Bagaimana AI memengaruhi lingkungan?

Bagaimana AI memengaruhi lingkungan?

Jawaban singkat: AI memengaruhi lingkungan terutama melalui penggunaan listrik di pusat data (baik untuk pelatihan maupun inferensi sehari-hari), serta air untuk pendinginan, ditambah dampak yang terkandung dalam pembuatan perangkat keras dan limbah elektronik. Jika penggunaan meningkat hingga miliaran kueri, inferensi dapat melebihi pelatihan; jika jaringan listrik lebih bersih dan sistem efisien, dampaknya berkurang sementara manfaatnya dapat meningkat.

Poin-poin penting:

Listrik : Lacak penggunaan komputasi; emisi menurun ketika beban kerja berjalan pada jaringan listrik yang lebih bersih.

Air : Pilihan pendinginan mengubah dampak; metode berbasis air paling penting di daerah yang kekurangan air.

Perangkat keras : Chip dan server memiliki dampak fisik yang signifikan; perpanjang masa pakainya dan prioritaskan perbaikan.

Rebound : Efisiensi dapat meningkatkan total permintaan; ukur hasil, bukan hanya keuntungan per tugas.

Pengungkit operasional : Sesuaikan ukuran model, optimalkan inferensi, dan laporkan metrik per permintaan secara transparan.

Bagaimana AI Mempengaruhi Lingkungan? Infografis

Artikel-artikel yang mungkin ingin Anda baca setelah ini:

🔗 Apakah AI buruk bagi lingkungan?
Jelajahi jejak karbon, penggunaan listrik, dan kebutuhan pusat data yang terkait dengan AI.

🔗 Mengapa AI buruk bagi masyarakat?
Perhatikan bias, gangguan lapangan kerja, disinformasi, dan semakin lebarnya kesenjangan sosial.

🔗 Mengapa AI itu buruk? Sisi gelap AI
Pahami risiko seperti pengawasan, manipulasi, dan hilangnya kendali manusia.

🔗 Apakah AI sudah kebablasan?
Debat mengenai etika, regulasi, dan batasan-batasan yang seharusnya ditetapkan oleh inovasi.

Bagaimana AI Mempengaruhi Lingkungan: Gambaran Singkat ⚡🌱

Jika Anda hanya perlu mengingat beberapa poin, ingatlah ini:

Lalu ada bagian yang sering dilupakan orang: skala . Satu kueri AI mungkin kecil, tetapi miliaran kueri adalah hal yang sangat berbeda… seperti bola salju kecil yang entah bagaimana menjadi longsoran salju sebesar sofa. (Metafora itu sedikit kurang tepat, tetapi Anda mengerti maksudnya.) IEA: Energi dan AI

Jejak lingkungan dari AI bukanlah satu hal saja - melainkan sebuah tumpukan 🧱🌎

Ketika orang berdebat tentang AI dan keberlanjutan, mereka sering kali berbicara tanpa saling memahami karena mereka menunjuk pada lapisan yang berbeda:

1) Menghitung listrik

  • Melatih model-model besar dapat memerlukan klaster besar yang berjalan intensif dalam jangka waktu lama. IEA: Energi dan AI

  • Inferensi (penggunaan sehari-hari) dapat menjadi jejak yang lebih besar seiring waktu karena terjadi terus-menerus, di mana-mana. IEA: Energi dan AI

2) Biaya operasional pusat data

3) Air dan panas

4) Rantai pasokan perangkat keras

5) Perilaku dan efek rebound

Jadi, ketika seseorang bertanya bagaimana AI memengaruhi Lingkungan, jawaban sederhananya adalah: itu tergantung pada lapisan mana yang Anda ukur, dan apa arti "AI" dalam situasi tersebut.

