Kecerdasan buatan open source dapat mempercepat tujuan pembangunan berkelanjutan
Kecerdasan buatan open source dapat mempercepat tujuan pembangunan berkelanjutan. Kecerdasan buatan open source mewakili peluang besar untuk memajukan tujuan pembangunan berkelanjutan di tingkat global. Antara 2018 dan 2024, penggunaannya untuk mendukung tujuan ini meningkat sebesar 300%, dengan kontribusi yang mencolok di bidang-bidang seperti pertanian, pengelolaan ekosistem, dan perjuangan melawan perubahan iklim. Model terbuka ini, yang memungkinkan siapa pun untuk mempelajari, memodifikasi, dan berbagi alat, dirancang untuk mempercepat kemajuan secara efisien dan inklusif.
Namun, perluasannya mengungkapkan tantangan yang kompleks. Tidak adanya kerangka tata kelola yang terstruktur dapat menyebabkan konsumsi sumber daya yang berlebihan dan kerentanan etis. Misalnya, pengembangan model redundan yang terdesentralisasi pada infrastruktur lokal yang tidak efisien memperburuk jejak karbon industri. Selain itu, kemudahan akses ke alat open source telah menurunkan biaya produksi deepfake dan disinformasi yang ditargetkan, menimbulkan risiko terhadap keamanan dan kepercayaan terhadap informasi.
Tantangan lainnya adalah kolonialisme digital, di mana negara dan lembaga kuat di Utara global mengendalikan data dan infrastruktur, sehingga membatasi otonomi negara-negara Selatan. Kumpulan data yang dirancang untuk konteks lokal mungkin tidak cocok diterapkan di tempat lain, menyebabkan kesalahan dan menurunkan relevansi solusi tata kelola.
Untuk mengatasi tantangan ini, empat tindakan kunci diusulkan. Pertama, mengintegrasikan keberlanjutan dalam seluruh siklus hidup model dengan mengoptimalkan infrastruktur perangkat keras dan menghindari pemborosan yang terkait dengan pengembangan redundan. Teknik seperti distilasi model memungkinkan pengurangan ukurannya hingga 70%, sehingga membatasi dampak lingkungannya. Pendekatan lainnya adalah mengadopsi pusat data yang didinginkan dengan cairan dan ditenagai oleh energi terbarukan, yang mengurangi permintaan energi sebesar 20% dan konsumsi air sebesar 52%.
Tindakan kedua bertujuan untuk menetapkan kerangka evaluasi kuantitatif untuk mengukur dampak kecerdasan buatan terhadap tujuan pembangunan berkelanjutan. Hal ini melibatkan penciptaan indikator komposit yang mengintegrasikan data lokal dan global, memungkinkan evaluasi yang akurat terhadap dampak positif dan negatif. Misalnya, kriteria keberlanjutan dapat mencakup lebih dari 40 indikator sosial, lingkungan, dan ekonomi, memberikan gambaran yang jelas tentang dampak sebenarnya.
Tindakan ketiga didasarkan pada regulasi dan transparansi. Untuk mencegah penyalahgunaan, penting untuk menerapkan audit wajib, pengujian adversarial, dan lisensi yang jelas yang mendefinisikan penggunaan yang diizinkan. Pengembang harus menggunakan kumpulan data yang diaudit untuk membatasi bias, sementara pemerintah dapat memberlakukan kebijakan ketat untuk mencegah penyebaran konten berbahaya. Pengguna, di sisi lain, memiliki tanggung jawab untuk menerapkan alat-alat ini secara etis dan melaporkan penyalahgunaan.
Akhirnya, tindakan keempat mendorong kerja sama global dan berbagi pengetahuan. Meskipun akses telah didemokratisasi, ketidaksetaraan masih berlanjut dalam hal infrastruktur, bakat, dan kedaulatan data. Penciptaan platform akses terbuka, yang menghormati prinsip-prinsip kemudahan penemuan, aksesibilitas, dan penggunaan ulang, sangat penting untuk menjamin akses yang adil terhadap sumber daya. Lembaga-lembaga seperti Dialog Global tentang Tata Kelola Kecerdasan Buatan dapat memperkuat kerja sama dengan menerbitkan laporan tahunan dan mengorganisir negosiasi antarpemerintah.
Di tingkat regional, kolaborasi antara platform global dan pusat penelitian lokal memungkinkan penggabungan model pendiri yang dibagikan dengan data yang spesifik untuk setiap konteks. Hal ini memfasilitasi penerapan solusi yang adaptif, sambil menghormati peraturan tentang perlindungan data. Lembaga-lembaga seperti Institut Australia untuk Kecerdasan Buatan atau Institut Nasional untuk Evaluasi dan Keamanan Kecerdasan Buatan di Prancis memainkan peran kunci dalam lokalisasi ini.
