Bangkitnya kecerdasan buatan, terutama dalam bentuk Model Bahasa Besar (LLM) seperti ChatGPT, telah merevolusi cara kita mengakses informasi dan berinteraksi dengan mesin. Alat-alat yang kuat ini menawarkan kemampuan tanpa preseden untuk pemrosesan bahasa alami, pembuatan konten, dan pemecahan masalah. Namun, di balik lapisan kenyamanan dan inovasi terdapat biaya lingkungan yang signifikan. Permintaan komputasi untuk melatih dan menjalankan model-model kompleks ini berkontribusi pada konsumsi energi yang substansial, yang meningkatkan emisi karbon dan memperburuk krisis iklim. Meskipun manfaat AI tidak dapat disangkal, sangat penting untuk secara kritis memeriksa dampak lingkungannya agar teknologi ini berkelanjutan di masa depan. Artikel ini akan membahas berbagai cara ChatGPT dan LLM serupa berkontribusi pada degradasi lingkungan, menjelajahi konsumsi energi terkait operasinya, sumber daya yang diperlukan untuk infrastruktur perangkat keras, dan potensi teknologi ini untuk secara tidak langsung mendorong kerusakan lingkungan lebih lanjut.
Anakin AI
Salah satu kekhawatiran lingkungan utama seputar ChatGPT dan LLM lainnya adalah konsumsi energi yang sangat besar. Pelatihan model-model ini memerlukan sumber daya komputasi yang luas, melibatkan banyak jam pemrosesan data di server yang kuat. Misalnya, pelatihan LLM terkemuka dapat mengkonsumsi listrik sebanyak ratusan rumah tangga selama setahun. Ini berujung pada jejak karbon yang signifikan, terutama jika listrik yang digunakan berasal dari bahan bakar fosil. Selain itu, operasi berkelanjutan ChatGPT untuk menjawab pertanyaan pengguna juga memerlukan energi yang substansial, karena model harus melakukan perhitungan kompleks secara real-time. Dampak lingkungan dari konsumsi energi ini bergantung pada sumber listrik yang digunakan untuk memberi daya pada pusat data, dengan sumber energi terbarukan yang jauh lebih berkelanjutan dibandingkan batu bara atau gas alam. Seiring permintaan akan AI meningkat, begitu juga kebutuhan energi, yang menjadi tantangan signifikan dalam mengurangi perubahan iklim. Oleh karena itu, sangat penting untuk menjelajahi cara-cara untuk mengurangi konsumsi energi model-model ini, seperti mengembangkan algoritma yang lebih efisien dan memanfaatkan sumber energi yang lebih berkelanjutan.
Pusat data adalah penggerak utama di balik ChatGPT dan semua layanan AI berbasis cloud. Terdiri dari ribuan server yang beroperasi 24/7, fasilitas ini mengkonsumsi jumlah listrik yang sangat besar untuk memproses data, melakukan perhitungan, dan menjaga peralatan tetap dingin. Konsumsi energi pusat data telah tumbuh secara eksponensial selama bertahun-tahun, dan peningkatan aplikasi AI seperti ChatGPT semakin mempercepat tren ini. Untuk memberikan gambaran, model AI besar dapat memerlukan ratusan ribu dolar dalam listrik untuk dilatih, menjadikan biaya energi faktor signifikan dalam ekonomi pengembangan AI. Dampak lingkungan dari penggunaan energi pusat data sangat bergantung pada sumber energi. Pusat data yang diberi daya oleh sumber energi terbarukan seperti solar, angin, atau hidro memiliki jejak karbon yang jauh lebih kecil dibandingkan yang bergantung pada bahan bakar fosil. Namun, karena permintaan listrik yang tinggi dan batasan geografis dari pembangkitan energi terbarukan, banyak pusat data masih bergantung pada bahan bakar fosil untuk memenuhi kebutuhan energinya. Oleh karena itu, sangat penting untuk memprioritaskan transisi ke sumber energi terbarukan untuk pusat data demi mengurangi dampak lingkungan dari AI.
