Perlombaan di garis depan inovasi kecerdasan buatan (AI) kian memanas, dengan raksasa teknologi berinvestasi triliunan dolar untuk membangun fondasi masa depan. Namun, di tengah hiruk-pikuk pembangunan infrastruktur AI yang masif, sebuah suara penting dari industri teknologi, Chris Kelly, mantan Chief Privacy Officer Facebook, menyoroti tantangan krusial yang akan menentukan siapa pemenangnya: efisiensi. Menurut Kelly, fase berikutnya dari lonjakan AI tidak lagi hanya tentang daya komputasi mentah atau ukuran model, melainkan tentang bagaimana kita bisa membuat AI bekerja lebih cerdas, lebih murah, dan lebih hijau.
Kelly mengemukakan argumen yang kuat bahwa industri AI saat ini berada di persimpangan jalan. Sementara perusahaan-perusahaan besar berlomba-lomba membangun pusat data (data center) raksasa untuk mendukung beban kerja AI yang semakin kompleks, pendekatan ini tidak berkelanjutan dalam jangka panjang. "Otak kita bekerja hanya dengan daya 20 watt. Kita tidak butuh data center bertenaga gigawatt hanya untuk berpikir," tegasnya, menyoroti kesenjangan efisiensi yang mencolok antara kecerdasan biologis dan kecerdasan buatan. Pernyataannya, yang dikutip oleh detikINET dari CNBC, bukan sekadar kritik, melainkan sebuah prediksi strategis: "Saya rasa menemukan efisiensi akan menjadi salah satu fokus utama yang dicari oleh para pemain besar AI."
Implikasi dari pandangan Kelly sangat mendalam. Perusahaan yang mampu melakukan terobosan dalam memangkas biaya operasional pusat data, terutama terkait konsumsi energi, akan muncul sebagai pemenang sejati dalam kompetisi AI yang intens ini. Ini berarti bahwa perlombaan AI bukan hanya tentang siapa yang memiliki chip paling canggih atau data terbanyak, melainkan siapa yang dapat mengoptimalkan penggunaannya secara radikal.
Data pasar menggarisbawahi urgensi masalah ini. Menurut S&P Global, pasar infrastruktur pusat data diperkirakan akan membukukan kesepakatan lebih dari USD 61 miliar pada tahun 2025. Angka ini mencerminkan investasi besar-besaran yang dilakukan oleh perusahaan-perusahaan seperti OpenAI. Sebagai contoh, OpenAI sendiri telah memberikan komitmen investasi AI senilai lebih dari USD 1,4 triliun untuk beberapa tahun ke depan. Investasi fantastis ini mencakup kemitraan strategis dengan pemimpin pasar unit pemrosesan grafis (GPU), Nvidia, serta raksasa infrastruktur komputasi awan seperti Oracle dan Coreweave. Kemitraan semacam ini esensial untuk membangun superkomputer yang diperlukan untuk melatih model bahasa besar (Large Language Models/LLM) dan sistem AI lainnya.
Namun, kegilaan pembangunan pusat data ini memicu kekhawatiran yang kian meningkat terkait sumber energi pendukungnya. Infrastruktur jaringan listrik global saat ini sudah terbebani, dan lonjakan permintaan dari sektor AI dapat memperparah kondisi ini, bahkan memicu krisis energi di beberapa wilayah. Nvidia dan OpenAI, misalnya, pada September lalu mengumumkan proyek pusat data dengan kapasitas setidaknya 10 gigawatt. Untuk memberikan gambaran, kapasitas listrik sebesar ini kira-kira setara dengan konsumsi listrik tahunan dari 8 juta rumah tangga di Amerika Serikat. New York Independent System Operator menambahkan bahwa 10 gigawatt setara dengan beban puncak kebutuhan listrik seluruh Kota New York pada musim panas 2024. Bayangkan satu proyek AI saja membutuhkan daya sebanyak itu; ini bukan hanya masalah biaya, tetapi juga masalah keberlanjutan lingkungan dan ketahanan energi nasional.
Kekhawatiran soal biaya dan keberlanjutan semakin mencuat setelah DeepSeek, sebuah perusahaan AI asal Tiongkok, meluncurkan model bahasa besar open source gratis pada Desember 2024. Yang paling mencengangkan adalah klaim perusahaan tersebut bahwa biaya pengembangannya di bawah USD 6 juta. Angka ini jauh lebih rendah dibandingkan dengan perkiraan biaya pengembangan model serupa oleh para pesaingnya di AS, yang seringkali mencapai puluhan atau bahkan ratusan juta dolar. Keberhasilan DeepSeek menunjukkan bahwa efisiensi bukan hanya sebuah aspirasi, tetapi sebuah pencapaian nyata yang dapat mengubah dinamika persaingan.
