Munculnya model bahasa besar (LLM) seperti ChatGPT telah menandai era baru dalam kecerdasan buatan, memungkinkan tingkat interaksi percakapan, generasi teks, dan kemampuan pemecahan masalah yang belum pernah terjadi sebelumnya. Namun, keajaiban teknologi ini datang dengan jejak lingkungan yang kurang terpublikasikan, terutama terkait dengan jumlah besar air yang dikonsumsi selama pelatihan dan operasi sistem AI raksasa ini. Meskipun koneksi langsung antara alat digital dan penggunaan air mungkin tidak jelas, memahami interaksi rumit antara daya komputasi, konsumsi energi, dan mekanisme pendinginan sangat penting untuk memahami biaya lingkungan yang sebenarnya dari AI. Artikel ini bertujuan untuk menggali berbagai cara ChatGPT memanfaatkan air, mengeksplorasi faktor-faktor mendasar yang berkontribusi pada jejak airnya, potensi strategi mitigasi, dan implikasi yang lebih luas untuk pengembangan AI berkelanjutan. Tujuannya adalah untuk menerangi aspek kritis dari etika AI dan tanggung jawab lingkungan, mendorong pendekatan yang lebih terinformasi dan sadar dalam penerapan dan pengembangan teknologi yang kuat ini.
Anakin AI
Alasan utama mengapa ChatGPT membutuhkan jumlah air yang signifikan secara tidak langsung terkait dengan daya komputasi besar yang diperlukan untuk melatih dan menjalankannya. LLM ini dilatih pada dataset yang sangat besar, memerlukan pusat data yang kuat dengan ribuan server komputasi berperforma tinggi (HPC). Setiap server terdiri dari banyak prosesor dan akselerator AI khusus (GPU atau TPU), semuanya menghasilkan panas yang signifikan selama operasi. Untuk mempertahankan kinerja optimal dan mencegah kerusakan perangkat keras, pusat data ini memerlukan sistem pendinginan yang kuat. Pendinginan berbasis air adalah metode umum dan efektif, di mana air bersirkulasi melalui menara pendingin atau chiller, menyerap panas dari server dan mendispersikannya ke atmosfer melalui evaporasi. Proses pendinginan evaporatif ini adalah pendorong utama konsumsi air di pusat data yang menyimpan dan menjalankan model AI seperti ChatGPT. Oleh karena itu, semakin kompleks model AI dan semakin besar dataset yang dilatih, semakin besar permintaan akan daya komputasi, yang mengakibatkan peningkatan generasi panas, dan akibatnya, konsumsi air yang lebih tinggi.
Penggunaan air yang terkait dengan ChatGPT dapat dibagi secara umum menjadi dua fase: fase pelatihan dan fase inferensi. Fase pelatihan adalah yang paling intensif, karena melibatkan pemrosesan sejumlah besar data untuk membangun pengetahuan dan kemampuan model. Fase ini memerlukan sumber daya komputasi yang signifikan selama periode waktu yang panjang, sehingga menghasilkan konsumsi air yang substansial untuk pendinginan. Misalnya, melatih model bahasa besar seperti GPT-3 dapat memakan waktu berminggu-minggu atau bahkan berbulan-bulan, terus menerus menggunakan ribuan GPU yang menghasilkan jumlah panas yang besar. Fase inferensi, di sisi lain, mengacu pada penggunaan operasional dari model yang sudah dilatih, di mana ia menjawab pertanyaan, menghasilkan teks, atau melakukan tugas lainnya berdasarkan permintaan pengguna. Meskipun fase inferensi kurang menuntut secara komputasi dibandingkan fase pelatihan pada basis per-query, volume besar pertanyaan yang ditangani oleh ChatGPT menjadikannya kontributor signifikan terhadap konsumsi air secara keseluruhan. Setiap kali pengguna berinteraksi dengan ChatGPT, server yang mendasarinya perlu melakukan perhitungan, menghasilkan panas yang perlu didispersikan, sehingga mengkonsumsi air dalam proses pendinginan.
Untuk lebih memahami konsumsi air ChatGPT, penting untuk memahami berbagai teknologi pendinginan pusat data. Pendekatan yang paling umum adalah pendinginan evaporatif, di mana air disemprotkan ke udara di dalam menara pendingin. Saat air menguap, ia menyerap panas dari udara sekitar, mendinginkan air yang bersirkulasi melalui server pusat data. Meskipun efektif, metode ini mengkonsumsi jumlah air yang besar karena evaporasi. Teknik lain adalah pendinginan air dingin, yang melibatkan pendinginan air di pabrik chiller dan mengedarkannya melalui pusat data. Chiller dapat menggunakan refrigeran yang berbeda, beberapa di antaranya memiliki dampak yang lebih rendah pada konsumsi air. Namun, mereka tidak sepenuhnya menghilangkan penggunaan air karena chiller masih perlu mendispersikan panas yang dihasilkan, yang sering kali juga memerlukan menara pendingin. Teknologi yang muncul seperti pendinginan cair langsung sedang dieksplorasi, di mana pendingin (seperti air dengan aditif atau cairan khusus) dialirkan langsung melalui komponen server, memberikan pendinginan yang lebih efisien dan berpotensi mengurangi konsumsi air. Namun, teknologi ini masih belum banyak diterapkan dan memiliki tantangan tersendiri, seperti biaya awal yang lebih tinggi dan kompleksitas pemeliharaan yang potensial.
