Generative AI uses more energy on non-English text

Generative AI Makin Boros: Ketika Bahasa Non-Inggris Dimakan Energi Raksasa

Wong Edan di sini, dan hari ini kita punya topik bikin para praktisi AI, ilmuwan energi, dan developer yang tinggal di server room sedikit menggaruk kepala: apakah cuma bahasa Inggris yang selalu jadi bintang tamu di drama kecerdasan buatan generatif? Atau memang benar, generatif AI makin boros ketika harus bekerja dengan teks dalam bahasa non-Inggris?

Ini bukan cuma drama teori. Hasil riset yang dihubungkan dengan Futurity menyebutkan bahwa AI model dapat menggunakan hingga 15 kali lebih banyak energi untuk memproses dan menghasilkan teks dalam bahasa yang sangat banyak penuturnya, sering kali dengan kualitas output yang lebih rendah. Sementara itu, laporan dari University of Michigan News menyebut mampu mencapai rentang 1,4 sampai 180 kali lebih banyak energi untuk menghasilkan teks non-Inggris, dengan sebagian bahasa Eropa Barat yang muncul sekitar dua kali konsumsi energi lebih tinggi.

Duh. 15x itu bukan kemungkinan kecil. Bayangkan model yang sama, tugas yang sama, tenaga listrik yang sama, cuma karena bahasa tuh berubah, bebannya naik puluhan kali. Wong Edan sih pikir, “Jangan-jangan AI pada zaman sekarang ini cuma pintar di English, bukan di bahasa sehari-hari.” Tapi sebelum kita jual makan kopi, mari kita bedah teknisnya. Jangan-jangan nanti jadi kabar viral, padahal detailnya lebih juicy.

Ini juga penting buat kita yang tinggal di ekosistem AI, karena energi tidak cuma soal listrik. Energi mencakup waktu komputasi, penggunaan GPU, memori, storage, dan proses evaluasi. Ketika model harus memproses teks non-Inggris, beberapa komponen ini bisa jadi tidak efisien. Dan tidak efisien di sini berarti boros.

Klaim Pokok: Generative AI Bisa Boros 15 Kali untuk Teks Non-Inggris

Inti dari artikel ini adalah satu klaim yang mulai banyak dibahas: generative AI uses more energy on non-English text, alias generative AI memakai lebih banyak energi pada teks non-Inggris.

Dalam beberapa laporan, model generatif dikatakan memanfaatkan energi lebih besar untuk process dan generate teks dalam bahasa yang dianggap “widely spoken”, seperti bahasa-bahasa besar di dunia. Futurity, citasi Futurity, menyatakan: AI models can use up to 15 times more energy to process and generate text in widely spoken languages, often with lower-quality output. Jadi ada tiga hal penting: lebih banyak energi, lebih banyak bahasa, dan hasilnya kerap tidak sebaik bahasa Inggris.

Sementara University of Michigan News melaporkan rentang energi yang lebih luas: 1.4 to 180 times more energy untuk menghasilkan teks non-Inggris. Untuk bahasa Eropa Barat, angka yang disebutkan sekitar twice dibanding bahasa Inggris. Angka ini jelas sensasi, tapi perlu diingat: bukan satu model universal yang memiliki satu angka tunggal. Per model, per bahasa, per task, pasti beda-beda.

Untuk Wong Edan, ini penting karena AI generatif bukan cuma soal teks, melainkan komputasi. Kalau token lebih banyak, inferensi lebih lama, GPU lebih terbebani, dan akurasi lebih rendah, maka energi yang dibutuhkan bisa explode. Dan explode di sini bukan sekadar istilah, tapi angka yang nyata.

Di Balik Borosnya Energi: Token, Data, dan Inferensi

Tokenization: Pisau Banting Dua Tunggu

Kita sering dengar istilah token. Token adalah potongan teks yang dipahami model. Misalnya, kata bisa satu token, bagian kata bisa beberapa token, huruf bisa token. Tokenisasi seperti BPE atau SentencePiece mempengaruhi berapa token yang dihasilkan dari satu teks.

