Ancaman AI Generatif bagi Lingkungan

Kecerdasan artifisial generatif (generative AI) muncul sebagai teknologi serbaguna yang mampu menciptakan konten baru dan orisinal, seperti gambar, teks, musik, serta video. Walau begitu, ada kekhawatiran teknologi ini berdampak buruk terhadap lingkungan.

Seiring dengan maraknya penggunaan AI generatif, jumlah konsumsi energi listrik dan pemakaian pusat data (data centre) serta jejak karbonnya kian naik. Karena itu, kita perlu mengatasi bahaya lingkungannya agar teknologi baru tidak menambah beban bagi bumi.

Tulisan saya akan menjelaskan bagaimana risiko lingkungan yang timbul akibat AI dan bagaimana langkah-langkah mengatasinya.

Dampak AI Generatif terhadap Lingkungan

Kita dapat mengamati risiko lingkungan AI generatif sejak teknologi ini menjalani fase “pelatihan” generatif suatu model AI dengan data-data yang tersedia. Dalam fase ini, pelatihan AI memerlukan energi sangat besar sehingga dapat melepaskan emisi karbon yang bisa memperparah perubahan iklim. Sebagai contoh, model bahasa besar (large language models atau LLM) yang merupakan salah satu algoritma dasar suatu AI generatif, seperti GPT-3, memiliki 175 miliar parameter.

Parameter ini adalah konfigurasi yang bisa digunakan untuk menghasilkan output. Ini mirip seperti senar gitar atau tuts piano yang bisa dikombinasikan untuk menghasilkan output nada yang ciamik.

Studi mengungkapkan bahwa pelatihan satu model bahasa besar, seperti GPT-4 atau PaLM buatan Google, dapat melepaskan sekitar 300 ton CO2 ke atmosfer. Angka ini setara dengan 360 kali penerbangan dari London menuju New York. Adapun model lainnya, BERT (Bidirectional Encoder Representations from Transformers) yang bisa menghasilkan gambar dari teks, juga meninggalkan jejak karbon sebanyak 300-1.400 ton CO2.

Selain konsumsi energi, pusat data yang penting bagi pengembangan AI generatif memperburuk kondisi lingkungan. Pusat data mengkonsumsi energi yang besar untuk pendinginan mesin sehingga menghasilkan emisi karbon yang signifikan.

Baca: Mengenal Artificial Intelligence

Metode pendinginan yang membutuhkan banyak air dan kebisingan peralatannya juga membawa dampak terhadap lingkungan. Pembuatan dan pembuangan peralatan pusat data pun menambah tumpukan limbah elektronik.

Pusat data juga bisa memperparah ketimpangan. Contohnya, pusat data di Amerika Serikat yang berada di Northern Virginia (Ashburn), Chicago, dan Dallas, karena posisi yang menguntungkan serta konektivitas jaringan yang kuat.

Namun pendirian pusat data di wilayah-wilayah ini kerap mengakibatkan tekanan pada infrastruktur lokal, membebani jaringan listrik lokal, jalan, dan mengganggu pasokan air. Tantangan ini mempengaruhi pengelolaan sumber daya yang efektif bagi komunitas dan pemerintah setempat.

Penempatan pusat data di dekat area perumahan juga memicu konflik regulasi dan zonasi. Konflik ini muncul dari kekhawatiran warga setempat perihal tingkat kebisingan, dampak visual, dan penggunaan lahan. Polusi suara dari sistem pendinginan dan peralatan pusat data mengganggu kehidupan warga sekitar.

Ilustrasi ChatGPT. Shutterstock

Mengatasi Bahaya Lingkungan AI

Guna mengatasi bahaya lingkungan dari AI generatif, kita bisa melakukan pendekatan teknis dan nonteknis. Pendekatan ini juga bisa dilakukan hingga ke pengelolaan operasional pusat data.

Dari sisi teknis, misalnya, institusi bisa menggunakan LLM yang sudah ada, alih-alih membuatnya dari awal. Sebab, proses pembuatan model baru membutuhkan energi yang besar. Sebagai contoh, AI generatif berjenis open source (sumbernya dapat diakses semua orang) bisa digunakan untuk membantu universitas mengembangkan AI generatif di negara berkembang.

Google, misalnya, membuat PaLM—LLM yang mendasari Google Bard—menjadi open source. Model yang sudah ada juga bisa diperbaiki dan disesuaikan ulang (fine-tuning).

