berat. System planner tradisional jarang cukup kuat untuk model moden.

Yotta mengambil posisi seperti “TSMC untuk compute” — mereka tak bina cip atau model, tapi menyediakan platform.

Untuk Malaysia, masuk akal kalau:

• Pemain besar E&E/automotif memanfaatkan AI platform serantau untuk latihan model skala besar
• Hanya inferens kritikal masa nyata dikekalkan dalam kilang

Pendekatan hybrid ini biasanya lebih:

• Murah dari segi capex
• Fleksibel bila produk dan keperluan bertukar
• Mudah dipiawaikan merentasi beberapa kilang dan negara

Sovereign cloud, data sensitif dan kilang Malaysia

Satu sudut menarik dalam strategi Yotta ialah fokus mereka kepada cloud berdaulat (sovereign cloud). Mereka membina dan mengurus data center untuk agensi kerajaan India serta universiti luar negara seperti Princess Noura University di Arab Saudi, di mana:

• Pelanggan melabur dalam perkakasan (server, GPU)
• Yotta urus perisian dan operasi (cloud layer, orchestrasi, keselamatan)

Model ini ada implikasi besar untuk:

• Kilang semikonduktor yang pegang design IP sensitif
• OEM automotif yang simpan data reka bentuk model akan datang
• Pengeluar E&E yang jalankan R&D firmware dan algoritma proprietari

Ramai pengilang di Malaysia ragu-ragu nak guna cloud awam sepenuhnya. Kebimbangan utama:

• Lokasi fizikal server
• Siapa yang boleh akses data
• Kewajipan pematuhan (ITAR, GDPR, PDPA dan sebagainya)

Pendekatan Yotta menawarkan jalan tengah:

Persekitaran ‘cloud-like’ yang dikawal oleh pelanggan dari segi lokasi dan pemilikan perkakasan, tetapi diurus seperti perkhidmatan cloud.

Malaysia sebenarnya boleh mengadaptasi beberapa prinsip ini:

• Taman perindustrian utama (Kulim, Penang, Batu Kawan, Pasir Gudang) boleh jadi tapak micro data center yang dioptimumkan untuk AI pembuatan
• Konsortium pengilang dalam satu kawasan berkongsi infrastruktur compute AI, sambil memisahkan tenant dan data secara ketat
• Penyedia tempatan/perserantauan mengambil peranan seperti Yotta – fokus kepada operasi, keselamatan dan kebolehsediaan

Peluang khusus untuk sektor E&E, automotif & semikonduktor Malaysia

Kalau kita gabungkan pelajaran dari Yotta dengan realiti Malaysia, beberapa peluang jelas muncul.

1. Jadikan AI compute sebagai aset bersama industri

Daripada setiap kilang bina mini data center sendiri yang kurang digunakan, industri boleh:

• Bentuk pusat AI bersama di kawasan tumpuan pembuatan E&E
• Menyusun model langganan compute untuk latihan model kualiti, predictive maintenance, dan perancangan pengeluaran
• Menggunakan kapasiti yang sama merentasi beberapa syarikat, dengan pemisahan data yang ketat

Ini hampir sama dengan cara IndiaAI Mission memacu permintaan awal bagi Yotta, cuma di Malaysia pemacunya boleh jadi:

• Dana kerajaan + MNC anchor
• Program transformasi industri peringkat koridor ekonomi

2. Gunakan AI untuk naikkan standard kualiti global

Bagi pengeluar komponen automotif, semikonduktor, dan elektronik pengguna yang mahu jadi rujukan global, AI boleh menyokong:

• Automated optical inspection (AOI) + AI untuk mengurangkan false reject
• Model AI yang menjejak korelasi antara parameter proses dan kegagalan di lapangan (field returns)
• Papan pemuka kualiti rentas kilang dan negara, disokong oleh inferens AI di cloud

Semua ini memerlukan compute yang:

• Berskala (bila bilangan line dan produk bertambah)
• Konsisten (performance, latency, reliabiliti)
• Kos efektif (OPEX boleh diramal)

Itulah sebabnya strategi Yotta fokus kepada skala multi-gigawatt. Tanpa skala, kos per unit compute akan kekal tinggi dan menghalang pelaburan AI yang lebih agresif dalam pembuatan.

