Bisakah AI Beroperasi Secara Efisien? Peneliti Mungkin Telah Menemukan Cara

Kecerdasan buatan (AI) terus membentuk masa depan kita di hampir setiap industri seiring adopsinya berkembang untuk mengotomatisasi proses bisnis penting, mengurangi biaya, dan meningkatkan produktivitas. 

Data menunjukkan lebih dari 80% bisnis menggunakan AI dalam beberapa tingkat, melihatnya sebagai teknologi inti dalam organisasi mereka. Komitmen keuangan terhadap AI juga meningkat seiring adopsinya memberikan manfaat signifikan dan ROI yang jauh lebih tinggi.

Dengan itu, ukuran pasar AI tumbuh melampaui $184 miliar pada 2024 dan diproyeksikan melampaui $826 miliar pada akhir dekade ini, menurut Statista.

Semua pertumbuhan ini dan ledakan minat pada AI telah menghasilkan perlombaan untuk mengembangkan teknologi tersebut. Model AI seperti model bahasa besar (LLM) yang dibangun oleh organisasi menggunakan algoritma untuk memahami, merangkum, menerjemahkan, dan menghasilkan bahasa manusia serta dilatih pada sejumlah besar data menggunakan prosesor yang intensif energi. 

Untuk itu, perusahaan dan operator pusat data mengalokasikan banyak modal untuk membangun pusat data berkapasitas tinggi baru. Investasi dalam pusat data baru, menurut International Energy Agency (IEA), telah melonjak dalam dua tahun terakhir, dipimpin oleh AS. Pada 2023, total investasi modal oleh Microsoft (MSFT ), Google, dan Amazon (AMZN ) saja lebih tinggi daripada seluruh industri minyak dan gas negara tersebut.

Pusat data ini membutuhkan banyak listrik untuk mengoperasikannya. Pada 2022, IEA menyatakan bahwa pusat data mengonsumsi 1,65 miliar gigajoule listrik, sekitar 2% dari permintaan global. 

Permintaan listrik global dari pusat data diperkirakan akan meningkat 50% pada 2027 dan 165% pada 2030, menurut Goldman Sachs (GS ) Research awal bulan ini. 

Penggunaan listrik saat ini oleh pusat data diperkirakan sekitar 55 gigawatt (GW), terdiri dari beban kerja komputasi awan (54%), beban kerja tradisional seperti penyimpanan (32%), dan AI (14%). Pemodelan permintaan masa depan untuk jenis beban kerja ini memberikan proyeksi permintaan listrik pada 2027 sebesar 84 GW, di mana AI akan tumbuh menjadi 27% sementara awan turun menjadi 50% dan beban kerja tradisional turun menjadi 23%.

Kapasitas pasar global pusat data, sementara itu, saat ini berada di sekitar 59 GW, 60% di antaranya disediakan oleh penyedia cloud hyperscale seperti Google dan Alibaba serta operator pusat data pihak ketiga, dengan sisanya berasal dari pusat data tradisional milik perusahaan dan telekomunikasi.

Permintaan listrik dari pusat data hyperscale besar ini adalah 100 MW atau lebih dengan konsumsi listrik tahunan yang kira-kira setara dengan kebutuhan listrik dari sebanyak 400.000 mobil listrik.

Dengan organisasi terus mengadopsi AI, kita juga dapat mengharapkan munculnya pusat data khusus AI, yang merupakan kelas infrastruktur baru yang dirancang khusus untuk melayani kebutuhan unik beban kerja AI. Meskipun masih sangat sedikit yang ada, mereka terutama berlokasi di Asia Pasifik dan Amerika Utara, terutama di Beijing, Shanghai, Northern Virginia, dan wilayah Teluk San Francisco. 

Menurut perkiraan Goldman Sachs Research, pada akhir 2030, akan ada sekitar 122 GW kapasitas pusat data yang beroperasi. Karena permintaan beban kerja pemrosesan AI yang lebih tinggi, kepadatan penggunaan daya di pusat data kemungkinan juga akan meningkat menjadi 176 kilowatt-jam per kaki persegi dalam dua tahun.

