Dampak Air dari Kecerdasan Buatan: Biaya Keberlanjutan dari Model Bahasa Besar

Kecerdasan Buatan (AI) berkembang pesat di berbagai industri, didukung oleh Model Bahasa Besar (LLM) seperti GPT-4, Claude, dan Gemini. Model-model ini memerlukan daya komputasi yang luas, baik selama pelatihan maupun saat digunakan secara teratur. Ketergantungan yang meningkat pada sistem tersebut telah menimbulkan kekhawatiran signifikan tentang dampak lingkungannya.

Perhatian yang besar telah diberikan pada konsumsi energi AI dan emisi karbon. Namun, diskusi sering mengabaikan penggunaan airnya. Jumlah air yang besar digunakan untuk mendinginkan pusat data. Air juga dikonsumsi secara tidak langsung dalam produksi daya dan perangkat keras komputasi.

Peningkatan permintaan global akan layanan AI meningkatkan tekanan pada sumber daya air tawar yang terbatas. Kecenderungan ini menimbulkan tantangan keberlanjutan, terutama di daerah yang mengalami stres air dan risiko iklim. Pemahaman yang jelas tentang dampak air AI diperlukan. Ini mendukung keputusan yang tepat untuk pengembangan yang bertanggung jawab dan perencanaan lingkungan jangka panjang.

Bagaimana Model AI Mengonsumsi Air

Menjalankan sistem AI skala besar memerlukan komputasi terus-menerus di pusat data yang menangani miliaran operasi. Proses ini menghasilkan jumlah panas yang signifikan. Untuk mencegah kegagalan perangkat keras dan mempertahankan kinerja optimal, panas harus dihilangkan secara efektif. Sebagian besar pusat data menggunakan sistem pendingin evaporatif untuk tujuan ini. Sistem ini sangat bergantung pada air tawar. Sebagian besar air menguap selama pendinginan dan tidak dapat digunakan kembali. Akibatnya, proses ini menyebabkan tingkat penarikan dan konsumsi air yang tinggi.

Peneliti baru-baru ini mulai mengukur dampak air dari pelatihan AI. Sebuah studi 2023 oleh tim di UC Riverside dan UT Arlington memperkirakan bahwa pelatihan model besar tunggal mengonsumsi lebih dari 700.000 liter air bersih. Itu sekitar jumlah yang dibutuhkan untuk memproduksi 370 mobil BMW. Ini menunjukkan seberapa banyak air yang digunakan selama tahap pengembangan awal AI canggih.

Penggunaan air terus bahkan setelah pelatihan selesai. Inferensi, proses merespons permintaan pengguna, juga berjalan pada sistem komputasi yang kuat. Sistem ini beroperasi sepanjang hari di berbagai bagian dunia. Setiap permintaan pengguna tunggal menambah beban komputasi. Ini juga meningkatkan kebutuhan pendinginan. Total air yang digunakan untuk inferensi terus tumbuh karena adopsi luas alat AI, seperti asisten virtual, chatbot, dan mesin pencari.

Di seluruh dunia, pusat data diperkirakan mengonsumsi lebih dari 560 miliar liter air setiap tahun, terutama untuk pendinginan. Jumlah ini diperkirakan akan meningkat tajam pada tahun 2030. Alasan yang signifikan adalah permintaan yang meningkat akan layanan yang didorong oleh AI. Selain penggunaan langsung, AI juga menyebabkan konsumsi air tidak langsung. Ini terjadi selama produksi listrik, terutama di daerah yang bergantung pada batu bara atau energi nuklir. Sumber daya ini memerlukan jumlah air yang signifikan untuk operasionalnya.

Peningkatan permintaan air ini menyoroti kekhawatiran serius. Sekarang ada kebutuhan mendesak untuk sistem pendingin yang lebih baik, infrastruktur yang berkelanjutan, dan pelaporan yang transparan tentang penggunaan air. Tanpa tindakan, penyebaran AI yang terus-menerus dapat menambah tekanan pada persediaan air tawar. Ini terutama berisiko bagi tempat-tempat yang sudah mengalami kekeringan atau stres iklim.

Infrastruktur dan Teknologi Pendingin

Model AI beroperasi pada chip kinerja tinggi yang dipasang di pusat data cloud. Pusat data ini memerlukan sistem pendingin khusus untuk mengelola panas yang dihasilkan oleh komputasi terus-menerus. Metode yang paling umum digunakan adalah pendingin evaporatif, di mana air disemprotkan ke udara atau permukaan untuk menyerap panas. Sebagian besar air ini menguap dan tidak dapat digunakan kembali, menghasilkan tingkat penarikan air yang tinggi.

Untuk mengatasi masalah ini, beberapa pusat data mengadopsi metode pendingin alternatif seperti pendingin imersi cair dan pendingin langsung ke chip. Teknik-teknik ini menggunakan cairan termal konduktif atau sistem pendingin tertutup untuk menghilangkan panas dari prosesor. Meskipun lebih efisien, mereka masih melibatkan penggunaan air tidak langsung. Ini terjadi selama pengaturan sistem atau melalui generasi listrik, terutama di daerah di mana daya dihasilkan dari batu bara atau sumber nuklir, yang keduanya memerlukan jumlah air yang besar untuk produksi uap dan pendinginan.