Pelatihan vs inferensi: perbedaan yang mengubah segalanya 🧠⚙️

Orang-orang senang membicarakan pelatihan karena kedengarannya dramatis - "satu model menggunakan energi X." Tetapi inferensi adalah raksasa yang diam-diam. IEA: Energi dan AI

Pelatihan (pembangunan besar-besaran)

Pelatihan itu seperti membangun sebuah pabrik. Anda membayar biaya di muka: komputasi yang berat, waktu eksekusi yang lama, banyak percobaan dan kesalahan (dan ya, banyak iterasi "ups, tidak berhasil, coba lagi"). Pelatihan dapat dioptimalkan, tetapi tetap saja biayanya cukup besar. IEA: Energi dan AI

Kesimpulan (penggunaan sehari-hari)

Inferensi itu seperti pabrik yang beroperasi setiap hari, untuk semua orang, dalam skala besar:

  • Chatbot yang menjawab pertanyaan

  • Pembuatan gambar

  • Peringkat pencarian

  • Rekomendasi

  • Konversi ucapan ke teks

  • Deteksi penipuan

  • Asisten pilot dalam dokumen dan alat kode

Sekalipun setiap permintaan relatif kecil, volume penggunaan dapat jauh lebih besar daripada pelatihan. Ini adalah situasi klasik "satu sedotan bukan apa-apa, sejuta sedotan adalah masalah". IEA: Energi dan AI

Catatan kecil - beberapa tugas AI jauh lebih berat daripada yang lain. Menghasilkan gambar atau video panjang cenderung lebih boros energi daripada klasifikasi teks pendek. Jadi, mengelompokkan "AI" ke dalam satu kategori agak seperti membandingkan sepeda dengan kapal kargo dan menyebut keduanya sebagai "transportasi." IEA: Energi dan AI

Pusat data: daya, pendinginan, dan kisah air yang tenang itu 💧🏢

Pusat data bukanlah hal baru, tetapi AI mengubah intensitasnya. Akselerator berkinerja tinggi dapat menarik banyak daya di ruang yang sempit, yang berubah menjadi panas, yang harus dikelola. LBNL (2024): Laporan Penggunaan Energi Pusat Data Amerika Serikat (PDF) IEA: Energi dan AI

Dasar-dasar pendinginan (disederhanakan, tetapi praktis)

Itulah konsekuensinya: terkadang Anda dapat menurunkan konsumsi listrik dengan mengandalkan pendinginan berbasis air. Tergantung pada kelangkaan air setempat, itu mungkin baik-baik saja… atau mungkin menjadi masalah yang sebenarnya. Li et al. (2023): Membuat AI Kurang “Haus” (PDF)

Selain itu, jejak lingkungan sangat bergantung pada:

Jujur saja: percakapan publik sering memperlakukan "pusat data" seperti kotak hitam. Itu bukan sesuatu yang jahat, bukan sesuatu yang ajaib. Itu adalah infrastruktur. Dan berperilaku seperti infrastruktur pada umumnya.

Chip dan perangkat keras: bagian yang sering dilewati orang karena kurang menarik 🪨🔧

AI hidup di perangkat keras. Perangkat keras memiliki siklus hidup, dan dampak siklus hidup bisa sangat besar. US EPA: Industri Semikonduktor ITU: Monitor Limbah Elektronik Global 2024

Di mana dampak lingkungan terlihat

Limbah elektronik dan server yang "masih berfungsi dengan baik"

Banyak kerusakan lingkungan bukan berasal dari satu perangkat yang ada, melainkan dari penggantian perangkat tersebut terlalu dini karena sudah tidak lagi hemat biaya. AI mempercepat hal ini karena peningkatan kinerjanya bisa sangat besar. Godaan untuk memperbarui perangkat keras itu nyata. ITU: Monitor Limbah Elektronik Global 2024

Poin praktisnya: memperpanjang umur perangkat keras, meningkatkan pemanfaatan, dan memperbarui perangkat bisa sama pentingnya dengan modifikasi model yang canggih. Terkadang GPU yang paling ramah lingkungan adalah GPU yang tidak Anda beli. (Kedengarannya seperti slogan, tetapi juga… agak benar.)

Bagaimana AI memengaruhi Lingkungan: lingkaran perilaku “orang melupakan ini” 🔁😬

Inilah bagian sosial yang agak canggung: AI membuat segalanya lebih mudah, sehingga orang melakukan lebih banyak hal. Itu bisa jadi hal yang luar biasa - produktivitas lebih tinggi, kreativitas lebih tinggi, akses lebih luas. Tetapi itu juga bisa berarti penggunaan sumber daya secara keseluruhan lebih banyak. OECD (2012): Berbagai Manfaat Peningkatan Efisiensi Energi (PDF)

Contoh:

  • Jika AI membuat pembuatan video menjadi murah, maka orang akan membuat lebih banyak video.