Ukuran dan kompleksitas model AI, diukur berdasarkan jumlah parameter (variabel yang dipelajari model selama pelatihan), secara langsung berkorelasi dengan kebutuhan komputasi dan, akibatnya, konsumsi air. Model yang lebih besar dengan miliaran atau bahkan triliunan parameter membutuhkan lebih banyak daya pemrosesan dan memori, yang mengakibatkan peningkatan generasi panas. Misalnya, model AI yang lebih kecil yang digunakan untuk tugas sederhana mungkin dapat dilatih pada beberapa server dengan sangat sedikit air yang digunakan, sementara model AI parameter triliun seperti ChatGPT memerlukan seluruh pusat data yang penuh dengan server HPC hanya untuk pelatihan, dengan jumlah air yang sangat besar digunakan untuk pendinginan. Selama fase inferensi, model yang lebih kompleks biasanya memerlukan lebih banyak perhitungan untuk menjawab sebuah query, menghasilkan lebih banyak panas per interaksi. Inilah sebabnya mengapa mengoptimalkan ukuran dan arsitektur model penting untuk mengurangi dampak lingkungan. Penelitian terus dilakukan untuk mengembangkan algoritma pelatihan yang lebih efisien dan arsitektur model yang dapat mencapai kinerja yang sebanding dengan lebih sedikit parameter, membantu meminimalkan permintaan komputasi dan jejak air yang terkait dari model AI. Sebagai aturan umum, semakin canggih dan intensif sumber daya model AI, semakin besar konsumsi air yang sesuai.
Jejak air ChatGPT sangat dipengaruhi oleh lokasi geografis pusat data yang menyimpan dan menjalankan model. Pusat data yang terletak di daerah kering atau yang mengalami tekanan air, seperti beberapa bagian barat daya AS atau Timur Tengah, dapat memiliki dampak lingkungan yang jauh lebih tinggi dibandingkan dengan pusat data di daerah yang memiliki sumber daya air yang melimpah. Menggunakan air untuk pendinginan di daerah yang kekurangan air dapat memperburuk masalah kelangkaan air yang sudah ada dan berpotensi bersaing dengan kebutuhan air penting lainnya, seperti pertanian atau pasokan air minum. Selain itu, iklim di lokasi juga memainkan peran. Iklim yang lebih panas membutuhkan pendinginan yang lebih luas, yang mengarah pada konsumsi air yang lebih tinggi. Beberapa pusat data sedang mengeksplorasi penggunaan sumber air alternatif, seperti air limbah yang diolah atau penangkapan air hujan, untuk mengurangi ketergantungan mereka pada sumber air tawar. Memilih lokasi dengan iklim yang lebih dingin atau akses ke sumber air yang berkelanjutan dapat menjadi strategi penting untuk mengurangi dampak lingkungan dari pusat data dan mengurangi jejak air model AI seperti ChatGPT.
Konsumsi air dalam AI bukanlah masalah terisolasi; ini sangat terkait dengan konsumsi energi. Pusat data memerlukan jumlah listrik yang besar untuk memberi daya pada server dan sistem pendingin. Listrik yang digunakan untuk memberi daya pada server di pusat data, secara langsung memengaruhi jumlah panas yang dihasilkan. Panas ini kemudian dihilangkan oleh sistem pendinginan air, langsung menggunakan air untuk mendinginkan jumlah panas ini, sementara sistem pendinginan itu sendiri menggunakan listrik, menciptakan korelasi positif antara keduanya. Ini disebut Nexus Energi-Air. Jika listrik dihasilkan dari bahan bakar fosil, itu berkontribusi pada emisi gas rumah kaca, secara tidak langsung memperburuk perubahan iklim, yang dapat lebih lanjut memengaruhi ketersediaan air. Sebaliknya, air juga digunakan dalam produksi energi, terutama di pembangkit listrik termal, yang bergantung pada air untuk pendinginan. Oleh karena itu, mengurangi konsumsi energi AI melalui perangkat keras yang efisien dalam energi dan algoritma yang dioptimalkan juga dapat mengarah pada pengurangan konsumsi air. Demikian pula, transisi ke sumber energi terbarukan, seperti tenaga surya atau angin, dapat membantu mengurangi jejak karbon pasokan energi dan mengurangi dampak lingkungan keseluruhan dari AI, termasuk jejak airnya.
