Saat ini, meskipun model AI besar yang diwakili oleh ChatGPT telah membawa perubahan besar pada masyarakat manusia, model ini juga kontroversial karena konsumsi energi.
Publikasi terbaru The Economist menyatakan: Fasilitas komputasi berkinerja tinggi, termasuk superkomputer, menjadi konsumen energi utama. **Menurut Badan Energi Internasional, pusat data menyumbang 1,5% hingga 2% dari konsumsi listrik global, kira-kira setara dengan konsumsi listrik di seluruh perekonomian Inggris. **Angka ini diperkirakan akan meningkat menjadi 4% pada tahun 2030.
**Kecerdasan buatan tidak hanya mengkonsumsi listrik, tetapi juga air. ** Menurut laporan lingkungan hidup tahun 2023 yang dirilis oleh Google, sektor ini akan mengonsumsi 5,6 miliar galon (sekitar 21,2 miliar liter) air pada tahun 2022, yang setara dengan air di 37 lapangan golf. Dari jumlah tersebut, 5,2 miliar galon disalurkan ke pusat data perusahaan, meningkat 20% dibandingkan tahun 2021.
Dalam menghadapi biaya konsumsi energi yang besar, kecerdasan buatan (AI) ingin bergerak menuju masa depan, dan ekonomi telah menjadi masalah nyata yang harus segera diselesaikan oleh ChatGPT. Dan jika masalah konsumsi energi ingin diselesaikan, setiap langkah optimalisasi berdasarkan teknologi dan arsitektur yang ada akan menghentikan permasalahan tersebut.Dalam konteks ini, terobosan teknologi mutakhir mungkin menjadi solusi akhir untuk konsumsi energi AI. dilema. .
AI memakan energi
Dari hakikat komputasi, komputasi adalah proses mengubah data dari ketidakteraturan menjadi keteraturan, dan proses ini memerlukan masukan energi dalam jumlah tertentu.
Dari perspektif kuantitas saja, menurut statistik yang tidak lengkap, sekitar 5% pembangkit listrik global pada tahun 2020 akan digunakan untuk konsumsi daya komputasi, dan angka ini dapat meningkat menjadi sekitar 15% hingga 25% pada tahun 2030, yaitu, Dikatakan bahwa proporsi konsumsi listrik di industri komputasi akan setara dengan industri besar yang mengonsumsi energi seperti industri.
Pada tahun 2020, konsumsi listrik pusat data Tiongkok akan melebihi 200 miliar kWh, dua kali lipat dari gabungan pembangkitan listrik Bendungan Tiga Ngarai dan Pembangkit Listrik Gezhouba (sekitar 100 miliar kWh).
Faktanya, bagi industri komputasi, biaya listrik juga menjadi biaya inti selain biaya chip.
**Jika listrik yang dikonsumsi tidak dihasilkan dari energi terbarukan, maka akan terjadi emisi karbon. Inilah sebabnya mengapa model pembelajaran mesin juga menghasilkan emisi karbon. ChatGPT tidak terkecuali. **
Data menunjukkan bahwa pelatihan GPT-3 menghabiskan 1287MWh (megawatt-jam), yang setara dengan mengeluarkan 552 ton karbon. Dalam hal ini, peneliti data berkelanjutan Caspar Ludwigsen juga menganalisis: "Emisi GPT-3 yang besar sebagian dapat dijelaskan oleh fakta bahwa GPT-3 dilatih pada perangkat keras yang lebih tua dan kurang efisien, namun karena tidak ada cara standar untuk mengukur emisi CO2, angka-angka ini didasarkan pada perkiraan. Selain itu, standar berapa bagian dari nilai emisi karbon ini harus dialokasikan untuk pelatihan ChatGPT juga relatif tidak jelas. Perlu dicatat bahwa karena pembelajaran penguatan itu sendiri memerlukan tambahan Ini mengkonsumsi listrik, sehingga karbon emisi yang dihasilkan oleh ChatGPT selama tahap pelatihan model harus lebih besar dari nilai ini.” Jika dihitung hanya dengan 552 ton emisi, jumlah ini setara dengan konsumsi energi tahunan 126 rumah tangga di Denmark.
**Dalam tahap pengoperasian, meskipun konsumsi daya dari tindakan masyarakat saat mengoperasikan ChatGPT sangat kecil, namun juga dapat menjadi sumber emisi karbon terbesar kedua karena mungkin terdapat satu miliar kali sehari di dunia. **
Salah satu pendiri Databoxer, Chris Bolton, menjelaskan salah satu metode penghitungan, "Pertama, kami memperkirakan bahwa setiap kata respons memerlukan waktu 0,35 detik pada GPU A100, dengan asumsi 1 juta pengguna dengan 10 pertanyaan per pengguna, menghasilkan 1.000 10.000 respons dan 300 juta kata per hari, masing-masing kata adalah 0,35 detik, maka dapat dihitung GPU A100 berjalan selama 29167 jam per hari."