  • Jika AI membuat periklanan lebih efektif, lebih banyak iklan yang ditayangkan, dan lebih banyak siklus keterlibatan yang berputar.

  • Jika AI membuat logistik pengiriman lebih efisien, e-commerce dapat berkembang lebih pesat lagi.

Ini bukan alasan untuk panik. Ini adalah alasan untuk mengukur hasil, bukan hanya efisiensi.

Sebuah metafora yang tidak sempurna namun menyenangkan: Efisiensi AI itu seperti memberi seorang remaja kulkas yang lebih besar - ya, penyimpanan makanan meningkat, tetapi entah bagaimana kulkas itu kosong lagi dalam sehari. Bukan metafora yang sempurna, tetapi… Anda pasti pernah melihatnya terjadi 😅

Sisi positifnya: AI benar-benar dapat membantu lingkungan (jika diarahkan dengan benar) 🌿✨

Sekarang, bagian yang sering diremehkan: AI dapat mengurangi emisi dan limbah dalam sistem yang ada yang… terus terang, kurang efisien. IEA: AI untuk optimasi dan inovasi energi

Bidang-bidang di mana AI dapat membantu

Nuansa penting: Bantuan AI tidak secara otomatis mengimbangi dampak lingkungan AI. Hal itu bergantung pada apakah AI benar-benar diterapkan, benar-benar digunakan, dan apakah hal itu menghasilkan pengurangan nyata, bukan hanya sekadar tampilan dasbor yang lebih baik. Namun ya, potensinya nyata. IEA: AI untuk optimasi dan inovasi energi

Apa yang membuat versi AI ramah lingkungan menjadi baik? ✅🌍

Ini adalah bagian "oke, jadi apa yang harus kita lakukan?". Sebuah pengaturan AI yang bertanggung jawab terhadap lingkungan biasanya memiliki:

  • Nilai guna yang jelas : Jika model tersebut tidak mengubah keputusan atau hasil, itu hanyalah komputasi yang canggih.

  • Pengukuran terintegrasi : Energi, perkiraan karbon, pemanfaatan, dan metrik efisiensi dilacak seperti KPI lainnya. CodeCarbon: Metodologi

  • Model yang tepat ukuran : Gunakan model yang lebih kecil jika model yang lebih kecil berfungsi. Efisiensi bukanlah kegagalan moral.

  • Desain inferensi yang efisien : caching, batching, kuantisasi, retrieval, dan pola prompting yang baik. Gholami dkk. (2021): Survei Metode Kuantisasi (PDF) Lewis dkk. (2020): Generasi yang Diperkuat dengan Retrieval

  • Kesadaran perangkat keras dan lokasi : jalankan beban kerja di tempat jaringan listrik lebih bersih dan infrastruktur efisien (bila memungkinkan). API Intensitas Karbon (GB)

  • Masa pakai perangkat keras yang lebih lama : memaksimalkan pemanfaatan, penggunaan kembali, dan perbaikan. ITU: Monitor Limbah Elektronik Global 2024

  • Pelaporan yang lugas : hindari bahasa yang berkedok ramah lingkungan dan klaim yang samar seperti "AI ramah lingkungan" tanpa angka.

Jika Anda masih melacak bagaimana AI memengaruhi Lingkungan, di sinilah jawabannya berhenti bersifat filosofis dan menjadi operasional: AI memengaruhinya berdasarkan pilihan Anda.

Tabel Perbandingan: alat dan pendekatan yang benar-benar mengurangi dampak 🧰⚡

Berikut ini adalah tabel praktis yang singkat. Tabel ini tidak sempurna, dan ya, beberapa sel agak subjektif… karena begitulah cara kerja pemilihan alat yang sebenarnya.

