JAKARTA: Fokus utama kecerdasan buatan (AI) di kawasan Asia-Pasifik, termasuk Indonesia, umumnya tertuju pada angka-angka besar: pembangunan pusat data yang semakin besar dan canggih, peningkatan komitmen investasi, dan ekspektasi belanja regional yang semakin tinggi untuk mewujudkan ambisi AI.
Di luar angka-angka tersebut, muncul pertanyaan yang lebih mendasar: Apakah kawasan ini mampu menghasilkan dan memasok energi listrik yang cukup untuk mendukung ambisi AI-nya? Seiring dengan meningkatnya skala AI, listrik, bukan modal atau chip, semakin menjadi kendala utama yang membantu mendefinisikan kembali arti memimpin infrastruktur.
Permintaan tidak lagi menjadi masalah. International Data Corporation (IDC) memperkirakan kapasitas listrik pusat data di kawasan Asia-Pasifik (tidak termasuk Jepang) akan mencapai sekitar 142.600 MW pada tahun 2029, sementara Gartner memperkirakan permintaan listrik pusat data global akan meningkat dua kali lipat pada tahun 2030. Namun, kendala utama saat ini bukan terletak pada sisi permintaan, melainkan pada sisi pasokan. Meskipun waktu tunggu untuk tersambung ke jaringan listrik bisa melebihi empat tahun di pasar-pasar utama, akses terhadap listrik yang andal dengan cepat menjadi pembeda strategis.
Tantangan ini juga menjadi semakin penting di Indonesia, di tengah pesatnya investasi pada pusat data dan infrastruktur cloud yang siap mendukung AI. Komitmen PLN untuk memasok listrik hingga 1,2 GW untuk perluasan pusat data menunjukkan besarnya kebutuhan energi seiring dengan percepatan transformasi digital nasional. Oleh karena itu, perhatian industri tidak lagi hanya terfokus pada peningkatan kapasitas, namun juga bagaimana mencapai pertumbuhan tersebut secara efisien dan sejalan dengan agenda keberlanjutan Indonesia.
Bagi para pemimpin perusahaan, persyaratan ini mengubah permasalahan yang sebelumnya merupakan permasalahan fasilitas dan operasional menjadi permasalahan strategi bisnis.
Dari meningkatkan daya komputasi hingga menghasilkan dampak yang lebih besar
Selama dekade terakhir, cakupan AI telah dipenuhi dengan penambahan yang tiada henti: lebih banyak akselerator, rak, dan daya komputasi. Namun ketika dihadapkan pada keterbatasan daya listrik, pendekatan ini mulai kehilangan relevansinya.
Kini, pertanyaan kuncinya mulai berubah: ini bukan lagi tentang berapa banyak komputasi yang dapat dibangun, namun berapa banyak output yang dapat dihasilkan dari setiap unit daya. Pada titik ini, kinerja per watt menjadi salah satu metrik terpenting dalam infrastruktur AI. Efisiensi bukan lagi sekedar aspek tambahan dalam laporan keberlanjutan, namun telah menjadi penentu langsung potensi pertumbuhan suatu organisasi.
Perubahan ini memerlukan perubahan pola pikir yang nyata, yang mempunyai implikasi bisnis yang besar. Di tengah meningkatnya biaya energi, listrik kini menjadi komponen biaya operasional terbesar bagi sebagian besar pusat data. Hal ini membuat efisiensi masing-masing server dan rak serta pemilihan sistem pendingin tidak lagi sekedar keputusan teknis di ruang server, melainkan keputusan strategis yang harus dibicarakan di tingkat dewan. Organisasi yang mampu memperoleh nilai lebih besar dari setiap watt listrik akan memiliki lebih banyak ruang untuk berkembang, sementara organisasi yang memandang efisiensi sebagai hal sekunder akan lebih cepat menghadapi kendala dalam pilihan dan skalabilitas.
Para pembuat kebijakan juga mulai menetapkan standar yang lebih ketat. Pada akhir tahun 2025, Dewan Pembangunan Ekonomi (EDB) Singapura dan Otoritas Pengembangan Infomedia (IMDA) membuka gelombang kedua program Data Center Call for Applications (DC-CFA2), yang mengalokasikan minimal 200 MW kapasitas baru hanya untuk operator yang mampu memenuhi standar tinggi dalam hal efisiensi energi, efisiensi peralatan, dan penggunaan energi ramah lingkungan.