Beberapa strategi dapat diterapkan untuk mengurangi jejak air ChatGPT dan model AI lainnya. Ini termasuk:
Improving Data Center Efficiency: Menerapkan teknologi pendinginan yang lebih efisien, seperti pendinginan cair langsung atau sistem pendinginan evaporatif yang dioptimalkan, dapat secara signifikan mengurangi konsumsi air.
Optimizing AI Algorithms: Mengembangkan algoritma pelatihan dan arsitektur model yang lebih efisien yang memerlukan daya komputasi lebih sedikit dapat mengurangi konsumsi energi dan, akibatnya, mengurangi penggunaan air. Teknik seperti kompresi model, kuantisasi, dan distilasi pengetahuan dapat membantu menciptakan model yang lebih kecil, lebih cepat, dan lebih efisien dalam energi.
Utilizing Renewable Energy Sources: Memberi daya pada pusat data dengan sumber energi terbarukan, seperti tenaga surya atau angin, dapat mengurangi ketergantungan pada bahan bakar fosil dan berkontribusi pada pasokan energi yang lebih berkelanjutan, mengurangi jejak lingkungan secara keseluruhan. Jika energi dihasilkan dari batu bara, lebih banyak air dikonsumsi dibandingkan dengan pembangkit listrik terbarukan lainnya.
Strategic Data Center Location: Menempatkan pusat data di iklim yang lebih dingin atau daerah dengan sumber daya air yang melimpah dan berkelanjutan dapat meminimalkan tekanan air dan mengurangi dampak pada pasokan air lokal.
Water Recycling and Reuse: Menerapkan sistem daur ulang dan pemanfaatan air di dalam pusat data dapat membantu menghemat air dan mengurangi permintaan untuk sumber daya air tawar.
Public Awareness and Transparency: Meningkatkan kesadaran publik tentang jejak air AI dan mempromosikan transparansi dalam operasi pusat data dapat mendorong pengembangan dan penerapan AI yang bertanggung jawab.
Dengan mengadopsi langkah-langkah ini, dampak lingkungan dari AI dapat secara signifikan dikurangi, membuka jalan bagi masa depan yang lebih berkelanjutan dan bertanggung jawab untuk teknologi yang kuat ini.
Masa depan AI harus memprioritaskan keberlanjutan dan tanggung jawab lingkungan. Seiring bertambahnya ukuran dan kompleksitas model AI, penting untuk menangani dampak lingkungan mereka, termasuk jejak air mereka, melalui solusi teknologi inovatif dan praktik yang bertanggung jawab. Penelitian dan pengembangan lebih lanjut diperlukan untuk menjelajahi teknologi pendinginan baru, algoritma hemat energi, dan desain perangkat keras yang berkelanjutan. Kolaborasi antara pengembang AI, operator pusat data, pembuat kebijakan, dan peneliti sangat penting untuk menetapkan standar industri, mempromosikan praktik terbaik, dan mendorong komitmen kolektif terhadap keberlanjutan. Dengan mengadopsi pendekatan holistik yang mempertimbangkan seluruh siklus hidup model AI, dari pelatihan hingga penerapan, kita dapat membuka jalan bagi masa depan komputasi yang lebih ramah lingkungan untuk AI, yang memaksimalkan manfaatnya sambil meminimalkan biaya lingkungan. Tujuan utamanya adalah menciptakan ekosistem AI yang tidak hanya cerdas dan kuat tetapi juga berkelanjutan secara lingkungan dan bertanggung jawab secara sosial, memastikan masa depan di mana teknologi dan alam dapat hidup berdampingan dengan harmonis.
Selain pertimbangan teknis dan logistik, konsumsi air AI menimbulkan pertanyaan etis yang penting. Di dunia yang menghadapi peningkatan kelangkaan air dan perubahan iklim, memprioritaskan penggunaan air untuk pengembangan AI memerlukan evaluasi dan pertimbangan yang cermat terhadap potensi dampaknya pada pengguna air lainnya dan ekosistem. Implikasi etis ini mencakup pertanyaan tentang kesetaraan dan aksesibilitas, karena manfaat AI mungkin tidak terdistribusi secara merata, sementara biaya lingkungan mungkin secara tidak proporsional memengaruhi komunitas yang rentan. Transparansi dan akuntabilitas juga sangat penting, karena publik harus diinformasikan tentang dampak lingkungan dari model AI dan diberdayakan untuk membuat keputusan yang terinformasi tentang penggunaannya. Seiring AI semakin terintegrasi dalam hidup kita, sangat penting untuk menetapkan pedoman dan kerangka etis yang memprioritaskan keberlanjutan dan tanggung jawab sosial, memastikan bahwa pencarian kemajuan teknologi tidak dilakukan dengan mengorbankan kesejahteraan lingkungan dan keadilan manusia.