Kalau model dilatih terutama pada korpus berbahasa Inggris, mekanisme tokenisasi dan representasi mungkin teroptimasi untuk pola bahasa Inggris. Ketika dipakai untuk bahasa non-Inggris, terutama bahasa dengan morfologi aglutinatif atau banyak imbuhan, proses tokenisasi bisa berbeda. Hasilnya, jumlah token bisa lebih banyak, dan demikian pula konsumsi energi untuk inferensi.

Ini memang dugaan teknis yang umum disebut: multilingual tokenization efficiency. Tapi ingatlah, fakta utama yang kita miliki dari sumber adalah klaim energi lebih tinggi dan output lebih rendah. Perumusannya perlu diteliti lebih dalam.

Training Data: Inggris Tetap Raja?

Kebanyakan korpus besar untuk AI generatif didominasi teks berbahasa Inggris. Meskipun ada model multilingual, representasi pengetahuan seringkali tidak merata. Jika data non-Inggris kurang banyak, model tidak punya cukup pola untuk benar-benar menguasai bahasa itu. Akibatnya, model mungkin memakai lebih banyak iterasi, retry, atau bahkan menghasilkan teks yang ambigu.

Dan di dunia AI, output yang kurang bagus itu tidak gratis. Output rendah bisa mendorong proses debugging, penilaian manusia, atau percobaan ulang generasi. Semakin banyak percobaan, semakin besar energi komputasi.

Inferensi: Generasi itu Boros

Generasi berarti model menghasilkan token per token. Semakin panjang teks, semakin besar komputasi. Jika model menghasilkan teks non-Inggris dengan struktur yang kompleks, jumlah token bisa lebih besar. Jika model harus memproduksi banyak token karena tidak yakin, energi akan meningkat.

Secara sederhana, energy per generated token dan number of tokens sama-sama menentukan biaya. Jika tokenisasi tidak efisien, token lebih banyak. Jika model tidak yakin, generasi lebih lama. Jika output tidak memuaskan, proses QA dan retry menambah beban. Semua ini menggandakan atau mengmultiplesi konsumsi energi.

Jangan Sampai Menjadi Meme: Memahami Angka 15x, 180x, dan 1.4x

Angka-angka ini bikin bingung, dan seharusnya bikin kita waspada. 15 kali untuk proses dan generasi teks dalam bahasa widely spoken, sering output-nya lebih rendah. 180 kali untuk generasi teks non-Inggris. 1.4 kali sebagai baseline. Bahkan sebagian bahasa Eropa Barat disebut sekitar dua kali konsumsi energi.

Apa bedanya? Mungkin 15x itu mencakup proses dan generate, sedangkan 180x itu spesifik untuk generate. Mungkin 1.4x itu perbandingan dengan bahasa Inggris. Mungkin 15x itu rata-rata atau untuk kasus tertentu. Karena itu, tidak mungkin langsung menyimpulkan semua model AI akan selalu boros 180x. Tapi trendnya jelas: bahasa non-Inggris tidak selalu punya efisiensi yang sama.

Jika kita menulis artikel, membuat kode, atau chatbot dalam bahasa Indonesia, apakah model akan memprosesnya lebih hemat? Apakah tokenisasinya menyulitkan? Apakah kualitas output-nya cukup baik? Ini semua variabel. Tapi satu hal pasti: kekhawatiran energi tidak bisa diabaikan.

Kualitas dan Energi: Dua Belah Pihak Bisa Boros

Kita sering bilang AI itu hemat karena satu prompt bisa menghasilkan banyak hal. Padahal di balik layar, ada banyak komputasi. Kalau model harus menghasilkan teks non-Inggris dengan kualitas rendah, mungkin ia akan memproduksi token yang lebih panjang, kurang tepat, atau memerlukan konteks tambahan. Akibatnya, energi meningkat.

