Ingin Memanfaatkan Kekuatan AI Tanpa Batasan?
Ingin Menghasilkan Gambar AI Tanpa Pengaman Apa Pun?
Jika demikian, Anda tidak boleh melewatkan Anakin AI! Mari kita lepaskan kekuatan AI untuk semua orang!
ChatGPT, sebuah keajaiban kecerdasan buatan modern, telah dengan cepat meresap ke berbagai aspek kehidupan digital kita, mulai dari pembuatan konten dan layanan pelanggan hingga pendidikan dan penelitian. Meskipun dipuji karena kemampuannya, penting untuk mengakui dan menyelidiki aspek yang kurang dibahas: dampak lingkungannya. Operasi dan pemeliharaan model bahasa besar (LLM) seperti ChatGPT memerlukan sumber daya komputasi yang substansial, yang mengarah pada konsumsi energi yang signifikan dan dampak terkait pada lingkungan. Artikel ini bertujuan untuk mengeksplorasi berbagai dimensi yang mempengaruhi lingkungan oleh ChatGPT, termasuk kebutuhan energi untuk pelatihan dan inferensi, emisi karbon yang terkait dengan pusat data, konsumsi air untuk pendinginan, dan implikasi limbah elektronik dari peningkatan perangkat keras. Memahami dampak ini sangat penting untuk mengembangkan strategi yang bertujuan untuk mengurangi biaya lingkungan dari AI dan mendorong praktik AI yang berkelanjutan. Mengingat ketergantungan yang terus meningkat pada teknologi AI, mengadopsi pendekatan yang bertanggung jawab dan ramah lingkungan sangat penting untuk membangun masa depan di mana inovasi dan pengelolaan lingkungan dapat hidup berdampingan secara harmonis.
Pelatihan LLM seperti ChatGPT adalah proses yang memakan sumber daya yang memerlukan energi dalam jumlah besar. Model ini belajar dengan mengiterasi melalui kumpulan data besar, menyesuaikan secara harfiah miliaran parameter untuk secara akurat memprediksi kata atau frasa berikutnya dalam suatu urutan. Pertimbangkan model GPT-3, yang berfungsi sebagai pendahulu ChatGPT dan dianggap berada dalam keluarga model yang sama. Menurut beberapa estimasi, ini memerlukan sekitar 1.287 MWh listrik untuk pelatihan. Itu setara dengan konsumsi listrik tahunan lebih dari 120 rumah tangga di Amerika Serikat. Energi yang besar ini digunakan untuk mendukung infrastruktur komputasi berkinerja tinggi, termasuk GPU (Unit Pemrosesan Grafis) dan CPU (Unit Pemrosesan Pusat) khusus yang dirancang untuk tugas pembelajaran mesin. Kumpulan data yang besar disimpan di array penyimpanan yang juga membutuhkan daya yang cukup besar untuk dioperasikan dan dipelihara. Lebih jauh, seluruh proses pelatihan ini sering dilakukan di pusat data, menambah konsumsi energi dan emisi karbon. Dampak ini tidak berhenti setelah pelatihan selesai. Inferensi, proses menggunakan model yang telah dilatih untuk menghasilkan respons, juga mengonsumsi energi, meskipun biasanya lebih sedikit daripada pelatihan. Semakin kompleks dan canggih modelnya, semakin banyak daya pemrosesan yang diperlukan untuk setiap kueri, yang berarti langsung terjemah ke dalam konsumsi energi yang lebih tinggi.
Jenis perangkat keras yang digunakan dalam pelatihan dan menjalankan LLM memiliki pengaruh dalam jejak energi keseluruhan. GPU kini menjadi pilihan yang dominan untuk beban kerja AI karena kemampuannya untuk melakukan komputasi paralel secara efisien. Ini berbeda dengan CPU, yang umumnya dioptimalkan untuk pemrosesan berurutan. Namun, bahkan GPU yang paling canggih pun mengonsumsi sejumlah besar daya. Selain itu, teknologi penyimpanan dan memori yang canggih memainkan peran penting dalam memastikan akses dan pemrosesan data yang efisien. Misalnya, memori berkecepatan tinggi (HBM) sering digunakan bersamaan dengan GPU untuk mempercepat tugas pembelajaran mesin. Namun, HBM itu sendiri mengkonsumsi daya, dan efek kumulatif dari semua komponen perangkat keras ini berkontribusi secara signifikan terhadap konsumsi energi keseluruhan sistem. Penting untuk dicatat bahwa efisiensi perangkat keras terus meningkat, dengan generasi baru GPU dan komponen lainnya menawarkan performa yang lebih baik per watt. Kemajuan ini menawarkan jalan menjanjikan untuk mengurangi dampak lingkungan keseluruhan dari AI, tetapi memerlukan adopsi teknologi terbaru dan pengoptimalan algoritma untuk memanfaatkan sepenuhnya kemampuannya.