Cloud Carbon Footprint mencantumkan konsumsi daya minimum GPU A100 di pusat data Azure sebesar 46W dan konsumsi daya maksimum sebesar 407W. Karena kemungkinan besar tidak banyak prosesor ChatGPT yang menganggur, konsumsi daya harian akan mencapai 11870kWh di bagian atas jangkauan.
Chris Bolton berkata: "Faktor emisi di Amerika Serikat bagian barat adalah 0,000322167 ton/kWh, sehingga akan menghasilkan 3,82 ton setara karbon dioksida per hari. Rata-rata orang Amerika menghasilkan sekitar 15 ton setara karbon dioksida per tahun. Dengan kata lain, jumlah ini setara dengan emisi karbon dioksida tahunan yang dihasilkan oleh 93 orang Amerika. Angka ini sebanding.”
Meskipun atribut “virtual” memudahkan orang untuk mengabaikan buku karbon produk digital, pada kenyataannya, Internet telah lama menjadi salah satu mesin bertenaga batu bara terbesar di planet ini. **Sebuah studi di Berkeley mengenai topik konsumsi daya dan kecerdasan buatan berpendapat bahwa kecerdasan buatan hampir memakan energi. **
Misalnya, model bahasa Google yang telah dilatih sebelumnya, T5, menggunakan 86 megawatt listrik dan menghasilkan 47 metrik ton emisi CO2; chatbot lapangan terbuka multi-putaran Google, Meena, menggunakan 232 megawatt listrik dan menghasilkan 96 metrik ton emisi CO2; Terjemahan bahasa kerangka kerja yang dikembangkan oleh Google - GShard menggunakan 24 megawatt listrik dan menghasilkan 4,3 metrik ton emisi karbon dioksida; algoritma perutean Switch Transformer yang dikembangkan oleh Google menggunakan 179 megawatt listrik dan menghasilkan 59 metrik ton emisi karbon dioksida.
Kekuatan komputasi yang digunakan dalam pembelajaran mendalam telah meningkat sebesar 300.000 kali lipat antara tahun 2012 dan 2018, menjadikan GPT-3 sebagai salah satu yang memiliki dampak iklim terbesar. Namun bila bekerja bersamaan dengan otak manusia, konsumsi energi otak manusia hanya 0,002% dari konsumsi energi mesin.
Tidak hanya mengkonsumsi listrik, tetapi juga mengkonsumsi air
Selain konsumsi daya yang sangat besar, kecerdasan buatan juga sangat memakan air.
Padahal, baik konsumsi listrik maupun konsumsi air, tidak lepas dari pusat digital, pilar dunia digital. Sebagai server dan peralatan jaringan yang menggerakkan internet dan menyimpan data dalam jumlah besar, pusat data global memerlukan banyak energi untuk beroperasi, dan sistem pendingin adalah salah satu pendorong utama konsumsi energi. **
Kenyataannya adalah pusat data super besar mengonsumsi hampir 100 juta kilowatt-jam listrik setiap tahunnya, dan pengembangan AI generatif semakin meningkatkan konsumsi energi pusat data. Karena model skala besar sering kali memerlukan puluhan ribu GPU, periode pelatihan dapat berkisar dari beberapa minggu hingga beberapa bulan, dan diperlukan daya dalam jumlah besar dalam prosesnya.
Server pusat data menghasilkan banyak energi panas selama pengoperasian, dan pendinginan air adalah metode paling umum untuk server, yang pada gilirannya menyebabkan konsumsi daya air yang besar. Data menunjukkan bahwa GPT-3 mengonsumsi hampir 700 ton air selama pelatihan, dan kemudian mengonsumsi 500 mililiter air untuk setiap 20-50 pertanyaan yang dijawab.
Menurut studi yang dilakukan Virginia Tech, pusat data mengonsumsi rata-rata 401 ton air per hari untuk pendinginan, setara dengan konsumsi air 100.000 rumah tangga. Meta menggunakan lebih dari 2,6 juta meter kubik (sekitar 697 juta galon) air pada tahun 2022, sebagian besar untuk pusat data. Model bahasa skala besar terbarunya, "Llama 2", juga membutuhkan banyak air untuk dilatih. Meski begitu, pada tahun 2022, seperlima pusat data Meta akan mengalami “kekurangan air”.
Selain itu, chip infrastruktur penting lainnya untuk kecerdasan buatan, proses pembuatannya juga merupakan proses yang menghabiskan banyak energi dan sumber daya air. Dari segi energi, proses pembuatan chip membutuhkan daya yang besar, terutama chip proses lanjutan. Laporan "Konsumsi Daya Rantai Pasokan Elektronik Konsumen dan Perkiraan Emisi Karbon" dari organisasi lingkungan internasional Greenpeace Divisi Asia Timur mempelajari emisi karbon dari 13 perusahaan manufaktur elektronik terkemuka di Asia Timur, termasuk Samsung Electronics dan TSMC, dan mengatakan bahwa industri manufaktur elektronik, khususnya industri semikonduktor Emisi karbon melonjak, dan konsumsi listrik industri semikonduktor global akan melonjak hingga 237 terawatt jam pada tahun 2030.
