Pernahkah Anda membayangkan berapa daya listrik yang dibutuhkan otak manusia untuk berpikir?
Jawabannya cukup mengejutkan: sekitar 12–20 Watt. Kira-kira sebesar lampu LED kecil di sudut ruangan. Estimasi ini merupakan gambaran kasar tentang daya metabolik otak manusia, bukan listrik yang keluar dari otak seperti perangkat elektronik.
Dengan daya sekecil itu, otak manusia bisa mengenali wajah, memahami bahasa, mengingat kenangan lama, dan menyelesaikan masalah logika semuanya hampir bersamaan, secara real-time.
Bandingkan dengan AI modern. Melatih model AI berukuran besar membutuhkan energi dalam jumlah sangat besar, sementara pusat data yang menjalankan berbagai layanan AI membutuhkan infrastruktur komputasi dan listrik dalam skala yang jauh lebih besar daripada perangkat elektronik biasa.
Pertanyaannya jadi jelas:
Kalau otak bisa sehemat itu, kenapa AI tidak bisa?
Pertanyaan sederhana ini ternyata menjadi salah satu tantangan terbesar dalam perkembangan kecerdasan buatan.
Selama bertahun-tahun, peningkatan kemampuan AI banyak dilakukan dengan cara yang cukup sederhana: model dibuat semakin besar, jumlah parameter ditambah, GPU diperbanyak, dan data latihan diperluas.
Hasilnya memang luar biasa.
Namun ada konsekuensinya. Semakin besar model AI, semakin besar pula kebutuhan komputasi, memori, bandwidth, dan pendinginan.
Karena itu, masa depan AI tidak hanya ditentukan oleh siapa yang memiliki model paling pintar.
AI masa depan juga akan ditentukan oleh siapa yang mampu membuatnya paling efisien.
Jika Anda ingin melihat bagaimana perjalanan AI berkembang dari era awal komputasi hingga era model bahasa besar, baca juga 10 tokoh AI yang mengubah dunia.
10 Tokoh AI yang Mengubah Dunia
Dan di sinilah sejumlah teknologi baru mulai menarik perhatian: chip neuromorfik, in-memory computing, memristor, komputasi fotonik, arsitektur seperti Mamba, sistem RAG, hingga teknologi nuklir untuk sumber daya jangka panjang.
Kenapa AI Modern Bisa Begitu Boros Energi?
Untuk memahami jawabannya, kita perlu melihat sesuatu yang lebih mendasar daripada sekadar algoritma AI.
Masalahnya ada pada cara komputer memproses dan memindahkan data.
Sebagian besar komputer modern masih dibangun berdasarkan konsep yang berkaitan dengan arsitektur Von Neumann. Dalam model ini, bagian yang melakukan perhitungan dan bagian yang menyimpan data berada di tempat yang berbeda.
Sederhananya:
Prosesor → mengambil data → menghitung → mengembalikan hasil ke memori.
Kemudian proses tersebut diulangi lagi dan lagi.
Pada AI, proses pemindahan data ini bisa terjadi dalam jumlah yang sangat besar. GPU mungkin sangat cepat melakukan perhitungan, tetapi data tetap harus bergerak antara memori dan unit pemrosesan.
Selain kebutuhan komputasi, AI juga membutuhkan infrastruktur data center yang besar, termasuk sistem pendinginan. Jika tertarik dengan sisi lain dari kebutuhan infrastruktur AI, Anda juga bisa membaca tentang berapa banyak air yang digunakan data center untuk menjalankan layanan AI.
AI Minum Air Sebanyak Ini Setiap Kali Kamu Chat
Inilah salah satu alasan mengapa para peneliti mulai mencari pendekatan berbeda.
Alih-alih terus membuat GPU semakin besar, bagaimana kalau pemrosesan dan memori didekatkan atau bahkan digabungkan?
Ide tersebut menjadi dasar dari beberapa teknologi hardware AI masa depan.
1. Chip Neuromorfik: Membuat Komputer Bekerja Lebih Mirip Otak
Otak manusia tidak memiliki CPU di satu tempat dan RAM di tempat lain.