Melihat fenomena DeepSeek dan strategi AI Tiongkok secara lebih luas, Kelly memprediksi bahwa sejumlah pemain China akan mulai tampil di depan dalam perlombaan AI global. Faktor pendorongnya bukan hanya efisiensi biaya, tetapi juga dukungan pemerintah yang kuat, akses ke kumpulan data yang masif, dan fokus pada pengembangan teknologi inti secara mandiri. Prediksi ini semakin kuat menyusul keputusan terbaru Presiden Donald Trump untuk menyetujui penjualan cip H200 milik Nvidia ke negara tersebut. Meskipun sebelumnya ada pembatasan ketat terhadap ekspor chip AI canggih ke Tiongkok, keputusan ini dapat memberikan dorongan signifikan bagi kapasitas komputasi AI Tiongkok, memungkinkan mereka untuk melatih model yang lebih besar dan lebih kompleks.
Mengapa Efisiensi Menjadi Kunci Utama?
Efisiensi dalam konteks AI mencakup beberapa dimensi krusial:
-
Efisiensi Energi: Konsumsi daya yang besar tidak hanya mahal tetapi juga berdampak buruk pada lingkungan. Mengurangi jejak karbon AI adalah keharusan, terutama di tengah krisis iklim global. Inovasi dalam desain chip (misalnya, chip neuromorfik atau chip yang lebih spesifik untuk AI), sistem pendingin yang lebih canggih (seperti pendinginan cair atau imersi), dan penggunaan sumber energi terbarukan untuk pusat data akan menjadi sangat penting.
-
Efisiensi Biaya: Biaya pelatihan dan inferensi model AI yang besar sangat tinggi, menghalangi akses bagi startup dan peneliti kecil. Model yang lebih efisien secara komputasi akan memungkinkan lebih banyak pihak untuk berinovasi dan bersaing. DeepSeek adalah contoh nyata bagaimana biaya rendah dapat membuka pintu bagi inovasi yang disruptif.
-
Efisiensi Komputasi: Ini melibatkan pengembangan algoritma dan arsitektur model yang dapat mencapai kinerja yang sama atau lebih baik dengan sumber daya komputasi yang lebih sedikit. Teknik seperti quantization, pruning, sparse models, dan pengembangan arsitektur model yang lebih ringan adalah area penelitian aktif yang menjanjikan. Model yang lebih kecil dan lebih efisien juga dapat berjalan di perangkat edge (misalnya, smartphone, perangkat IoT), memperluas jangkauan dan aplikasi AI.
-
Efisiensi Operasional: Mengelola pusat data AI skala besar membutuhkan tim ahli dan proses yang kompleks. Otomatisasi, manajemen sumber daya yang cerdas, dan perangkat lunak orkestrasi yang efisien dapat mengurangi biaya operasional dan mempercepat pengembangan.
Dampak pada Lanskap AI Global
Pergeseran fokus ke efisiensi akan memiliki dampak besar pada lanskap AI global:
- Pemain Baru dan Open Source: Model yang lebih efisien dan murah akan mendemokratisasikan AI. Startup, universitas, dan komunitas open source akan memiliki peluang lebih besar untuk mengembangkan dan menyebarkan AI tanpa membutuhkan anggaran triliunan dolar. Ini dapat memicu gelombang inovasi dari berbagai sudut dunia.
- Peran Tiongkok: Dengan kemampuan Tiongkok untuk mengembangkan model yang efisien dengan biaya rendah, mereka berpotensi menjadi kekuatan dominan dalam AI, terutama di pasar negara berkembang. Keputusan AS untuk menjual chip H200, meskipun mungkin didorong oleh pertimbangan ekonomi jangka pendek, juga dapat mempercepat kemajuan AI Tiongkok. Ini menyoroti kompleksitas geopolitik dalam perlombaan AI, di mana batasan teknologi dan kepentingan ekonomi saling tumpang tindih.
- Inovasi Hardware dan Software: Perlombaan untuk efisiensi akan mendorong inovasi yang lebih besar di kedua bidang. Produsen chip akan berlomba menciptakan hardware yang lebih hemat daya dan spesifik untuk AI, sementara peneliti AI akan fokus pada pengembangan algoritma yang lebih "ringan" dan cerdas.
- Keberlanjutan Lingkungan: Akhirnya, efisiensi adalah kunci untuk memastikan bahwa perkembangan AI tidak datang dengan harga lingkungan yang terlalu mahal. Mengintegrasikan AI dengan energi terbarukan dan mengembangkan teknologi yang membutuhkan lebih sedikit daya akan menjadi tanggung jawab utama para pemimpin industri.
Kesimpulan Kelly adalah sebuah peringatan sekaligus peta jalan. Di tengah "demam emas" AI, di mana investasi besar-besaran mengalir ke pembangunan infrastruktur yang haus daya, pemenang sejati mungkin bukan mereka yang membangun yang terbesar, melainkan mereka yang membangun yang terpintar dan paling efisien. Perlombaan AI bukan hanya tentang kecepatan atau kekuatan, tetapi juga tentang kecerdasan dalam penggunaan sumber daya. Dalam jangka panjang, perusahaan yang mampu menemukan terobosan efisiensi, baik dalam perangkat keras, perangkat lunak, maupun operasional, akan menjadi kekuatan dominan yang membentuk masa depan kecerdasan buatan.
