Kemunculan kecerdasan buatan, terutama model AI percakapan seperti ChatGPT, telah memikat dunia, menawarkan kemampuan yang belum pernah ada sebelumnya dalam pembuatan bahasa, pengambilan informasi, dan pembuatan konten kreatif. Namun, di balik interaksi yang tampaknya tanpa usaha tersebut terdapat biaya lingkungan yang signifikan dan sering terabaikan. Sementara fokus sering kali pada potensi manfaat AI, sebuah pemeriksaan kritis tentang konsumsi energi dan pemanfaatan sumber daya sangat diperlukan untuk memahami dampak nyata dari teknologi ini terhadap planet kita. Kita perlu membedah berbagai tahap pengembangan, penerapan, dan penggunaan AI untuk memahami seluruh cakupan tantangan lingkungan yang mereka hadirkan. Ini mencakup tidak hanya energi langsung yang menggerakkan server yang menjalankan model besar ini tetapi juga energi terkandung dalam perangkat keras, air yang digunakan untuk pendinginan, dan limbah elektronik yang dihasilkan saat sistem menjadi usang. Memahami faktor-faktor ini sangat penting untuk mengembangkan praktik AI yang berkelanjutan dan mengurangi konsekuensi lingkungan saat AI semakin terintegrasi ke dalam kehidupan sehari-hari kita.
Anakin AI
Salah satu kontributor paling signifikan terhadap dampak lingkungan ChatGPT adalah energi yang diperlukan untuk melatih jaringan saraf besar yang memberdayakannya. Model-model ini dilatih pada dataset yang sangat besar, sering kali mengandung miliaran kata, gambar, dan bentuk informasi lainnya. Proses pelatihan melibatkan penyesuaian parameter jaringan saraf secara iteratif, memerlukan daya komputasi yang sangat besar dan, akibatnya, konsumsi energi yang signifikan. Misalnya, studi menunjukkan bahwa melatih satu model bahasa besar dapat mengkonsumsi sebanyak energi yang digunakan beberapa rumah tangga dalam setahun. Konsumsi energi ini bukan hanya kekhawatiran teoritis; itu langsung diterjemahkan menjadi emisi gas rumah kaca, terutama jika listrik yang digunakan berasal dari sumber bahan bakar fosil. Angka pastinya sering sulit diperoleh, karena perusahaan biasanya menjaga rincian ini tetap rahasia, mengutip alasan kompetitif. Namun, estimasi penelitian memberikan wawasan yang mengkhawatirkan tentang skala jejak karbon, menyoroti kebutuhan mendesak akan transparansi dan metode pelatihan yang lebih efisien energi. Selain itu, tren menuju model yang lebih besar dan lebih kompleks menunjukkan bahwa masalah ini hanya akan menjadi lebih buruk kecuali pencapaian penting dalam metodologi pelatihan AI dicapai.
Energi yang diperlukan untuk pelatihan bukanlah satu-satunya masalah lingkungan yang terkait dengan ChatGPT. Perangkat keras yang digunakan untuk melatih dan menjalankan model ini juga memiliki jejak lingkungan yang signifikan. Ini mencakup energi yang dikonsumsi selama proses manufaktur perangkat keras khusus, seperti GPU dan CPU, yang penting untuk komputasi AI. "Energi terkandung" dalam perangkat ini mewakili biaya lingkungan yang substansial yang sering terabaikan. Selain itu, saat model AI terus diperbarui dan ditingkatkan, perangkat keras menjadi usang dengan cepat, mengakibatkan akumulasi limbah elektronik yang semakin besar. Pembuangan limbah elektronik yang tidak tepat dapat melepaskan racun berbahaya ke lingkungan, yang menimbulkan ancaman serius bagi kesehatan manusia dan ekosistem. Pertambangan mineral tanah jarang yang diperlukan untuk produksi komponen perangkat keras ini juga membawa serangkaian masalah lingkungan, termasuk deforestasi, pencemaran air, dan degradasi tanah. Oleh karena itu, penilaian holistik terhadap dampak lingkungan dari AI perlu mempertimbangkan seluruh siklus hidup perangkat keras, dari produksi hingga pembuangan, tidak hanya energi yang digunakan selama operasi.
