Program
Dasar-Dasar Kecerdasan Buatan
10 jam
Menghitung Dampak Lingkungan AI: Tantangan Metodologis
Sejak peluncuran ChatGPT pada akhir 2022, industri AI berkembang secara eksponensial. Menurut Statista, pasar kecerdasan buatan melampaui 184 miliar dolar AS pada 2024 dan diperkirakan terus melesat melewati 826 miliar dolar AS pada 2030.
Ukuran pasar AI di seluruh dunia dari 2020 hingga 2030. Sumber: Statista
Namun, agenda ekspansionis seperti itu tidak boleh dijalankan tanpa terlebih dahulu menilai biaya planeter AI. Taruhannya lebih tinggi dari sebelumnya, karena dunia dengan cepat kehabisan waktu untuk menghindari bencana iklim berskala penuh.
Menilai jejak lingkungan AI karenanya bersifat wajib. Namun, sebagaimana kami jelaskan dalam artikel Dampak Lingkungan Teknologi Digital dan Data, ini adalah tugas yang menantang.
Meski riset tentang topik ini meningkat, masih belum mungkin membuat penilaian komprehensif atas jejak lingkungan AI. Di antara keterbatasan dan tantangan utama adalah:
Kurangnya transparansi dan kesenjangan data
Perusahaan AI cenderung enggan mengungkap informasi tentang produk mereka, termasuk informasi yang relevan bagi lingkungan. Hal ini berujung pada kesenjangan data dan titik buta penting yang menyulitkan pekerjaan para peneliti AI. Seperti yang diuraikan oleh Sasha Luccioni, Climate Lead di Hugging Face:
Tidak ada satu pun perusahaan penyedia alat AI, yang saya tahu, memberikan informasi penggunaan energi dan jejak karbon. Kita bahkan tidak tahu seberapa besar model seperti GPT. Tidak ada yang diungkap; semuanya rahasia perusahaan.
Sasha Luccioni, Climate Lead at Hugging Face
Apa yang termasuk jejak lingkungan?
Sebagian besar studi berfokus pada permintaan energi atau emisi gas rumah kaca (yaitu jejak karbon). Namun, penting untuk menilai dampak non-energi lain yang turut menambah jejak lingkungan digital, seperti konsumsi air dan mineral.
Melihat seluruh siklus hidup AI
Sebagian besar artikel mempelajari jejak AI saat pelatihan. Namun, seperti disampaikan oleh Luccioni dkk. dalam makalah tahun 2023, area lain dalam siklus hidup AI juga perlu dipertimbangkan, termasuk ekstraksi material, manufaktur, penerapan model, dan pembuangan.
Pendekatan penilaian siklus hidup. Sumber: Luccioni dkk.
Jejak Lingkungan AI
Terlepas dari keterbatasan metodologis untuk memperkirakan jejak lingkungan AI, kenyataannya AI membawa biaya substansial dalam hal sumber daya alam. Pada subbagian berikut, kami hanya akan membahas jejak karbon dan air AI. Namun, seperti telah disebutkan, riset baru diperlukan untuk menilai dampak AI di area lain, seperti konsumsi mineral atau hilangnya keanekaragaman hayati.
Jejak karbon AI
Untuk menghadirkan kemampuannya, AI membutuhkan energi yang besar, yang sering kali berujung pada tambahan emisi karbon.
Energi yang dikonsumsi LLM dapat diklasifikasikan menjadi dua kategori:
- Energi operasional. Energi yang dibutuhkan untuk menjalankan alat ini, baik saat pelatihan maupun inferensi.
- Manufaktur perangkat keras. Energi yang dibutuhkan untuk membuat peralatan sistem AI, seperti GPU (graphical processing unit).
Sebagian besar studi berfokus pada jejak karbon AI selama fase pelatihan, terutama karena ini adalah fase dalam siklus hidup AI yang memiliki lebih banyak data tersedia, khususnya pada model open-source.
Sebagai contoh, dalam artikel tahun 2019, Strubell dkk. memperkirakan bahwa melatih LLM dengan 213 juta parameter dapat menghasilkan 626.155 pon CO2, yang hampir setara dengan emisi seumur hidup lima mobil, termasuk bahan bakarnya.