Dengan pusat data berkontribusi pada kebutuhan listrik yang meningkat, jaringan listrik juga akan membutuhkan investasi signifikan, diperkirakan sebesar $720 miliar pengeluaran jaringan hingga 2030.

Kemudian ada emisi karbon dioksida dari pusat data, yang dapat lebih dari dua kali lipat antara 2022 dan 2030. Jadi, konsumsi listrik pusat data, yang saat ini 1-2% dari total listrik dan kemungkinan akan meningkat menjadi 3-4% pada akhir dekade, menjadi sumber kekhawatiran, meskipun bukan seluruhnya sia-sia.

Angka-angka tersebut, meskipun besar, bersifat moderat bila dipertimbangkan dalam konteks yang lebih luas tentang pertumbuhan konsumsi listrik total secara global, yang diproyeksikan oleh IEA akan meningkat sebesar 6.750 TWh pada 2030 dipicu tidak hanya oleh AI tetapi juga pertumbuhan ekonomi yang berkelanjutan, kendaraan listrik, AC, dan manufaktur yang intensif listrik.

Selain itu, tidak hanya kecepatan penggunaan AI yang masih tidak pasti, tetapi peningkatan efisiensi yang berkelanjutan pada perangkat keras dan perangkat lunak dapat membantu mengatasi permintaan daya teknologi AI.

Efisiensi chip komputer terkait AI telah berlipat ganda setiap sekitar 2,5-3 tahun. Chip AI modern kini mengonsumsi 99% lebih sedikit daya sambil melakukan perhitungan yang sama dengan model tahun 2008. Selain itu, model AI itu sendiri menjadi lebih efisien. Dipadukan dengan teknologi pendinginan baru dan solusi ilmiah inovatif, perkembangan ini mengurangi penggunaan energi dan meminimalkan dampak lingkungan mereka.

Klik di sini untuk mempelajari mengapa penyimpanan tradisional tidak dapat mengikuti AI.

Ilmuwan Mengembangkan Solusi Terobosan 

Gambar ilustratif. Bukan foto sebenarnya.

Dengan latar belakang evolusi AI dan meningkatnya kebutuhan energi, peneliti di Jepang telah mengembangkan perangkat spintronik inovatif yang menjanjikan pengurangan signifikan dalam konsumsi daya dengan memungkinkan kontrol listrik terhadap keadaan magnetik. 

Terobosan ini dapat merevolusi perangkat keras AI dengan membuat chip yang meniru cara kerja jaringan saraf dan jauh lebih hemat energi. Alih-alih menggunakan arus listrik untuk menyimpan informasi, perangkat ini menggunakan spin elektron untuk hal yang sama, yang membuatnya lebih cepat dan lebih efisien.

Perangkat spintronik digunakan dalam perangkat penyimpanan massal dan komputasi untuk meningkatkan kecepatan dan kinerja komputer.

Peneliti dari National Institute for Materials Science, Universitas Tohoku, dan Japan Atomic Energy Agency kini memanfaatkannya untuk chip AI berdaya rendah dan menunjukkan bukti konsep perangkat spin-orbit torque (SOT) yang diprogram arus.

SOT menawarkan mekanisme menjanjikan untuk mengkodekan informasi secara listrik dalam keadaan magnetik. Namun, dalam skema yang ada, hal ini ditentukan secara pasif oleh material dan struktur perangkat. 

“Meskipun penelitian spintronic telah membuat kemajuan signifikan dalam mengendalikan urutan magnetik secara listrik, sebagian besar perangkat spintronic yang ada memisahkan peran material magnetik untuk dikendalikan dan material yang menyediakan gaya penggerak.”

– Shunsuke Fukami, Tohoku University

Perangkat spintronic, setelah diproduksi, memiliki skema operasi tetap di mana mereka biasanya mengubah informasi dalam cara biner; dari “0” ke “1”. Penelitian baru ini, bagaimanapun, telah membuat kemajuan dalam pengalihan yang dapat diprogram secara listrik dari beberapa keadaan magnetik. Memanipulasi polaritas SOT intrinsik memungkinkan perangkat SOT yang dapat diprogram secara fleksibel.

Menurut hasil studi yang dipublikasikan di Nature Communications¹ bulan ini, perangkat spintronik ini memungkinkan kontrol listrik bersama antara antiferromagnet non-kollinear dan ferromagnet untuk pengalihan keadaan magnetik yang efisien. 

