Peneliti sedang mengembangkan metode baru untuk menghasilkan gambar menggunakan kecerdasan buatan (AI) yang berpotensi menggunakan energi jauh lebih sedikit. Metode ini dikenal sebagai komputasi termodinamika, yang memanfaatkan aliran energi fisik secara alami daripada bergantung pada sirkuit digital tetap seperti pada komputer konvensional.
Berbeda dari komputasi digital yang menjalankan kalkulasi secara pasti dan terstruktur, komputasi termodinamika bekerja dengan menggunakan ketidakteraturan, kebisingan, dan interaksi fisik di dalam perangkat keras. Pendekatan ini bisa membuat proses pembuatan gambar oleh AI lebih hemat energi dalam skala besar dibanding teknologi yang ada saat ini.
Prinsip Kerja Komputasi Termodinamika dalam Pembuatan Gambar
Pada metode ini, komputer memulai dengan menerima data gambar yang kemudian mengalami proses “degradasi” secara alami. Degradasi di sini bukan berarti gambar rusak, tetapi data dalam gambar tersebut berubah secara perlahan akibat fluktuasi kecil dalam komponen komputer, seperti arus kecil dan getaran.
Seiring waktu, gambar menjadi buram dan penuh noise karena interaksi fisik yang terjadi. Komputer kemudian mengukur kemungkinan untuk membalikkan perubahan tersebut dengan menyesuaikan pengaturan internalnya agar rekonstruksi gambar menjadi lebih mungkin. Proses ini diulangi berulang kali hingga gambar asal berhasil dipulihkan secara bertahap tanpa harus mengikuti logika langkah demi langkah seperti metode komputasi digital tradisional.
Stephen Whitelam, peneliti dari Lawrence Berkeley National Laboratory, telah berhasil menunjukkan bahwa metode ini dapat menghasilkan gambar sederhana, misalnya digit tulisan tangan. Walaupun hasilnya masih jauh dari kualitas generator gambar AI populer seperti DALL-E atau Google Gemini, penelitian ini membuktikan bahwa komputasi berbasis sistem fisik bisa menjalankan tugas pembelajaran mesin dasar.
Tantangan dan Potensi Pengembangan Teknologi Termodinamika
Untuk dapat digunakan dalam pembuatan gambar kompleks berkualitas tinggi, teknologi ini memerlukan desain perangkat keras dan metode komputasi baru secara menyeluruh. Para pendukung metode ini meyakini bahwa penggunaan komputasi termodinamika bisa mengurangi konsumsi energi untuk menghasilkan gambar dengan faktor hingga sepuluh miliar kali dibanding komputer standar saat ini.
Penurunan konsumsi energi sebanyak ini berpotensi membawa perubahan besar dalam operasi pusat data yang menjalankan model AI, sehingga membantu mengurangi jejak karbon dan biaya listrik. Namun saat ini, chip komputasi termodinamika yang tersedia masih dalam bentuk prototipe sangat dasar dan belum mampu menyaingi alat AI mainstream.
Whitelam menegaskan bahwa konsep ini masih dalam tahap sangat awal dan memerlukan terobosan di bidang perangkat keras serta desain algoritma. Ia menyatakan, “Penelitian ini menunjukkan bahwa mungkin saja membuat perangkat keras yang dapat melakukan jenis pembelajaran mesin tertentu dengan biaya energi jauh lebih rendah dibanding sekarang. Namun kami belum mengetahui cara membuat komputer termodinamika yang sebaik DALL-E dalam menghasilkan gambar.”
Langkah-Langkah Pengembangan Komputasi Termodinamika
- Mengembangkan perangkat keras baru yang bisa memanfaatkan aliran energi fisik dengan optimal.
- Merancang algoritma yang mampu memproses ketidakteraturan dan noise untuk rekonstruksi gambar.
- Menguji coba skala kecil dengan tugas-tugas AI dasar sebagai bukti konsep.
- Meningkatkan kemampuan menghasilkan gambar kompleks secara bertahap.
- Mengintegrasikan teknologi ke dalam pusat data yang hemat energi.
Penelitian ini membuka jalan untuk paradigma baru dalam teknologi AI yang tidak hanya fokus pada performa dan kualitas, tetapi juga pada efisiensi energi. Komputasi termodinamika berpotensi menjadi solusi penting menyusul meningkatnya permintaan pemrosesan AI yang selama ini dikenal sangat boros energi.
Dengan upaya riset yang terus berjalan, semakin besar kemungkinan AI dapat membuat gambar dengan konsumsi energi yang jauh lebih rendah, memengaruhi cara pengelolaan teknologi di masa depan. Namun, perlu digarisbawahi bahwa penerapan praktis teknologi ini masih memerlukan waktu dan inovasi lanjutan agar dapat bersaing dengan metode AI konvensional saat ini.