Namun, tagihan energi saat inferensi (yakni proses menggunakan model untuk menjalankan tugas yang dilatih) bisa setara, atau bahkan lebih tinggi daripada pelatihan LLM.
Dalam studi 2023, Luccioni dkk. menghitung bahwa menerapkan model BLOOM 176 miliar parameter selama 18 hari menggunakan rata-rata 40,32 kWh energi per hari (kira-kira setara 1.110 kali pengisian daya ponsel) dan menghasilkan sekitar 19 kg CO2 ekuivalen per hari.
Dalam artikel yang lebih baru, Lucioni dkk. juga menunjukkan bahwa energi yang dibutuhkan selama fase penerapan sangat dipengaruhi oleh tugasnya. Secara khusus, mereka menemukan bahwa tugas berbasis gambar paling banyak mengonsumsi energi.
Sumber: Luccioni dkk.
Dengan latar ini, tidak mengherankan jika konsumsi listrik pusat data –tempat komputasi sistem AI, baik pelatihan maupun inferensi, biasanya berlangsung– dapat berlipat ganda pada 2026, menurut studi terbaru dari International Energy Agency.
Lonjakan tagihan listrik akibat adopsi AI yang meluas adalah kabar buruk bagi perusahaan teknologi yang menargetkan net-zero. Misalnya, dalam laporan keberlanjutan terbarunya, Google mengakui emisinya naik 13% pada 2023 dibanding tahun sebelumnya dan 48% sejak 2019, terutama didorong oleh meningkatnya konsumsi energi pusat data. Hal serupa terjadi pada Microsoft, yang melaporkan kenaikan emisi 29,1% sejak 2020 terutama karena listrik yang dibutuhkan untuk menjalankan AI.
Jejak air AI
Semakin banyak peneliti menyoroti konsumsi air AI yang mengkhawatirkan. Porsi terbesar jejak air AI terjadi di pusat data, yang membutuhkan miliaran galon air untuk mendinginkan server yang melakukan perhitungan guna melatih dan menjawab prompt AI. Menurut studi 2021, rata-rata pusat data menggunakan air sebanyak tiga rumah sakit berukuran rata-rata.
Jejak air pusat data bisa tumbuh drastis dalam beberapa tahun mendatang seiring dibangunnya pusat baru untuk mengejar permintaan AI. Menurut peneliti dari UC Riverside, pusat data dapat mengonsumsi 4,2 – 6,6 miliar meter kubik air pada 2027. Itu lebih dari setengah total pengambilan air tahunan di Britania Raya.
Selama ini disembunyikan secara holistik sebagai rahasia bisnis, perusahaan teknologi akhirnya mulai merilis informasi tentang penggunaan air mereka, menyusul tekanan sosial dan regulasi. Sebagai contoh, dalam laporan keberlanjutan terbarunya, Google mengumumkan kenaikan 17% pada jejak airnya dibandingkan 2025, dengan total 6,1 miliar galon –kira-kira setara air untuk mengairi 41 lapangan golf per tahun.
Karena sistem pendingin tercanggih hanya dapat bekerja dengan air bersih, kebutuhan pusat data kerap berbenturan dengan kepentingan warga sekitar, terutama ketika pusat data berlokasi di wilayah yang sudah mengalami kelangkaan air.
Walau pusat data merupakan sumber utama penggunaan air, riset baru tetap dibutuhkan untuk mengungkap jejak air pada fase lain siklus hidup AI, khususnya saat manufaktur perangkat keras, seperti semikonduktor yang membentuk chip GPU.
3 Teknik untuk Mengurangi Jejak Lingkungan AI
Mengingat meningkatnya biaya lingkungan dalam mengembangkan dan menerapkan model AI, perusahaan harus menerapkan strategi dan menyesuaikan teknik untuk mengurangi jejaknya.
Pada subbagian berikut, kami menganalisis beberapa solusi yang tersedia untuk memajukan AI yang lebih berkelanjutan.
1. Mengoptimalkan efisiensi model
Salah satu strategi paling jelas untuk mengurangi jejak karbon model AI adalah meningkatkan efisiensinya. Dalam istilah AI, artinya mencapai tingkat akurasi yang sama dengan model-model tercanggih menggunakan model yang lebih kecil dan kurang kompleks.