Alat / Pendekatan Hadirin Harga Mengapa ini berhasil
Pustaka pelacakan karbon/energi (estimator saat runtime) Tim ML Agak gratis Memberikan visibilitas - yang merupakan separuh dari perjuangan, meskipun perkiraannya agak kabur… Kode Karbon
Pemantauan daya perangkat keras (telemetri GPU/CPU) Infrastruktur + ML Bebas Mengukur konsumsi riil; bagus untuk membandingkan kinerja (tidak mencolok tetapi sangat berharga)
Distilasi model Insinyur ML Gratis (biaya waktu 😵) Model siswa yang lebih kecil seringkali memiliki kinerja yang sama dengan biaya inferensi yang jauh lebih rendah Hinton dkk. (2015): Menyaring Pengetahuan dalam Jaringan Saraf Tiruan
Kuantisasi (inferensi presisi lebih rendah) ML + produk Bebas Mengurangi latensi dan penggunaan daya; terkadang dengan sedikit penurunan kualitas, terkadang tidak ada sama sekali Gholami dkk. (2021): Survei Metode Kuantisasi (PDF)
Inferensi caching + batching Produk + platform Bebas Mengurangi komputasi yang berlebihan; sangat berguna untuk permintaan berulang atau permintaan serupa
Generasi yang ditingkatkan dengan pengambilan (RAG) Tim aplikasi Campur aduk Mengalihkan "memori" ke proses pengambilan; dapat mengurangi kebutuhan akan jendela konteks yang besar Lewis dkk. (2020): Generasi yang Diperkuat dengan Pengambilan Kembali
Penjadwalan beban kerja berdasarkan intensitas karbon Infrastruktur/operasional Campur aduk Mengalihkan pekerjaan fleksibel ke pembersih jendela otomatis - namun membutuhkan koordinasi Intensitas Karbon API (GB)
Fokus pada efisiensi pusat data (pemanfaatan, konsolidasi) Kepemimpinan TI Dibayar (biasanya) Tuas yang paling tidak glamor, tetapi seringkali yang paling penting - hentikan penggunaan sistem yang setengah kosong Jaringan Hijau: PUE
Proyek pemanfaatan kembali panas Fasilitas Tergantung Mengubah panas limbah menjadi nilai; tidak selalu memungkinkan, tetapi ketika memungkinkan, itu sungguh indah
“Apakah kita benar-benar membutuhkan AI di sini?” (periksa) Setiap orang Bebas Mencegah komputasi yang tidak perlu. Optimasi yang paling ampuh adalah mengatakan tidak (kadang-kadang)

Perhatikan apa yang hilang? “Beli stiker hijau ajaib.” Yang itu tidak ada 😬

Panduan praktis: mengurangi dampak AI tanpa merusak produk 🛠️🌱

Jika Anda sedang membangun atau membeli sistem AI, berikut adalah urutan realistis yang berhasil dalam praktiknya:

Langkah 1: Mulailah dengan pengukuran

  • Lacak penggunaan energi atau perkirakan secara konsisten. CodeCarbon: Metodologi

  • Pengukuran per sesi pelatihan dan per permintaan inferensi.

  • Pantau pemanfaatan - sumber daya yang menganggur seringkali tersembunyi di depan mata. Jaringan Hijau: PUE

Langkah 2: Sesuaikan ukuran model dengan pekerjaan yang dibutuhkan

  • Gunakan model yang lebih kecil untuk klasifikasi, ekstraksi, dan perutean.

  • Simpan model yang berat untuk kasus-kasus yang sulit.

  • Pertimbangkan "kaskade model": model kecil terlebih dahulu, model yang lebih besar hanya jika diperlukan.

Langkah 3: Optimalkan inferensi (di sinilah skala menjadi masalah)

  • Caching : menyimpan jawaban untuk permintaan berulang (dengan kontrol privasi yang cermat).

  • Pengelompokan (Batching ): mengelompokkan permintaan untuk meningkatkan efisiensi perangkat keras.

  • Output yang lebih pendek : output yang panjang membutuhkan biaya lebih - terkadang Anda tidak membutuhkan esai tersebut.

  • Disiplin dalam penulisan prompt : prompt yang tidak rapi menciptakan jalur komputasi yang lebih panjang… dan ya, lebih banyak token.

