Mendinginkan AI Tanpa Menciptakan Masalah Lingkungan Baru

Ledakan penggunaan kecerdasan buatan mendorong kebutuhan komputasi data center ke tingkat yang belum pernah terjadi sebelumnya. Semakin besar daya komputasi yang digunakan, semakin besar pula panas yang harus dibuang agar server tetap bekerja secara aman dan efisien.

Karena itu, sistem pendinginan kini menjadi salah satu isu penting dalam pembangunan infrastruktur AI.

Salah satu teknologi yang mulai banyak dibahas adalah two-phase immersion cooling, yaitu sistem pendinginan dengan cara merendam komponen elektronik ke dalam cairan khusus yang tidak menghantarkan listrik.

Ketika komponen menghasilkan panas, cairan tersebut akan mendidih dan berubah menjadi uap. Uap kemudian membawa panas menjauh dari perangkat sebelum dikondensasikan kembali menjadi cairan dan digunakan ulang dalam sistem.

Pendekatan ini menawarkan potensi efisiensi yang tinggi, terutama untuk server AI dengan kepadatan komputasi besar.

Bisa Mengurangi Ketergantungan terhadap Air

Pendinginan data center konvensional dalam beberapa desain dapat membutuhkan air dalam jumlah besar.

Dengan immersion cooling, ketergantungan terhadap sistem pendinginan evaporatif dapat dikurangi secara signifikan.

Hal ini sangat menarik bagi data center yang dibangun di wilayah dengan keterbatasan air atau persaingan tinggi antara kebutuhan industri, masyarakat, dan pertanian.

Ketika industri AI berkembang pesat, efisiensi penggunaan air menjadi semakin penting.

Namun, mengurangi penggunaan air ternyata belum otomatis berarti teknologi tersebut sepenuhnya ramah lingkungan.

Muncul Persoalan PFAS

Sebagian cairan yang digunakan dalam sistem pendinginan berbasis fluorinated fluids dapat termasuk dalam kelompok luas bahan kimia yang dikenal sebagai PFAS.

PFAS sering mendapat perhatian karena beberapa senyawanya sangat sulit terurai di lingkungan.

Karakteristik setiap senyawa PFAS tidak sama dan tingkat risikonya dapat berbeda-beda. Namun, persoalan utama muncul ketika cairan mengalami kebocoran, pelepasan ke lingkungan, atau tidak dikelola dengan baik setelah masa pakainya berakhir.

Bahan yang sangat persisten dapat bertahan lama di tanah dan air.

Karena itu, pertanyaan penting mulai muncul:

Apakah penghematan air dari teknologi pendinginan AI justru berpotensi memindahkan beban lingkungan ke persoalan kimia?

Sustainability Tidak Boleh Hanya Dilihat dari Satu Indikator

Perdebatan ini menunjukkan kelemahan yang sering terjadi dalam penilaian teknologi hijau.

Sebuah teknologi mungkin terlihat lebih baik ketika hanya dilihat dari satu indikator.

Pendinginan baru mungkin menggunakan lebih sedikit air.

Namun, jika material pendinginnya memiliki risiko lingkungan tinggi, maka dampak secara keseluruhan belum tentu lebih baik.

Hal serupa terjadi pada banyak teknologi lainnya.

Kendaraan listrik mengurangi emisi knalpot, tetapi tetap membutuhkan pertambangan mineral.

Panel surya menghasilkan listrik rendah karbon, tetapi tetap membutuhkan material dan sistem pengelolaan pada akhir masa pakainya.

Karena itu, keberlanjutan seharusnya dinilai berdasarkan seluruh siklus hidup teknologi.

Alternatif Pendinginan Terus Dikembangkan

Industri data center juga mengembangkan berbagai teknologi lain.

Salah satunya adalah direct-to-chip liquid cooling, ketika cairan pendingin dialirkan langsung melalui pelat pendingin yang menempel pada prosesor atau komponen dengan panas tinggi.

Pendekatan ini dapat meningkatkan efisiensi perpindahan panas tanpa harus merendam seluruh perangkat elektronik.

Selain itu, terdapat pengembangan cairan dielektrik berbasis hidrokarbon dan berbagai formulasi baru yang dirancang untuk tidak menggunakan PFAS.

Masing-masing teknologi memiliki kelebihan dan tantangan.

Karena itu, pemilihan sistem pendinginan tidak hanya perlu melihat kemampuan menurunkan temperatur, tetapi juga konsumsi energi, kebutuhan air, risiko bahan kimia, kemudahan pemeliharaan, serta pengelolaan akhir masa pakai.

AI Membutuhkan Infrastruktur Fisik yang Sangat Nyata

AI sering dianggap sebagai teknologi virtual.

Namun, di balik setiap model AI terdapat pusat data dengan ribuan server yang membutuhkan listrik, air, material elektronik, sistem pendinginan, dan infrastruktur jaringan.

Semakin besar model AI dan semakin banyak penggunaannya, semakin besar pula kebutuhan sumber daya tersebut.

Karena itu, pertumbuhan AI perlu diikuti dengan standar lingkungan yang semakin ketat terhadap data center.

Tidak cukup hanya menghitung efisiensi komputasi.

Operator juga perlu mengukur penggunaan air, konsumsi energi, emisi, jenis bahan pendingin, potensi kebocoran, serta bagaimana material ditangani setelah tidak digunakan.

Jangan Memindahkan Masalah

Inilah pelajaran terpenting dari perkembangan teknologi pendinginan AI.

Solusi lingkungan seharusnya tidak sekadar memindahkan tekanan dari satu sumber daya ke sumber daya lain.

Mengurangi konsumsi air tetapi meningkatkan risiko pencemaran kimia bukanlah solusi ideal.

Begitu pula mengurangi penggunaan air tetapi membutuhkan jauh lebih banyak energi dari sumber fosil juga dapat menciptakan masalah baru.

Teknologi benar-benar berkelanjutan ketika mampu melihat air, energi, emisi, material, dan keamanan kimia sebagai satu sistem yang saling berhubungan.

Data center generasi berikutnya perlu dirancang dengan pendekatan tersebut sejak awal.

Karena semakin besar peran AI dalam kehidupan manusia, semakin penting memastikan bahwa infrastruktur yang menjalankannya tidak menghasilkan biaya lingkungan yang baru kita sadari setelah teknologi tersebut digunakan secara masif.

Sumber: LinkedIn — Cooling AI Without Creating Another Problem
https://www.linkedin.com/posts/ai-datacenters-sustainability-share-7511312598923952128-XF_M/