Apakah Kita Membangun Terlalu Banyak Pusat Data? Sakit Kepala Infrastruktur AI Boom

4

Dunia teknologi sedang ramai membicarakan tentang “gelembung AI”, yang memunculkan gambaran kehancuran pasar yang membawa bencana dan janji-janji yang tidak terealisasi. Namun, situasinya mungkin lebih berbeda dibandingkan skenario boom-and-bust yang sederhana. Anggap saja seperti ini: bahkan investasi yang bagus pun bisa menjadi buruk jika dilakukan secara berlebihan.

Inti dari dilema infrastruktur AI terletak pada ketidaksesuaian mendasar—kecepatan pengembangan perangkat lunak AI versus kecepatan pembangunan dan perlengkapan pusat data, pusat komputasi besar yang mendukung kemajuan ini. Fasilitas raksasa ini membutuhkan waktu bertahun-tahun untuk dibangun dan dilengkapi dengan perangkat keras mutakhir. Pada saat mereka mulai beroperasi, beberapa hal dapat berubah secara drastis.

Jaringan rumit pemasok yang mendukung ekosistem AI sangatlah dinamis. Memprediksi dengan tepat berapa banyak kapasitas komputasi yang sebenarnya kita perlukan dalam beberapa tahun ke depan ibarat melihat bola kristal. Yang terpenting, ini bukan hanya tentang volume penggunaan mentah; hal ini bergantung pada bagaimana orang akan menggunakan AI dan apakah terobosan tak terduga terjadi di berbagai bidang seperti efisiensi energi, desain chip, atau transmisi daya.

Besarnya skala taruhan ini menambah kerumitan lainnya. Misalnya saja proyek “Stargate”—sebuah proyek kolosal yang dipelopori oleh Oracle, OpenAI (pencipta ChatGPT), dan SoftBank dengan banderol harga $500 miliar yang menggiurkan hanya untuk infrastruktur AI saja. Sebagai gambaran, hal ini melebihi kontrak layanan cloud Oracle senilai $300 miliar dengan OpenAI. Meta juga tidak ketinggalan, berjanji untuk menghabiskan $600 miliar untuk infrastruktur selama tiga tahun ke depan. Komitmen-komitmen ini mengecilkan investasi teknologi sebelumnya, sehingga sulit untuk memahami dampak penuhnya.

Namun, di tengah pesatnya investasi ini, masih ada tanda tanya mengenai permintaan layanan AI. Survei McKinsey baru-baru ini menyoroti kenyataan: meskipun sebagian besar bisnis bereksperimen dengan AI dalam kapasitas tertentu, hanya sedikit yang menerapkannya dengan sepenuh hati. AI telah membuktikan manfaatnya dalam kasus penggunaan khusus dan menyederhanakan proses tertentu, namun AI belum merevolusi seluruh model bisnis dalam skala besar. Intinya, banyak perusahaan tetap optimis, menunggu untuk melihat bagaimana AI benar-benar mengubah industri mereka sebelum terjun lebih jauh. Jika pusat data dibangun dengan harapan akan adanya permintaan yang besar dan mendesak dari perusahaan, maka pusat data tersebut mungkin akan dibangun secara berlebihan dan kurang dimanfaatkan untuk sementara waktu.

Yang menambah ketegangan adalah ancaman keterbatasan fisik yang selalu ada – bahkan jika penggunaan AI meningkat seperti yang diperkirakan, infrastruktur tradisional mungkin tidak dapat mengimbanginya. CEO Microsoft Satya Nadella baru-baru ini mengungkapkan kekhawatiran yang lebih besar mengenai ketersediaan ruang pusat data dibandingkan dengan kekurangan chip (“Ini bukan masalah pasokan chip; ini adalah fakta bahwa saya tidak memiliki cangkang hangat untuk dihubungkan”).

Selain itu, pusat data yang ada saat ini sedang kesulitan untuk memenuhi kebutuhan daya dari chip AI yang mutakhir. Jaringan listrik dan infrastruktur fisik yang dirancang beberapa dekade lalu tidak dirancang untuk tingkat intensitas komputasi seperti ini. Ketidakcocokan ini menciptakan resep hambatan yang merugikan, terlepas dari seberapa cepat kemajuan perangkat lunak atau teknologi chip. Meskipun Nvidia (produsen GPU terkemuka) dan OpenAI bergerak maju dengan kecepatan yang sangat tinggi, kemampuan dunia untuk mengimbanginya masih tertinggal secara signifikan.

Masa depan AI tidak hanya bergantung pada kode dan algoritme, tetapi juga pada perubahan mendasar dalam kapasitas kita untuk menghasilkan, mendistribusikan, dan mengonsumsi daya. Membangun pusat data yang cukup mungkin merupakan bagian yang mudah; memastikan bahwa teknologi tersebut berjalan secara efektif mungkin merupakan hambatan yang sebenarnya – hambatan yang dapat menentukan apakah ini benar-benar sebuah revolusi teknologi yang menentukan era atau siklus hype yang diikuti dengan kekecewaan.