Jejak karbon ChatGPT dapat dibagi menjadi dua komponen utama: emisi yang dihasilkan selama fase pelatihan dan yang dihasilkan selama inferensi, yaitu saat model digunakan secara aktif untuk menjawab pertanyaan dan menghasilkan konten. Fase pelatihan terutama menyita energi karena melibatkan pemrosesan data set besar dan mengoptimalkan jutaan parameter dalam model. Inferensi, meskipun kurang menyita energi untuk setiap interaksi individu, terjadi jauh lebih sering, karena pengguna di seluruh dunia terus berinteraksi dengan ChatGPT. Penelitian telah menunjukkan bahwa jejak karbon dari pelatihan satu model AI besar bisa setara dengan emisi seumur hidup beberapa mobil. Sementara itu, emisi kumulatif dari inferensi dapat dengan cepat bertambah karena volume interaksi pengguna yang sangat besar. Untuk mengurangi jejak karbon dari pelatihan, peneliti sedang mengeksplorasi teknik-teknik seperti pelatihan terdistribusi dan kompresi model untuk membuat proses pelatihan itu sendiri lebih efisien. Strategi untuk menurunkan emisi saat inferensi termasuk mengoptimalkan kode model dan menerapkannya pada perangkat keras yang hemat energi.
Selain konsumsi energi, infrastruktur perangkat keras yang diperlukan untuk mendukung ChatGPT dan model AI lainnya juga berkontribusi pada degradasi lingkungan. Pembuatan server, prosesor, dan komponen lain memerlukan ekstraksi bahan mentah, yang sering melibatkan praktik penambangan yang merusak lingkungan. Proses produksi itu sendiri mengkonsumsi energi dan menghasilkan limbah, yang semakin menambah jejak keseluruhan. Selanjutnya, umur perangkat keras AI sering kali relatif pendek, karena peralatan yang lebih baru dan lebih kuat terus dikembangkan. Ini menyebabkan masalah limbah elektronik yang semakin besar, yang mengandung bahan berbahaya yang dapat mencemari lingkungan jika tidak dibuang dengan benar. Mengurangi dampak lingkungan dari perangkat keras AI memerlukan pendekatan multicorn, termasuk mempromosikan sumber material yang bertanggung jawab, memperpanjang umur peralatan, dan meningkatkan praktik daur ulang dan pengelolaan limbah elektronik. Selain itu, menjelajahi arsitektur perangkat keras alternatif yang lebih hemat energi dan memerlukan lebih sedikit sumber daya merupakan langkah penting menuju AI yang berkelanjutan.
Pembuatan server dan perangkat keras khusus untuk AI seperti GPU (Unit Pemrosesan Grafis) adalah proses manufaktur yang kompleks yang melibatkan berbagai bahan mentah. Logam penting seperti emas, tembaga, litium, dan unsur tanah jarang ditambang, sering berasal dari daerah yang sensitif secara lingkungan. Operasi penambangan dapat menyebabkan deforestasi, erosi tanah, pencemaran air, dan penghancuran habitat. Ekstraksi, pemrosesan, dan pemurnian bahan-bahan ini memerlukan energi yang signifikan, dan bahan kimia berbahaya dapat dilepaskan ke lingkungan. Begitu pula, pembuatan chip silikon dan komponen elektronik menggunakan sejumlah besar air dan energi, melepaskan gas rumah kaca dan senyawa organik volattil ke atmosfer. Oleh karena itu, dampak lingkungan melampaui konsumsi energi langsung dari model-model AI itu sendiri dan mencakup seluruh rantai pasokan mulai dari ekstraksi bahan mentah hingga penciptaan komponen tertentu, sehingga menekankan pentingnya mengadopsi praktik yang berkelanjutan di setiap tahap proses.
Perkembangan pesat teknologi AI dan pengembangan terus-menerus dari perangkat keras baru mengakibatkan masalah limbah elektronik yang semakin besar, yang biasa dikenal sebagai e-waste. Perangkat keras AI, termasuk server, GPU, dan perangkat penyimpanan, dengan cepat menjadi usang saat model-model baru yang lebih kuat diperkenalkan. Akibatnya, sejumlah besar perangkat keras ini dibuang, berkontribusi pada aliran limbah elektronik. E-waste sangat berbahaya karena mengandung zat beracun seperti timbal, merkuri, kadmium, dan penghambat api yang terbungkus bromin. Jika tidak dikelola dan didaur ulang dengan baik, racun ini dapat mencemari tanah dan air, menimbulkan risiko serius bagi kesehatan manusia dan lingkungan. Banyak negara yang tidak memiliki infrastruktur pengelolaan e-waste yang kuat sering kali menjadi tempat pembuangan untuk elektronik yang dibuang dari negara maju, memperburuk masalah lingkungan dan kesehatan bagi komunitas lokal. Daur ulang e-waste yang tepat memerlukan fasilitas dan proses khusus untuk mengekstrak bahan berharga dan menetralisir zat berbahaya. Namun, laju pembuangan e-waste melebihi upaya daur ulang, sehingga penting untuk meningkatkan infrastruktur daur ulang dan mempromosikan praktik pembuangan yang bertanggung jawab untuk meminimalkan dampak lingkungan dari e-waste.
