Konsumsi Energi yang Tidak Terkendali – Menggunakan AI untuk Meningkatkan AI

Berkembang pesat, pasar kecerdasan buatan (AI) diproyeksikan akan mencapai $1.8 triliun pada akhir dekade ini. 

Sementara kegilaan AI mulai mendapatkan perhatian awal pada 2021, baru tahun lalu AI benar‑benar menemukan terobosan. Bahkan, pertumbuhannya begitu besar sehingga segala sesuatu yang terkait AI, mulai dari solusi hingga penggunaan, mulai melambung, mendorong investasi dalam AI generatif ke langit. 

Ketika sistem AI generatif seperti ChatGPT menunjukkan kemampuan baru, semua orang menginginkan bagian dari kue yang tumbuh cepat ini. Selain itu, sebagian besar investasi swasta ini terjadi di AS.

Di balik alat‑alat populer ini terdapat model fondasi seperti GPT-4 pada kasus ChatGPT milik OpenAI. Model multipurpose yang besar ini memerlukan dataset masif dan sumber daya yang sangat besar untuk pelatihan. Model fondasi berfungsi sebagai titik awal untuk mengembangkan model pembelajaran mesin (ML) yang dapat memberi daya pada aplikasi baru secara hemat biaya dan lebih cepat.

Raksasa teknologi Google telah merilis beberapa model fondasi; Imagen, Muse, dan Parti adalah model teks‑ke‑gambar, MedLM untuk industri perawatan kesehatan, model pemrograman yang disebut Codey, dan model suara universal Chirp.

Model‑model ini mengonsumsi memori dalam jumlah yang belum pernah terjadi sebelumnya, termasuk memori jauh lebih banyak untuk menyimpan dan mengambil data dunia nyata yang mereka operasikan. Misalnya, GPT-3 dilatih dengan sekitar 500 miliar kata dan menggunakan 175 miliar parameter. Hal ini menyebabkan permintaan energi AI melambung.

Selama beberapa tahun terakhir, dampak lingkungan AI telah banyak dilaporkan. Pada akhir tahun lalu, sebuah analisis yang telah ditinjau sejawat berusaha mengkuantifikasi permintaan ini. 

Setelah membahas biaya energi yang luar biasa dari penambangan cryptocurrency, Alex de Vries, ilmuwan data di bank sentral Belanda dan kandidat Ph.D. di Vrije University Amsterdam, beralih perhatiannya ke tren teknologi terbaru: adopsi AI. Menurut penilaian terbarunya, NVIDIA (NVDA ) akan mengirimkan 1,5 juta unit server AI per tahun pada 2027. Saat beroperasi pada kapasitas penuh, server‑server ini diproyeksikan akan mengonsumsi setidaknya 85,4 terawatt‑jam listrik setiap tahun. 

De Vries memperkirakan bahwa AI berpotensi menjadi lebih buruk daripada jaringan Proof‑of‑Work (PoW) seperti Bitcoin. Namun, ini hanya perkiraan, dengan para ahli mencatat bahwa angka‑angka tersebut tidak lengkap dan bersifat kondisional.

Desember lalu, Sasha Luccioni dari perusahaan AI Hugging Face bersama rekan‑rekannya dari perusahaan tersebut dan Carnegie Mellon University juga melakukan pengujian pada 88 model berbeda. Mereka menjalankan tugas tersebut 1.000 kali dan menemukan bahwa sebagian besar tugas menggunakan sedikit energi, seperti 0,047 kWh, untuk menghasilkan teks. Namun, angka‑angka tersebut jauh lebih besar untuk model‑model generasi gambar, yang menggunakan rata‑rata 2,907 kWh per 1.000 inferensi. Sebagai perbandingan, mereka mencatat bahwa smartphone rata‑rata menggunakan 0,012 kWh untuk mengisi daya.

Sementara itu, sebuah makalah memperkirakan bahwa model bahasa besar menggunakan sekitar 1.300 megawatt‑jam listrik, setara dengan daya yang dikonsumsi oleh 130 rumah di AS setiap tahun.

International Energy Agency juga mencatat dalam laporannya awal tahun ini bahwa permintaan untuk AI dan kripto akan menyebabkan peningkatan signifikan penggunaan listrik oleh pusat data dalam waktu dekat. Peningkatan tersebut diperkirakan akan naik dari 460 terawatt‑jam pada 2022 menjadi antara 620 dan 1.050 TWh pada 2026.

