Jejak Lingkungan LLM: Analisis Perbandingan

Pengembangan kecerdasan buatan (AI) yang tak henti-hentinya telah menghasilkan model bahasa besar (LLM) yang semakin canggih. Sementara model-model ini menunjukkan kemampuan yang mengesankan di berbagai domain, konsekuensi lingkungan yang terkait dengan pelatihan dan penyebarannya sebagian besar tetap tersembunyi. Perusahaan yang mengembangkan model AI dengan mudah berbagi data kinerja pada tolok ukur, tetapi cenderung menghindari dampak lingkungan. Penelitian terbaru menyoroti biaya energi, air, dan karbon yang sering diabaikan yang terkait dengan alat AI yang kuat ini.

Tolok Ukur Baru untuk Menilai Dampak Lingkungan

Dalam upaya untuk mengkuantifikasi dampak lingkungan dari AI, sebuah tim peneliti dari University of Rhode Island, Providence College, dan University of Tunis telah memperkenalkan tolok ukur yang sadar infrastruktur untuk inferensi AI. Penelitian ini, yang tersedia di server pracetak Universitas Cornell arXiv, menawarkan evaluasi yang lebih tepat tentang efek ekologis AI. Tolok ukur ini menggabungkan data latensi API publik dengan informasi tentang GPU yang mendasari dan komposisi jaringan listrik regional untuk menghitung jejak lingkungan per prompt untuk 30 model AI arus utama. Pendekatan komprehensif ini mempertimbangkan konsumsi energi, penggunaan air, dan emisi karbon, yang berpuncak pada skor “efisiensi ramah lingkungan”.

Abdeltawab Hendawi, asisten profesor di University of Rhode Island, menjelaskan motivasi di balik penelitian ini: "Kami mulai berpikir untuk membandingkan model-model ini dalam hal sumber daya lingkungan, air, energi, dan jejak karbon." Temuan mengungkapkan perbedaan signifikan dalam dampak lingkungan dari model AI yang berbeda.

Perbedaan dalam Konsumsi Energi: OpenAI, DeepSeek, dan Anthropic

Studi ini menyoroti perbedaan substansial dalam konsumsi energi di antara model AI terkemuka. Model o3 OpenAI dan model penalaran utama DeepSeek mengkonsumsi lebih dari 33 watt-jam (Wh) untuk satu respons yang diperluas. Hal ini sangat kontras dengan GPT-4.1 nano OpenAI yang lebih kecil, yang membutuhkan energi 70 kali lebih sedikit. Claude-3.7 Sonnet Anthropic muncul sebagai model yang paling ramah lingkungan dalam studi ini.

Para peneliti menekankan peran penting perangkat keras dalam menentukan dampak lingkungan dari model AI. Misalnya, GPT-4o mini, yang menggunakan GPU A100 yang lebih lama, mengkonsumsi lebih banyak energi per kueri daripada GPT-4o yang lebih besar, yang beroperasi pada chip H100 yang lebih canggih. Hal ini menggarisbawahi pentingnya memanfaatkan perangkat keras mutakhir untuk meminimalkan jejak lingkungan dari AI.

Dampak Lingkungan dari Panjang Kueri

Studi ini mengungkapkan korelasi langsung antara panjang kueri dan dampak lingkungan. Kueri yang lebih panjang selalu mengarah pada konsumsi sumber daya yang lebih besar. Bahkan prompt pendek yang tampaknya tidak signifikan berkontribusi pada beban lingkungan secara keseluruhan. Satu prompt GPT-4o singkat mengkonsumsi sekitar 0,43 Wh energi. Para peneliti memperkirakan bahwa pada proyeksi OpenAI sebesar 700 juta panggilan GPT-4o per hari, total konsumsi energi tahunan dapat berkisar dari 392 hingga 463 gigawatt-jam (GWh). Untuk menempatkan ini ke dalam perspektif, itu cukup energi untuk memberi daya antara 35.000 rumah tangga Amerika setiap tahun.

Dampak Kumulatif dari Adopsi AI

Studi ini menekankan bahwa adopsi AI oleh pengguna individu dapat dengan cepat meningkat menjadi biaya lingkungan yang substansial. Nidhal Jegham, seorang peneliti di University of Rhode Island dan penulis utama studi ini, menjelaskan bahwa "Menggunakan ChatGPT-4o setiap tahunnya mengkonsumsi air sebanyak kebutuhan minum 1,2 juta orang setiap tahun." Jegham memperingatkan bahwa sementara dampak lingkungan dari satu pesan atau prompt tampaknya dapat diabaikan, "setelah Anda menskalakannya, terutama seberapa besar AI berkembang di seluruh indeks, itu benar-benar menjadi masalah yang meningkat."