Kontrol listrik terhadap keadaan magnetik adalah dasar memori magnetik, logika, dan komputasi, dan SOT menawarkan pendekatan efisien untuk mengendalikannya. 

Artinya, perangkat SOT terobosan ini dapat menyimpan dan memproses informasi layaknya chip AI yang terinspirasi otak sambil menggunakan energi jauh lebih sedikit, membuka pintu bagi generasi baru perangkat keras AI yang sangat efisien serta hemat energi.

Studi ini menggunakan Mn3Sn, antiferromagnet non-kollinear, sebagai material magnetik utama dan menerapkan arus listrik padanya, yang menghasilkan arus spin yang menggerakkan pengalihan CoFeB, ferromagnet tetangga. Hal ini dilakukan melalui proses yang disebut efek Hall spin magnetik.

Efek Hall spin (SHE) adalah elemen kunci spintronik modern yang mewujudkan “kopling antara arus muatan dan dinamika spin kolektif dalam sistem berurutan magnetik.”

Penelitian sebelumnya² dari Universitas Tohoku, bekerja sama dengan institusi lain, menunjukkan bahwa dibandingkan dengan material non-magnetik, antiferromagnet memiliki sifat Hall spin yang lebih kuat. Selain itu, pada Mn3Sn, SHE mengalami perubahan tanda anomali ketika momen berurutan segitiga berubah orientasi. Hal ini juga mengaitkan mekanisme magnetik tinggi Mn3Sn pada pemisahan spin, yang bergantung pada momentum dan dihasilkan oleh urutan magnetik non-kollinear, memperluas ruang lingkup spintronik antiferromagnetik.

Dalam penelitian terbaru, ferromagnet merespons arus terpolarisasi spin dan, di atas itu, memengaruhi keadaan magnetik Mn3Sn. Hal ini memungkinkan pengalihan listrik bersama antara kedua material.

Tim sebenarnya menunjukkan dalam eksperimen mereka bahwa informasi yang ditulis ke ferromagnet dapat dikendalikan secara listrik dengan bantuan keadaan magnetik Mn3Sn. Mereka dapat mengalihkan magnetisasi CoFeB dalam jejak berbeda yang mewakili beberapa keadaan dengan menyesuaikan arus yang ditetapkan.

Polarisasi arus ini mengubah tanda informasi yang ditulis, yang merupakan mekanisme pengalihan analog, merupakan operasi kunci dalam jaringan saraf dan meniru cara nilai analog berfungsi dalam pemrosesan AI.

Penemuan ini, menurut Fukami, merupakan langkah penting ke depan dalam menghasilkan chip AI yang lebih hemat energi. 

“Dengan mewujudkan pengalihan listrik bersama antara antiferromagnet non-kollinear dan ferromagnet, kami telah membuka kemungkinan baru untuk jaringan saraf yang dapat diprogram oleh arus,” tambahnya, mencatat bahwa fokus mereka kini pada “lebih lanjut mengurangi arus operasi dan meningkatkan sinyal pembacaan, yang akan krusial untuk aplikasi praktis pada chip AI.”

Dengan pusat data mengonsumsi begitu banyak energi, studi lain bertujuan mengurangi konsumsi daya dengan SOT Magnetic Random-Access Memory (MRAM).

Studi terpisah ini³, yang dipublikasikan di Nature Communications bulan lalu, berasal dari peneliti Universitas Johannes Gutenberg Mainz (JGU), yang mengembangkan solusi kuat dan sangat efisien untuk pemrosesan dan penyimpanan data sambil mengurangi konsumsi energi.

Prototipe “membuka jalan bagi solusi memori yang lebih cepat dan lebih efisien,” kata penulis utama studi, Dr. Rahul Gupta, yang sebelumnya merupakan peneliti pascadoktoral di Institut Fisika JGU.