Untuk menggambarkan konsumsi energi yang terlibat dalam pelatihan dan penerapan LLM, pertimbangkan contoh berikut. Pelatihan LLM yang kompleks dengan miliaran parameter sering kali memerlukan seluruh pusat data selama ber minggu atau bahkan bulan. Pusat data ini dapat dengan mudah mengonsumsi megawatt daya, mengakibatkan emisi karbon yang signifikan, terutama jika menggunakan bahan bakar fosil. Selain itu, energi yang diperlukan untuk inferensi bervariasi tergantung pada kompleksitas kueri dan ukuran model. Tugas pembuatan teks yang sederhana mungkin memerlukan energi minimal, sementara tugas kompleks yang melibatkan beberapa langkah dan input data besar dapat mengonsumsi daya yang jauh lebih banyak. Efek kumulatif dari jutaan pengguna yang berinteraksi dengan LLM setiap hari menciptakan jejak energi global yang cukup besar. Ini mengharuskan fokus pada efisiensi energi LLM dan infrastruktur pendukungnya.
Pusat data, pusat komputasi modern, adalah fasilitas yang sangat memakan energi yang bertanggung jawab dalam menampung dan mengoperasikan server, peralatan jaringan, dan perangkat keras lain yang diperlukan untuk menjalankan LLM seperti ChatGPT. Fasilitas ini sering mengkonsumsi sejumlah besar listrik, terutama karena tuntutan komputasi dan pendinginan. Emisi karbon yang terkait dengan pusat data menjadi salah satu perhatian lingkungan yang signifikan, terutama jika bergantung pada bahan bakar fosil seperti batu bara dan gas alam untuk menghasilkan listrik. Semakin banyak energi yang dikonsumsi oleh pusat data, semakin banyak gas rumah kaca yang dilepaskannya ke atmosfer, berkontribusi pada perubahan iklim dan polusi udara. Meskipun jejak karbon pasti dari ChatGPT dan LLM serupa dapat rumit untuk dihitung dan bervariasi tergantung pada faktor seperti campuran energi dari pusat data yang digunakan dan efisiensi perangkat keras, namun tidak dapat disangkal cukup substansial. Sebuah penelitian memperkirakan bahwa jejak karbon dari pelatihan satu model bahasa besar dapat setara dengan emisi seumur hidup beberapa mobil.
Ada beberapa metode untuk mengurangi emisi karbon yang terkait dengan pusat data yang digunakan untuk memfasilitasi ChatGPT atau moda AI serupa. Salah satu pendekatan penting adalah beralih ke sumber energi terbarukan seperti tenaga surya, angin, dan air. Banyak perusahaan teknologi, termasuk yang mengembangkan dan menggunakan LLM, sedang berinvestasi dalam proyek energi terbarukan untuk memasok daya ke pusat data mereka. Strategi lain adalah meningkatkan efisiensi energi dari pusat data. Ini dapat dicapai melalui berbagai metode, seperti mengoptimalkan sistem pendinginan, menggunakan perangkat keras hemat energi, dan menerapkan teknik manajemen daya yang cerdas. Misalnya, pendinginan gratis, yang memanfaatkan udara alami atau air untuk mendinginkan server alih-alih menggunakan sistem pendingin yang boros energi, dapat secara signifikan mengurangi konsumsi energi. Selain itu, mengadopsi teknologi canggih seperti pendinginan cair dapat memberikan disipasi panas yang lebih efisien, lebih lanjut mengurangi penggunaan energi dalam jangka panjang.
Beberapa pusat data di seluruh dunia telah memimpin dalam mengadopsi praktik berkelanjutan dan mengurangi dampak lingkungan mereka. Misalnya, beberapa pusat data dirancang untuk sepenuhnya digerakkan oleh sumber energi terbarukan, menghasilkan emisi karbon mendekati nol. Ini termasuk yang terafiliasi dengan perusahaan teknologi. Beberapa perusahaan juga melaksanakan solusi pendinginan inovatif, seperti menggunakan air laut atau air limbah terolah untuk mendinginkan server mereka. Lebih jauh, beberapa pusat data dibangun di lokasi dengan iklim yang lebih dingin, mengurangi energi yang diperlukan untuk pendinginan. Studi kasus ini menunjukkan bahwa sangat mungkin untuk secara signifikan mengurangi jejak karbon pusat data dan menjalankannya dengan cara yang bertanggung jawab terhadap lingkungan. Seiring permintaan untuk LLM dan aplikasi AI lainnya terus meningkat, sangat penting agar lebih banyak pusat data mengadopsi praktik terbaik ini dan memprioritaskan keberlanjutan.
Pusat data menghasilkan panas yang signifikan saat server dan peralatan lainnya beroperasi terus-menerus. Pendinginan yang efektif sangat penting untuk mencegah overheating dan memastikan kinerja optimal. Metode pendinginan tradisional sering bergantung pada menara pendingin yang memakan banyak air, yang menguapkan air untuk menghilangkan panas. Konsumsi air ini dapat memberi beban pada sumber daya air lokal, terutama di daerah di mana air langka atau rentan terhadap kekeringan. Jejak air pusat data menjadi salah satu perhatian lingkungan yang berkembang, terutama seiring meningkatnya permintaan untuk komputasi awan, AI, dan layanan digital lainnya. Sementara konsumsi air dari ChatGPT secara khusus mungkin tidak dapat diatribusikan langsung pada pengembangan model tetapi pada infrastruktur pendukung secara keseluruhan, itu tetap menjadi faktor kritis yang perlu dipertimbangkan saat mengevaluasi dampak lingkungan.