Menggali Lebih Dalam Metrik Dampak Lingkungan

Untuk sepenuhnya menghargai implikasi dari temuan studi ini, pemeriksaan yang lebih rinci tentang metrik lingkungan yang digunakan untuk mengevaluasi model AI sangat penting. Bagian berikut memberikan uraian tentang metrik utama:

Konsumsi Energi

Konsumsi energi adalah ukuran mendasar dari daya listrik yang dibutuhkan untuk mengoperasikan model AI. Studi ini mengkuantifikasi konsumsi energi dalam watt-jam (Wh) per kueri, memungkinkan perbandingan langsung dari efisiensi energi dari model yang berbeda. Meminimalkan konsumsi energi sangat penting untuk mengurangi jejak karbon dan dampak lingkungan secara keseluruhan dari AI.

Faktor-faktor yang Mempengaruhi Konsumsi Energi:

• Ukuran dan Kompleksitas Model: Model yang lebih besar dan lebih kompleks biasanya membutuhkan lebih banyak energi untuk beroperasi daripada model yang lebih kecil dan lebih sederhana.
• Efisiensi Perangkat Keras: GPU dan komponen perangkat keras lainnya yang digunakan untuk menjalankan model AI memainkan peran penting dalam konsumsi energi. Perangkat keras yang lebih canggih dan hemat energi dapat secara substansial mengurangi jejak energi AI.
• Panjang dan Kompleksitas Kueri: Kueri yang lebih panjang dan lebih kompleks umumnya membutuhkan lebih banyak sumber daya komputasi dan dengan demikian mengkonsumsi lebih banyak energi.
• Teknik Optimasi: Berbagai teknik optimasi, seperti kompresi model dan kuantisasi, dapat mengurangi konsumsi energi model AI tanpa mengorbankan akurasi.

Penggunaan Air

Penggunaan air adalah aspek yang sering diabaikan dari dampak lingkungan dari AI. Pusat data, yang menampung server yang menjalankan model AI, membutuhkan air dalam jumlah besar untuk pendinginan. Studi ini memperkirakan penggunaan air berdasarkan konsumsi energi dari pusat data dan intensitas air dari jaringan listrik regional yang memasok listrik ke pusat data tersebut.

Faktor-faktor yang Mempengaruhi Penggunaan Air:

• Persyaratan Pendinginan: Pusat data menghasilkan panas yang signifikan dan membutuhkan sistem pendingin untuk mempertahankan suhu operasi yang optimal. Air sering digunakan sebagai pendingin, baik secara langsung maupun tidak langsung melalui menara pendingin.
• Intensitas Air Jaringan Listrik: Intensitas air jaringan listrik mengacu pada jumlah air yang dibutuhkan untuk menghasilkan unit listrik. Jaringan listrik yang sangat bergantung pada pembangkit listrik termoelektrik, yang menggunakan air untuk pendinginan, memiliki intensitas air yang lebih tinggi.
• Lokasi Pusat Data: Pusat data yang berlokasi di daerah kering atau daerah dengan masalah kelangkaan air dapat memperburuk dampak lingkungan dari AI.

Emisi Karbon

Emisi karbon adalah pendorong utama perubahan iklim. Studi ini menghitung emisi karbon berdasarkan konsumsi energi dari model AI dan intensitas karbon dari jaringan listrik regional. Intensitas karbon mengacu pada jumlah karbon dioksida yang dipancarkan per unit listrik yang dihasilkan.

Faktor-faktor yang Mempengaruhi Emisi Karbon:

• Sumber Energi: Jenis energi yang digunakan untuk memberi daya pada pusat data memiliki dampak yang signifikan terhadap emisi karbon. Sumber energi terbarukan, seperti tenaga surya dan tenaga angin, memiliki intensitas karbon yang jauh lebih rendah daripada bahan bakar fosil seperti batu bara dan gas alam.
• Intensitas Karbon Jaringan Listrik: Intensitas karbon jaringan listrik bervariasi tergantung pada campuran sumber energi yang digunakan untuk menghasilkan listrik. Daerah dengan proporsi sumber energi terbarukan yang lebih tinggi memiliki intensitas karbon yang lebih rendah.
• Efisiensi Energi: Mengurangi konsumsi energi adalah cara paling efektif mengurangi emisi karbon.