Di satu sisi, efisiensi dapat dicapai pada level perangkat keras. Misalnya, jika para insinyur dan produsen mikrochip dapat mengikuti Hukum Moore –Gordon Moore memprediksi jumlah transistor pada mikrochip akan berlipat ganda kira-kira setiap dua tahun–, dalam beberapa tahun ke depan kita akan melihat GPU yang lebih cepat, lebih kecil, dan lebih efisien.
Meski beberapa peramal memprediksi hukum tersebut akan berakhir sekitar 2025 akibat batas fisik, teknologi mutakhir lain seperti komputasi kuantum, material baru, dan arsitektur chip inovatif mungkin krusial dalam upaya mengejar efisiensi. Demikian pula, inovasi dalam desain dan operasi pusat data sangat penting untuk menurunkan konsumsi energi.
Di sisi lain, ada perangkat lunak. Peneliti AI mengembangkan teknik dan desain baru untuk membuat model AI lebih efisien saat pelatihan dan inferensi, seperti:
- Model pruning. Mengacu pada teknik menghapus parameter yang tidak penting dari jaringan saraf untuk mengurangi ukuran model dan memampukan inferensi model yang lebih efisien.
- Kuantisasi. Terdiri dari serangkaian teknik untuk memetakan nilai kontinu tak terbatas ke himpunan nilai diskret terbatas yang lebih kecil. Anda dapat membaca panduan kami tentang kuantisasi LLM untuk mempelajari lebih lanjut.
- Distilasi pengetahuan. Teknik yang bertujuan mentransfer pembelajaran dari model besar pra-latih ke model yang lebih kecil. Anda dapat mempelajari lebih lanjut tentang distilasi LLM di artikel terpisah kami.
2. Memanfaatkan energi terbarukan
Solusi lain untuk mengatasi jejak karbon AI yang mengkhawatirkan di pusat data adalah berinvestasi pada energi terbarukan. Keunggulan jelas dari panel surya, turbin angin, atau pembangkit tenaga air adalah menghasilkan listrik tanpa mengeluarkan karbon dioksida.
Pemain besar di industri AI, seperti Google, Microsoft, dan Meta, termasuk di antara investor terbesar pada infrastruktur energi bersih. Namun, seperti diingatkan oleh Sasha Luccioni, Climate Lead di Hugging Face, telah memperingatkan:
Energi terbarukan memang tumbuh. Masalahnya, pertumbuhannya tidak cukup cepat untuk mengimbangi pertumbuhan AI.
Sasha Luccioni, Climate Lead at Hugging Face
Akibatnya, perusahaan-perusahaan ini secara tradisional mengandalkan instrumen keuangan lain untuk memenuhi komitmen energi bersih mereka, seperti sertifikat energi terbarukan (REC) dan kredit karbon.
3. Memanfaatkan solusi berbasis cloud
Melalui skala ekonomi, penyedia cloud menawarkan solusi yang jauh lebih hemat biaya bagi perusahaan AI untuk melatih dan menerapkan model mereka. Ini kabar baik bagi keuangan perusahaan –karena mereka menghindari biaya awal pembelian infrastruktur komputasi sendiri–, sekaligus bagi perubahan iklim.
Pusat data hiperskala dirancang khusus untuk efisien. Mereka dapat menjalankan rutinitas intensif energi dengan lebih cepat dan pada skala besar, sehingga menghasilkan penghematan energi yang signifikan. Pada saat yang sama, pusat ini dioptimalkan untuk mengurangi penggunaan air untuk tujuan pendinginan.
Anda dapat mempelajari lebih lanjut tentang komputasi awan di Course Understanding Cloud Computing kami.
Praktik AI Berkelanjutan di Industri
Jika digunakan dengan bijak, AI dapat menjadi salah satu sekutu terbesar kita dalam menghadapi krisis lingkungan. Mari analisis beberapa use case menarik di mana AI berperan penting memajukan tujuan keberlanjutan.
AI untuk keberlanjutan lingkungan
Jumlah aplikasi berbasis AI untuk mengatasi tantangan lingkungan tumbuh pesat, mulai dari inisiatif memantau emisi karbon dan mengidentifikasi wilayah yang rentan terhadap iklim hingga meningkatkan keberlanjutan lingkungan dalam rantai pasok dan menerapkan pertanian presisi untuk membatasi penggunaan air serta degradasi tanah.