Ini berbasis pada SOT MRAM, yang dikenal karena efisiensi daya superior, non-volatilitas, dan kinerjanya dibandingkan RAM statis. Teknologi yang menggunakan arus listrik untuk mengalihkan keadaan magnetik menghadapi tantangan dalam mengurangi arus masukan tinggi yang diperlukan selama proses penulisan. Hal ini berarti mempertahankan stabilitas termal yang cukup untuk menyimpan data dalam waktu lama dan meminimalkan energi yang diperlukan untuk melakukan tugas penyimpanan.

Alih-alih SHE, studi ini memanfaatkan Efek Hall Orbital (OHE), di mana aliran transversal momentum angular orbital dihasilkan dalam material ketika arus listrik diterapkan. Dengan menggunakan fenomena ini, peneliti dapat memperoleh efisiensi energi yang lebih tinggi tanpa bergantung pada material yang mahal atau langka.

Material magnetik unik yang dikembangkan menggunakan elemen seperti Ruthenium sebagai saluran SOT untuk meningkatkan kinerja. Dengan itu, tim berhasil mencapai pengurangan 20% pada arus masukan, peningkatan 30% pada efisiensi, dan pengurangan lebih dari 50% pada konsumsi energi keseluruhan.

Perusahaan-Peran Pemimpin

Sekarang, mari kita lihat nama-nama terkemuka yang membantu memajukan bidang AI:

1. NVIDIA Corporation

Nvidia (NVDA ) merancang dan memproduksi unit pemrosesan grafis atau GPU. GPU adalah sirkuit elektronik yang melakukan perhitungan matematis dengan kecepatan tinggi dan menjadi pilihan populer untuk mengembangkan model AI.

Selama dekade terakhir, perusahaan telah secara signifikan meningkatkan kinerja per watt GPU-nya, hingga 4.000 kali, menurut ilmuwan utama mereka William Dally, dan terus mengembangkan sirkuit khusus dalam chip ini yang dirancang khusus untuk komputasi AI.

Nvidia adalah perusahaan terbesar kedua di dunia berdasarkan kapitalisasi pasar sebesar $3,21 triliun. Sahamnya saat ini diperdagangkan pada $130,86, turun 2,35% tahun ini. EPS (TTM) perusahaan adalah 2,54 dan rasio P/E (TTM) adalah 51,67 sementara hasil dividen adalah 0,03%.

Mengenai keuangan perusahaan, Nvidia akan merilis laporan Kuartal ke-4 FY25 pada 26 Februari. Sekarang, untuk Q3, laba GAAP per saham terdilusi adalah $0,78 dan laba non-GAAP per saham terdilusi adalah $0,81.

Untuk kuartal ini, Nvidia mengumumkan pendapatan rekor sebesar $35,1 miliar, meningkat 17% dari Q2 dan 94% dari tahun sebelumnya. Pendapatannya dari pusat data menyumbang $30,8 miliar. Untuk Q4, mereka memperkirakan pendapatan sebesar $37,5 miliar.

“Era AI sedang berada pada puncaknya, mendorong pergeseran global ke komputasi NVIDIA,” kata CEO dan pendiri Jensen Huang pada saat itu sambil mencatat melihat “permintaan luar biasa” untuk Hopper mereka serta antisipasi untuk Blackwell, yang memungkinkan komputasi berkinerja tinggi (HPC) untuk pelatihan yang dipercepat, inferensi, dan efisiensi dalam AI generatif.

Nvidia telah mengalami perjalanan fantastis karena harga sahamnya naik dari di bawah $11 pada Oktober 2022 menjadi lebih dari $152 pada awal Januari 2025. Baru-baru ini, perusahaan kehilangan sedikit momentum setelah startup AI China DeepSeek meluncurkan model AI terbaru mereka. Persepsi awal adalah bahwa DeepSeek akan mengurangi permintaan untuk GPU berperforma tinggi Nvidia, tetapi sebenarnya dapat menjadi positif bagi Nvidia karena kebutuhan daya komputasi yang lebih rendah dari startup tersebut dapat membuka lebih banyak peluang AI, yang pada gilirannya mendorong harga produsen chip terbesar naik.

“AI sedang mengubah setiap industri, perusahaan, dan negara,” kata Huang selama laporan keuangan kuartal terakhir dan menambahkan bahwa perusahaan sedang mengadopsi AI agen sementara terobosan dalam AI fisik terlihat dalam robotika industri. Negara-negara, tambahnya, juga telah menyadari pentingnya membangun infrastruktur AI mereka sendiri.