Selain biaya energi dan perangkat keras langsung, ChatGPT dan model AI serupa juga dapat berkontribusi pada masalah lingkungan secara tidak langsung. Misalnya, peningkatan aksesibilitas konten yang dihasilkan AI bisa menyebabkan lonjakan aktivitas online, yang selanjutnya meningkatkan permintaan untuk pusat data dan konsumsi energi terkait. Selain itu, penggunaan AI di bidang seperti periklanan terarah dan profil konsumen dapat mendorong pola konsumsi yang tidak berkelanjutan, memperburuk masalah lingkungan terkait pengurangan sumber daya dan pencemaran. Sangat penting untuk mempertimbangkan dampak tidak langsung ini saat menilai jejak lingkungan penuh dari AI dan mengembangkan strategi untuk menguranginya. Mendorong pengembangan dan penerapan AI yang bertanggung jawab, mempromosikan praktik konsumsi yang berkelanjutan, dan mengembangkan kebijakan yang memberikan insentif untuk perilaku yang ramah lingkungan adalah semua langkah penting untuk memastikan bahwa AI berkontribusi pada masa depan yang berkelanjutan daripada merugikannya.
Alat berbasis AI seperti ChatGPT dapat digunakan untuk membuat kampanye pemasaran dan iklan yang sangat dipersonalisasi yang mendorong permintaan konsumen. Dengan menganalisis data dan preferensi pengguna, alat-alat ini dapat mengidentifikasi cara yang paling efektif untuk membujuk individu agar membeli barang dan jasa. Meskipun ini bisa bermanfaat bagi bisnis, ini juga bisa memperkuat pola konsumsi yang tidak berkelanjutan dengan mendorong orang untuk membeli lebih dari yang mereka butuhkan atau memilih produk dengan dampak lingkungan yang tinggi. Misalnya, AI bisa digunakan untuk menargetkan individu dengan iklan untuk barang mode cepat, mendorong siklus konsumsi berlebihan dan limbah. Demikian pula, rekomendasi berbasis AI dapat menyebabkan konsumen memilih produk yang tidak diproduksi atau dikemas secara berkelanjutan. Mengatasi masalah ini memerlukan promosi praktik periklanan yang bertanggung jawab dan meningkatkan kesadaran akan dampak lingkungan dari pilihan konsumsi. Konsumen memerlukan alat, informasi, dan dukungan agar mereka dapat membuat keputusan yang tepat dan menolak strategi pemasaran yang manipulatif atau merusak lingkungan.
Seiring dengan semakin banyaknya aplikasi AI, permintaan untuk data dan infrastruktur akan terus meningkat secara eksponensial. ChatGPT, khususnya, bergantung pada sejumlah besar data untuk dilatih dan beroperasi, memerlukan lebih banyak pusat data dan sumber daya komputasi. Permintaan yang meningkat ini secara langsung diterjemahkan menjadi konsumsi energi yang lebih tinggi dan dampak lingkungan yang lebih besar. Seiring dengan meningkatnya skala dan kompleksitas model AI, perangkat keras yang lebih kuat diperlukan, yang semakin memperburuk masalah yang terkait dengan ekstraksi bahan mentah, manufaktur, dan limbah elektronik. Oleh karena itu, pengembangan dan adopsi AI perlu dikelola dengan bertanggung jawab untuk mencegah pertumbuhan permintaan data dan infrastruktur yang tidak berkelanjutan. Mengembangkan algoritma yang efisien dan metode untuk kompresi dan penyimpanan data sangat penting untuk mengurangi konsumsi energi dan meminimalkan kebutuhan untuk pusat data besar. Memprioritaskan pengembangan infrastruktur yang berkelanjutan dan menerapkan AI dengan cara yang memaksimalkan manfaatnya sekaligus meminimalkan jejak lingkungan membantu memastikan kelangsungan hidup AI dalam jangka panjang.