Implikasi dan Rekomendasi

Temuan studi ini memiliki implikasi yang signifikan bagi pengembang AI, pembuat kebijakan, dan pengguna akhir. Dampak lingkungan dari AI tidak dapat diabaikan dan perlu dipertimbangkan dengan cermat karena teknologi AI terus berkembang dan berkembang biak.

Rekomendasi untuk Pengembang AI:

• Prioritaskan Efisiensi Energi: Pengembang AI harus memprioritaskan efisiensi energi saat merancang dan melatih model AI. Ini termasuk menggunakan model yang lebih kecil, mengoptimalkan kode, dan memanfaatkan perangkat keras yang efisien.
• Jelajahi Sumber Energi Terbarukan: Perusahaan AI harus menjajaki peluang untuk memberi daya pada pusat data mereka dengan sumber energi terbarukan. Ini secara signifikan dapat mengurangi jejak karbon AI.
• Berinvestasi dalam Konservasi Air: Pusat data harus berinvestasi dalam teknologi konservasi air untuk meminimalkan penggunaan air. Ini termasuk menggunakan sistem pendingin loop tertutup dan pemanenan air hujan.
• Transparansi dan Pelaporan: Perusahaan AI harus transparan tentang dampak lingkungan dari model mereka dan melaporkan metrik utama seperti konsumsi energi, penggunaan air, dan emisi karbon.

Rekomendasi untuk Pembuat Kebijakan:

• Mendorong AI Hijau: Pembuat kebijakan harus mendorong pengembangan dan penyebaran teknologi AI hijau melalui kredit pajak, subsidi, dan insentif lainnya.
• Mengatur Konsumsi Energi Pusat Data: Pembuat kebijakan harus mengatur konsumsi energi pusat data untuk memastikan bahwa pusat data beroperasi seefisien mungkin.
• Promosikan Adopsi Energi Terbarukan: Pembuat kebijakan harus mempromosikan adopsi sumber energi terbarukan untuk mengurangi intensitas karbon jaringan listrik.
• Mendukung Penelitian dan Pengembangan: Pembuat kebijakan harus mendukung penelitian dan pengembangan teknologi baru yang dapat mengurangi dampak lingkungan dari AI.

Rekomendasi untuk Pengguna Akhir:

• Perhatikan Penggunaan AI: Pengguna akhir harus memperhatikan penggunaan AI mereka dan menghindari kueri yang tidak perlu atau sembrono.
• Pilih Model AI Ramah Lingkungan: Jika memungkinkan, pengguna akhir harus memilih model AI yang diketahui lebih hemat energi.
• Dukung Praktik AI Berkelanjutan: Pengguna akhir dapat mendukung praktik AI berkelanjutan dengan memilih produk dan layanan AI dari perusahaan yang berkomitmen pada tanggung jawab lingkungan.

Arah Penelitian Masa Depan

Studi ini menyoroti perlunya penelitian lebih lanjut tentang dampak lingkungan dari AI. Penelitian di masa depan harus fokus pada bidang-bidang berikut:

• Penilaian Siklus Hidup: Melakukan penilaian siklus hidup yang komprehensif dari model AI, dari pengembangan hingga pembuangan, untuk mengidentifikasi semua potensi dampak lingkungan.
• Dampak Pelatihan: Menyelidiki dampak lingkungan dari pelatihan model AI, yang dapat secara signifikan lebih tinggi daripada dampak inferensi.
• Dampak AI pada Sektor Lain: Memeriksa dampak AI pada sektor ekonomi lainnya, seperti transportasi dan manufaktur, untuk memahami konsekuensi lingkungan secara keseluruhan dari adopsi AI.
• Pengembangan Metrik Baru: Mengembangkan metrik baru untuk menilai dampak lingkungan dari AI, seperti metrik yang memperhitungkan energi dan material yang terkandung dalam perangkat keras AI.

Kesimpulan

Dampak lingkungan dari LLM adalah masalah kompleks dan multifaset yang membutuhkan pertimbangan yang cermat. Temuan dari studi ini memberikan wawasan berharga tentang biaya energi, air, dan karbon yang terkait dengan alat AI populer. Dengan memahami biaya ini, pengembang AI, pembuat kebijakan, dan pengguna akhir dapat mengambil langkah-langkah untuk meminimalkan jejak lingkungan AI dan memastikan bahwa teknologi AI dikembangkan dan diterapkan secara berkelanjutan. Karena AI menjadi lebih terintegrasi ke dalam hidup kita, sangat penting untuk memprioritaskan keberlanjutan dan bekerja sama untuk menciptakan masa depan di mana AI bermanfaat bagi masyarakat tanpa merusak lingkungan.