3. Persediaan menghadapi standard pelanggan global

Bila bank besar di India lebih yakin dengan penyedia infrastruktur yang tersenarai di NASDAQ, situasi sama akan terjadi dalam rantaian bekalan pembuatan:

• OEM global akan semakin banyak mensyaratkan jejak AI dan data yang mematuhi standard keselamatan dan audit tertentu
• Pengilang Tier-1 dan Tier-2 Malaysia perlu buktikan bahawa:
  • Infrastruktur data mereka diurus secara profesional
  • Terdapat pemisahan jelas antara environment test, training, production
  • Model AI boleh diaudit dan dikesan semula (traceability)

Bekerjasama dengan penyedia infrastruktur yang mempunyai tadbir urus setaraf pasaran global akan menjadi kelebihan kompetitif, bukan sekadar kos tambahan.

Bagaimana pengilang Malaysia boleh mula menyusun strategi AI compute

Berikut pendekatan praktikal yang saya lihat berkesan bila kilang mula serius tentang AI:

1. Petakan keperluan compute ikut use case, bukan ikut hype
   Senaraikan projek AI 12–24 bulan (vision, predictive maintenance, demand forecasting, generative AI untuk dokumentasi teknikal, dan lain-lain). Anggarkan keperluan latihan dan inferens.

2. Bezakan compute untuk latihan (training) dan inferens

   • Latihan model ⇒ wajar dipusatkan dan dibuat di cloud/data center
   • Inferens masa nyata ⇒ dekat dengan line (edge), tapi boleh diurus dari cloud

3. Rancang model kos jangka panjang
   Bandingkan 3 senario:

   • Beli semua GPU sendiri (on-prem penuh)
   • Guna cloud awam sepenuhnya
   • Model hibrid / sovereign-style bersama penyedia tempatan atau serantau

4. Gunakan projek perintis sebagai ‘stress test’ infrastruktur
   Pilih 2–3 line pengeluaran dan 1–2 use case AI kritikal. Jadikan projek ini ukuran:

   • Adakah sambungan ke cloud stabil dan cukup pantas?
   • Adakah pasukan kejuruteraan dalaman boleh mengurus pipeline data?

5. Masukkan syarat AI compute dalam perancangan modal 3–5 tahun
   Bila kilang merancang belanja mesin SMT, robot, AGV — selitkan juga pelaburan berkaitan data (network, storage, gateway, edge compute) dan bajet perkhidmatan cloud/AI.

Kenapa ini masa yang sesuai untuk Malaysia bertindak

Yotta menjangka kapasiti data center India yang kini sekitar 1.2 GW akan menuju ke paras puluhan gigawatt, mendekati AS dan China. Mereka yakin akan jadi antara pihak terpantas membawa ratusan ribu GPU ke pasaran.

Jika Asia mula dipenuhi pusat compute AI berskala besar, rantau yang sudah pun kuat dalam pembuatan seperti Malaysia akan berada di tengah-tengah arus baru: pembuatan yang digerakkan oleh AI, dengan infrastruktur compute sebagai tulang belakang.

Malaysia tak perlu menyalin India bulat-bulat. Tapi kita boleh belajar tiga perkara penting daripada langkah Yotta:

1. Infrastruktur datang dahulu, use case menyusul lebih pantas.
   Bila compute tersedia dan mudah diakses, jurutera kilang akan jauh lebih berani mencuba idea AI baharu.

2. Naratif yang jelas memudahkan pembiayaan.
   Seperti pelabur AS yang faham cerita AI Yotta, pelabur dan pengurusan tertinggi di Malaysia juga perlu nampak kaitan terus antara AI compute dan produktiviti kilang.

3. Skala tentukan daya saing.
   Pengilang yang melihat AI sebagai aset strategik, bukan kos sampingan, akan berada di hadapan dalam persaingan mendapatkan kontrak global bernilai tinggi.

Kalau anda mengurus kilang elektronik, automotif atau semikonduktor di Malaysia, soalan praktikalnya sekarang:

Adakah strategi AI compute kilang anda sejajar dengan ambisi perniagaan 3–5 tahun akan datang — atau anda masih bergantung kepada beberapa server lama di bilik IT?

Masa terbaik untuk mula menyusun semula strategi itu ialah sekarang, sementara rantau ini baru membina “enjin AI” serantau. Kilang yang bergerak awal akan jadi rujukan, bukan pengikut.