Langkah 4: Tingkatkan kebersihan data

Ini mungkin terdengar tidak berhubungan, tetapi sebenarnya berhubungan:

  • Kumpulan data yang lebih bersih dapat mengurangi frekuensi pelatihan ulang.

  • Lebih sedikit gangguan berarti lebih sedikit eksperimen dan lebih sedikit percobaan yang sia-sia.

Langkah 5: Perlakukan perangkat keras sebagai aset, bukan barang sekali pakai

  • Perpanjang siklus pembaruan jika memungkinkan. ITU: Monitor Limbah Elektronik Global 2024

  • Gunakan kembali perangkat keras lama untuk beban kerja yang lebih ringan.

  • Hindari penyediaan layanan yang selalu berada pada kapasitas puncak.

Langkah 6: Pilih penerapan dengan bijak

  • Jalankan pekerjaan yang fleksibel di tempat yang lebih bersih jika memungkinkan. API Intensitas Karbon (GB)

  • Kurangi replikasi yang tidak perlu.

  • Tetapkan target latensi yang realistis (latensi ultra-rendah dapat memaksa pengaturan yang selalu aktif dan tidak efisien).

Dan ya… terkadang langkah terbaik hanyalah: jangan menjalankan model terbesar secara otomatis untuk setiap tindakan pengguna. Kebiasaan itu sama saja dengan membiarkan semua lampu menyala karena berjalan ke sakelar itu merepotkan.

Mitos umum (dan apa yang lebih mendekati kebenaran) 🧠🧯

Mitos: “AI selalu lebih buruk daripada perangkat lunak tradisional”

Fakta: AI bisa lebih membutuhkan daya komputasi, tetapi juga dapat menggantikan proses manual yang tidak efisien, mengurangi pemborosan, dan mengoptimalkan sistem. Semuanya tergantung pada situasi. IEA: AI untuk optimasi dan inovasi energi

Mitos: “Pelatihan adalah satu-satunya masalah”

Fakta: Inferensi dalam skala besar dapat mendominasi seiring waktu. Jika penggunaan produk Anda meningkat pesat, ini akan menjadi cerita utama. IEA: Energi dan AI

Mitos: “Energi terbarukan menyelesaikan masalah ini secara instan”

Fakta: Listrik yang lebih bersih sangat membantu, tetapi tidak menghilangkan jejak perangkat keras, penggunaan air, atau efek rebound. Namun tetap penting. IEA: Energi dan AI

Mitos: “Jika efisien, maka berkelanjutan”

Fakta: Efisiensi tanpa pengendalian permintaan masih dapat meningkatkan dampak total. Itulah jebakan efek pantulan. OECD (2012): Berbagai Manfaat Peningkatan Efisiensi Energi (PDF)

Tata kelola, transparansi, dan tidak berlebihan dalam hal ini 🧾🌍

Jika Anda adalah sebuah perusahaan, di sinilah kepercayaan dibangun atau hilang.

Inilah bagian di mana orang-orang akan memutar mata, tetapi ini penting. Teknologi yang bertanggung jawab bukan hanya tentang rekayasa yang cerdas. Ini juga tentang tidak berpura-pura bahwa tidak ada kompromi.

Ringkasan penutup: rangkuman singkat tentang bagaimana AI memengaruhi Lingkungan 🌎✅

Bagaimana AI memengaruhi lingkungan bermuara pada beban tambahan: listrik, air (kadang-kadang), dan permintaan perangkat keras. IEA: Energi dan AI Li dkk. (2023): Membuat AI Kurang “Haus” (PDF) AI juga menawarkan alat yang ampuh untuk mengurangi emisi dan limbah di sektor lain. IEA: AI untuk optimasi dan inovasi energi Hasil akhirnya bergantung pada skala, kebersihan jaringan, pilihan efisiensi, dan apakah AI memecahkan masalah nyata atau hanya menghasilkan hal baru demi hal baru itu sendiri. IEA: Energi dan AI

Jika Anda menginginkan kesimpulan praktis yang paling sederhana:

  • Ukuran.

  • Ukuran yang tepat.

  • Optimalkan inferensi.

  • Memperpanjang umur perangkat keras.

