Revolusi AI: Hemat Energi dengan Menghilangkan Perkalian

pibitek.biz -Para insinyur di BitEnergy AI, sebuah perusahaan yang mengkhususkan diri dalam teknologi inferensi AI, telah mengembangkan cara baru untuk memproses AI. Cara baru ini menggantikan perkalian titik mengambang (floating-poin multiplication – FPM) dengan penjumlahan bilangan bulat (integer addition). Metode baru ini, yang disebut Linear-Complexity Multiplication (L-Mul), mendekati hasil FPM dengan menggunakan algoritma yang lebih sederhana. Meskipun demikian, metode ini tetap mampu mempertahankan akurasi dan presisi tinggi yang dikenal dimiliki oleh FPM.

Berdasarkan laporan dari TechXplore, metode ini mengurangi konsumsi daya sistem AI, hingga 95%, menjadikannya perkembangan penting untuk masa depan AI kita. Metode baru ini memiliki potensi untuk mengubah cara kita berpikir tentang komputasi AI. Penjumlahan bilangan bulat adalah operasi yang jauh lebih sederhana dan lebih efisien daripada perkalian titik mengambang. Hal ini berarti bahwa komputer dapat melakukan perhitungan AI dengan lebih cepat dan menggunakan lebih sedikit energi. Penghematan energi yang signifikan ini dapat memiliki dampak besar pada lingkungan, terutama mengingat konsumsi energi yang besar dari pusat data AI saat ini.

Meskipun metode baru ini menjanjikan, masih ada beberapa tantangan yang harus diatasi. Hardware yang tersedia saat ini, seperti GPU Blackwell terbaru dari Nvidia, belum dirancang untuk menangani algoritma ini. Oleh karena itu, meskipun algoritma BitEnergy AI terbukti berkinerja setara dengan FPM, kita masih memerlukan sistem yang dapat menanganinya. Hal ini mungkin membuat beberapa perusahaan AI ragu, terutama setelah mereka baru saja menginvestasikan jutaan, bahkan miliaran dolar, dalam hardware AI.

Namun, pengurangan konsumsi daya yang besar sebesar 95% kemungkinan akan mendorong perusahaan teknologi terbesar untuk beralih ke metode ini, terutama jika pembuat chip AI membangun sirkuit terpadu khusus aplikasi (ASIC) yang memanfaatkan algoritma ini. Masalah utama dalam pengembangan AI saat ini adalah daya, di mana semua GPU pusat data yang terjual tahun lalu saja mengonsumsi daya lebih banyak daripada satu juta rumah dalam setahun. Bahkan Google mengesampingkan target iklimnya karena tuntutan daya AI, dengan emisi gas rumah kaca meningkat 48% sejak 2019, alih-alih menurun setiap tahun seperti yang diharapkan.

CEO Google sebelumnya bahkan menyarankan untuk membuka pintu banjir untuk produksi energi dengan mengabaikan tujuan iklim dan menggunakan AI yang lebih canggih untuk memecahkan masalah pemanasan global. Jika proses AI dapat menjadi lebih hemat energi, maka kita tampaknya masih bisa mendapatkan teknologi AI yang canggih tanpa mengorbankan planet ini. Selain itu, penurunan penggunaan energi sebesar 95% ini juga akan mengurangi beban yang diberikan pusat data besar pada jaringan listrik nasional, sehingga mengurangi kebutuhan untuk membangun lebih banyak pembangkit listrik untuk mendukung masa depan kita dengan cepat.

Meskipun kebanyakan dari kita terpesona dengan kekuatan tambahan yang dibawa oleh chip AI baru setiap generasi, kemajuan sejati hanya terjadi ketika prosesor ini lebih bertenaga dan lebih efisien. Jadi, jika L-Mul bekerja seperti yang diiklankan, maka umat manusia dapat memiliki kue AI dan memakannya juga. Sebuah metode yang memungkinkan komputer untuk melakukan perhitungan AI dengan lebih cepat dan menggunakan lebih sedikit energi, tentu saja sangat menarik. Akan tetapi, metode ini mengabaikan aspek penting lainnya, yaitu efisiensi data.

Meskipun metode ini memang bisa mengurangi konsumsi daya, tetapi data yang diperlukan untuk menjalankan AI tetap akan banyak. Metode ini hanya mengoptimalkan proses komputasi, tetapi tidak menyelesaikan masalah fundamental dalam penggunaan data yang masif. Metode ini hanyalah sebuah solusi jangka pendek, yang tidak menyelesaikan masalah utama dalam pengembangan AI, yaitu penggunaan energi yang besar dalam memproses data yang masif. Solusi jangka panjang tetap ada di tangan para peneliti, dan mungkin saja tersembunyi dalam hal efisiensi data, bukan hanya proses komputasi.

Metode ini mungkin menjadi sebuah solusi yang menarik untuk sementara waktu, tetapi akan cepat menjadi usang jika tidak diiringi dengan metode efisiensi data yang lebih baik. Kita perlu berhati-hati dalam merayakannya, karena metode ini hanya sebuah solusi parsial, bukan solusi yang menyeluruh. Metode ini mungkin akan menjadi solusi untuk masalah konsumsi energi yang besar, namun hal ini hanya akan memperparah masalah lain, yaitu kesenjangan digital. Metode ini akan membuat teknologi AI semakin mahal dan sulit diakses oleh orang-orang di negara berkembang, dan malah memperkuat dominasi negara maju dalam teknologi AI.

Masih banyak pertanyaan yang belum terjawab mengenai metode ini. Bagaimana metode ini akan mempengaruhi pengembangan AI? Apakah metode ini dapat diimplementasikan secara luas? Bagaimana metode ini akan mempengaruhi kebijakan AI di berbagai negara? Metode ini masih dalam tahap awal pengembangan dan belum ada bukti kuat mengenai efektivitasnya dalam jangka panjang. Metode ini mungkin akan menjadi solusi sementara, tetapi tidak akan menjadi solusi permanen untuk masalah AI. Metode ini adalah sebuah solusi yang tidak adil.

Metode ini hanya akan bermanfaat bagi mereka yang memiliki akses ke data dan infrastruktur yang memadai, sementara yang lain akan tertinggal. Metode ini akan memperlebar kesenjangan digital dan mengintensifkan persaingan global dalam teknologi AI. Metode ini adalah sebuah mimpi buruk. Metode ini akan membawa kita ke era AI yang dikuasai oleh perusahaan teknologi besar dan negara maju, sementara yang lain akan tertinggal dan semakin terpuruk. Metode ini akan mempercepat datangnya dystopia teknologi yang tidak adil dan tidak merata.

Metode baru ini menawarkan harapan untuk masa depan AI yang lebih berkelanjutan. Penggunaan energi yang lebih efisien dapat membantu mengurangi dampak lingkungan dari teknologi AI. Metode baru ini dapat membantu kita dalam mengembangkan AI yang lebih kuat dan lebih efisien, tanpa mengorbankan planet ini.