Strategi pendinginan juga bervariasi tergantung pada iklim dan lokasi. Di daerah yang mengalami kekeringan air, operator pusat data beralih dari pendingin evaporatif dan menggunakan sistem berbasis udara atau tertutup untuk mengurangi konsumsi air. Namun, alternatif ini sering memerlukan lebih banyak energi, menciptakan trade-off antara penghematan air dan emisi karbon.

Setiap komponen infrastruktur AI, dari penghapusan panas tingkat chip hingga pendinginan fasilitas penuh dan generasi listrik, menambah dampak air secara keseluruhan. Permintaan yang meningkat akan AI memerlukan perbaikan pada sistem pendingin dan daya. Tanpa efisiensi yang lebih baik, tekanan pada sumber daya air akan terus meningkat.

Pengaruh Geografis dan Lingkungan terhadap Konsumsi Air Pusat Data

Konsumsi air pusat data sangat dipengaruhi oleh lokasi geografis dan kondisi lingkungan setempat. Di daerah dengan suhu tinggi, seperti Arizona atau Texas, sistem pendingin harus bekerja lebih keras untuk menjaga suhu operasional server yang stabil. Ini menyebabkan peningkatan penggunaan metode pendingin evaporatif, di mana air hilang sebagai uap dan tidak dapat digunakan kembali. Akibatnya, pusat data ini mengonsumsi air secara signifikan lebih banyak daripada yang di daerah yang lebih sejuk, seperti Skandinavia. Kelembaban juga memainkan peran penting. Di iklim kering, penguapan lebih efisien, yang meningkatkan kinerja pendinginan tetapi juga meningkatkan penggunaan air.

Sumber dan ketersediaan air juga sangat penting. Pusat data di daerah yang kekurangan air sering bergantung pada pasokan air kota, yang mungkin sudah terbebani. Ini dapat menyebabkan persaingan dengan kebutuhan lokal, seperti akses ke air minum atau sumber daya pertanian. Contoh yang terkenal adalah pusat data Google (GOOGL ) di The Dalles, Oregon. Penggunaan air fasilitas ini menimbulkan kekhawatiran publik, terutama karena daerah tersebut sedang mengalami kekeringan pada saat itu.

Selain itu, pelatihan model AI besar dapat menyebabkan lonjakan tiba-tiba dalam permintaan air. Lonjakan ini mungkin tidak bertahan lama, tetapi masih dapat mempengaruhi sistem air setempat. Tanpa perencanaan dan peramalan yang tepat, ini dapat menghasilkan ketidakseimbangan sementara dalam pasokan air, termasuk penurunan level sungai atau ekstraksi air tanah yang berlebihan. Perubahan seperti itu dapat merusak ekosistem setempat dan mengurangi keanekaragaman hayati.

Untuk mengatasi tantangan ini, perencanaan infrastruktur yang terkait dengan AI harus mempertimbangkan faktor-faktor lokal seperti suhu, pasokan air, dan batasan hukum pada penggunaan. Penerapan yang berkelanjutan memerlukan kebijakan yang jelas dan keseimbangan hati-hati antara pertumbuhan teknologi dan perlindungan lingkungan. Ini termasuk kerja sama dengan masyarakat setempat, pemahaman tentang hak air wilayah, dan pemilihan sistem pendingin yang menggunakan air secara bertanggung jawab.

Komitmen Perusahaan dan Celah Transparansi

Perusahaan AI besar menjadi semakin sadar akan dampak lingkungan mereka dan telah berjanji untuk meningkatkan praktik manajemen air mereka. Google, Microsoft (MSFT ), dan Meta masing-masing mengumumkan rencana untuk menjadi positif air pada tahun 2030. Ini berarti mereka bertujuan untuk mengembalikan lebih banyak air daripada yang mereka konsumsi di seluruh operasi global mereka. Upaya mereka termasuk restorasi daerah aliran sungai, pengumpulan air hujan, daur ulang air abu-abu, dan dukungan untuk proyek konservasi lokal.

Google berencana untuk mengembalikan 120% dari air yang dikonsumsinya. Mereka menerbitkan laporan keberlanjutan tahunan yang mencakup baik penggunaan maupun angka pemulihan. Microsoft telah mengadopsi sistem pendingin adiabatik, yang mengurangi penguapan dan dapat memotong penggunaan air hingga 90% dibandingkan dengan menara pendingin tradisional. Meta telah berjanji untuk mengembalikan 200% dari air yang digunakan di daerah dengan stres air tinggi dan 100% dari air yang digunakan di daerah dengan stres air sedang, fokus upaya mereka di mana kekurangan air paling parah. Beberapa pusat data juga telah mulai menggunakan sistem daur ulang on-site atau pengumpulan air hujan untuk melengkapi pasokan mereka.

Komitmen ini relevan karena pelatihan dan penerapan LLM memerlukan pusat data yang kuat. Operasi ini mengonsumsi sejumlah besar listrik dan menghasilkan panas yang signifikan, sehingga meningkatkan kebutuhan akan pendinginan yang intensif air. Ketika layanan AI berkembang secara global, terutama yang melibatkan LLM, jejak lingkungan mereka juga tumbuh. Penggunaan air yang bertanggung jawab menjadi bagian penting dari pengembangan AI yang berkelanjutan.

Mengurangi Dampak Air AI: Langkah Sederhana dan Tindakan Kollektif

Mengurangi dampak air AI memerlukan kombinasi teknologi yang efisien, perencanaan yang bijak, dan tanggung jawab bersama. Di sisi teknis, merancang model AI yang lebih kecil dan lebih efisien adalah langkah penting. Metode seperti pemangkasan model, kuantisasi, dan distilasi membantu mengurangi ukuran model dan beban komputasi. Ini mengurangi penggunaan energi dan menurunkan air yang diperlukan untuk pendinginan selama pelatihan dan penggunaan.

Memilih waktu yang tepat untuk pelatihan juga penting. Menjalankan beban kerja intensif selama periode yang lebih sejuk dapat mengurangi air yang hilang melalui penguapan. Lokasi pusat data juga memainkan peran. Membangun fasilitas di daerah dengan sumber daya air yang berkelanjutan atau dekat dengan sumber energi terbarukan, seperti angin dan surya, dapat mengurangi penggunaan air tidak langsung yang terkait dengan pembangkitan termal. Kemajuan dalam algoritma AI, seperti menggunakan perhatian yang lebih efisien atau desain model yang lebih efisien bersama dengan perbaikan perangkat keras, membantu mengurangi dampak lingkungan secara keseluruhan.

Mengatasi dampak air AI memerlukan upaya kolaboratif yang melampaui perusahaan teknologi. Pemerintah memainkan peran kunci dalam menetapkan aturan yang mengharuskan pelaporan penggunaan air yang transparan dan mempromosikan standar penilaian yang konsisten. Mereka juga dapat membuat sumber air yang berkelanjutan sebagai syarat untuk mengizinkan pusat data baru. Kelompok lingkungan mendukung upaya ini dengan memantau klaim, mempromosikan kebijakan yang lebih kuat, dan menjaga industri tetap bertanggung jawab. Otoritas setempat harus meninjau rencana infrastruktur dengan mempertimbangkan sumber daya air, terutama di daerah yang sudah mengalami stres.

Pengguna individu juga membentuk arah AI. Dengan memilih platform yang melaporkan data lingkungan dan berkomitmen pada keberlanjutan, mereka mengirimkan pesan yang jelas tentang apa yang penting. Pengembang dan peneliti harus mempertimbangkan konsumsi air ketika mengevaluasi sistem AI. Pada saat yang sama, universitas dan pusat penelitian dapat membuat alat untuk mengukur dan mengurangi penggunaan air dengan lebih akurat.

Untuk membuat kemajuan nyata, kita juga harus fokus pada kesadaran dan pilihan yang tepat. Banyak orang tidak menyadari bahwa bahkan pertanyaan AI sederhana dapat menyebabkan biaya lingkungan tersembunyi. Ketika ini menjadi umum, itu mendorong pengguna untuk menuntut praktik yang lebih baik dan memotivasi perusahaan untuk bertindak secara bertanggung jawab. Pada saat yang sama, ekspansi cepat model AI besar terus meningkatkan tekanan pada sumber daya air yang sudah terbatas. Ini membuatnya penting untuk memperlakukan penggunaan air sebagai bagian penting dari dampak lingkungan AI secara keseluruhan. Mencapai perubahan yang berarti akan memerlukan upaya kollektif dari pembuat kebijakan, pengembang, perusahaan, dan pengguna akhir. Jika kita membuat kepedulian air sebagai inti dari bagaimana AI dirancang dan diterapkan, kita dapat melindungi sumber daya vital sambil tetap menikmati manfaat dari sistem cerdas.

Bagian Bawah Garis

Mengurangi dampak air AI tidak lagi menjadi masalah sekunder. Ini adalah komponen kunci dalam mengembangkan teknologi yang berkelanjutan. Pelatihan dan menjalankan model besar memerlukan biaya pada persediaan air tawar, terutama di daerah yang sudah mengalami stres iklim.

Untuk mengatasi ini, kita memerlukan model yang lebih cerdas, perangkat keras yang lebih baik, dan perencanaan pusat data yang bertanggung jawab. Namun, kemajuan nyata tergantung pada lebih dari sekadar teknologi. Pemerintah, perusahaan, peneliti, dan pengguna semua memainkan peran. Kebijakan yang jelas, pelaporan yang transparan, dan kesadaran publik dapat membantu mengarahkan keputusan yang lebih baik. Dengan memasukkan dampak air ke dalam pemikiran awal tentang AI, kita dapat mencegah kerusakan jangka panjang pada sumber daya vital.