Beberapa strategi dapat diterapkan untuk mengurangi konsumsi air pusat data. Salah satu strategi tersebut adalah menggunakan sistem pendingin udara daripada sistem pendingin air. Sistem pendingin udara menggunakan kipas untuk menghembuskan udara di atas server, menghilangkan panas tanpa mengonsumsi air. Pendekatan lain adalah menerapkan sistem pendinginan loop tertutup, yang mendaur ulang air daripada menguapkannya. Sistem ini secara signifikan mengurangi konsumsi air dibandingkan menara pendinginan tradisional. Selain itu, teknologi canggih seperti pendinginan cair langsung dapat mendinginkan komponen perangkat keras secara langsung, meminimalkan kebutuhan pendinginan secara keseluruhan dan mengurangi konsumsi air. Pusat data juga dapat mengoptimalkan strategi pendinginan mereka dengan menggunakan sensor dan analitik untuk memantau suhu dan tingkat kelembapan. Ini memungkinkan mereka untuk menyesuaikan sistem pendinginan berdasarkan kondisi waktu nyata, meminimalkan konsumsi energi dan air.
Beberapa teknologi pendinginan inovatif muncul yang menjanjikan untuk lebih mengurangi konsumsi air dan energi pusat data. Salah satu teknologi tersebut adalah pendinginan evaporatif, yang menggabungkan pendinginan air dan udara untuk mencapai efisiensi tinggi. Pendekatan lain adalah menggunakan energi geotermal, memanfaatkan panas alami Bumi untuk menyediakan pendinginan. Selain itu, penelitian sedang dilakukan untuk mengembangkan teknologi "pendinginan kering" yang sama sekali tidak memerlukan air. Teknologi ini memanfaatkan bahan dan desain canggih untuk menghilangkan panas tanpa bergantung pada penguapan air. Seiring meningkatnya permintaan untuk pusat data, mengadopsi teknologi pendinginan inovatif ini akan sangat penting untuk memastikan keberlanjutan jangka panjang dari infrastruktur digital.
Kecepatan kemajuan teknologi yang cepat berarti bahwa perangkat keras yang digunakan untuk melatih dan menjalankan LLM dapat menjadi usang relatif cepat. Ketika perangkat keras baru yang lebih efisien tersedia, perangkat keras lama sering kali didekomisi dan diganti. Dekomisi ini berkontribusi pada limbah elektronik (e-waste), suatu masalah lingkungan yang semakin berkembang di seluruh dunia. E-waste mengandung bahan berbahaya seperti timbal, merkuri, dan kadmium, yang dapat mencemari tanah dan air jika tidak dikelola dengan baik. Pembuangan e-waste yang tidak tepat juga dapat melepaskan polutan berbahaya ke udara. Volume besar e-waste yang dihasilkan oleh industri TI, termasuk pusat data yang mendukung aplikasi AI, menjadi perhatian lingkungan yang signifikan.
Pengelolaan e-waste yang bertanggung jawab sangat penting untuk mengurangi dampak lingkungan dari dekomisi perangkat keras. Ini termasuk mendaur ulang dan menggunakan kembali e-waste alih-alih mengirimnya ke tempat pembuangan sampah atau pembakaran. Mendaur ulang e-waste memungkinkan bahan berharga seperti emas, perak, dan tembaga untuk dipulihkan dan digunakan kembali. Ini juga meminimalkan pelepasan bahan berbahaya ke lingkungan. Selain itu, mempromosikan penggunaan kembali komponen perangkat keras dapat memperpanjang masa pakainya dan mengurangi kebutuhan untuk produksi baru. Ini dapat dicapai melalui program perbaikan dan pasar sekunder untuk peralatan bekas. Pusat data juga harus mengadopsi praktik pengadaan yang berkelanjutan, memprioritaskan perangkat keras dari produsen yang merancang untuk daya tahan, dapat didaur ulang, dan dampak lingkungan minimal.
Mengadopsi prinsip ekonomi sirkular dapat membantu meminimalkan dampak lingkungan dari perangkat keras AI. Ekonomi sirkular berfokus pada memperpanjang hidup produk, mengurangi limbah, dan mempromosikan efisiensi sumber daya. Dalam konteks perangkat keras AI, ini dapat melibatkan strategi seperti merancang perangkat keras untuk mudah dibongkar dan diperbaiki, menerapkan program pengambilan kembali untuk peralatan yang telah habis masa pakainya, dan menggunakan bahan daur ulang dalam produksi. Dengan mengadopsi prinsip ekonomi sirkular, industri TI dapat mengurangi ketergantungannya pada sumber daya virgin, meminimalkan pembangkitan limbah, dan menciptakan masa depan yang lebih berkelanjutan untuk AI.