Dalam hal konsumsi sumber daya air, proses wafer silikon memerlukan pembersihan "air ultra-murni", dan semakin tinggi proses pembuatan chip, semakin banyak konsumsi air. Dibutuhkan sekitar 32 kilogram air untuk menghasilkan sebuah chip komputer seberat 2 gram. Pembuatan wafer berukuran 8 inci menghabiskan sekitar 250 ton air per jam, dan wafer 12 inci dapat mencapai 500 ton.
**TSMC memiliki kapasitas produksi wafer tahunan sekitar 30 juta wafer, dan produksi chip mengkonsumsi sekitar 80 juta ton air. Sumber daya air yang memadai menjadi syarat penting bagi berkembangnya industri chip. **Pada bulan Juli 2023, Kementerian Ekonomi, Perdagangan dan Industri Jepang memutuskan untuk membentuk sistem baru untuk memberikan subsidi bagi pembangunan fasilitas yang memasok air industri ke pabrik semikonduktor guna memastikan air industri yang dibutuhkan untuk produksi semikonduktor.
Dalam jangka panjang, promosi dan penerapan AI generatif dan kendaraan tanpa awak akan mendorong pertumbuhan lebih lanjut dalam industri manufaktur chip, yang diikuti dengan konsumsi sumber daya energi yang besar.
**Siapa yang dapat menyelamatkan AI dari konsumsi energi? **
Dapat dikatakan bahwa saat ini konsumsi energi telah menjadi kelemahan yang membatasi pengembangan AI. Menurut jalur teknis dan model pengembangan saat ini, kemajuan AI akan menimbulkan dua masalah:
**Di satu sisi, skala pusat data akan menjadi semakin besar, dan konsumsi dayanya juga akan meningkat, dan pengoperasiannya akan menjadi semakin lambat. **
Tentu saja, dengan mempopulerkan aplikasi AI, permintaan AI terhadap sumber daya pusat data akan meningkat secara dramatis. Pusat data berskala besar memerlukan listrik dalam jumlah besar untuk menjalankan server, perangkat penyimpanan, dan sistem pendingin. Hal ini menyebabkan peningkatan konsumsi energi, sekaligus meningkatkan permasalahan stabilitas pasokan energi dan dampak terhadap lingkungan. Pertumbuhan pusat data yang berkelanjutan juga dapat memberikan tekanan pada pasokan energi, dan ketergantungan pada sumber energi tradisional untuk memenuhi kebutuhan energi pusat data dapat mengakibatkan kenaikan harga energi dan ketidakstabilan pasokan. Tentu saja, tingginya konsumsi energi pusat data juga berdampak pada lingkungan, termasuk emisi CO2 dan konsumsi energi.
**Di sisi lain, chip AI berevolusi menuju daya komputasi tinggi dan integrasi tinggi, mengandalkan proses manufaktur untuk mendukung pertumbuhan daya komputasi puncak. Seiring dengan semakin majunya proses manufaktur, konsumsi daya dan konsumsi air juga meningkat. **
Jadi, dalam menghadapi konsumsi energi AI yang begitu besar, apakah kita punya cara yang lebih baik? Faktanya, cara terbaik untuk memecahkan dilema teknis adalah dengan mengembangkan teknologi baru.
Di satu sisi, kemajuan AI di era pasca-Moore memerlukan penemuan paradigma dan metode baru yang lebih kredibel.
Faktanya, saat ini, alasan mengapa kecerdasan buatan akan membawa masalah konsumsi energi yang besar berkaitan erat dengan cara kecerdasan buatan mewujudkan kecerdasan.
Kita dapat membandingkan konstruksi dan pengoperasian jaringan syaraf tiruan pada tahap ini dengan sekelompok “neuron” buatan independen yang bekerja bersama. Setiap neuron seperti unit komputasi kecil yang menerima informasi, melakukan beberapa perhitungan, dan menghasilkan keluaran. Jaringan saraf tiruan saat ini dibangun dengan merancang secara cerdik bagaimana unit-unit komputasi ini terhubung sehingga, setelah dilatih, mereka dapat melakukan tugas-tugas tertentu.
Namun jaringan syaraf tiruan juga mempunyai keterbatasan. Misalnya, jika kita perlu menggunakan jaringan saraf untuk membedakan lingkaran dan persegi. Salah satu pendekatannya adalah dengan menempatkan dua neuron pada lapisan keluaran, satu untuk lingkaran dan satu lagi untuk persegi. Namun, jika kita ingin jaringan saraf juga dapat membedakan warna suatu bentuk, seperti biru dan merah, maka kita memerlukan empat neuron keluaran: lingkaran biru, kotak biru, lingkaran merah, dan kotak merah.
Artinya, seiring dengan meningkatnya kompleksitas tugas, struktur jaringan saraf juga memerlukan lebih banyak neuron untuk memproses lebih banyak informasi. Alasannya adalah cara jaringan saraf tiruan mencapai kecerdasan bukanlah cara otak manusia memandang alam, tetapi "untuk semua kombinasi, sistem saraf kecerdasan buatan harus memiliki neuron yang sesuai."
Sebaliknya, otak manusia dapat melakukan sebagian besar pembelajaran dengan mudah, karena informasi di otak diwakili oleh aktivitas sejumlah besar neuron. Artinya, persepsi otak manusia terhadap kotak merah tidak dikodekan sebagai aktivitas satu neuron, tetapi dikodekan sebagai aktivitas ribuan neuron. Kumpulan neuron yang sama, yang diaktifkan dengan cara berbeda, dapat mewakili konsep yang sangat berbeda.
**Seperti yang Anda lihat, komputasi otak manusia adalah metode komputasi yang sangat berbeda. Dan jika metode penghitungan ini diterapkan pada teknologi kecerdasan buatan, maka akan sangat mengurangi konsumsi energi kecerdasan buatan. **Dan metode perhitungan ini disebut "perhitungan super-dimensi". Yaitu dengan meniru metode perhitungan otak manusia, dan menggunakan ruang matematika berdimensi tinggi untuk melakukan perhitungan guna mencapai proses perhitungan yang lebih efisien dan cerdas.
Misalnya model desain arsitektur tradisional adalah dua dimensi, kita hanya dapat menggambar gambar pada bidang datar, setiap gambar mewakili aspek bangunan yang berbeda, seperti tata letak lantai dan jalur kabel. Namun seiring dengan semakin kompleksnya bangunan, kita memerlukan lebih banyak gambar untuk mewakili semua detailnya, yang memakan banyak waktu dan kertas.
Dan komputasi hiperdimensi tampaknya memberi kita metode desain baru. Kita dapat mendesain bangunan dalam tiga dimensi, dengan masing-masing dimensi mewakili properti seperti panjang, lebar, tinggi, material, warna, dll. Selain itu, kita juga dapat mendesain ruang dengan dimensi lebih tinggi, seperti dimensi keempat yang mewakili perubahan bangunan pada titik waktu berbeda. Hal ini memungkinkan kami menyelesaikan semua desain dalam satu gambar super, menghilangkan kebutuhan akan sekumpulan gambar 2D, yang sangat meningkatkan efisiensi.
Demikian pula, konsumsi energi dalam pelatihan AI dapat dibandingkan dengan desain bangunan. Pembelajaran mendalam tradisional memerlukan sumber daya komputasi dalam jumlah besar untuk memproses setiap fitur atau atribut, sedangkan komputasi hiperdimensi menempatkan semua fitur dalam ruang berdimensi tinggi untuk diproses. Dengan cara ini, AI dapat melihat beberapa fitur secara bersamaan hanya dengan melakukan penghitungan satu kali, sehingga menghemat banyak waktu penghitungan dan konsumsi energi.
**Di sisi lain, temukan solusi sumber daya energi baru, misalnya teknologi fusi nuklir. **Teknologi pembangkit listrik fusi nuklir dianggap sebagai salah satu solusi akhir masalah emisi karbon global karena pada dasarnya tidak menghasilkan limbah nuklir dan tidak menimbulkan polusi emisi karbon selama proses produksinya.
Pada Mei 2023, Microsoft menandatangani perjanjian pembelian dengan Helion Energy, sebuah perusahaan rintisan fusi nuklir, menjadi pelanggan pertama perusahaan tersebut dan akan membeli listriknya ketika perusahaan tersebut membangun pembangkit listrik fusi nuklir pertama di dunia pada tahun 2028. Selain itu, dalam jangka panjang, bahkan jika AI mencapai pengurangan konsumsi energi per unit daya komputasi melalui lampu komputasi ultra-dimensi, terobosan dalam teknologi fusi nuklir atau teknologi energi rendah karbon lainnya masih dapat membuat pengembangan AI tidak lagi dibatasi oleh karbon. emisi Masih memiliki dukungan dan promosi yang signifikan.
Bagaimanapun, masalah konsumsi energi dan sumber daya yang disebabkan oleh teknologi hanya dapat diselesaikan secara mendasar pada tingkat teknis. Teknologi membatasi perkembangan teknologi dan juga mendorong perkembangan teknologi, yang telah terjadi sejak zaman kuno.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Konsumsi daya dan konsumsi air, siapa yang dapat menghemat konsumsi energi AI?
Sumber asli: Chen Gen berbicara tentang teknologi
Saat ini, meskipun model AI besar yang diwakili oleh ChatGPT telah membawa perubahan besar pada masyarakat manusia, model ini juga kontroversial karena konsumsi energi.
Publikasi terbaru The Economist menyatakan: Fasilitas komputasi berkinerja tinggi, termasuk superkomputer, menjadi konsumen energi utama. **Menurut Badan Energi Internasional, pusat data menyumbang 1,5% hingga 2% dari konsumsi listrik global, kira-kira setara dengan konsumsi listrik di seluruh perekonomian Inggris. **Angka ini diperkirakan akan meningkat menjadi 4% pada tahun 2030.
**Kecerdasan buatan tidak hanya mengkonsumsi listrik, tetapi juga air. ** Menurut laporan lingkungan hidup tahun 2023 yang dirilis oleh Google, sektor ini akan mengonsumsi 5,6 miliar galon (sekitar 21,2 miliar liter) air pada tahun 2022, yang setara dengan air di 37 lapangan golf. Dari jumlah tersebut, 5,2 miliar galon disalurkan ke pusat data perusahaan, meningkat 20% dibandingkan tahun 2021.
Dalam menghadapi biaya konsumsi energi yang besar, kecerdasan buatan (AI) ingin bergerak menuju masa depan, dan ekonomi telah menjadi masalah nyata yang harus segera diselesaikan oleh ChatGPT. Dan jika masalah konsumsi energi ingin diselesaikan, setiap langkah optimalisasi berdasarkan teknologi dan arsitektur yang ada akan menghentikan permasalahan tersebut.Dalam konteks ini, terobosan teknologi mutakhir mungkin menjadi solusi akhir untuk konsumsi energi AI. dilema. .
AI memakan energi
Dari hakikat komputasi, komputasi adalah proses mengubah data dari ketidakteraturan menjadi keteraturan, dan proses ini memerlukan masukan energi dalam jumlah tertentu.
Dari perspektif kuantitas saja, menurut statistik yang tidak lengkap, sekitar 5% pembangkit listrik global pada tahun 2020 akan digunakan untuk konsumsi daya komputasi, dan angka ini dapat meningkat menjadi sekitar 15% hingga 25% pada tahun 2030, yaitu, Dikatakan bahwa proporsi konsumsi listrik di industri komputasi akan setara dengan industri besar yang mengonsumsi energi seperti industri.
Pada tahun 2020, konsumsi listrik pusat data Tiongkok akan melebihi 200 miliar kWh, dua kali lipat dari gabungan pembangkitan listrik Bendungan Tiga Ngarai dan Pembangkit Listrik Gezhouba (sekitar 100 miliar kWh).
Faktanya, bagi industri komputasi, biaya listrik juga menjadi biaya inti selain biaya chip.
**Jika listrik yang dikonsumsi tidak dihasilkan dari energi terbarukan, maka akan terjadi emisi karbon. Inilah sebabnya mengapa model pembelajaran mesin juga menghasilkan emisi karbon. ChatGPT tidak terkecuali. **
Data menunjukkan bahwa pelatihan GPT-3 menghabiskan 1287MWh (megawatt-jam), yang setara dengan mengeluarkan 552 ton karbon. Dalam hal ini, peneliti data berkelanjutan Caspar Ludwigsen juga menganalisis: "Emisi GPT-3 yang besar sebagian dapat dijelaskan oleh fakta bahwa GPT-3 dilatih pada perangkat keras yang lebih tua dan kurang efisien, namun karena tidak ada cara standar untuk mengukur emisi CO2, angka-angka ini didasarkan pada perkiraan. Selain itu, standar berapa bagian dari nilai emisi karbon ini harus dialokasikan untuk pelatihan ChatGPT juga relatif tidak jelas. Perlu dicatat bahwa karena pembelajaran penguatan itu sendiri memerlukan tambahan Ini mengkonsumsi listrik, sehingga karbon emisi yang dihasilkan oleh ChatGPT selama tahap pelatihan model harus lebih besar dari nilai ini.” Jika dihitung hanya dengan 552 ton emisi, jumlah ini setara dengan konsumsi energi tahunan 126 rumah tangga di Denmark.
**Dalam tahap pengoperasian, meskipun konsumsi daya dari tindakan masyarakat saat mengoperasikan ChatGPT sangat kecil, namun juga dapat menjadi sumber emisi karbon terbesar kedua karena mungkin terdapat satu miliar kali sehari di dunia. **
Salah satu pendiri Databoxer, Chris Bolton, menjelaskan salah satu metode penghitungan, "Pertama, kami memperkirakan bahwa setiap kata respons memerlukan waktu 0,35 detik pada GPU A100, dengan asumsi 1 juta pengguna dengan 10 pertanyaan per pengguna, menghasilkan 1.000 10.000 respons dan 300 juta kata per hari, masing-masing kata adalah 0,35 detik, maka dapat dihitung GPU A100 berjalan selama 29167 jam per hari."
Cloud Carbon Footprint mencantumkan konsumsi daya minimum GPU A100 di pusat data Azure sebesar 46W dan konsumsi daya maksimum sebesar 407W. Karena kemungkinan besar tidak banyak prosesor ChatGPT yang menganggur, konsumsi daya harian akan mencapai 11870kWh di bagian atas jangkauan.
Chris Bolton berkata: "Faktor emisi di Amerika Serikat bagian barat adalah 0,000322167 ton/kWh, sehingga akan menghasilkan 3,82 ton setara karbon dioksida per hari. Rata-rata orang Amerika menghasilkan sekitar 15 ton setara karbon dioksida per tahun. Dengan kata lain, jumlah ini setara dengan emisi karbon dioksida tahunan yang dihasilkan oleh 93 orang Amerika. Angka ini sebanding.”
Meskipun atribut “virtual” memudahkan orang untuk mengabaikan buku karbon produk digital, pada kenyataannya, Internet telah lama menjadi salah satu mesin bertenaga batu bara terbesar di planet ini. **Sebuah studi di Berkeley mengenai topik konsumsi daya dan kecerdasan buatan berpendapat bahwa kecerdasan buatan hampir memakan energi. **
Misalnya, model bahasa Google yang telah dilatih sebelumnya, T5, menggunakan 86 megawatt listrik dan menghasilkan 47 metrik ton emisi CO2; chatbot lapangan terbuka multi-putaran Google, Meena, menggunakan 232 megawatt listrik dan menghasilkan 96 metrik ton emisi CO2; Terjemahan bahasa kerangka kerja yang dikembangkan oleh Google - GShard menggunakan 24 megawatt listrik dan menghasilkan 4,3 metrik ton emisi karbon dioksida; algoritma perutean Switch Transformer yang dikembangkan oleh Google menggunakan 179 megawatt listrik dan menghasilkan 59 metrik ton emisi karbon dioksida.
Kekuatan komputasi yang digunakan dalam pembelajaran mendalam telah meningkat sebesar 300.000 kali lipat antara tahun 2012 dan 2018, menjadikan GPT-3 sebagai salah satu yang memiliki dampak iklim terbesar. Namun bila bekerja bersamaan dengan otak manusia, konsumsi energi otak manusia hanya 0,002% dari konsumsi energi mesin.
Tidak hanya mengkonsumsi listrik, tetapi juga mengkonsumsi air
Selain konsumsi daya yang sangat besar, kecerdasan buatan juga sangat memakan air.
Padahal, baik konsumsi listrik maupun konsumsi air, tidak lepas dari pusat digital, pilar dunia digital. Sebagai server dan peralatan jaringan yang menggerakkan internet dan menyimpan data dalam jumlah besar, pusat data global memerlukan banyak energi untuk beroperasi, dan sistem pendingin adalah salah satu pendorong utama konsumsi energi. **
Kenyataannya adalah pusat data super besar mengonsumsi hampir 100 juta kilowatt-jam listrik setiap tahunnya, dan pengembangan AI generatif semakin meningkatkan konsumsi energi pusat data. Karena model skala besar sering kali memerlukan puluhan ribu GPU, periode pelatihan dapat berkisar dari beberapa minggu hingga beberapa bulan, dan diperlukan daya dalam jumlah besar dalam prosesnya.
Server pusat data menghasilkan banyak energi panas selama pengoperasian, dan pendinginan air adalah metode paling umum untuk server, yang pada gilirannya menyebabkan konsumsi daya air yang besar. Data menunjukkan bahwa GPT-3 mengonsumsi hampir 700 ton air selama pelatihan, dan kemudian mengonsumsi 500 mililiter air untuk setiap 20-50 pertanyaan yang dijawab.
Menurut studi yang dilakukan Virginia Tech, pusat data mengonsumsi rata-rata 401 ton air per hari untuk pendinginan, setara dengan konsumsi air 100.000 rumah tangga. Meta menggunakan lebih dari 2,6 juta meter kubik (sekitar 697 juta galon) air pada tahun 2022, sebagian besar untuk pusat data. Model bahasa skala besar terbarunya, "Llama 2", juga membutuhkan banyak air untuk dilatih. Meski begitu, pada tahun 2022, seperlima pusat data Meta akan mengalami “kekurangan air”.
Selain itu, chip infrastruktur penting lainnya untuk kecerdasan buatan, proses pembuatannya juga merupakan proses yang menghabiskan banyak energi dan sumber daya air. Dari segi energi, proses pembuatan chip membutuhkan daya yang besar, terutama chip proses lanjutan. Laporan "Konsumsi Daya Rantai Pasokan Elektronik Konsumen dan Perkiraan Emisi Karbon" dari organisasi lingkungan internasional Greenpeace Divisi Asia Timur mempelajari emisi karbon dari 13 perusahaan manufaktur elektronik terkemuka di Asia Timur, termasuk Samsung Electronics dan TSMC, dan mengatakan bahwa industri manufaktur elektronik, khususnya industri semikonduktor Emisi karbon melonjak, dan konsumsi listrik industri semikonduktor global akan melonjak hingga 237 terawatt jam pada tahun 2030.
Dalam hal konsumsi sumber daya air, proses wafer silikon memerlukan pembersihan "air ultra-murni", dan semakin tinggi proses pembuatan chip, semakin banyak konsumsi air. Dibutuhkan sekitar 32 kilogram air untuk menghasilkan sebuah chip komputer seberat 2 gram. Pembuatan wafer berukuran 8 inci menghabiskan sekitar 250 ton air per jam, dan wafer 12 inci dapat mencapai 500 ton.
**TSMC memiliki kapasitas produksi wafer tahunan sekitar 30 juta wafer, dan produksi chip mengkonsumsi sekitar 80 juta ton air. Sumber daya air yang memadai menjadi syarat penting bagi berkembangnya industri chip. **Pada bulan Juli 2023, Kementerian Ekonomi, Perdagangan dan Industri Jepang memutuskan untuk membentuk sistem baru untuk memberikan subsidi bagi pembangunan fasilitas yang memasok air industri ke pabrik semikonduktor guna memastikan air industri yang dibutuhkan untuk produksi semikonduktor.
Dalam jangka panjang, promosi dan penerapan AI generatif dan kendaraan tanpa awak akan mendorong pertumbuhan lebih lanjut dalam industri manufaktur chip, yang diikuti dengan konsumsi sumber daya energi yang besar.
**Siapa yang dapat menyelamatkan AI dari konsumsi energi? **
Dapat dikatakan bahwa saat ini konsumsi energi telah menjadi kelemahan yang membatasi pengembangan AI. Menurut jalur teknis dan model pengembangan saat ini, kemajuan AI akan menimbulkan dua masalah:
**Di satu sisi, skala pusat data akan menjadi semakin besar, dan konsumsi dayanya juga akan meningkat, dan pengoperasiannya akan menjadi semakin lambat. **
Tentu saja, dengan mempopulerkan aplikasi AI, permintaan AI terhadap sumber daya pusat data akan meningkat secara dramatis. Pusat data berskala besar memerlukan listrik dalam jumlah besar untuk menjalankan server, perangkat penyimpanan, dan sistem pendingin. Hal ini menyebabkan peningkatan konsumsi energi, sekaligus meningkatkan permasalahan stabilitas pasokan energi dan dampak terhadap lingkungan. Pertumbuhan pusat data yang berkelanjutan juga dapat memberikan tekanan pada pasokan energi, dan ketergantungan pada sumber energi tradisional untuk memenuhi kebutuhan energi pusat data dapat mengakibatkan kenaikan harga energi dan ketidakstabilan pasokan. Tentu saja, tingginya konsumsi energi pusat data juga berdampak pada lingkungan, termasuk emisi CO2 dan konsumsi energi.
**Di sisi lain, chip AI berevolusi menuju daya komputasi tinggi dan integrasi tinggi, mengandalkan proses manufaktur untuk mendukung pertumbuhan daya komputasi puncak. Seiring dengan semakin majunya proses manufaktur, konsumsi daya dan konsumsi air juga meningkat. **
Jadi, dalam menghadapi konsumsi energi AI yang begitu besar, apakah kita punya cara yang lebih baik? Faktanya, cara terbaik untuk memecahkan dilema teknis adalah dengan mengembangkan teknologi baru.
Di satu sisi, kemajuan AI di era pasca-Moore memerlukan penemuan paradigma dan metode baru yang lebih kredibel.
Faktanya, saat ini, alasan mengapa kecerdasan buatan akan membawa masalah konsumsi energi yang besar berkaitan erat dengan cara kecerdasan buatan mewujudkan kecerdasan.
Kita dapat membandingkan konstruksi dan pengoperasian jaringan syaraf tiruan pada tahap ini dengan sekelompok “neuron” buatan independen yang bekerja bersama. Setiap neuron seperti unit komputasi kecil yang menerima informasi, melakukan beberapa perhitungan, dan menghasilkan keluaran. Jaringan saraf tiruan saat ini dibangun dengan merancang secara cerdik bagaimana unit-unit komputasi ini terhubung sehingga, setelah dilatih, mereka dapat melakukan tugas-tugas tertentu.
Namun jaringan syaraf tiruan juga mempunyai keterbatasan. Misalnya, jika kita perlu menggunakan jaringan saraf untuk membedakan lingkaran dan persegi. Salah satu pendekatannya adalah dengan menempatkan dua neuron pada lapisan keluaran, satu untuk lingkaran dan satu lagi untuk persegi. Namun, jika kita ingin jaringan saraf juga dapat membedakan warna suatu bentuk, seperti biru dan merah, maka kita memerlukan empat neuron keluaran: lingkaran biru, kotak biru, lingkaran merah, dan kotak merah.
Artinya, seiring dengan meningkatnya kompleksitas tugas, struktur jaringan saraf juga memerlukan lebih banyak neuron untuk memproses lebih banyak informasi. Alasannya adalah cara jaringan saraf tiruan mencapai kecerdasan bukanlah cara otak manusia memandang alam, tetapi "untuk semua kombinasi, sistem saraf kecerdasan buatan harus memiliki neuron yang sesuai."
Sebaliknya, otak manusia dapat melakukan sebagian besar pembelajaran dengan mudah, karena informasi di otak diwakili oleh aktivitas sejumlah besar neuron. Artinya, persepsi otak manusia terhadap kotak merah tidak dikodekan sebagai aktivitas satu neuron, tetapi dikodekan sebagai aktivitas ribuan neuron. Kumpulan neuron yang sama, yang diaktifkan dengan cara berbeda, dapat mewakili konsep yang sangat berbeda.
**Seperti yang Anda lihat, komputasi otak manusia adalah metode komputasi yang sangat berbeda. Dan jika metode penghitungan ini diterapkan pada teknologi kecerdasan buatan, maka akan sangat mengurangi konsumsi energi kecerdasan buatan. **Dan metode perhitungan ini disebut "perhitungan super-dimensi". Yaitu dengan meniru metode perhitungan otak manusia, dan menggunakan ruang matematika berdimensi tinggi untuk melakukan perhitungan guna mencapai proses perhitungan yang lebih efisien dan cerdas.
Misalnya model desain arsitektur tradisional adalah dua dimensi, kita hanya dapat menggambar gambar pada bidang datar, setiap gambar mewakili aspek bangunan yang berbeda, seperti tata letak lantai dan jalur kabel. Namun seiring dengan semakin kompleksnya bangunan, kita memerlukan lebih banyak gambar untuk mewakili semua detailnya, yang memakan banyak waktu dan kertas.
Dan komputasi hiperdimensi tampaknya memberi kita metode desain baru. Kita dapat mendesain bangunan dalam tiga dimensi, dengan masing-masing dimensi mewakili properti seperti panjang, lebar, tinggi, material, warna, dll. Selain itu, kita juga dapat mendesain ruang dengan dimensi lebih tinggi, seperti dimensi keempat yang mewakili perubahan bangunan pada titik waktu berbeda. Hal ini memungkinkan kami menyelesaikan semua desain dalam satu gambar super, menghilangkan kebutuhan akan sekumpulan gambar 2D, yang sangat meningkatkan efisiensi.
Demikian pula, konsumsi energi dalam pelatihan AI dapat dibandingkan dengan desain bangunan. Pembelajaran mendalam tradisional memerlukan sumber daya komputasi dalam jumlah besar untuk memproses setiap fitur atau atribut, sedangkan komputasi hiperdimensi menempatkan semua fitur dalam ruang berdimensi tinggi untuk diproses. Dengan cara ini, AI dapat melihat beberapa fitur secara bersamaan hanya dengan melakukan penghitungan satu kali, sehingga menghemat banyak waktu penghitungan dan konsumsi energi.
**Di sisi lain, temukan solusi sumber daya energi baru, misalnya teknologi fusi nuklir. **Teknologi pembangkit listrik fusi nuklir dianggap sebagai salah satu solusi akhir masalah emisi karbon global karena pada dasarnya tidak menghasilkan limbah nuklir dan tidak menimbulkan polusi emisi karbon selama proses produksinya.
Pada Mei 2023, Microsoft menandatangani perjanjian pembelian dengan Helion Energy, sebuah perusahaan rintisan fusi nuklir, menjadi pelanggan pertama perusahaan tersebut dan akan membeli listriknya ketika perusahaan tersebut membangun pembangkit listrik fusi nuklir pertama di dunia pada tahun 2028. Selain itu, dalam jangka panjang, bahkan jika AI mencapai pengurangan konsumsi energi per unit daya komputasi melalui lampu komputasi ultra-dimensi, terobosan dalam teknologi fusi nuklir atau teknologi energi rendah karbon lainnya masih dapat membuat pengembangan AI tidak lagi dibatasi oleh karbon. emisi Masih memiliki dukungan dan promosi yang signifikan.
Bagaimanapun, masalah konsumsi energi dan sumber daya yang disebabkan oleh teknologi hanya dapat diselesaikan secara mendasar pada tingkat teknis. Teknologi membatasi perkembangan teknologi dan juga mendorong perkembangan teknologi, yang telah terjadi sejak zaman kuno.