  • Bersikaplah jujur ​​tentang kompromi yang ada.

Dan jika Anda merasa kewalahan, berikut adalah kebenaran yang menenangkan: keputusan operasional kecil, yang diulang ribuan kali, biasanya lebih efektif daripada satu pernyataan besar tentang keberlanjutan. Mirip seperti menyikat gigi. Tidak glamor, tetapi berhasil… 😄🪥

Pertanyaan yang Sering Diajukan (FAQ)

Bagaimana AI memengaruhi lingkungan dalam penggunaan sehari-hari, bukan hanya di laboratorium penelitian besar?

Sebagian besar jejak AI berasal dari listrik yang memberi daya pada pusat data yang menjalankan GPU dan CPU selama pelatihan dan "inferensi" sehari-hari. Satu permintaan mungkin tampak kecil, tetapi dalam skala besar permintaan tersebut akan menumpuk dengan cepat. Dampaknya juga bergantung pada lokasi pusat data, seberapa bersih jaringan listrik lokal, dan seberapa efisien infrastruktur tersebut dioperasikan.

Apakah melatih model AI lebih buruk bagi lingkungan daripada menggunakannya (inferensi)?

Pelatihan dapat berupa lonjakan komputasi besar di awal, tetapi inferensi dapat menjadi beban yang lebih besar seiring waktu karena berjalan terus-menerus dan dalam skala besar. Jika suatu alat digunakan oleh jutaan orang setiap hari, permintaan berulang dapat melebihi biaya pelatihan satu kali. Itulah mengapa optimasi sering kali berfokus pada efisiensi inferensi.

Mengapa AI menggunakan air, dan apakah itu selalu menjadi masalah?

AI dapat menggunakan air terutama karena beberapa pusat data bergantung pada pendinginan berbasis air, atau karena air dikonsumsi secara tidak langsung melalui pembangkitan listrik. Di iklim tertentu, pendinginan evaporatif dapat menurunkan penggunaan listrik sekaligus meningkatkan penggunaan air, menciptakan pertukaran yang nyata. Apakah itu "buruk" atau tidak bergantung pada kelangkaan air setempat, desain pendinginan, dan apakah penggunaan air diukur dan dikelola.

Bagian mana dari jejak lingkungan AI yang berasal dari perangkat keras dan limbah elektronik?

AI bergantung pada chip, server, peralatan jaringan, bangunan, dan rantai pasokan - yang berarti penambangan, manufaktur, pengiriman, dan pembuangan akhir. Manufaktur semikonduktor membutuhkan banyak energi, dan siklus peningkatan yang cepat dapat meningkatkan emisi tersembunyi dan limbah elektronik. Memperpanjang umur perangkat keras, memperbarui, dan meningkatkan pemanfaatan dapat secara signifikan mengurangi dampak, terkadang menyaingi perubahan pada tingkat model.

Apakah penggunaan energi terbarukan dapat mengatasi dampak lingkungan dari AI?

Listrik yang lebih bersih dapat mengurangi emisi dari komputasi, tetapi tidak menghilangkan dampak lain seperti penggunaan air, manufaktur perangkat keras, dan limbah elektronik. Hal ini juga tidak secara otomatis mengatasi "efek pantulan," di mana komputasi berbiaya rendah menyebabkan peningkatan penggunaan secara keseluruhan. Energi terbarukan merupakan pengungkit penting, tetapi hanya satu bagian dari keseluruhan dampak lingkungan.

Apa itu efek rebound, dan mengapa hal itu penting bagi AI dan keberlanjutan?

Efek rebound terjadi ketika peningkatan efisiensi membuat sesuatu menjadi lebih murah atau lebih mudah, sehingga orang melakukan lebih banyak hal tersebut—kadang-kadang menghapus penghematan yang ada. Dengan AI, pembangkitan yang lebih murah atau otomatisasi dapat meningkatkan total permintaan akan konten, komputasi, dan layanan. Itulah mengapa mengukur hasil dalam praktik lebih penting daripada merayakan efisiensi secara terpisah.

Apa saja cara praktis untuk mengurangi dampak AI tanpa merusak produk?