Sementara itu, Malaysia menghubungkan insentif pajak untuk pusat data dengan target efisiensi energi dan pengurangan emisi sebagai bagian dari upaya nasional menuju target 70% energi terbarukan dan nol emisi bersih pada tahun 2050. Di Asia Tenggara, termasuk Indonesia, perhatian industri kini tidak lagi hanya terfokus pada pembangunan lebih banyak pusat data, namun juga pada bagaimana memastikan bahwa infrastruktur siap mendukung AI sekaligus mencapai efisiensi energi.
Tren ini juga merupakan komitmen yang dianut oleh Lenovo, karena sasaran net-zero gas rumah kaca pada tahun 2050 yang divalidasi melalui inisiatif Science Based Targets (SBTi) menghubungkan peningkatan efisiensi yang telah dibahas sebelumnya dengan komitmen terukur, bukan sekadar ambisi umum.
Desainnya didasarkan pada seluruh siklus hidup beban kerja
Salah satu kesalahan desain terbesar saat ini adalah mengoptimalkan beban kerja yang hanya terlihat oleh mata. Banyak diskusi tentang AI masih berfokus pada pelatihan model besar yang ekstensif namun tidak teratur. Faktanya, ketika AI memasuki fase implementasi, beban kerja inferensi menjadi berkelanjutan, mulai dari merespons pelanggan, memproses transaksi, hingga mengendalikan proses operasional. Di Indonesia, hal ini berarti membangun fondasi infrastruktur yang mampu mendukung meluasnya penggunaan AI di berbagai sektor, seperti perbankan digital, ritel, manufaktur, logistik, dan layanan publik.
Meskipun konsumsi daya setiap tugas lebih kecil, sifatnya yang tetap berarti tugas tersebut terakumulasi dalam skala besar. Faktanya, jika satu permintaan hanya bernilai satu sen, sebuah layanan dengan 10 juta pengguna yang masing-masing mengajukan 10 pertanyaan sehari akan menelan biaya sekitar $1 juta per hari hanya untuk komputasi dan daya. JLL memperkirakan bahwa inferensi akan mengambil alih pelatihan sebagai beban kerja utama AI di pusat data sekitar tahun 2027, sehingga tekanan biaya akan terus meningkat seiring dengan adopsi AI.
Jawabannya adalah menjadikan arsitektur sebagai keputusan strategis dan desain untuk seluruh siklus hidup beban kerja. Dalam praktiknya, hal ini berarti memilih infrastruktur berdasarkan kinerja per watt, bukan hanya kecepatan puncak, merancang sistem untuk memenuhi kebutuhan nyata dan berkelanjutan, bukan hanya untuk hari beban tertinggi, dan menyesuaikan setiap beban kerja dengan lokasi atau lingkungan komputasi yang optimal.
Tempatkan beban kerja pada platform yang dioptimalkan
Lokasi di mana beban kerja dijalankan merupakan salah satu faktor yang menentukan biaya, kinerja, dan konsumsi daya, sehingga menjadikan pendekatan hibrid semakin penting. Operasi pelatihan skala besar pada umumnya harus berlokasi di lingkungan dengan daya komputasi tinggi dan sistem pendingin yang sesuai.
Sebaliknya, inferensi paling baik dilakukan di dekat sumber data dan titik pengambilan keputusan, termasuk di bagian edge. Pendekatan ini dapat mengurangi latensi, kebutuhan bandwidth, dan konsumsi daya. Selain itu, menempatkan beban kerja dekat dengan sumber datanya juga membantu memenuhi persyaratan kedaulatan data dan kepatuhan yang semakin ketat di berbagai negara.
Bagi negara kepulauan seperti Indonesia, arsitektur hybrid AI juga dapat meningkatkan respons aplikasi dengan memproses AI lebih dekat ke tempat data dihasilkan, sekaligus mendukung kebutuhan pengelolaan data yang terus meningkat.
Tidak ada lingkungan komputasi tunggal yang dapat memenuhi semua kebutuhan. Yang terpenting adalah memilih lingkungan yang paling sesuai untuk setiap beban kerja.