Neuron melakukan pemrosesan sekaligus terhubung melalui jaringan sinapsis yang menyimpan dan meneruskan informasi.
Konsep inilah yang coba ditiru oleh komputasi neuromorfik.
Dalam komputer konvensional, kita bisa membayangkannya seperti:
GPU ←→ RAM
Data harus terus bergerak antara keduanya.
Dalam sistem neuromorfik, pemrosesan, komunikasi, dan memori dirancang jauh lebih terintegrasi.
Salah satu contoh paling menarik adalah Loihi 2 milik Intel.
Intel mengembangkan Hala Point, sistem neuromorfik yang menggunakan 1.152 prosesor Loihi 2 dan memiliki kapasitas hingga 1,15 miliar neuron serta 128 miliar sinapsis. Sistem tersebut memiliki konsumsi daya maksimum sekitar 2.600 watt.
Yang membuat pendekatan ini menarik bukan hanya jumlah neuronnya.
Loihi menggunakan pendekatan Spiking Neural Network (SNN).
Berbeda dengan sistem yang terus menjalankan perhitungan secara seragam, SNN bekerja berdasarkan kejadian atau spike. Ketika tidak ada informasi penting yang perlu diproses, aktivitas komputasi dapat tetap rendah.
Konsepnya mirip dengan neuron biologis.
Neuron tidak terus-menerus “menembak” sinyal dengan intensitas yang sama. Ia merespons ketika menerima rangsangan tertentu.
Untuk beberapa jenis pekerjaan tertentu, Intel melaporkan sistem berbasis Loihi dapat mencapai penghematan energi hingga 100 kali dan kecepatan hingga 50 kali dibanding arsitektur CPU/GPU konvensional. Namun angka tersebut berasal dari beban kerja dan benchmark tertentu, sehingga tidak berarti semua pekerjaan AI otomatis menjadi 100 kali lebih hemat.
Ini penting.
Masa depan AI kemungkinan bukan tentang mengganti seluruh GPU dengan chip neuromorfik, melainkan memilih arsitektur yang tepat untuk jenis pekerjaan tertentu.
2. Memristor dan In-Memory Computing: Bagaimana Kalau Memori Sekaligus Menghitung?
Ada pendekatan lain yang bahkan lebih radikal.
Bagaimana kalau kita tidak perlu terus-menerus memindahkan data dari memori ke prosesor?
Jawabannya adalah In-Memory Computing.
Teknologi ini memungkinkan sebagian operasi komputasi dilakukan langsung di tempat data disimpan.
Salah satu komponen yang banyak diteliti untuk pendekatan ini adalah memristor.
Memristor dapat mempertahankan kondisi resistansinya dan sangat menarik untuk membangun sistem memori yang sekaligus dapat digunakan untuk komputasi.
Bayangkan Anda memiliki sebuah gudang.
Pada komputer biasa:
Ambil barang dari gudang → bawa ke meja kerja → proses → kembalikan ke gudang.
Dengan In-Memory Computing:
Proses barang langsung di dalam gudang.
Perbedaannya terlihat sederhana, tetapi pada AI dampaknya bisa sangat besar.
Model AI melakukan operasi matematika dalam jumlah luar biasa besar. Jika setiap operasi membutuhkan perpindahan data antara memori dan prosesor, biaya waktu dan energinya ikut meningkat.
Review di Nature Reviews Electrical Engineering menjelaskan bahwa memristor-based accelerator menjanjikan pengurangan waktu dan energi karena komputasi dapat dilakukan di dalam memori, sehingga mengurangi kebutuhan data shuttling antara unit pemrosesan dan memori.
Namun teknologi ini masih menghadapi tantangan.
Memristor belum menjadi solusi ajaib untuk semua jenis AI. Masalah seperti akurasi, variasi perangkat, noise, dan integrasi dengan sistem digital masih menjadi bidang penelitian. Bahkan riset terbaru masih menyoroti tantangan untuk mencapai komputasi memristor yang presisi pada skala yang lebih besar.