Lokasi pusat data yang menghosting dan menjalankan ChatGPT dan model AI lainnya berperan penting dalam menentukan dampak lingkungan mereka. Pusat data, yang pada dasarnya adalah gudang besar yang penuh dengan server, memerlukan jumlah listrik yang sangat besar untuk menggerakkan server dan menjaga agar tetap dingin. Lokasi pusat data ini menentukan sumber listrik tersebut. Jika pusat data terletak di daerah yang sangat bergantung pada bahan bakar fosil untuk pembangkit listrik, jejak karbon ChatGPT akan jauh lebih tinggi dibandingkan jika pusat data didukung oleh sumber energi terbarukan seperti energi surya, angin, atau hidroelektrik. Banyak perusahaan teknologi kini berusaha untuk menempatkan pusat data mereka di daerah yang memiliki akses ke energi terbarukan, tetapi ini tidak selalu mungkin karena faktor-faktor seperti biaya, ketersediaan, dan hambatan regulasi. Bahkan dengan energi terbarukan, skala konsumsi energi dari pusat data ini dapat membebani jaringan lokal dan memerlukan investasi signifikan dalam infrastruktur. Oleh karena itu, mengoptimalkan penempatan geografis pusat data adalah strategi penting untuk mengurangi dampak lingkungan dari AI.
Selain energi, konsumsi air adalah masalah lingkungan kritis lainnya terkait dengan model AI seperti ChatGPT. Pusat data menghasilkan jumlah panas yang sangat besar, yang harus didispersikan untuk mencegah server dari overheating dan kerusakan. Metode pendinginan tradisional bergantung pada air, menggunakan jumlah besar untuk mendinginkan udara yang bersirkulasi di dalam pusat data. Air tersebut baik menguap, yang menyebabkan kehilangan air, atau didinginkan dan diputar ulang, yang tetap memerlukan energi yang signifikan. Di daerah yang sudah menghadapi kekurangan air, kebutuhan air dari pusat data dapat memperburuk masalah yang ada dan menciptakan konflik dengan pengguna air lainnya, seperti pertanian dan daerah permukiman. Teknologi pendinginan alternatif, seperti pendinginan udara atau pendinginan rendaman, sedang dieksplorasi, tetapi sering kali datang dengan tantangan tersendiri, seperti konsumsi energi yang lebih tinggi atau biaya yang meningkat. Meningkatkan efisiensi air di pusat data adalah area penelitian dan pengembangan yang sangat penting, terutama karena penerapan AI terus tumbuh secara global. Penerapan sistem pendinginan sirkuit tertutup, pengumpulan air hujan, dan langkah-langkah konservasi lainnya dapat membantu mengurangi jejak air dari AI secara signifikan.
Sementara konsumsi energi dan air langsung dari ChatGPT sudah substansial, dampak lingkungan tidak langsung juga perlu dipertimbangkan. Salah satu contohnya adalah potensi AI untuk meningkatkan pola konsumsi. Dengan memberikan rekomendasi dan saran, AI dapat mendorong pengguna untuk membeli lebih banyak produk dan layanan, yang mengarah pada peningkatan produksi dan konsumsi sumber daya. Ini dapat mengimbangi manfaat lingkungan potensial yang mungkin ditawarkan AI di area lain, seperti mengoptimalkan penggunaan energi atau mengurangi limbah. Misalnya, kampanye iklan yang dipersonalisasi yang didorong oleh AI dapat menyebabkan lonjakan permintaan untuk produk tertentu, mengakibatkan peningkatan manufaktur dan transportasi, yang pada gilirannya, berkontribusi terhadap emisi gas rumah kaca dan eksploitasi sumber daya. Penting juga untuk memikirkan dampak dari infrastruktur komunikasi besar yang diperlukan untuk mendukung aplikasi AI. Penerapan jaringan 5G, yang sangat penting untuk banyak aplikasi AI, memerlukan pembangunan sejumlah besar menara seluler baru dan infrastruktur lainnya. Proses konstruksi ini dapat memiliki dampak lingkungan yang signifikan, termasuk penghancuran habitat dan pencemaran.
