Kampus Times- Perkembangan kecerdasan buatan atau AI membawa perubahan besar dalam berbagai bidang, mulai dari pendidikan, kesehatan, industri hingga layanan digital. Namun, kemajuan tersebut memiliki konsekuensi yang semakin sulit diabaikan: kebutuhan energi dan air untuk menjalankan infrastruktur komputasi terus meningkat.
Dr. Mark Hersam, profesor ilmu dan teknik material di Northwestern University, memperingatkan bahwa konsumsi energi AI dapat menjadi salah satu tantangan besar dalam pengembangan teknologi. Dalam paparannya, Hersam memproyeksikan konsumsi listrik AI pada 2027 dapat mencapai 100 triliun watt-jam per tahun, setara dengan konsumsi listrik negara sebesar Argentina. Ia juga menyoroti kebutuhan air yang sangat besar untuk mendukung sistem pendinginan pusat data.
Angka tersebut merupakan proyeksi, bukan angka konsumsi global yang telah terjadi. Namun, pesannya jelas: ekspansi AI tidak hanya membutuhkan model yang semakin pintar, tetapi juga fondasi komputasi yang jauh lebih efisien.
Ketika AI Semakin Pintar, Energi Menjadi Persoalan
AI membutuhkan komputasi dalam jumlah besar, terutama ketika model dilatih menggunakan miliaran hingga triliunan parameter dan kemudian digunakan oleh jutaan pengguna. Aktivitas tersebut berlangsung di pusat data yang dipenuhi prosesor berperforma tinggi.
Masalahnya tidak berhenti pada konsumsi listrik. Perangkat komputasi menghasilkan panas sehingga pusat data membutuhkan sistem pendinginan. Air dapat digunakan dalam berbagai sistem pendingin, sehingga pertumbuhan infrastruktur AI juga berkaitan dengan persoalan ketersediaan sumber daya air.
Karena itu, pembahasan mengenai masa depan AI tidak cukup hanya berfokus pada kemampuan algoritma. Efisiensi hardware, sumber energi, pengelolaan panas, dan penggunaan air menjadi bagian penting dari ekosistem AI berkelanjutan.
Mengapa Arsitektur Komputer Konvensional Menghadapi Tantangan?
Von Neumann dan Persoalan Perpindahan Data
Sebagian besar komputer modern dibangun berdasarkan prinsip arsitektur Von Neumann, yaitu pemrosesan dan penyimpanan data berada pada komponen yang berbeda. CPU memproses instruksi, sedangkan memori menyimpan data.
Dalam aplikasi Big Data dan machine learning, data harus terus berpindah antara memori dan unit pemrosesan. Pergerakan tersebut membutuhkan waktu sekaligus energi. Persoalan ini dikenal sebagai Von Neumann bottleneck.
Semakin besar volume data yang harus diproses, semakin penting efisiensi perpindahan data. Karena itu, peningkatan performa AI tidak selalu dapat diselesaikan hanya dengan membuat prosesor semakin cepat.
Belajar dari Efisiensi Otak Manusia
Salah satu pendekatan yang menarik datang dari Mark C. Hersam, yang mengembangkan gagasan komputasi terinspirasi otak atau neuromorphic computing.
Otak manusia menunjukkan efisiensi energi yang luar biasa. Dalam ilustrasi yang digunakan Hersam, sebuah superkomputer dapat membutuhkan energi yang dianalogikan setara dengan 250.000 hot dog untuk memenangkan pertandingan catur, sedangkan otak manusia hanya memerlukan energi yang dianalogikan dengan satu hot dog.
Perbedaannya terletak pada cara informasi diproses. Otak tidak memiliki pemisahan kaku antara memori dan pemrosesan seperti komputer konvensional. Informasi diproses melalui jaringan neuron dan sinapsis yang sangat terhubung, dinamis, serta dapat beradaptasi.
Konsep tersebut menjadi inspirasi bagi pengembangan perangkat komputasi yang menggabungkan penyimpanan dan pemrosesan informasi secara lebih dekat.
Nanoteknologi Membuka Jalan Baru
Nanoteknologi menjadi salah satu teknologi yang berpotensi mendukung perubahan tersebut. Material berukuran sangat kecil dapat memiliki karakteristik elektronik yang berbeda dan dapat dikonfigurasi melalui rangsangan tertentu.