Jadi, kita belum berada pada titik di mana komputer rumah biasa akan langsung menggunakan memristor.
Tetapi arahnya jelas:
AI masa depan mungkin tidak lagi memisahkan “tempat menyimpan data” dan “tempat menghitung data” sejelas komputer saat ini.
3. Komputasi Fotonik: Ketika AI Mulai Menggunakan Cahaya
Sekarang bayangkan jika sebagian perhitungan AI tidak dilakukan menggunakan aliran elektron, tetapi menggunakan cahaya.
Inilah konsep di balik photonic computing atau komputasi fotonik.
AI sangat banyak melakukan operasi perkalian dan penjumlahan matriks. Operasi seperti ini ternyata cocok dengan karakteristik sistem optik.
Cahaya dapat membawa informasi dengan bandwidth sangat tinggi, dan sistem fotonik berpotensi melakukan operasi tertentu secara sangat paralel.
Perkembangan terbaru bahkan menunjukkan bahwa para peneliti mulai mengeksplorasi sistem optik yang mampu melakukan operasi matriks secara sangat paralel.
Sebuah publikasi di Nature Photonics pada Januari 2026 melaporkan pendekatan optik free-space yang memungkinkan operasi matrix-matrix dan tensor-matrix dilakukan secara paralel dalam satu operasi optik.
Namun jangan membayangkan GPU masa depan sekadar diganti dengan “laser”.
Komputer fotonik masih memiliki tantangan besar, terutama pada presisi, konversi antara sinyal optik dan elektronik, memori, serta integrasi dengan sistem komputasi lainnya.
Karena itu, kemungkinan besar generasi awal AI fotonik akan berbentuk sistem hybrid.
Sebagian pekerjaan dilakukan oleh elektron.
Sebagian lainnya dilakukan oleh cahaya.
4. Pendinginan AI Juga Harus Berubah
Semakin besar kemampuan komputasi, semakin besar pula panas yang harus dibuang.
Ini menjadi masalah serius bagi pusat data.
Tidak cukup hanya membuat chip yang cepat. Panas dari chip tersebut juga harus dipindahkan secara efisien.
Salah satu pendekatan yang menarik adalah microfluidic cooling.
Alih-alih hanya menggunakan pendingin yang berada di luar chip, saluran cairan berukuran sangat kecil dapat ditempatkan sangat dekat dengan sumber panas.
Konsepnya sederhana:
Semakin dekat pendingin dengan sumber panas, semakin cepat panas dapat dibuang.
Teknologi semacam ini menjadi semakin menarik karena AI accelerator masa depan diperkirakan akan memiliki kepadatan komputasi yang semakin tinggi.
Jadi, evolusi AI hardware bukan hanya tentang:
“Bagaimana membuat chip lebih cepat?”
Tetapi juga:
“Bagaimana membuat chip lebih cepat tanpa berubah menjadi pemanas ruangan?”
5. Baterai Nuklir: AI yang Bisa Beroperasi Puluhan Tahun?
Hardware yang sangat hemat energi menyelesaikan satu masalah.
Tetapi masih ada pertanyaan lain:
Dari mana energinya berasal?
Untuk perangkat yang sulit dijangkau manusia, mengganti baterai setiap beberapa tahun bukanlah pilihan yang praktis.
Contohnya adalah satelit, sensor terpencil, perangkat eksplorasi luar angkasa, dan sistem tertentu yang membutuhkan operasi jangka panjang.
Di sinilah teknologi Radioisotope Power Systems (RPS) menarik perhatian.
NASA menyebut RPS sebagai salah satu jenis “nuclear battery”. Sistem ini menghasilkan listrik dan panas dari peluruhan radioisotop dan telah digunakan untuk berbagai misi luar angkasa selama puluhan tahun tanpa pengisian bahan bakar.
Voyager menjadi salah satu contoh paling terkenal. Pesawat ruang angkasa tersebut diluncurkan pada 1977 dan masih menggunakan sumber daya radioisotop untuk mempertahankan operasinya. Namun daya yang tersedia terus menurun sehingga tim misi harus mengurangi beban dan mematikan sebagian instrumen dari waktu ke waktu.
