Cara Mengukur Dampak Lingkungan AI Tanpa Slogan

Mulailah dengan memisahkan pelatihan dari inferensi

Pelatihan (training) adalah komputasi yang digunakan untuk membuat atau memperbarui model. Inferensi (inference), yang juga disebut serving, adalah komputasi yang digunakan untuk menghasilkan output setelah penerapan (deployment). Satu kali proses pelatihan dapat menghabiskan energi yang cukup besar selama periode tertentu, sedangkan inferensi diulang-ulang di berbagai pengguna dan permintaan. Seiring waktu, total dari serving yang berulang dapat menjadi signifikan berdampingan dengan pelatihan, tetapi porsi relatifnya bergantung pada model, penggunaan, dan periode yang dihitung. Keduanya harus diukur dan dilaporkan secara terpisah sebelum total gabungan ditampilkan. Badan Energi Internasional (IEA) mendeskripsikan pelatihan dan deployment sebagai aktivitas pusat data, dan sebuah studi teknis Google secara khusus mengukur inferensi sembari mengecualikan pelatihan model dari batasannya. IEA, “Energy demand from AI” dan Elsworth et al., “Measuring the environmental impact of delivering AI at Google Scale”

Untuk pelatihan, pelaporan yang berguna mencakup durasi proses, energi yang dikonsumsi, perangkat keras yang terlibat, dan apakah angka tersebut hanya mencakup akselerator utama atau sistem komputasi yang lebih luas. Untuk inferensi, tentukan layanan dan tugasnya: misalnya, pembuatan teks untuk asisten tertentu selama periode pengukuran yang disebutkan. Sertakan apakah satuan yang dilaporkan dihitung per permintaan, per token, per output yang dihasilkan, atau total energi layanan. Penyebut-penyebut ini menjawab pertanyaan yang berbeda. Nilai per permintaan dapat bervariasi bergantung pada panjang prompt dan respons, perutean model, serta kondisi beban kerja; nilai per token dapat menyembunyikan overhead yang tidak berskala langsung dengan token.

Periksa batasan sistem sebelum membandingkan angka

Batasan pengukuran mengidentifikasi peralatan dan aktivitas mana saja yang dihitung. Estimasi yang sempit mungkin hanya menghitung listrik yang ditarik oleh GPU aktif atau akselerator AI lainnya. Estimasi serving yang lebih luas mungkin juga mencakup CPU dan memori host, mesin idle yang dicadangkan untuk ketersediaan, konversi daya, pendinginan, dan overhead pusat data lainnya. Beberapa batasan mengecualikan jaringan di luar fasilitas, perangkat pengguna akhir, pelatihan model, atau penyimpanan data. Suatu estimasi bisa saja valid secara internal namun tetap tidak cocok untuk dibandingkan dengan estimasi lain yang menghitung bagian sistem yang lebih banyak—atau berbeda.

Estimasi Gemini Apps yang diterbitkan Google mengilustrasikan mengapa batasan pengukuran ini penting. Estimasi bulan Mei 2025 untuk prompt teks median adalah 0,24 watt-jam (Wh) menggunakan metode serving yang komprehensif; metode yang lebih sempit dalam studi yang sama, yang mengecualikan CPU dan memori host, mesin idle, serta overhead fasilitas, menghasilkan 0,10 Wh. Itu adalah hasil untuk satu produk, tanggal, metrik, dan batasan akuntansi tertentu, bukan nilai universal untuk sebuah prompt AI. Studi tersebut juga mengecualikan pelatihan dan perangkat pengguna akhir. Google Cloud, “Measuring the environmental impact of AI inference” beserta makalah teknis pendukungnya

Saat membaca angka per tugas apa pun, carilah pernyataan batasan yang ringkas. Pernyataan tersebut harus menyebutkan apakah totalnya hanya mencakup akselerator atau seluruh tumpukan (full-stack), apakah overhead pusat data disertakan, serta apakah pelatihan dan aktivitas non-pusat data ikut dihitung. Jika informasi tersebut tidak ada, anggaplah angka tersebut belum lengkap untuk diperbandingkan. Jangan menambahkan pengali overhead dari sumber lain secara diam-diam: efisiensi fasilitas dan kondisi beban kerja selalu berbeda.

Selalu sertakan satuan pada setiap klaim

Listrik umumnya dilaporkan dalam watt-jam (Wh) untuk tugas kecil, kilowatt-jam (kWh) untuk total yang lebih besar, serta megawatt-jam atau terawatt-jam untuk total fasilitas maupun regional. Satu kWh sama dengan 1.000 Wh. Daya, yang diukur dalam watt (W) atau kilowatt (kW), adalah laju pada suatu waktu atau selama interval tertentu; energi dalam Wh atau kWh terakumulasi seiring berjalannya waktu. Oleh karena itu, pernyataan tentang kapasitas daya pusat data tidak dengan sendirinya menyatakan berapa banyak listrik yang digunakannya selama setahun.

Emisi biasanya dinyatakan sebagai massa setara karbon dioksida, seperti gram CO₂e per tugas atau ton CO₂e per tahun. Untuk memperkirakan emisi terkait listrik, penggunaan energi digabungkan dengan faktor emisi listrik, yang nilainya bergantung pada jaringan listrik, periode waktu, dan metode akuntansi. Emisi embodied dari pembuatan peralatan merupakan komponen terpisah dan dapat dialokasikan sepanjang masa pakai perangkat keras atau penggunaannya berdasarkan metode yang dipilih. Pisahkan energi dan emisi sebagai hasil yang berbeda; angka emisi yang lebih rendah mungkin mencerminkan pasokan listrik dengan intensitas karbon yang lebih rendah, bukan penggunaan listrik yang lebih sedikit. Penggunaan air adalah metrik berbeda lainnya yang memerlukan batasan dan satuan tersendiri.