Di bawah ini Anda dapat menemukan daftar beberapa aplikasi yang layak disimak:
Pemodelan cuaca ekstrem
Peramalan cuaca adalah salah satu tugas ilmiah tertua dan paling menantang. AI membantu para meteorolog membuat prakiraan cuaca dengan akurasi yang belum pernah terjadi sebelumnya. Ini termasuk prediksi kejadian cuaca ekstrem.
Sebagai contoh, GraphCast, model pembelajaran mendalam buatan Google, dapat memprediksi jalur siklon dengan akurasi tinggi jauh ke depan, mengidentifikasi sungai atmosfer yang terkait dengan risiko banjir, dan memprediksi awal terjadinya suhu ekstrem.
Pemantauan emisi gas rumah kaca (GRK)
Sebagian besar aktivitas ekonomi manusia melepaskan emisi GRK ke atmosfer. Mengetahui di mana, kapan, siapa, dan berapa banyak emisi yang dilepas sangat penting untuk memahami perubahan iklim, memajukan kebijakan iklim yang efektif, dan mengidentifikasi hotspot emisi.
Contoh bagus bagaimana AI membantu melacak emisi GRK adalah Climate TRACE, proyek dari koalisi nirlaba yang memanfaatkan kekuatan AI dan penginderaan jauh untuk memantau emisi dengan akurasi yang belum pernah ada sebelumnya.
Optimasi jaringan listrik
Modernisasi jaringan listrik adalah upaya kunci untuk mendukung transisi ke energi bersih. Kebangkitan energi terbarukan dengan cepat menambah kompleksitas jaringan listrik. Dibandingkan pembangkit listrik yang menyediakan aliran energi konstan, panel surya dan turbin angin menghasilkan listrik yang variatif karena sangat dipengaruhi cuaca.
AI dapat berperan penting dalam mengelola kompleksitas ini dan menyeimbangkan pasokan dengan permintaan. Dengan menganalisis data dalam jumlah sangat besar, AI dapat secara otomatis memprediksi berapa banyak listrik yang dibutuhkan esok hari dan mencoba menemukan cara paling hemat biaya untuk menyalurkannya.
Penemuan material
Teknologi hijau, seperti panel surya dan turbin angin, bergantung pada material anorganik. Menemukan material baru sangat krusial bagi kemajuan teknologi, baik untuk mengembangkan teknologi yang lebih hijau maupun membuat yang sudah ada menjadi lebih efisien.
AI mempercepat proses penemuan material. Misalnya, model AI Google GNoME baru-baru ini menemukan 380.000 kristal stabil yang berpotensi mengembangkan teknologi yang lebih hijau, mulai dari baterai yang lebih baik untuk mobil listrik hingga superkonduktor untuk komputasi yang lebih efisien.
Tanggung jawab perusahaan
Bisnis dari semua sektor juga menggunakan AI untuk memenuhi sasaran keberlanjutan mereka. Perusahaan Big Tech termasuk yang paling menonjol, mengingat pengetahuan AI mereka yang tak tertandingi. Misalnya, dalam AI & Sustainability Playbook-nya, Microsoft mengidentifikasi lima area di mana AI dapat berguna:
Sumber: Microsoft
DataCamp juga bekerja menuju masa depan yang lebih berkelanjutan. Kami percaya mendukung inisiatif hijau tingkat akar rumput dan global dengan akses gratis atau sangat bersubsidi ke platform pendidikan kelas dunia kami. Melalui program DataCamp Donates, kami telah bekerja dengan berbagai organisasi yang memiliki misi berfokus pada perubahan iklim untuk meningkatkan keterampilan tim mereka.
Melalui platform kami, kami dapat mendukung berbagai jenis organisasi dan profesional untuk memberikan dampak positif pada lingkungan. Beberapa keberhasilan paling menonjol kami adalah bersama LSM seperti CDP dan Omenda, atau perusahaan energi bersih, seperti Drax dan SSE.
Pertimbangan Etis dalam Pengembangan AI
Setiap industri wajib menilai potensi dampaknya terhadap planet dan mencari cara menurunkan jejak lingkungannya. Industri AI tidak boleh menjadi pengecualian. Terlepas dari janji AI untuk memajukan tujuan lingkungan, upaya tambahan sangat diperlukan untuk mengurangi dampak lingkungan industri ini.
