Perusahaan AI asal Prancis Mistral telah merilis audit lingkungan komprehensif pertama untuk model bahasa besar, memberikan data konkret tentang dampak lingkungan AI. Studi ini, yang dilakukan dalam kemitraan dengan konsultan keberlanjutan Carbone 4 dan Badan Transisi Ekologis Prancis, meneliti model Large 2 milik Mistral selama 18 bulan pertama operasinya.
Temuan ini menantang asumsi umum tentang dampak buruk AI terhadap lingkungan. Meskipun angka agregat tampak signifikan, dampak per-kueri menceritakan kisah yang berbeda dan telah memicu perdebatan sengit di komunitas teknologi.
 |
|---|
| Audit lingkungan Mistral mengungkapkan jejak karbon yang terkait dengan operasi AI, memicu perdebatan tentang biaya lingkungannya |
Kueri AI Individual Memiliki Dampak Lingkungan yang Mengejutkan Kecil
Audit menemukan bahwa satu prompt AI yang menghasilkan sekitar 400 token (kira-kira satu halaman teks) hanya menghasilkan 1,14 gram CO2 dan mengonsumsi 45 mililiter air. Sebagai perbandingan, ini setara dengan menonton 10 detik video streaming di AS, atau duduk dalam panggilan Zoom selama 4-27 detik.
Diskusi komunitas telah menyoroti bagaimana angka-angka ini dibandingkan secara menguntungkan dengan banyak aktivitas digital sehari-hari. Satu analisis mencatat bahwa menulis email 10 menit yang dibaca oleh 100 penerima menghasilkan emisi setara dengan 22,8 prompt AI. Hal ini membuat beberapa pengguna mempertanyakan apakah kekhawatiran lingkungan seputar penggunaan AI sebanding dengan dampak sebenarnya.
Biaya Lingkungan Per Query
- Emisi CO2: 1,14 gram per prompt 400-token
- Konsumsi air: 45 mililiter per prompt
- Aktivitas setara: 10 detik streaming video US , 4-27 detik panggilan Zoom
Biaya Lingkungan Sesungguhnya Terletak pada Pelatihan dan Skala
Meskipun kueri individual tampak sederhana, dampak kumulatif menceritakan kisah yang berbeda. Selama 18 bulan, operasi Mistral menghasilkan 20,4 kiloton emisi CO2 - setara dengan 4.500 mobil yang berjalan selama setahun - dan mengonsumsi 281.000 meter kubik air, cukup untuk mengisi 112 kolam renang Olimpik.
Audit mengungkapkan bahwa 85,5% emisi CO2 dan 91% konsumsi air terjadi selama pelatihan model dan operasi inferensi, bukan dari konstruksi infrastruktur atau peralatan pengguna akhir. Temuan ini telah memicu perdebatan tentang apakah biaya lingkungan harus dipandang sebagai biaya pelatihan satu kali yang dibagi di antara semua pengguna, atau sebagai bagian dari tren yang terus meningkat.
Mistral Large 2 Dampak Lingkungan (18 bulan)
- Emisi CO2: 20,4 kiloton (setara dengan 4.500 mobil/tahun)
- Konsumsi air: 281.000 meter kubik (112 kolam renang Olimpiade )
- Pembagian pelatihan/inferensi: 85,5% dari CO2, 91% dari konsumsi air
Komunitas Memperdebatkan Skala dan Pertumbuhan Masa Depan
Diskusi komunitas teknologi telah berfokus pada pertanyaan skalabilitas. Sementara beberapa berpendapat bahwa penggunaan AI saat ini mewakili sebagian kecil dari emisi global - berpotensi hanya 0,000026% dari produksi gas rumah kaca di seluruh dunia - yang lain menunjuk pada proyeksi pertumbuhan yang cepat yang dapat secara dramatis mengubah perhitungan ini.
ChatGPT berkembang dari 0 menjadi 100 juta pengguna dalam hitungan bulan, semuanya mengirimkan ratusan kueri.
Perdebatan telah mengintensif seputar ekspansi infrastruktur, dengan operator besar membangun pusat data AI 10-gigawatt. Dengan sekitar 1 kilowatt per GPU, ini menunjukkan skala deployment jauh melampaui perkiraan saat ini, berpotensi melibatkan jutaan unit pemrosesan untuk perusahaan tunggal.
Perbandingan dengan Studi Lain
- UC Riverside ( GPT-3 ): ~17ml air per prompt
- Jurnal Nature ( ChatGPT ): rata-rata 2,2g CO2 per kueri
- Mozilla Foundation : rentang emisi panggilan Zoom setara 4-27 detik
Seruan untuk Transparansi Seluruh Industri
Audit Mistral mewakili gambaran langka ke dalam data lingkungan AI yang sebenarnya, karena sebagian besar perusahaan AI besar belum merilis penilaian lingkungan yang komprehensif. Metodologi studi ini mengikuti pedoman pemerintah Prancis dan menjalani peer review, memberikan kredibilitas pada temuan tersebut.
Namun, para ahli mencatat keterbatasan dalam data, termasuk kesenjangan metodologis penting dan perkiraan untuk dampak siklus hidup GPU. Harapannya adalah bahwa perusahaan AI lain akan mengikuti jejak Mistral , berpotensi memungkinkan penciptaan sistem penilaian lingkungan untuk membantu pengguna mengidentifikasi model yang paling efisien.
Audit ini tiba pada waktu yang kritis ketika adopsi AI meningkat secara global. Meskipun penggunaan individual mungkin tampak sederhana secara lingkungan, penskalaan teknologi yang cepat menimbulkan pertanyaan tentang dampak kumulatif yang baru mulai ditangani industri melalui data konkret dan inisiatif transparansi.
Referensi: Mistral's new environmental audit shows how much AI is hurting the planet