#2. Broadcom Inc.

Broadcom (AVGO ) termasuk dalam 10 perusahaan terbesar, dengan kapitalisasi pasar $1,1 triliun. Perusahaan ini terlibat dalam perancangan, pengembangan, dan penyediaan berbagai solusi semikonduktor dan perangkat lunak infrastruktur. Perusahaan memiliki kemitraan dengan pemain utama seperti Google, Meta Platforms (META ), dan ByteDance. Mereka juga bekerja sama dengan OpenAI dan Apple (AAPL ) untuk membangun chip AI mereka sendiri.

Pada saat penulisan, saham Broadcom diperdagangkan pada $235, naik 1,95% tahun ini. EPS (TTM) perusahaan adalah 1,28 dan rasio P/E (TTM) adalah 184,78 sementara hasil dividennya 1%.

Sekarang, pada Q4 2024, Broadcom mencatat pendapatan lebih dari $14 miliar, meningkat 51% dibandingkan periode tahun sebelumnya, sementara laba bersih GAAP sebesar $4,324 miliar. Untuk Q1 tahun fiskal 2025, perusahaan memberikan panduan pendapatan sekitar $14,6 miliar.

Pada kuartal keempat, pendapatan semikonduktor pembuat chip mencapai rekor $30,1 miliar, yang dicatat oleh CEO dan Presiden Hock Tan sebagai didorong oleh pendapatan AI sebesar $12,2 miliar. Pertumbuhan pendapatan AI sebesar 220% tahun ke tahun dipicu oleh XPUs mereka.

GAAP EPS terdilusi Broadcom mencapai $0,90 dan EPS non-GAAP terdilusi $1,42. Kas dari operasi pada saat yang sama sebesar $5,6 miliar. Perusahaan juga melaporkan peningkatan 11% pada dividen saham biasa kuartalan menjadi $0,59 per saham, yang merupakan peningkatan keempat belas berturut-turut. Arus kas bebas selain restrukturisasi juga tercatat “kuat” sebesar $21,9 miliar sementara kas dan setara kas sebesar $9,348 miliar.

“Kami melihat peluang kami dalam AI selama tiga tahun ke depan sangat besar. Hyperscaler tertentu telah memulai perjalanan mereka masing-masing untuk mengembangkan akselerator AI khusus mereka sendiri.”

– Tan mengatakan dalam panggilan earnings

Dia juga menyampaikan bahwa perusahaan sedang mengembangkan chip AI dengan tiga pelanggan cloud besar, masing-masing diperkirakan akan menyebarkan 1 juta chip AI dalam klaster terhubung pada 2027.

Kesimpulan

Seiring popularitas dan penggunaan kecerdasan buatan terus meningkat, begitu pula konsumsi energi mereka. Model AI, terutama pembelajaran mendalam, memerlukan sejumlah besar energi untuk komputasi, dan solusi konvensional menghadapi batas efisiensi daya.

Dengan latar belakang ini, penelitian yang bertujuan meningkatkan efisiensi energi chip AI dan meminimalkan dampak lingkungan mereka dapat membantu dunia mewujudkan potensi penuh teknologi ini sambil mengurangi efek negatifnya.

Perangkat memori dan logika berbasis SOT dapat membuat perbedaan besar di sini dengan menyediakan solusi daya rendah menggunakan keadaan magnetik untuk komputasi alih-alih logika berbasis muatan. Menyimpan data tanpa daya konstan dapat mengurangi biaya energi untuk inferensi AI, memungkinkan akselerator AI yang lebih hemat energi untuk pengambilan keputusan AI waktu nyata dengan meniru otak, dan meningkatkan kecepatan pemrosesan tugas AI dengan mengintegrasikan logika dan memori.

Upaya berkelanjutan seperti ini membuat perangkat keras dan perangkat lunak AI lebih hemat energi, lebih cepat, dan mampu menangani komputasi kompleks, yang pada gilirannya mendorong adopsi AI yang lebih luas di seluruh industri sambil mengurangi jejak karbonnya!

Klik di sini untuk mempelajari mengapa 2025 adalah tahun investasi berbasis AI.