Salah satu jalur paling menjanjikan untuk mengurangi dampak lingkungan dari ChatGPT dan model AI lainnya adalah dengan meningkatkan efisiensi algoritmik mereka. Ini melibatkan pengembangan algoritma yang lebih efisien yang dapat mencapai kinerja yang sama atau lebih baik dengan daya komputasi dan konsumsi energi yang lebih sedikit. Misalnya, para peneliti sedang mengeksplorasi teknik seperti pruning, quantization, dan knowledge distillation, yang dapat mengurangi ukuran dan kompleksitas jaringan saraf tanpa mengorbankan akurasi. Pruning melibatkan penghapusan koneksi yang tidak perlu dalam jaringan, sementara quantization mengurangi presisi nilai numerik yang digunakan dalam jaringan. Knowledge distillation melibatkan pelatihan model yang lebih kecil dan lebih efisien untuk meniru perilaku model yang lebih besar dan lebih kompleks. Teknik-teknik ini dan lainnya dapat secara signifikan mengurangi energi yang diperlukan untuk melatih dan menjalankan model AI, menjadikannya lebih ramah lingkungan. Selain itu, kemajuan dalam desain perangkat keras, seperti pengembangan akselerator AI khusus, juga dapat berkontribusi pada peningkatan efisiensi energi.
Pada akhirnya, mengatasi dampak lingkungan dari ChatGPT dan model AI lainnya memerlukan upaya bersama dari peneliti, pengembang, pembuat kebijakan, dan pengguna. Sangat penting untuk mendorong transparansi yang lebih besar terkait konsumsi energi dan pemanfaatan sumber daya dari model AI. Perusahaan harus didorong untuk mengungkapkan jejak lingkungan dari sistem AI mereka, termasuk energi yang digunakan untuk pelatihan dan inferensi, air yang dikonsumsi untuk pendinginan, dan limbah elektronik yang dihasilkan. Informasi ini dapat membantu konsumen membuat pilihan yang lebih terinformasi dan mendorong perusahaan untuk mengadopsi praktik yang lebih berkelanjutan. Pembuat kebijakan juga harus berperan dalam menetapkan standar dan regulasi untuk pengembangan AI, mempromosikan efisiensi energi, dan mendorong penggunaan sumber energi terbarukan. Selain itu, para peneliti harus terus mengeksplorasi algoritma dan desain perangkat keras baru yang dapat mengurangi dampak lingkungan dari AI. Pengguna juga dapat berkontribusi dengan memperhatikan penggunaan AI mereka dan mendukung perusahaan yang berkomitmen pada keberlanjutan. Dengan bekerja sama, kita dapat memastikan bahwa manfaat dari AI tidak dicapai dengan mengorbankan lingkungan.
Pembangunan dan penerapan AI harus dipandu oleh prinsip keberlanjutan, memastikan bahwa pertimbangan lingkungan diintegrasikan ke dalam semua tahap siklus hidup AI. Ini mencakup tidak hanya meminimalkan konsumsi energi dan pemanfaatan sumber daya dari model AI tetapi juga mempertimbangkan implikasi sosial dan etis dari teknologi AI. Misalnya, sistem AI harus dirancang untuk adil dan tidak bias, dan tidak boleh digunakan untuk mempertahankan atau memperburuk ketidaksetaraan yang ada. Pengembangan AI yang berkelanjutan memerlukan pendekatan multidisipliner, melibatkan para ahli dari ilmu komputer, ilmu lingkungan, etika, dan bidang lainnya. Ini juga memerlukan kolaborasi antara akademisi, industri, dan pemerintah, mendorong inovasi dan mempromosikan adopsi praktik terbaik. Dengan memprioritaskan keberlanjutan dalam pengembangan AI, kita dapat memanfaatkan potensi AI untuk mengatasi beberapa tantangan paling mendesak di dunia sambil meminimalkan dampak lingkungannya. Masa depan AI tergantung pada kemampuan kita untuk menciptakan teknologi yang tidak hanya cerdas tetapi juga bertanggung jawab dan berkelanjutan.