Hal ini menarik perhatian regulator, yang kini memperingatkan tentang meningkatnya biaya AI. Menurut Senator Massachusetts Edward Markey (D):

“Pengembangan generasi berikutnya dari alat A.I. tidak dapat mengorbankan kesehatan planet kita.” 

Ini muncul setelah ia, bersama senator dan wakil lainnya, memperkenalkan rancangan undang‑undang yang mewajibkan pemerintah federal menilai jejak lingkungan AI dan mengembangkan sistem standar untuk melaporkan dampak masa depan. Di Eropa, AI Act telah disahkan, yang mengharuskan model fondasi yang kuat melaporkan penggunaan sumber daya, konsumsi energi, dan dampak lainnya.

Di tengah semua ini, International Organization for Standardization akan mengeluarkan kriteria akhir tahun ini untuk mengukur penggunaan material, konsumsi air, dan efisiensi energi untuk “AI berkelanjutan.” 

Membuat AI Lebih Efisien 

Agar dapat beroperasi pada skala yang sangat besar, model AI harus menjadi lebih hemat energi dan mampu berjalan pada perangkat dengan keterbatasan energi yang menggunakan daya jauh lebih sedikit dibandingkan pusat data. 

Pusat data ini memerlukan daya yang sangat besar untuk menjaga komputer tetap berjalan, yang sebagian besar bersumber dari bahan bakar fosil. Hal ini menyebabkan emisi CO2e yang signifikan. Untuk mengatasi hal ini, peneliti dan organisasi telah bekerja untuk membuat AI lebih efisien. 

Salah satu perusahaan menonjol yang telah membuat kemajuan signifikan dalam menemukan solusi untuk masalah ini adalah spesialis optimasi kode berbasis London, TurinTech. TurinTech membuat kemajuan melalui perpaduan pembelajaran mendalam dan algoritma evolusioner. Sistem ini secara terus‑menerus menyesuaikan model yang ada berdasarkan informasi baru alih‑alih membuatnya kembali dari awal. 

Menurut Harvey Lewis dari Ernst and Young UK, algoritma evolusioner atau genetika serta metode statistik Bayesian dapat membuat pembelajaran mendalam lebih efisien, dan perangkat keras khusus dapat mengurangi biayanya.

Metode lain yang disarankan adalah menghubungkan AI berbasis data dengan masukan ilmiah atau manusia lainnya tentang domain aplikasi. Pushkar P. Apte, direktur inisiatif strategis di CITRIS, dan Costas J. Spanos, direktur CITRIS, menulis tentang empat cara untuk mencapai hal ini:

• Mensinergikan AI dengan hukum ilmiah.
• Menambahkan data dengan wawasan ahli manusia.
• Menggunakan perangkat untuk menjelaskan bagaimana AI membuat keputusan.
• Menggunakan model lain untuk memprediksi perilaku.

Baru‑baru ini, startup EnCharge membuat terobosan AI yang dapat secara dramatis meningkatkan konsumsi energi model‑model AI saat melakukan prediksi. Perusahaan memanfaatkan dana DARPA untuk mengurangi penggunaan memori dengan melakukan sebagian pekerjaan pada rangkaian memori analog, yang dapat melakukan akumulasi perkalian matriks secara paralel dengan energi rendah dibandingkan transistor tradisional. 

“Itulah cara Anda menyelesaikan masalah pergerakan data.” 

– Naveen Verma, CEO EnCharge AI dan profesor di Departemen Teknik Elektro Princeton 

Ia menambahkan bahwa alih‑alih mengirimkan bit‑bit individu, hasil yang diperkecil dikomunikasikan dalam bentuk akumulasi banyak perkalian paralel.

EnCharge AI telah mampu memproses 150 triliun operasi per detik per watt. Namun, komputasi analog sangat sulit dicapai, dan upaya sebelumnya belum membuahkan hasil.

Sementara itu, penelitian oleh asisten profesor tenure‑track Raghavendra Selvan dari Departemen Ilmu Komputer UCPH tahun lalu mengeksplorasi berbagai cara untuk menurunkan jejak karbon ML. Pada tingkat mikro, algoritma dapat dibuat lebih cepat dan lebih efisien untuk mengurangi penggunaan sumber daya. Ini, catatnya, dapat dilakukan dengan melihat cara mengurangi jumlah bit yang digunakan untuk melakukan komputasi dan mengurangi komputasi berlebih.

Ia selanjutnya menyarankan menilai kebutuhan semua data yang disimpan. Jadi, pada tingkat makro, dengan melihat kapan dan di mana komputasi (banyak di antaranya tidak kritis waktu) dilakukan, jam non‑puncak dapat dipilih untuk melatih sistem AI guna mengurangi biaya sesi pelatihan dan jejak karbonnya. 