Efisiensi dicapai melalui sinergi
Tidak ada satu komponen pun yang dapat menghasilkan efisiensi seperti ini sendirian. Perbaikan sebenarnya terjadi ketika silikon, desain sistem, perangkat lunak, dan pendingin dirancang untuk bekerja sama, dan masing-masing membantu mengatasi keterbatasan satu sama lain. Kolaborasi di semua lapisan teknologi antara pembuat chip, penyedia infrastruktur, dan organisasi yang menerapkan AI merupakan kemajuan nyata yang terjadi.
Pendinginan telah berpindah dari bagian belakang ruang data ke pusat strategi. Dunia usaha kini menginginkan infrastruktur AI yang dapat beroperasi secara efisien, sehingga lebih banyak daya dan anggaran dapat dialokasikan untuk memanfaatkan AI guna mendorong pertumbuhan bisnis, bukan mengurangi tekanan. Saat rak AI memanas, pendinginan berbasis udara mulai mencapai batasnya.
Menjaga rak dengan kepadatan tinggi tetap berpendingin udara berarti harus menjalankan lebih banyak kipas dan mengandalkan pendingin, dan perangkat pendukung ini menambah porsi biaya energi yang semakin besar di luar kebutuhan komputasi itu sendiri. Mengurangi beban pendinginan adalah salah satu cara tercepat untuk meningkatkan efisiensi pusat data.
Mendinginkan Neptunus dengan air hangat menunjukkan penerapan efisiensi ini di dunia nyata. Dengan menyalurkan air hangat langsung ke komponen panas, sistem ini mengurangi kebutuhan kipas dan radiator yang digunakan dalam pendinginan udara. Hasilnya, konsumsi daya di pusat data dapat dikurangi hingga 40% dibandingkan dengan sistem pendingin udara tradisional, terutama karena penghematan pada sisi pendinginan, bukan pada server itu sendiri.
Dalam beberapa konfigurasi, pendekatan ini juga dapat mengurangi efektivitas penggunaan daya (PUE) menjadi sekitar 1,1, yang jauh lebih efisien dibandingkan desain tradisional. Teknologi ini telah digunakan di berbagai lembaga penelitian, universitas, dan lembaga meteorologi di kawasan Asia-Pasifik. Jika seluruh rangkaian dirancang untuk efisiensi, dampaknya akan signifikan.
Mengapa kawasan Asia-Pasifik berpeluang menjadi pemimpin?
Ada manfaat lingkungan yang bisa diperoleh dari semua ini. Penggunaan energi yang lebih rendah berarti emisi yang lebih rendah, sehingga membantu memenuhi ekspektasi pelaporan yang semakin ketat di seluruh wilayah. Namun alasan paling langsung mengapa efisiensi semakin menjadi agenda adalah lebih sederhana: ketika listrik terbatas, efisiensi menjadi faktor yang memungkinkan pertumbuhan, apa pun bauran energi di setiap negara. Baik dari sudut pandang bisnis maupun lingkungan hidup, keduanya mengarah pada hal yang sama.
Kawasan Asia-Pasifik memiliki satu keunggulan penting: sebagian besar kemampuan yang mampu mendukung AI sedang dikembangkan, sehingga kompetensi dapat dirancang sejak awal. Hal ini terutama berlaku untuk pasar AI yang sedang berkembang seperti Indonesia, dimana keputusan infrastruktur yang diambil saat ini akan menentukan kemampuan negara tersebut untuk mengembangkan AI secara berkelanjutan dalam jangka panjang.
Para pemimpin yang akan unggul bukan hanya mereka yang membelanjakan lebih banyak, namun mereka yang membelanjakan lebih tepat, memandang infrastruktur sebagai serangkaian keputusan desain mengenai efisiensi dan penerapan, bukan sekadar perlombaan untuk menambah kemampuan.
Pada fase adopsi AI berikutnya, keunggulan kompetitif tidak akan ditentukan oleh skala infrastruktur yang diterapkan, namun oleh seberapa besar nilai yang dapat diekstraksi dari setiap watt. Ketika daya listrik melampaui aspirasi terhadap input yang paling terbatas, organisasi yang mampu memaksimalkan setiap watt akan berada pada posisi terbaik untuk sukses.
(Kumar Mitra, Pemimpin Komersial, Asia Pasifik Raya, Lenovo)
Jadikan Servisenta.biz.id sebagai sumber informasi pilihan Anda
(MMI)
(tag untuk terjemahan) Lenovo