Namun ada hal yang perlu diluruskan.
Baterai nuklir tidak sama dengan reaktor nuklir.
RPS menggunakan panas dari peluruhan radioisotop untuk menghasilkan energi listrik. Teknologinya sangat cocok untuk kebutuhan daya relatif kecil dan lingkungan ekstrem.
Untuk AI berukuran mikro, konsep seperti ini jauh lebih masuk akal daripada menggunakannya untuk memberi daya pada pusat data raksasa.
Bayangkan sebuah sensor yang harus ditempatkan di lokasi terpencil.
Jika sensor tersebut memiliki AI kecil dan hanya membutuhkan daya sangat rendah, sumber energi yang dapat bekerja selama bertahun-tahun bisa menjadi sangat menarik.
6. Lalu Bagaimana dengan Data Center AI?
Untuk kebutuhan yang jauh lebih besar, pembahasannya berbeda.
Industri energi mulai mengeksplorasi kemungkinan menggunakan teknologi nuklir untuk memasok listrik ke fasilitas komputasi, termasuk pusat data.
Salah satu teknologi yang dibicarakan adalah Small Modular Reactor (SMR) dan microreactor.
Namun teknologi ini masih berada dalam tahap pengembangan, demonstrasi, dan regulasi. Jadi belum tepat membayangkan bahwa data center AI saat ini sudah umum berjalan menggunakan reaktor nuklir sendiri.
Departemen Energi AS menjelaskan bahwa berbagai desain microreactor berada pada kisaran sekitar 1–20 MW thermal dan beberapa desain dirancang untuk beroperasi hingga sekitar 10 tahun tanpa pengisian bahan bakar.
DOE juga telah menyediakan fasilitas DOME di Idaho National Laboratory untuk menguji konsep microreactor hingga 20 MW thermal. Ini menunjukkan bahwa teknologi tersebut masih berada dalam tahap pengujian dan pengembangan, bukan teknologi yang sudah menjadi standar untuk data center AI.
Artinya, teknologi nuklir memang berpotensi menjadi bagian dari ekosistem energi AI.
Tetapi jalurnya kemungkinan tidak sesederhana:
“Pasang reaktor → nyalakan AI.”
Masih ada persoalan biaya, keselamatan, regulasi, bahan bakar, infrastruktur, dan integrasi dengan jaringan listrik.
7. Masa Depan AI Bukan Cuma Soal Hardware
Ada satu masalah lain yang tidak kalah penting:
memori.
AI tidak hanya membutuhkan energi untuk menghitung. AI juga harus menangani informasi dalam jumlah besar.
Model berbasis Transformer menggunakan mekanisme attention yang pada bentuk perhatian penuh memiliki komponen komputasi dengan kompleksitas kuadratik terhadap panjang sequence.
Artinya, ketika konteks menjadi semakin panjang, kebutuhan komputasi untuk mekanisme tersebut dapat meningkat dengan cepat.
Tetapi kita perlu berhati-hati dengan satu kesimpulan:
10 kali lebih panjang tidak otomatis berarti seluruh penggunaan listrik menjadi 100 kali lebih besar.
Itu adalah penyederhanaan yang terlalu jauh.
Biaya sebenarnya bergantung pada arsitektur, implementasi, hardware, batching, panjang input-output, dan banyak faktor lainnya.
Karena itu, para peneliti mencari alternatif yang lebih efisien untuk menangani sequence panjang.
Salah satunya adalah Mamba.
8. Mamba: Alternatif untuk Memproses Sequence Panjang
Mamba merupakan arsitektur berbasis Selective State Space Model (SSM).
Salah satu tujuan utamanya adalah menangani sequence panjang dengan scaling yang lebih efisien dibanding mekanisme attention standar.
Paper Mamba melaporkan bahwa arsitekturnya memiliki linear scaling terhadap panjang sequence dan dalam eksperimen mereka mencapai throughput hingga sekitar lima kali Transformer tertentu.