Penelitian Hersam dan timnya menunjukkan bahwa perangkat nanoelektronik dapat digunakan untuk menjalankan tugas machine learning dengan konsumsi energi hingga 100 kali lebih rendah dibandingkan pendekatan komputasi konvensional pada demonstrasi tertentu. Teknologi tersebut juga diarahkan untuk aplikasi edge computing, termasuk perangkat wearable yang dapat melakukan pemrosesan secara langsung.
Pendekatan ini memiliki implikasi penting. Jika pemrosesan AI dapat dilakukan langsung pada smartphone, sensor, atau perangkat kesehatan, sebagian data tidak perlu dikirim terus-menerus ke cloud.
Manfaatnya bukan hanya efisiensi energi. Pemrosesan lokal juga berpotensi mengurangi latensi dan meningkatkan privasi karena data sensitif dapat tetap berada pada perangkat pengguna.
Menuju Sustainable AI
Membangun AI berkelanjutan tidak cukup dengan mengganti satu jenis prosesor. Masa depan komputasi membutuhkan pendekatan sistemik yang mencakup arsitektur hardware, material, pusat data, sumber energi, serta cara data diproses.
Hersam menekankan bahwa otak manusia bersifat heterogen. Berbagai bagian memiliki struktur dan fungsi berbeda, bukan sekadar kumpulan perangkat identik. Prinsip tersebut dapat menjadi inspirasi bagi sistem komputasi masa depan yang memiliki perangkat berbeda untuk tugas berbeda dan dapat dikonfigurasi secara dinamis.
Komputasi neuromorfik berbasis nanomaterial masih menghadapi tantangan besar sebelum dapat menggantikan sistem digital konvensional dalam skala luas. Penelitian yang ada juga masih berada pada tahap pengembangan untuk mencapai kemampuan AI yang semakin kompleks.
Karena itu, solusi paling realistis bukan memilih antara AI atau lingkungan. Tantangannya adalah membangun infrastruktur AI yang mampu memberikan manfaat teknologi dengan penggunaan sumber daya yang lebih rasional.
Kesimpulan
Krisis energi dan air akibat pertumbuhan AI menunjukkan bahwa masa depan kecerdasan buatan sangat bergantung pada inovasi di luar perangkat lunak. Model AI yang semakin canggih membutuhkan fondasi komputasi yang lebih efisien agar pertumbuhannya tidak meningkatkan tekanan terhadap sumber daya alam secara tidak terkendali.
Komputasi neuromorfik dan nanoteknologi menawarkan salah satu jalur menuju kondisi tersebut. Dengan mendekatkan fungsi memori dan pemrosesan, mengurangi perpindahan data, serta memungkinkan AI berjalan langsung pada perangkat, kebutuhan energi berpotensi ditekan secara signifikan.
Pada akhirnya, Sustainable AI bukan sekadar persoalan membuat AI lebih pintar. Tantangan yang lebih besar adalah membuatnya lebih hemat energi, lebih efisien menggunakan air, lebih privat, dan dapat memberikan manfaat teknologi secara berkelanjutan bagi masyarakat.
FAQ
- Mengapa AI membutuhkan banyak energi? AI membutuhkan energi besar karena proses pelatihan dan penggunaan model melibatkan komputasi intensif pada pusat data dengan prosesor berperforma tinggi.
- Mengapa pusat data membutuhkan air? Air dapat digunakan dalam sistem pendinginan untuk membuang panas yang dihasilkan perangkat komputasi, meskipun kebutuhan air bergantung pada desain pusat data dan teknologi pendingin yang digunakan.
- Apa yang dimaksud neuromorphic computing? Neuromorphic computing adalah pendekatan komputasi yang terinspirasi oleh struktur dan cara kerja otak untuk memproses informasi secara lebih efisien.
- Bagaimana nanoteknologi membantu AI? Nanoteknologi memungkinkan pengembangan material dan perangkat nanoelektronik yang dapat menjalankan fungsi komputasi tertentu dengan konsumsi energi jauh lebih rendah.
- Apa tujuan utama Sustainable AI? Sustainable AI bertujuan menghasilkan sistem kecerdasan buatan yang tetap bermanfaat dan berkinerja tinggi dengan penggunaan energi, air, material, serta sumber daya komputasi yang lebih efisien.