Perlakukan efisiensi perangkat keras sebagai salah satu input, bukan hasil keseluruhan

Efisiensi perangkat keras dapat dinyatakan sebagai komputasi berguna per unit energi, atau sebagai energi per unit pekerjaan berguna. Namun, kinerja puncak per watt dari sebuah chip tidak sama dengan energi yang digunakan untuk menyelesaikan tugas layanan nyata. Hasil di dunia nyata juga bergantung pada pemanfaatan (utilization), desain perangkat lunak dan model, ukuran beban kerja, batching, peralatan pendukung sistem, dan fasilitasnya. IEA mencatat bahwa rata-rata server menyumbang porsi besar dari listrik pusat data, sementara porsi untuk pendinginan dan komponen lain sangat bervariasi menurut jenis fasilitas. IEA, “Energy demand from AI”

Untuk perbandingan pribadi, utamakan tugas terdefinisi yang sama pada layanan dan periode yang sama, disertai energi terukur per tugas dari penyedia jika tersedia. Jika membandingkan dua model atau layanan, pastikan tugas, panjang output, batasan pengukuran, dan perlakuan terhadap kapasitas idle memang sebanding. Spesifikasi perangkat keras atau tolok ukur (benchmark) dapat membantu menjelaskan potensi efisiensi, tetapi tidak serta-merta menetapkan penggunaan energi dalam kondisi produksi.

Gunakan total pusat data untuk melihat skala, bukan presisi per prompt

Total fasilitas atau nasional menjawab pertanyaan yang berbeda dari estimasi per permintaan. Total konsumsi listrik mencerminkan semua beban kerja yang dilayani, peralatan fasilitas, dan perubahan permintaan selama interval yang dipilih. Membagi total tersebut dengan perkiraan jumlah permintaan hanya dapat menghasilkan rata-rata kasar jika pembilang dan penyebut mencakup layanan, lokasi, dan periode yang sama. Infrastruktur bersama juga melayani beban kerja non-AI, sehingga mengaitkan seluruh listrik fasilitas ke AI akan melebih-lebihkan porsi AI kecuali jika metode alokasinya membenarkan hal tersebut.

Laporan Lawrence Berkeley National Laboratory tahun 2024 dari Departemen Energi AS memperkirakan penggunaan listrik historis pusat data AS dan menyajikan berbagai skenario permintaan di masa depan hingga tahun 2028. Itu adalah analisis pusat data nasional, bukan pengukuran langsung terhadap energi untuk satu permintaan AI individual. Skala dan pendekatan skenarionya berguna untuk memahami ketidakpastian dalam permintaan agregat, sedangkan telemetri operasional tingkat produk lebih relevan untuk tugas serving yang didefinisikan secara sempit. Lawrence Berkeley National Laboratory, “2024 United States Data Center Energy Usage Report”

Jelaskan ketidakpastian alih-alih menyembunyikannya

Ketidakpastian dapat timbul akibat akses data operasional yang tidak lengkap, beban kerja yang diestimasi alih-alih diukur secara meteran, asumsi tentang kapasitas idle, pemanfaatan perangkat keras yang berubah-ubah, dan pilihan bagaimana peralatan bersama dialokasikan. Emisi menambah variasi lebih lanjut melalui lokasi dan waktu penggunaan listrik, faktor emisi, serta perlakuan akuntansi atas pembelian listrik. Total pusat data juga mengandalkan perkiraan dan skenario ketika data meteran lengkap tidak tersedia. IEA secara eksplisit mencatat ketidakpastian substansial dalam konsumsi listrik pusat data saat ini dan masa depan. IEA, “Energy demand from AI”

Oleh karena itu, laporan yang bermanfaat akan menyebutkan periode pengamatannya, menjelaskan batasan pengukurannya, mengidentifikasi apakah angka-angka tersebut diukur langsung atau dimodelkan, serta menyatakan asumsi-asumsi utamanya. Jika estimasi bergantung pada skenario atau pilihan alokasi, berikan rentang nilai atau jelaskan bagaimana pilihan-pilihan tersebut memengaruhi hasilnya. Hindari menyajikan banyak angka di belakang desimal jika pengukuran dasarnya tidak mendukungnya. Tugas median, rata-rata, atau representatif juga harus dilabeli secara akurat: masing-masing merangkum distribusi beban kerja secara berbeda, dan tidak ada satu pun yang mewakili setiap permintaan.

Daftar periksa praktis untuk mengevaluasi sebuah klaim

Sebelum mengulangi atau membandingkan angka lingkungan untuk AI, tanyakan:

Apakah ini pelatihan, inferensi, atau total gabungan?

Layanan, beban kerja, periode, dan unit fungsional apa yang dideskripsikan?

Apakah angka tersebut hanya menghitung akselerator, atau juga mencakup host, kapasitas idle, dan overhead fasilitas?

Apakah nilainya berupa energi, daya, emisi, atau air—dan satuan apa yang digunakan?

Untuk emisi, faktor listrik, lokasi, basis waktu, dan perlakuan emisi embodied apa yang diterapkan?

Apakah hasilnya diukur, diestimasi, atau berbasis skenario, dan pengecualian atau ketidakpastian penting apa yang masih ada?

Untuk pilihan sehari-hari, daftar periksa ini lebih dapat ditindaklanjuti daripada sekadar angka “energi per obrolan” yang lepas dari konteks. Ini membantu membedakan hasil terukur untuk satu layanan tertentu dari klaim umum tentang AI secara keseluruhan, serta menunjukkan detail apa yang hilang yang dapat membuat perbandingan menjadi tidak andal.

Lanjutkan topik ini