Ini menarik untuk aplikasi yang harus memproses informasi sangat panjang.
Tetapi Mamba bukan berarti AI mendapatkan “memori tak terbatas”.
AI tetap memiliki keterbatasan kapasitas dan kemampuan mempertahankan informasi.
Yang berubah adalah cara informasi tersebut direpresentasikan dan diproses.
Jadi lebih tepat mengatakan:
Mamba merupakan salah satu pendekatan untuk membuat pemrosesan sequence panjang menjadi lebih efisien.
Bukan:
Mamba memberikan memori tanpa batas.
9. RAG: Daripada Mengingat Semuanya, AI Bisa Mencari Saat Dibutuhkan
Ada pendekatan lain yang lebih sederhana.
AI tidak harus menyimpan seluruh informasi di dalam model.
Bayangkan Anda memiliki perpustakaan yang sangat besar.
Daripada menghafalkan seluruh isi perpustakaan, Anda cukup memiliki kemampuan untuk:
mencari buku → menemukan halaman relevan → membaca bagian yang dibutuhkan.
Konsep tersebut mirip dengan Retrieval-Augmented Generation (RAG).
Informasi dapat disimpan di luar model, misalnya dalam database atau vector database.
Ketika pengguna bertanya sesuatu, sistem mencari informasi yang relevan lalu memberikan potongan informasi tersebut kepada model.
Dengan demikian, AI tidak harus membawa seluruh database ke dalam konteks pada setiap pertanyaan.
Inilah yang membuat kombinasi:
AI + Vector Database + RAG
menjadi sangat menarik untuk aplikasi yang membutuhkan pengetahuan eksternal dan dapat diperbarui.
10. LoRA: Tidak Selalu Harus Melatih Model dari Awal
Masalah lainnya adalah proses pembelajaran.
Melatih model besar dari awal tentu membutuhkan sumber daya yang sangat besar.
Tetapi untuk banyak kebutuhan, kita sebenarnya tidak perlu mengubah seluruh model.
Di sinilah pendekatan seperti Parameter-Efficient Fine-Tuning (PEFT) dan LoRA menjadi menarik.
Alih-alih mengubah seluruh parameter model, metode ini memungkinkan proses adaptasi dilakukan dengan parameter tambahan yang relatif jauh lebih kecil.
Bayangkan sebuah mobil.
Anda tidak perlu membangun ulang seluruh mobil hanya karena ingin menambahkan sistem navigasi baru.
Anda cukup menambahkan modul tertentu.
Kurang lebih seperti itulah filosofi di balik pendekatan parameter-efficient fine-tuning.
Tentu saja, LoRA bukan solusi untuk semua persoalan pembelajaran AI. Tetapi pendekatan ini menunjukkan arah penting:
AI masa depan tidak selalu harus dilatih ulang dari nol untuk setiap kebutuhan.
Jadi, Seperti Apa AI Masa Depan?
Jika semua teknologi tadi berkembang sesuai harapan, perubahan terbesar mungkin bukan muncul dalam bentuk satu “superchip”.
Justru kemungkinan besar kita akan melihat kombinasi berbagai pendekatan.
Misalnya:
Chip neuromorfik untuk pemrosesan yang sangat hemat energi.
Memristor dan in-memory computing untuk mengurangi perpindahan data.
Komputasi fotonik untuk operasi tertentu yang membutuhkan bandwidth dan paralelisme sangat tinggi.
Mamba dan arsitektur efisien lainnya untuk menangani sequence panjang.
RAG dan vector database untuk memberikan akses terhadap pengetahuan eksternal.
LoRA/PEFT untuk melakukan adaptasi model tanpa melatih semuanya dari awal.
Dan untuk perangkat tertentu:
sumber energi nuklir jangka panjang yang memungkinkan sistem beroperasi selama bertahun-tahun tanpa penggantian baterai secara rutin.
Tidak semuanya akan digunakan dalam satu perangkat.
Justru kemungkinan besar setiap teknologi akan memiliki tempatnya masing-masing.