Pendekatan umum adalah memulai dengan pengukuran (estimasi energi dan karbon, pemanfaatan), kemudian menyesuaikan ukuran model dengan tugas dan mengoptimalkan inferensi dengan caching, batching, dan output yang lebih pendek. Teknik seperti kuantisasi, distilasi, dan generasi yang diperkaya dengan pengambilan data dapat mengurangi kebutuhan komputasi. Pilihan operasional - seperti penjadwalan beban kerja berdasarkan intensitas karbon dan masa pakai perangkat keras yang lebih lama - seringkali memberikan keuntungan besar.

Bagaimana AI dapat membantu lingkungan alih-alih merusaknya?

AI dapat mengurangi emisi dan limbah ketika diterapkan untuk mengoptimalkan sistem nyata: peramalan jaringan listrik, respons permintaan, kontrol HVAC bangunan, penentuan rute logistik, pemeliharaan prediktif, dan deteksi kebocoran. AI juga dapat mendukung pemantauan lingkungan seperti peringatan deforestasi dan deteksi metana. Kuncinya adalah apakah sistem tersebut mengubah keputusan dan menghasilkan pengurangan yang terukur, bukan hanya dasbor yang lebih baik.

Metrik apa yang harus dilaporkan perusahaan untuk menghindari klaim AI yang dianggap "greenwashing"?

Melaporkan metrik per tugas atau per permintaan jauh lebih bermakna daripada hanya angka total yang besar, karena hal itu menunjukkan efisiensi pada tingkat unit. Melacak penggunaan energi, perkiraan karbon, pemanfaatan, dan – jika relevan – dampak terhadap air menciptakan akuntabilitas yang lebih jelas. Yang juga penting: tetapkan batasan (apa yang termasuk) dan hindari label yang samar seperti "AI ramah lingkungan" tanpa bukti kuantitatif.

Referensi

  1. Badan Energi Internasional (IEA) - Energi dan AI - iea.org

  2. Badan Energi Internasional (IEA) - AI untuk optimasi dan inovasi energi - iea.org

  3. Badan Energi Internasional (IEA) - Digitalisasi - iea.org

  4. Laporan Penggunaan Energi Pusat Data Amerika Serikat (2024) - Laboratorium Nasional Lawrence Berkeley (LBNL) - lbl.gov

  5. Li dkk. - Membuat AI Tidak Terlalu "Rakus" (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Munculnya dan Perluasan Pendinginan Cair di Pusat Data Utama (PDF) - ashrae.org

  7. The Green Grid - PUE - Pemeriksaan Komprehensif terhadap Metrik Ini - thegreengrid.org

  8. Departemen Energi AS (DOE) - FEMP - Peluang Efisiensi Air Pendingin untuk Pusat Data Federal - energy.gov

  9. Departemen Energi AS (DOE) - FEMP - Efisiensi Energi di Pusat Data - energy.gov

  10. Badan Perlindungan Lingkungan AS (EPA) - Industri Semikonduktor - epa.gov

  11. Persatuan Telekomunikasi Internasional (ITU) - Monitor Limbah Elektronik Global 2024 - itu.int

  12. OECD - Berbagai Manfaat Peningkatan Efisiensi Energi (2012) (PDF) - oecd.org

  13. API Intensitas Karbon (GB) - carbonintensity.org.uk

  14. imec - Mengurangi dampak lingkungan dalam pembuatan chip - imec-int.com

  15. UNEP - Cara kerja MARS - unep.org

  16. Global Forest Watch - Peringatan deforestasi GLAD - globalforestwatch.org

  17. Institut Alan Turing - AI dan sistem otonom untuk menilai keanekaragaman hayati dan kesehatan ekosistem - turing.ac.uk

  18. CodeCarbon - Metodologi - mlco2.github.io

  19. Gholami dkk. - Survei Metode Kuantisasi (2021) (PDF) - arxiv.org

  20. Lewis dkk. - Generasi yang Diperkuat dengan Pengambilan Kembali (2020) - arxiv.org

  21. Hinton dkk. - Menyaring Pengetahuan dalam Jaringan Saraf Tiruan (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Temukan AI Terbaru di Toko Resmi Asisten AI

Tentang Kami

Kembali ke blog