Meskipun tantangan lingkungan yang ditimbulkan oleh ChatGPT dan model AI lainnya signifikan, tantangan tersebut dapat diatasi. Beberapa strategi mitigasi dapat diterapkan untuk mengurangi dampak lingkungan dari AI. Ini termasuk mengembangkan algoritma yang lebih hemat energi, memanfaatkan sumber energi terbarukan untuk memberi daya pada pusat data, mempromosikan sumber material yang bertanggung jawab dan daur ulang, mendorong praktik konsumsi yang berkelanjutan, dan mengembangkan kebijakan yang memberikan insentif untuk perilaku yang ramah lingkungan. Selain itu, mendorong kolaborasi antara peneliti, pembuat kebijakan, dan pemangku kepentingan industri sangat penting untuk mengembangkan dan menerapkan solusi yang efektif. Dengan mengadopsi strategi-strategi ini, kita dapat memanfaatkan kekuatan AI untuk kebaikan sambil meminimalkan jejak lingkungannya dan memastikan masa depan yang berkelanjutan bagi teknologi ini.
Mengembangkan algoritma dan perangkat keras yang lebih hemat energi sangat penting untuk mengurangi dampak lingkungan dari ChatGPT dan model AI serupa. Para peneliti secara aktif menyelidiki berbagai teknik untuk mengurangi konsumsi energi AI, termasuk kompresi model, kuantisasi, dan penghilangan. Kompresi model melibatkan pengurangan ukuran dan kompleksitas model AI tanpa mengorbankan akurasinya, yang dapat secara signifikan menurunkan sumber daya komputasi yang dibutuhkan untuk pelatihan dan inferensi. Kuantisasi mengurangi ketepatan nilai numerik yang digunakan dalam model AI, memungkinkan pemrosesan yang lebih cepat dan kebutuhan memori yang lebih rendah. Penghilangan menghapus koneksi yang tidak diperlukan dari jaringan saraf, yang menghasilkan model yang lebih sederhana dan efisien. Selain perbaikan algoritmik, pengembangan perangkat keras khusus seperti chip neuromorfik, yang meniru struktur dan fungsi otak manusia, menawarkan jalur menjanjikan untuk menciptakan sistem AI yang lebih efisien.
Transisi ke energi terbarukan untuk pusat data adalah langkah kritis menuju mengurangi dampak lingkungan dari transisi digital. Pusat data mengkonsumsi jumlah besar listrik, terutama jika diberi daya oleh bahan bakar fosil, yang menyumbang banyak emisi gas rumah kaca. Dengan beralih ke sumber energi terbarukan seperti solar, angin, dan hidroelektrik, pusat data dapat secara signifikan mengurangi jejak karbon mereka. Beberapa perusahaan teknologi terkemuka telah berkomitmen untuk memberi daya pada pusat data mereka dengan 100% energi terbarukan, dan banyak yang berinvestasi dalam proyek energi terbarukan untuk memenuhi komitmen ini. Namun, transisi ke energi terbarukan dapat menjadi tantangan karena ketidakpastian sumber energi terbarukan serta batasan geografis proyek energi terbarukan. Solusi inovatif seperti teknologi penyimpanan energi dan sistem manajemen jaringan diperlukan untuk mengatasi tantangan ini dan mempromosikan adopsi yang lebih luas dari energi terbarukan.
Mempromosikan sumber material yang berkelanjutan dan pengelolaan e-waste juga merupakan langkah kritis untuk mengurangi dampak lingkungan dari perangkat keras AI. Meningkatkan sumber material memerlukan pengurangan ketergantungan kita pada operasi penambangan yang merusak lingkungan. Perusahaan harus menerapkan praktik penambangan yang bertanggung jawab, mempromosikan penggunaan material daur ulang, dan mendukung pengembangan material alternatif yang lebih ramah lingkungan. Selain itu, sangat penting untuk meningkatkan pengelolaan e-waste dengan meningkatkan infrastruktur pengumpulan e-waste, memastikan daur ulang material yang tepat, dan menghindari pembuangan limbah listrik yang berbahaya. Dengan menerapkan inisiatif ini, kita dapat mengurangi risiko lingkungan dan kesehatan yang terkait dengan pembuatan dan pembuangan perangkat keras AI dan mempromosikan ekonomi yang lebih berkelanjutan.
