AI Mendorong Pendinginan Cair Dominasi Pusat Data

• Permintaan AI dan HPC menggandakan kebutuhan energi pusat data global (IEA) hingga tahun 2030.
• Pendinginan cair 3.000 kali lebih efisien menghilangkan panas dibanding udara, memangkas konsumsi daya hingga 40%.
• Pendinginan udara (air cooling) tidak lagi mampu menangani kepadatan daya tinggi yang dihasilkan GPU AI modern.

---

Permintaan global terhadap teknologi canggih, seperti kecerdasan buatan (AI) dan komputasi kinerja tinggi (HPC), melonjak drastis. Lonjakan ini mendesak operator infrastruktur memikirkan kembali efisiensi sistem Pendinginan Pusat Data. Saat ini, pusat data menyumbang sekitar 1,5% konsumsi listrik dunia. Namun, Badan Energi Internasional (IEA) memprediksi beban energi ini akan berlipat ganda pada tahun 2030, didorong oleh kebutuhan AI yang rakus daya.

Metode konvensional, yaitu pendinginan udara, kini kesulitan menyeimbangi kebutuhan daya pusat data modern dan masa depan. Kepadatan daya yang ekstrem menuntut solusi pendinginan yang lebih andal dan berkelanjutan. Oleh karena itu, pendinginan cair (liquid cooling) muncul sebagai alternatif penting. Pengelola pusat data harus segera membuat pilihan tepat terkait pendinginan untuk memastikan operasional yang efisien dan berkelanjutan.

Mengukur Efisiensi Termal: Cair vs Udara

Keunggulan utama pendinginan cair terletak pada efisiensi termalnya yang superior. Air mampu menghilangkan panas lebih dari 3.000 kali lipat dibanding udara.

Efisiensi luar biasa ini berarti operator pusat data memerlukan listrik jauh lebih sedikit untuk menjaga peralatan tetap dingin. Teknik seperti pendinginan langsung ke node (direct-to-node cooling) bahkan dapat membuang hingga 98% panas dari server.

Secara keseluruhan, adopsi pendinginan cair terbukti mengurangi konsumsi daya hingga 40%. Selain itu, air hangat yang dikeluarkan dapat dimanfaatkan kembali secara produktif, misalnya untuk memanaskan fasilitas gedung atau kolam renang.

Tantangan Kepadatan Daya dan Skalabilitas Ruang

Infrastruktur yang didinginkan udara membutuhkan ruang fisik yang besar. Sistem ini umumnya hanya mampu mendukung sekitar 70 kilowatt per rak sebelum mencapai batas kapasitas panas spesifiknya.

Sayangnya, GPU yang menggerakkan platform AI membutuhkan daya hingga 10 kali lebih besar dibandingkan CPU tradisional. Fitur desain seperti penumpukan silikon 3D semakin memadatkan komponen. Kepadatan daya yang meningkat tajam ini mendorong pendinginan udara melampaui ambang batas kelayakannya.

Pendinginan cair mengatasi masalah ini dengan memungkinkan komponen beroperasi lebih cepat dan lebih padat. Dengan demikian, pusat data dapat menjalankan beban kerja AI dan HPC yang lebih intensif di ruang yang sama, meningkatkan kepadatan komputasi secara signifikan.

Aspek Keberlanjutan dan Pengelolaan Air

Dalam hal keberlanjutan, kedua metode memiliki pro dan kontra yang perlu dipertimbangkan. Pendinginan udara memang cenderung hemat air, namun metode ini sangat intensif energi.

Sebaliknya, pendinginan cair jauh lebih hemat energi. Namun, sistem yang lebih tua yang menggunakan pendinginan evaporatif (penguapan) harus terus-menerus diisi ulang dari sumber eksternal, yang boros air.

Perkembangan teknologi mengatasi masalah ini. Sistem pendinginan air hangat yang lebih baru membatasi kehilangan air secara signifikan. Organisasi juga secara aktif beralih dari sistem loop terbuka menuju sistem loop tertutup. Sistem loop tertutup memanfaatkan penukar panas cair-ke-udara, membuat pendinginan cair lebih efisien dan jauh lebih berkelanjutan.

Kesiapan Masa Depan dan Metrik PUE

Goldman Sachs memperkirakan bahwa permintaan energi pusat data akan melonjak hingga 160% pada akhir dekade ini akibat teknologi AI. Oleh karena itu, efisiensi yang ditawarkan pendinginan cair akan semakin krusial bagi keberlangsungan bisnis.

Efisiensi diukur menggunakan metrik Power Usage Effectiveness (PUE). PUE adalah rasio total daya yang dibutuhkan pusat data dibagi dengan daya yang dikonsumsi oleh peralatan IT.

Pusat data yang dioptimalkan dengan pendinginan cair mampu mencapai nilai PUE yang jauh lebih rendah. Nilai rendah ini menandakan pengoperasian yang sangat efisien. Para pemimpin pusat data harus segera mengambil keputusan yang tepat mengenai pendinginan, sebab kemampuan bersaing di masa depan bergantung pada infrastruktur yang mampu menahan tekanan energi yang dibawa oleh revolusi AI.