Baca: Berapa Jejak Karbon ChatGPT

Institusi juga perlu mempertimbangkan dengan saksama apakah AI generatif memang satu-satunya solusi. Institusi ada kalanya menganggap setiap masalah bisnis bisa diselesaikan dengan model-model AI. Padahal jika ada solusi lain yang hemat energi dengan hasil yang sama baiknya, AI generatif atau model-model AI yang kompleks lainnya seharusnya tidak digunakan.

Komputasi yang hemat energi juga merupakan aspek penting. Penggabungan perangkat keras dan perangkat lunak yang efisien ke dalam sistem AI dapat mengurangi konsumsi energi sehingga lebih ramah lingkungan.

Pengembang juga dapat mengadopsi metode komputasi yang sadar energi, seperti TinyML. TinyML merupakan platform penerapan algoritma pembelajaran mesin (machine learning) dengan sumber daya dan energi yang rendah.

Di sisi nonteknis, kesadaran terhadap lingkungan memainkan peran penting. Institusi harus mengambil keputusan yang sadar mengenai pemilihan model-model AI yang ramah energi.

Perusahaan dan para peneliti harus mengutamakan praktik AI yang berkelanjutan dan berinvestasi dalam perangkat keras serta infrastruktur yang efisien energi. Adopsi sumber energi terbarukan dan optimalisasi pengoperasian pusat data dapat secara signifikan mengurangi jejak karbon yang terkait dengan pembuatan model AI generatif.

Dari sisi regulator, para pembuat kebijakan dapat menerapkan peraturan dan insentif untuk mendorong praktik pengembangan teknologi AI yang ramah lingkungan.

Manajemen Data Berkelanjutan

Manajemen data berkelanjutan adalah upaya yang tak kalah penting. Organisasi harus mengambil pendekatan proaktif dengan mengutamakan pengadaan data yang etis dan mengadopsi praktik pengelolaan data yang bertanggung jawab.

Organisasi dapat mengurangi penyimpanan data yang tidak perlu. Dengan mengoptimalkan aliran data, dari pengumpulan hingga pemusnahan data, organisasi dapat mencegah penumpukan data tidak terpakai atau usang di pusat data. Alih-alih menyalin data ke host lokal, mengakses data dari sumber aslinya dapat meminimalkan dampak data karbon dan mengurangi konsumsi energi yang tidak perlu.

Organisasi juga dapat menerapkan strategi pembuangan data yang tidak perlu atau usang. Pembuangan data yang tepat juga dapat mencegah penumpukan data tidak terpakai sehingga dapat mengurangi volume kinerja pusat data.

Selain itu, organisasi harus melakukan evaluasi dampak lingkungan yang komprehensif untuk proyek-proyek AI.

Prediksi dampak lingkungan penyimpanan dan penggunaan data dapat menginformasikan proses pengambilan keputusan serta mengutamakan keberlanjutan sepanjang siklus proyek AI. Ini termasuk menganalisis emisi karbon yang dihasilkan oleh penyimpanan data dan mempertimbangkan pendekatan yang lebih berkelanjutan untuk memenuhi persyaratan proyek.

Pemerintah dapat meningkatkan efisiensi pusat data dengan menerapkan pengoperasiannya berlandaskan standar energi terbaik. Kewajiban pengungkapan dampak lingkungan bagi pengelola data juga membantu meningkatkan kesadaran akan jejak emisi pusat data. Pemerintah seharusnya bisa menyediakan insentif untuk penggunaan energi terbarukan di pusat data.

Selain itu, pemerintah dapat mempromosikan pilihan lokasi pusat data yang efisien energi dengan mendorong mereka berlokasi di wilayah dengan iklim yang lebih dingin atau dekat sumber energi terbarukan. Harapannya, pusat data bisa mengurangi konsumsi air untuk mendinginkan mesin-mesinnya.

Sementara itu, untuk menyeimbangkan emisi, pengelola pusat data sepatutnya turut berinvestasi dalam proyek energi terbarukan. Mereka juga bisa terlibat dalam upaya pemulihan ekosistem esensial, seperti hutan.

AI generatif memiliki potensi merevolusi berbagai industri dan mendorong inovasi, tapi dampak lingkungannya juga bisa menjadi ancaman serius bagi bumi. Dengan secara bersama mengatasi dampak lingkungan dari AI generatif, kita memastikan kemajuan teknologi selaras dengan kelestarian planet ini.

---

Artikel ini ditulis oleh Arif Perdana, lektor kepala digital strategy and data science di Monash University. Terbit pertama kali di The Conversation.