Menggunakan AI untuk Membuat AI Lebih Baik 

Sekarang, Selvan telah menciptakan tolok ukur untuk merancang model AI yang mengonsumsi jauh lebih sedikit energi tanpa memengaruhi kinerjanya. Namun, hal ini memerlukan penggunaan jumlah energi yang dipakai dan jejak karbon sebagai standar dalam merancang serta melatih model‑model AI tersebut.

Untuk ini, 429.000 model subtipe AI dipelajari. Jaringan saraf konvolusional ini, yang digunakan untuk terjemahan bahasa, pengenalan wajah, deteksi objek, dan analisis citra medis, diperkirakan memerlukan hingga 263.000 kWh energi hanya untuk pelatihan. 

Sebagai perbandingan, 263.000 kWh setara dengan energi yang dikonsumsi warga Denmark rata‑rata selama lebih dari empat dekade. Sebuah komputer akan memerlukan satu abad untuk menyelesaikan seluruh pelatihan ini. 

Penggunaan energi yang kolosal ini membuat industri berupaya menjadikannya ramah iklim; namun, pengembangan model AI yang hemat energi belum menjadi realitas. Menurut Selvan, yang meneliti kemungkinan mengurangi jejak karbon AI:

“Saat ini, pengembang terlalu fokus pada membangun model AI yang efektif dalam hal akurasi hasilnya.” 

Ia membandingkan perilaku ini dengan mobil, yang dianggap baik hanya karena dapat membawa penumpang ke tujuan dengan cepat tanpa mempertimbangkan penggunaan bahan bakarnya. Ia menambahkan:

“Akibatnya, model AI sering tidak efisien dalam hal konsumsi energi.” 

Studi terbarunya, yang dilakukan bersama mahasiswa CS Pedram Bakhtiarifard, bertujuan mengubah hal ini dengan menunjukkan bahwa memungkinkan membatasi banyak CO2e sambil mempertahankan presisi model AI.

Untuk mencapainya, peneliti UCPH mencatat bahwa kita memerlukan model yang hemat energi sejak awal. Ini berarti mempertimbangkan biaya iklim saat merancang dan selama proses pelatihan AI yang intensif energi. Selvan mengatakan bahwa dengan cara ini, jejak karbon dapat dikurangi pada “setiap fase siklus hidup model,” yang mencakup pelatihan dan penerapan model.

Jadi, peneliti menghitung energi yang diperlukan untuk melatih ratusan ribu model AI ini. Menariknya, peneliti UCPH tidak melatih model‑model tersebut melainkan memperkirakannya menggunakan model AI lain. Dengan cara ini, mereka berhasil menghemat mayoritas energi, yaitu 99%, yang seharusnya diperlukan.

Berdasarkan perhitungan mereka, tim telah menyajikan kumpulan tolok ukur model AI yang memiliki performa hampir setara tetapi menggunakan lebih sedikit energi untuk menyelesaikan tugas.

Menurut studi tersebut, menyesuaikan model atau menggunakan tipe model lain dapat menghemat hingga 80% energi selama fase pelatihan dan penerapan. Untuk performa, hampir tidak ada kompromi (hanya 1% atau bahkan kurang). Angka‑angka ini sebenarnya konservatif, menurut peneliti. 

“Anggap hasil kami sebagai buku resep bagi para profesional AI. Resep‑resep tidak hanya menjelaskan performa algoritma yang berbeda, tetapi juga seberapa efisien energi mereka.” 

– Bakhtiarifard

Ia selanjutnya menyatakan bahwa dengan sekadar menukar satu bahan dalam desain model dengan yang lain, kita “sering dapat mencapai hasil yang sama.” Ini berarti praktisi tidak perlu melatih setiap model terlebih dahulu; mereka cukup memilih satu berdasarkan performa dan konsumsi energi.

Mengingat beberapa model dilatih sebelum menemukan opsi paling cocok untuk tugas tertentu, membuat pengembangan AI “sangat intensif energi,” kata Bakhtiarifard, “akan lebih ramah iklim jika memilih model yang tepat sejak awal,” dan di samping itu, memilih yang tidak mengonsumsi daya signifikan selama fase pelatihan.

Sementara di bidang seperti mobil otonom dan kedokteran, presisi model sangat penting untuk keselamatan, sehingga tidak dapat dikompromikan, peneliti mencatat, hal ini tidak seharusnya menghalangi upaya mencapai efisiensi energi tinggi di domain lain. 