Inovasi dibutuhkan untuk memajukan model AI yang lebih baik dan efisien. Namun itu saja tidak cukup. Mengingat meningkatnya biaya lingkungan AI, perdebatan serius dan etis tentang pengembangan serta pertumbuhan industri AI sangat diperlukan.
Trade-off AI
Pertama, kita perlu menilai implikasi memprioritaskan pengembangan AI dibandingkan kebutuhan sosial penting lainnya. Sementara pelaku AI menginvestasikan sumber daya besar pada proyek energi bersih untuk mengoperasikan pusat data mereka, itu adalah energi yang kita alihkan dari potensi penggunaan lain, seperti pemanasan atau penyediaan listrik bagi keluarga berdaya rendah.
Demikian pula, penting diingat bahwa teknologi hijau sangat bergantung pada material kritis, termasuk mineral, logam, dan unsur tanah jarang, yang sulit ditemukan dan membutuhkan energi sangat besar untuk dikeluarkan dari bumi, dengan implikasi negatif bagi planet.
Sementara jejak karbon AI berdimensi global, tidak demikian halnya dengan jejak airnya. Di sini trade-off-nya jelas: air yang digunakan pusat data adalah air yang diambil dari warga sekitar dan keanekaragaman hayati yang hidup di sekitarnya.
Potensi efek rebound
Kedua, riset lebih lanjut diperlukan untuk menilai potensi efek rebound yang terkait dengan pengembangan AI. Seperti terlihat di sektor lain, ada kemungkinan bahwa peningkatan efisiensi model AI justru menyebabkan peningkatan penggunaan AI secara keseluruhan, yang pada akhirnya dapat menetralkan keuntungan efisiensi tersebut.
Untuk menggambarkannya, ambil kasus ChatGPT. Menurut Goldman Sachs, satu kueri ChatGPT membutuhkan hampir 10 kali lebih banyak listrik untuk diproses dibandingkan satu pencarian Google. Untuk alat yang menerima rata-rata 10 juta kueri harian, ini berarti tagihan energi yang sangat besar. Itulah mengapa Anda harus membayar biaya untuk sebagian besar versi ChatGPT, dan bahkan pada versi paling canggih sekalipun, ada batas prompt harian.
Bayangkan kini OpenAI mengembangkan arsitektur neural inovatif yang menghasilkan keuntungan efisiensi signifikan. Misalnya, dengan arsitektur baru tersebut, versi terbaru ChatGPT hanya membutuhkan 5 kali listrik pencarian Google. Sangat mungkin OpenAI kemudian menawarkan paket ChatGPT yang lebih terjangkau dengan batas prompt lebih longgar, sehingga jumlah pengguna meningkat.
Hasilnya? OpenAI meraup keuntungan tambahan dan pengguna senang, tetapi emisi pada akhirnya bisa meningkat, karena ChatGPT menjadi semakin populer dan ubiquitous, sehingga menetralkan keuntungan efisiensi yang dihasilkan arsitektur neural baru.
AI dan industri bahan bakar fosil
Cara lain melihat potensi efek rebound adalah kedekatan hubungan antara beberapa pemain kunci AI, seperti Microsoft, dengan perusahaan bahan bakar fosil. Dengan menyediakan keahlian dan akses ke teknologi AI, perusahaan Big Tech membantu perusahaan minyak dan gas mengoptimalkan serta meningkatkan hasil dan produksi bahan bakar fosil, yang mengarah pada tambahan emisi GRK dan berpotensi menunda transisi ke energi terbarukan.
Jenis bisnis seperti ini mengkhawatirkan dan agak bertentangan dengan komitmen iklim global mereka.
Seperti disuarakan Holly Alpine, mantan senior program manager Microsoft untuk Datacenter Community Environmental Sustainability, dalam artikel terbaru:
Walaupun pernyataan dan laporan publik Microsoft menyoroti penerapan AI yang bermanfaat bagi keberlanjutan, mereka sangat mengabaikan fakta bahwa porsi substansial bisnis Microsoft adalah menyediakan teknologi bagi perusahaan bahan bakar fosil untuk meningkatkan produksi.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability
