Apakah Kecerdasan Buatan Dapat Menjadi Ramah Lingkungan Tanpa Mengorbankan Kinerjanya?

Kecerdasan buatan mengubah banyak sektor, mulai dari kesehatan hingga keuangan, dengan meningkatkan efisiensi dan otomatisasi. Namun, revolusi ini didasarkan pada model-model yang semakin kompleks dan membutuhkan banyak energi. Sejak tahun 2012, kebutuhan komputasi untuk melatih model-model ini hampir berlipat ganda setiap tiga hingga empat bulan, jauh lebih cepat dari yang diprediksi oleh Hukum Moore. Pertumbuhan eksponensial ini menimbulkan tantangan besar: bagaimana mengimbangi kemajuan teknologi dengan pelestarian lingkungan?

Dampak lingkungan dari kecerdasan buatan saat ini tidak dapat disangkal. Pelatihan satu model berukuran besar dapat mengonsumsi listrik sebanyak ratusan rumah tangga dalam setahun dan mengeluarkan ribuan ton CO₂. Sebagai contoh, pelatihan GPT-3 membutuhkan hampir 1.300 megawatt-jam listrik, setara dengan konsumsi tahunan 120 rumah tangga Amerika. Angka-angka ini menyoroti urgensi untuk memikirkan kembali cara kita mengembangkan dan menggunakan kecerdasan buatan.

Menghadapi kenyataan ini, pendekatan baru muncul: kecerdasan buatan hijau. Berbeda dengan kecerdasan buatan tradisional yang mengutamakan kinerja dengan segala cara, kecerdasan buatan hijau berusaha mengurangi jejak ekologis model sambil mempertahankan efisiensinya. Ini melibatkan arsitektur yang lebih ringan, algoritma yang dioptimalkan, dan pengelolaan sumber daya yang lebih baik. Sebagai contoh, model seperti EcoFormer atau EfficientFormer-V2 telah menunjukkan bahwa dimungkinkan untuk mengurangi konsumsi energi hingga 60% tanpa kehilangan presisi yang signifikan.

Kecerdasan buatan hijau tidak terbatas pada optimasi teknis. Ini juga mencakup dimensi sosial dan ekonomi, dengan membuat model-model dapat diakses oleh peneliti dan organisasi yang kurang memiliki sumber daya. Ini memungkinkan demokratisasi akses terhadap inovasi dan membatasi konsentrasi kekuatan teknologi di tangan beberapa perusahaan besar.

Untuk mengukur kemajuan menuju kecerdasan buatan yang lebih hijau, indikator yang tepat diperlukan. Konsumsi energi, jejak karbon, penggunaan air untuk pendinginan pusat data, dan efisiensi sumber daya material adalah kriteria yang harus dipertimbangkan. Alat seperti CarbonTracker atau CodeCarbon memungkinkan pelacakan indikator-indikator ini dan mengevaluasi dampak lingkungan dari model-model.

Namun, jalan menuju kecerdasan buatan yang benar-benar berkelanjutan masih penuh dengan rintangan. Tantangan teknis, seperti kompatibilitas alat ukur dengan berbagai jenis perangkat keras, atau hambatan ekonomi dan politik, masih menghambat transisi ini. Meskipun demikian, kemajuan terbaru menunjukkan bahwa kecerdasan buatan hijau bukanlah sebuah utopia, melainkan sebuah kebutuhan untuk masa depan teknologi dan planet.

Sources et crédits

Étude source

DOI : https://doi.org/10.1007/s11831-026-10546-2

Titre : Green Artificial Intelligence: A Comprehensive Review of Metrics, Tools, Challenges, Trends, and Future Prospects

Revue : Archives of Computational Methods in Engineering

Éditeur : Springer Science and Business Media LLC

Auteurs : Pejman Peykani; Ali Emrouznejad; Sanly Ghanidel; Iman Javadi-Sisi; Seyedali Mirjalili