Studi tersebut, menurut mereka, menunjukkan bahwa kompromi yang lebih baik dapat ditemukan dengan menjadikan efisiensi energi standar dalam pengembangan model AI, seperti halnya di banyak sektor. Menurut Selvan:

“AI memiliki potensi luar biasa. Tetapi jika kita ingin memastikan pengembangan AI yang berkelanjutan dan bertanggung jawab, kita memerlukan pendekatan yang lebih holistik yang tidak hanya memikirkan performa model, tetapi juga dampak iklim.” 

Tolok ukur yang dinamakan EC‑NAS bersifat open‑source dan dapat digunakan oleh ilmuwan serta perusahaan lain untuk memajukan riset dalam pencarian arsitektur neural (NAS). Studi tersebut menyatakan bahwa memanfaatkan algoritma optimasi multi‑objektif menyeimbangkan antara penggunaan energi dan akurasi. “Dengan metriknya yang beragam, EC‑NAS mengundang riset lebih lanjut dalam mengembangkan model yang hemat energi dan berkelanjutan secara lingkungan,” kata studi tersebut.

Solusi Energi Berbasis AI

Sekarang, mari kita lihat perusahaan‑perusahaan yang menangani sektor energi menggunakan teknologi dan aktif menawarkan solusi energi berbasis AI:

#1. GE Renewable Energy

Perusahaan ini memanfaatkan teknologi AI/ML yang dikembangkan secara internal untuk secara akurat memprediksi dan menyederhanakan biaya logistik proses turbin angin. Tahun ini, GE merilis Proficy untuk produsen guna mencapai keberlanjutan sambil membantu memaksimalkan profitabilitas. Mereka juga menerapkan CERius berbasis AI untuk meningkatkan akurasi pelaporan.

Awal bulan ini, General Electric (GE.TO ) dibagi menjadi tiga perusahaan terpisah, yang masing‑masing fokus pada penerbangan, energi, dan perawatan kesehatan, serta mulai diperdagangkan di NYSE sebagai entitas terpisah. Jadi, sayap energi kini disebut GE Vernova (GEV ) (GEV) dengan kapitalisasi pasar $36 miliar dan saham diperdagangkan pada 131,75. Pada 2023, perusahaan mengamankan pesanan terbesar untuk mendukung proyek angin AS yang akan memasok 2,4 GW ke proyek SunZia. Goldman Sachs (GS ) memperkirakan perusahaan akan memiliki EBITDA $4 miliar pada 2026.

#2. Schneider Electric

Perusahaan berbasis Prancis senilai $34,2 miliar memanfaatkan AI untuk meningkatkan efisiensi dan produktivitas serta menangani tantangan perubahan iklim. Penggunaan AI Schneider Electric (SND.DE ) meliputi visualisasi data dan rekayasa, optimasi dan simulasi, serta pemodelan keandalan. 

Perusahaan mencatat pendapatan €36 miliar untuk tahun fiskal 2023, meningkat 13%. Schneider Electric juga melaporkan laba bersih €4 miliar dan arus kas bebas €4,6 miliar. 

Kesimpulan

AI adalah revolusi teknologi dekade ini. Mengingat integrasi AI telah terbukti menurunkan biaya dan meningkatkan pendapatan perusahaan sekaligus memberikan peningkatan efisiensi bagi pekerja, jelas AI lebih dari sekadar kata moda. Sistem AI sebenarnya melampaui manusia dalam berbagai tugas, meskipun kami masih lebih unggul dalam tugas kognitif kompleks.

Namun, AI datang dengan serangkaian risiko terkait privasi, bias algoritma, dan, seperti yang kami bahas di atas, dampak lingkungan negatif. Survei global tentang sikap terhadap AI juga menunjukkan bahwa orang merasa cemas tentang teknologi baru ini, meskipun mayoritas melihatnya mengubah kehidupan sehari‑hari mereka dalam beberapa tahun ke depan. Generasi muda lebih optimis tentang AI. 

Seiring AI terus menjadi bagian besar dalam hidup kita, pemerintah, ilmuwan, dan perusahaan bersatu untuk mengatasi risikonya. Regulator telah mulai menargetkan industri, dengan lebih dari 30 negara telah mengesahkan setidaknya satu undang‑undang terkait AI dalam tujuh tahun terakhir. Seiring kemajuan teknologi semakin berkembang, kita akan melihat AI menjadi lebih efisien dan mengubah dunia kita. 

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan.