Kecerdasan buatan (AI) menjadi bagian dari kehidupan sehari-hari banyak orang di seluruh dunia. Pada tingkat individu, semakin banyak orang yang menggunakan model AI untuk kueri penelusuran. Meskipun Google masih mendominasi pasar pencarian, ChatGPT telah menjadi ancaman paling signifikan terhadap dominasinya.
Di tingkat bisnis, tidak ada industri yang tertinggal, mulai dari pertanian hingga layanan kesehatan, dari keuangan hingga hiburan, organisasi-organisasi di seluruh dunia mengintegrasikan AI ke dalam operasional sehari-hari mereka.
Permintaan dan penggunaan AI di dunia diperkirakan akan tumbuh secara eksponensial di tahun-tahun mendatang, sehingga perusahaan teknologi merespons perkembangan ini dengan membangun pusat data yang besar. Namun pertumbuhan ini memerlukan biaya: konsumsi energi, biaya ekonomi, dan dampak lingkungan. Komputasi tradisional tidak dapat mengimbangi pertumbuhan kebutuhan komputasi dan energi. Untuk mempertahankan revolusi AI, kita harus memikirkan kembali fisika komputasi modern.
Masalah energi
Bahkan tanpa mempertimbangkan AI, komputasi elektronik berada pada titik kritis. Hukum Moore gagal, penskalaan Dennard gagal, dan akibatnya adalah berkembang biaknya "silikon gelap", yaitu bagian transistor pada sebuah chip yang harus tetap tidak diberi daya atau menganggur untuk menghindari panas berlebih.
Melatih model AI berukuran besar bukanlah tugas yang mudah. Model bahasa besar (LLM) dilatih pada data dalam jumlah besar dan memiliki triliunan parameter. Mereka memprediksi, mengukur, menyesuaikan, dan mengulangi proses tersebut miliaran kali. Diperkirakan daya komputasi yang dibutuhkan untuk melatih model AI akan berlipat ganda setiap enam bulan.
Memproses dan memindahkan data dalam jumlah besar memerlukan paralelisme dan kekuatan yang besar. Dalam komputasi tradisional, daya yang lebih tinggi memerlukan sistem kepadatan yang lebih tinggi. Kepadatan yang lebih tinggi berarti lebih banyak hambatan, dan lebih banyak hambatan berarti lebih banyak panas. Hal ini memaksa pusat data untuk mengalihkan banyak energi dari komputasi ke pendinginan, dengan hingga 40% dari total konsumsi energi pusat data digunakan untuk mencegah kehancuran server.
Infrastruktur yang mendukung AI sudah mengalami kesulitan, dan jelas bahwa komputasi tradisional tidak lagi dapat mendukung pengembangan di masa depan.
Masalah ekonomi
Operator pusat data menghadapi teka-teki finansial: membatasi kepadatan komputasi hingga mampu menangani fasilitas pendingin mereka saat ini, menghambat kemampuan bisnis mereka, atau memaksakan batas termal, menyebabkan percepatan penuaan perangkat keras dan komponen, sehingga meningkatkan biaya operasional dan pemborosan.
Selain itu, biaya pembangunan pusat data baru juga sangat tinggi - McKinsey memperkirakan dibutuhkan investasi sebesar US$5,2 triliun pada tahun 2030. Jika pusat data terus bergantung pada komputasi tradisional, investasi pada infrastruktur yang tidak efisien akan menimbulkan risiko finansial yang sangat besar. Konsumen awam juga terkena dampak dari kondisi ekonomi yang buruk; ketika AI memberikan tekanan yang belum pernah terjadi sebelumnya pada jaringan listrik dan peningkatan permintaan listrik pada pusat data, harga listrik pun meningkat. Biaya-biaya ini dibebankan kepada rumah tangga sekitar dalam bentuk tagihan listrik yang meningkat pesat.