Apa Artinya Bagi Kita?
Perubahan ini sebenarnya bukan sekadar urusan laboratorium atau perusahaan chip.
Dampaknya bisa terasa langsung dalam kehidupan sehari-hari.
Bayangkan beberapa tahun atau puluhan tahun ke depan:
Sebuah kamera keamanan tidak perlu terus mengirim seluruh rekaman ke cloud. AI di dalam kameranya dapat menganalisis video secara lokal.
Sebuah perangkat medis dapat menjalankan model AI tanpa harus terus terhubung ke internet.
Robot dapat mengambil keputusan secara langsung tanpa menunggu server cloud.
Kacamata pintar dapat memahami lingkungan sekitar secara real-time.
Sensor di tengah hutan dapat bekerja selama bertahun-tahun tanpa perlu sering mengganti baterai.
Dan perangkat AI yang semakin kecil mungkin tidak lagi membutuhkan pusat data untuk setiap keputusan sederhana.
Inilah salah satu arah besar yang sedang dituju industri:
membawa kecerdasan semakin dekat ke tempat data dibuat.
Apakah AI Bisa Sehemat Otak Manusia?
Mungkin.
Tetapi kita belum sampai di sana.
Otak manusia merupakan hasil evolusi biologis selama jutaan tahun. Ia memiliki cara yang sangat kompleks untuk mengatur energi, memori, komunikasi antar-neuron, dan pembelajaran.
Komputer modern dibangun dengan prinsip yang sangat berbeda.
Karena itu, membuat AI seefisien otak bukan sekadar masalah membuat transistor lebih kecil.
Diperlukan perubahan pada hardware, arsitektur, algoritma, memori, komunikasi data, dan sumber energi secara bersamaan.
Dan menariknya, perubahan tersebut sudah mulai terlihat.
Chip neuromorfik mencoba meniru cara neuron bekerja.
Memristor mencoba membawa komputasi ke tempat penyimpanan data.
Komputasi fotonik mencoba menggunakan cahaya untuk mempercepat operasi tertentu.
Mamba mencoba mencari cara baru untuk menangani sequence panjang.
RAG mengubah cara AI menggunakan pengetahuan eksternal.
Sementara teknologi nuklir membuka kemungkinan sumber energi yang dapat bertahan sangat lama untuk perangkat tertentu.
Kesimpulan: Masa Depan AI Mungkin Bukan yang Terbesar, tetapi yang Paling Efisien
Selama beberapa tahun terakhir, perkembangan AI sering diukur dengan satu pertanyaan:
Seberapa besar modelnya?
Berapa miliar parameter?
Berapa banyak GPU?
Berapa besar data training?
Tetapi pertanyaan tersebut perlahan mulai berubah.
Kita mulai bertanya:
Berapa banyak energi yang dibutuhkan untuk menghasilkan satu jawaban?
Berapa banyak data yang benar-benar perlu dipindahkan?
Apakah AI harus selalu berjalan di data center?
Apakah model harus selalu dibuat semakin besar?
Dan yang paling menarik:
Bisakah kecerdasan buatan bekerja dengan efisiensi mendekati sistem biologis?
Belum ada jawaban final.
Namun arah penelitiannya sudah semakin jelas.
Masa depan AI kemungkinan bukan sekadar AI yang lebih pintar, tetapi AI yang lebih kecil, lebih hemat energi, lebih cepat, lebih mandiri, dan lebih dekat dengan perangkat yang kita gunakan setiap hari.
Dari neuron buatan hingga cahaya, dari memori yang bisa menghitung hingga sumber energi nuklir yang bertahan puluhan tahun—semuanya sedang membawa kita menuju satu tujuan:
membuat mesin yang semakin cerdas tanpa harus membayar kecerdasan itu dengan energi yang semakin besar.
Dan mungkin, suatu hari nanti, pertanyaan “kenapa AI tidak bisa sehemat otak manusia?” tidak lagi menjadi pertanyaan.
Melainkan sesuatu yang sudah berhasil kita jawab
