Mistral AI baru-baru ini menerbitkan analisis siklus hidup komprehensif pertama dari sebuah model bahasa besar, mengungkapkan bahwa model Mistral Large 2 mereka mengonsumsi 20.400 ton setara CO2 dan 281.000 meter kubik air selama 18 bulan operasi. Meskipun perusahaan memposisikan ini sebagai transparansi terobosan untuk industri AI, komunitas teknologi telah memicu perdebatan tak terduga yang membandingkan jejak lingkungan AI dengan pilihan konsumsi sehari-hari.
Dampak Lingkungan Mistral Large 2 (18 bulan)
- Emisi CO2: 20.400 ton setara CO2
- Konsumsi air: 281.000 meter kubik
- Penipisan sumber daya: 660 kg setara Sb
- Per respons 400-token: 1,14g CO2e, 45mL air, 0,16mg setara Sb
 |
|---|
| Analisis Siklus Hidup Model Large 2 Mistral AI menggambarkan dampak lingkungan dari pengembangan AI |
Perbandingan Mengejutkan Daging Sapi vs AI
Diskusi paling hangat berpusat pada perbandingan matematis yang mengejutkan banyak orang. Analisis komunitas menunjukkan bahwa memproduksi satu kilogram daging sapi membutuhkan energi setara dengan 60.000 kueri ChatGPT dan air setara dengan 50 juta kueri. Ini berarti produksi daging sapi harian Prancis menciptakan dampak lingkungan yang jauh melebihi pelatihan model AI besar setiap enam bulan.
Anda benar-benar melihat matematikanya dan berkata tapi saya suka daging saya, mengapa saya harus menyerahkannya jika Anda punya AI Anda. Karena, seperti yang baru saja saya tunjukkan, AI saya hanya mengambil sebagian kecil tak terhingga dari daging Anda. Anda hanya perlu menjadi vegan selama sehari untuk mengimbangi seluruh penggunaan AI Anda selama setahun.
Perbandingan ini telah membagi komunitas antara mereka yang melihatnya sebagai perspektif valid tentang prioritas lingkungan dan yang lain yang memandangnya sebagai pengalihan dari meningkatnya kebutuhan energi AI.
Perbandingan Dampak Lingkungan
- Produksi daging sapi 1kg = ~60.000 kueri ChatGPT (setara energi)
- Produksi daging sapi 1kg = ~50.000.000 kueri ChatGPT (setara air)
- 400 token AI = 10 detik streaming video AS
- Emisi tahunan pesawat A320neo tunggal > pelatihan Mistral selama 18 bulan
Penggunaan Individual vs Skala Industri
Perdebatan ini mengungkapkan ketegangan mendasar antara tanggung jawab pribadi dan akuntabilitas perusahaan. Data Mistral menunjukkan bahwa menghasilkan 400 token (kira-kira satu halaman teks) menghasilkan 1,14 gram setara CO2 - sebanding dengan 10 detik streaming video online di Amerika Serikat. Hal ini membuat beberapa orang berargumen bahwa penggunaan AI individual dapat diabaikan dibandingkan dengan aktivitas harian lainnya.
Namun, kritikus menunjukkan bahwa pembingkaian ini mengabaikan skala industri dari penerapan AI. Mereka berargumen bahwa meskipun kueri individual mungkin tampak kecil, infrastruktur kolektif yang diperlukan untuk mendukung jutaan pengguna mewakili kategori baru konsumsi energi yang signifikan yang tidak ada sebelumnya.
Trade-off Efisiensi vs Akses
Diskusi komunitas menyoroti pertimbangan teknis penting: hubungan antara ukuran model dan dampak lingkungan. Studi Mistral mengkonfirmasi bahwa dampak berskala kira-kira proporsional dengan ukuran model - model yang 10 kali lebih besar menghasilkan dampak satu orde magnitude lebih besar untuk output yang sama.
Hal ini telah memicu percakapan tentang apakah industri harus fokus pada menjalankan model yang lebih kecil dan lebih efisien secara lokal pada perangkat konsumen versus mempertahankan pendekatan saat ini dengan model besar dan terpusat. Beberapa berargumen bahwa operasi pusat data dapat mencapai efisiensi yang lebih baik melalui batching dan perangkat keras yang dioptimalkan, sementara yang lain mengadvokasi komputasi terdistribusi untuk mengurangi kebutuhan akan server farm yang masif.
Konteks yang Hilang dalam Diskusi Lingkungan
Komunitas telah mencatat bahwa diskusi lingkungan saat ini sering kekurangan konteks penting. Sementara perusahaan AI menghadapi pengawasan untuk penggunaan energi mereka, industri lain dengan dampak lingkungan yang berpotensi lebih besar menerima perhatian yang lebih sedikit. Beberapa menunjukkan bahwa satu pesawat komersial menghasilkan emisi tahunan lebih banyak daripada seluruh proses pelatihan model Mistral selama 18 bulan.
Perspektif ini menunjukkan bahwa fokus pada dampak lingkungan AI mungkin tidak proporsional, terutama ketika mempertimbangkan bahwa banyak aplikasi AI membantu mengoptimalkan penggunaan energi di sektor lain. Namun, yang lain berargumen bahwa menjadi sumber emisi baru membuat AI layak mendapat pengawasan khusus, terutama karena teknologi ini berkembang dengan cepat.
Melihat ke Depan
Perdebatan ini mencerminkan pertanyaan yang lebih luas tentang bagaimana masyarakat harus memprioritaskan kekhawatiran lingkungan di era perubahan teknologi yang cepat. Sementara inisiatif transparansi Mistral menyediakan data berharga untuk pengambilan keputusan yang terinformasi, diskusi komunitas mengungkapkan bahwa tantangan sebenarnya mungkin adalah mengembangkan kerangka kerja untuk membandingkan dampak lingkungan di berbagai sektor dan skala waktu.
Seiring AI terus terintegrasi ke dalam kehidupan sehari-hari, percakapan tentang tanggung jawab lingkungan, akuntabilitas individual versus perusahaan, dan biaya sebenarnya dari kemajuan teknologi kemungkinan akan semakin intensif.
Referensi: Our contribution to a global environmental standard for AI