Secara sederhana: energy per generated token dan number of tokens sama-sama menentukan biaya. Jika tokenisasi tidak efisien, token lebih banyak. Jika model tidak yakin, generasi lebih lama. Jika output tidak memuaskan, proses QA dan retry menambah beban. Semua ini menggandakan atau mengmultiplesi konsumsi energi.

Untuk AI generatif yang ramai dipakai, ini bukan hanya isu teknis. Ini isu sustainability, infrastruktur listrik, dan keselamatan iklim. Karena model besar memakai GPU, GPU memakai listrik, listrik berasal dari berbagai sumber. Semakin boros, semakin besar jejak karbon.

Apa Artinya bagi AI di Indonesia dan Bahasa Non-Inggris Lainnya?

Bagian yang paling nyata bagi kita mungkin di Asia Tenggara, Indonesia, dan bahasa-bahasa Melayu, Tagalog, Sunda, Jawa, dan lainnya. Jika generatif AI untuk bahasa non-Inggris memakai energi lebih besar, maka implementasi di negara dengan populasi besar tapi akses listrik terbatas akan lebih sensitif.

Apalagi jika kita ingin lokalisasi model. Lokalisasi bukan cuma terjemahan, tapi adaptasi data training, tokenisasi, evaluasi, dan tuning. Jika tidak dilakukan dengan baik, model bisa kelelahan. Dan kelelahan di sini berarti lebih banyak token, lebih banyak waktu inferensi, lebih banyak energi.

Apple On-Device Model, misalnya, menarik karena model bisa berjalan lokal. Tapi kebanyakan skenario generatif masih di server. Kalau model on-device lebih efisien, itu bisa membantu. Namun konteksnya berbeda: on-device mengurangi latency, bukan semata-mata energi cloud. Meski dari sisi infrastruktur, tetap relevan.

Strategi Hemat Energi untuk AI Generatif Multilingual

Apa yang harus dilakukan? Pertama, evaluasi tokenisasi untuk bahasa non-Inggris. Kedua, perbaiki kualitas data training multilingual. Ketiga, optimasi inferensi seperti caching, quantization, distillation, dan model kecil. Keempat, evaluasi energi secara langsung di deployment.

Optimasi tokenisasi: uji efisiensi token untuk bahasa target.
Data quality: pastikan data non-Inggris cukup representatif.
Distilasi: kurangi ukuran model dengan perilaku yang diinginkan.
Quantization: turunkan presisi model untuk inferensi hemat.
On-device: kurangi beban cloud untuk task ringan.
Cache: simpan hasil generasi identik atau serupa.

Semua ini butuh pengukuran. Wong Edan tidak suka solusi “karena lebih hemat” tanpa data. Kita perlu ukuran energi per token, per query, per bahasa, per task.

Kesimpulan Ahli Wong Edan

Jadi, apakah generative AI memang memakai lebih banyak energi pada teks non-Inggris? Berdasarkan beberapa sumber yang disebutkan, jawabannya nggak sederhana: ada kekhawatiran kuat. Model bisa pakai hingga 15 kali lebih banyak energi untuk teks dalam bahasa widely spoken, dengan output kerap lebih rendah. Ada juga laporan rentang 1,4 sampai 180 kali lebih banyak untuk generasi teks non-Inggris.

Tapi kita harus pintar membaca angka. Itu indikasi, bukan kalimat mutlak. Yang jelas, efisiensi bahasa Inggris dan non-Inggris dalam AI generatif belum merata. Untuk memangkas energi, kita butuh teknologi, data, dan evaluasi yang lebih baik.

Wong Edan menutup dengan satu gosip kecil: nanti AI generatif yang hemat itu mungkin bukan yang paling pintar, tapi yang paling efisien. Dan di dunia yang penasaran dengan energi, mungkin itulah yang bakal lanjut populer. Sekian dari gue, teknologi dan kopi.