Komputasi pada meningkatnya penggunaan kecerdasan buatan menjadi satu persoalan mendasar semakin sulit diabaikan, yaitu konsumsi energi yang terus membengkak.
Model AI yang semakin kompleks membutuhkan daya komputasi besar, pusat data berkapasitas tinggi, dan infrastruktur yang mahal. Kondisi ini mendorong para peneliti untuk mencari pendekatan alternatif agar AI tetap berkembang tanpa memperbesar jejak energi.
Dari konteks inilah muncul pendekatan baru yang diperkenalkan peneliti dari Universitas Tohoku, Jepang. Alih-alih membangun sistem komputasi baru, mereka justru memanfaatkan sesuatu yang sudah ada di kehidupan sehari-hari: arus lalu lintas.
Pendekatan ini menunjukkan bahwa sistem sosial dan fisik yang berjalan secara alami dapat dimanfaatkan sebagai bagian dari proses komputasi AI.
Dari Sistem Lalu Lintas ke Sistem Komputasi
Penelitian ini berangkat dari gagasan bahwa arus lalu lintas memiliki dinamika yang kompleks dan terus berubah. Setiap kendaraan yang bergerak, berhenti, atau berakselerasi menciptakan pola interaksi yang kaya akan informasi.
Karena itu, lalu lintas dapat dipandang sebagai sebuah “reservoir” alami yang mampu memproses input data tanpa perlu komputasi intensif tambahan.
Dengan pendekatan yang disebut Harvested Reservoir Computing, para peneliti mengamati bahwa sistem lalu lintas tidak perlu dimodifikasi secara besar-besaran. Data dari sensor yang sudah tersedia cukup untuk dimanfaatkan sebagai sumber komputasi.
Akibatnya, AI dapat melakukan prediksi kondisi lalu lintas dengan konsumsi energi yang jauh lebih rendah dibandingkan metode konvensional.
Kepadatan Sedang Menjadi Kunci Efektivitas
Menariknya, hasil penelitian menunjukkan bahwa performa terbaik justru muncul pada kondisi lalu lintas dengan kepadatan sedang. Pada kondisi ini, kendaraan saling berinteraksi secara aktif namun tidak terjebak kemacetan total.
Situasi tersebut menciptakan variasi dinamika yang optimal untuk memproses informasi.
Sebaliknya, lalu lintas yang terlalu lancar tidak menghasilkan cukup kompleksitas, sementara lalu lintas yang terlalu padat kehilangan fleksibilitas gerak.
Temuan ini menegaskan bahwa efektivitas AI tidak selalu bergantung pada skala besar, tetapi pada keseimbangan dinamika sistem yang dimanfaatkan.
AI yang Tidak Bergantung pada Perangkat Keras Baru
Implikasi penting dari pendekatan ini adalah perubahan cara pandang terhadap pengembangan AI. Jika selama ini kemajuan AI identik dengan chip baru dan pusat data yang lebih besar, penelitian ini menunjukkan arah lain: memaksimalkan sistem yang sudah berjalan.
Dengan memanfaatkan infrastruktur lalu lintas yang ada, AI dapat membantu pengelolaan kota, pengaturan lampu lalu lintas, dan perencanaan mobilitas tanpa menambah beban energi secara signifikan.
Artinya, AI tidak hanya menjadi alat analisis, tetapi juga bagian dari sistem yang hidup dan terus bergerak.
Menuju AI yang Lebih Berkelanjutan lewat Komputasi
Pendekatan ini sekaligus menegaskan bahwa masa depan AI tidak hanya ditentukan oleh kecanggihan algoritma, tetapi juga oleh keberlanjutan penerapannya.
Ketika AI mampu memanfaatkan dinamika dunia nyata sebagai sumber komputasi, ketergantungan pada infrastruktur berat dapat dikurangi.
Pada akhirnya, penelitian ini memperlihatkan bahwa arah ekspansi teknologi AI tidak selalu berarti membangun lebih banyak, melainkan memahami lebih dalam bagaimana sistem di sekitar kita dapat dimanfaatkan secara cerdas.
Dengan cara ini, AI dapat terus berkembang tanpa mengorbankan efisiensi energi dan keberlanjutan jangka panjang.