Kecerdasan buatan open source, dikombinasikan dengan tata kelola yang sesuai, dapat mengubah pengambilan keputusan, menjadikannya lebih inklusif dan berbasis bukti. Hal ini memungkinkan identifikasi prioritas, hambatan, dan jalur transformasi berkelanjutan lebih cepat, bahkan di hadapan tantangan yang kompleks. Dengan mengintegrasikan pelajaran yang dipetik dari warga dunia, hal ini juga dapat membuat agenda pasca-2030 lebih representatif dan efektif.
Model open source juga menawarkan keuntungan konkret. Biayanya 5 hingga 29 kali lebih rendah dibandingkan model berpemilik untuk performa yang sebanding, yang memperluas aksesibilitasnya. Alat-alat seperti model pemrosesan bahasa alami yang berspesialisasi dalam iklim membantu melawan disinformasi, sementara yang lain, seperti yang digunakan dalam kesehatan, dapat meringankan kekurangan terapis di wilayah tertentu. Di bidang ekonomi, usaha kecil dan menengah dapat mengadopsi dan menyesuaikan teknologi ini untuk mengoptimalkan produksi mereka.
Namun, tanpa tata kelola yang sesuai, risiko tetap ada. Produksi bahan elektronik dan infrastruktur yang diperlukan untuk kecerdasan buatan berkontribusi terhadap limbah beracun global. Selain itu, hampir 60% model yang diberi label open source tidak memiliki lisensi sama sekali, yang mempersulit penggunaan yang aman. Proliferasi model yang tidak diatur juga memudahkan identifikasi celah oleh aktor jahat, meningkatkan risiko phishing atau penyebaran ujaran kebencian.
Untuk memaksimalkan manfaat kecerdasan buatan open source, pendekatan yang terkoordinasi sangat diperlukan. Pendekatan ini harus menggabungkan keberlanjutan, evaluasi yang ketat, keamanan, dan kerja sama, guna mengurangi ketidakpastian dan memastikan bahwa teknologi ini benar-benar melayani kemajuan global.
Kecerdasan buatan open source dapat mempercepat tujuan pembangunan berkelanjutan. Kecerdasan buatan open source mewakili peluang besar untuk memajukan tujuan pembangunan berkelanjutan di tingkat global. Antara 2018 dan 2024, penggunaannya untuk mendukung tujuan ini meningkat sebesar 300%, dengan kontribusi yang mencolok di bidang-bidang seperti pertanian, pengelolaan ekosistem, dan perjuangan melawan perubahan iklim. Model terbuka ini, yang memungkinkan siapa pun untuk mempelajari, memodifikasi, dan berbagi alat, dirancang untuk mempercepat kemajuan secara efisien dan inklusif.
Namun, perluasannya mengungkapkan tantangan yang kompleks. Tidak adanya kerangka tata kelola yang terstruktur dapat menyebabkan konsumsi sumber daya yang berlebihan dan kerentanan etis. Misalnya, pengembangan model redundan yang terdesentralisasi pada infrastruktur lokal yang tidak efisien memperburuk jejak karbon industri. Selain itu, kemudahan akses ke alat open source telah menurunkan biaya produksi deepfake dan disinformasi yang ditargetkan, menimbulkan risiko terhadap keamanan dan kepercayaan terhadap informasi.
Tantangan lainnya adalah kolonialisme digital, di mana negara dan lembaga kuat di Utara global mengendalikan data dan infrastruktur, sehingga membatasi otonomi negara-negara Selatan. Kumpulan data yang dirancang untuk konteks lokal mungkin tidak cocok diterapkan di tempat lain, menyebabkan kesalahan dan menurunkan relevansi solusi tata kelola.
Untuk mengatasi tantangan ini, empat tindakan kunci diusulkan. Pertama, mengintegrasikan keberlanjutan dalam seluruh siklus hidup model dengan mengoptimalkan infrastruktur perangkat keras dan menghindari pemborosan yang terkait dengan pengembangan redundan. Teknik seperti distilasi model memungkinkan pengurangan ukurannya hingga 70%, sehingga membatasi dampak lingkungannya. Pendekatan lainnya adalah mengadopsi pusat data yang didinginkan dengan cairan dan ditenagai oleh energi terbarukan, yang mengurangi permintaan energi sebesar 20% dan konsumsi air sebesar 52%.
Tindakan kedua bertujuan untuk menetapkan kerangka evaluasi kuantitatif untuk mengukur dampak kecerdasan buatan terhadap tujuan pembangunan berkelanjutan. Hal ini melibatkan penciptaan indikator komposit yang mengintegrasikan data lokal dan global, memungkinkan evaluasi yang akurat terhadap dampak positif dan negatif. Misalnya, kriteria keberlanjutan dapat mencakup lebih dari 40 indikator sosial, lingkungan, dan ekonomi, memberikan gambaran yang jelas tentang dampak sebenarnya.
Tindakan ketiga didasarkan pada regulasi dan transparansi. Untuk mencegah penyalahgunaan, penting untuk menerapkan audit wajib, pengujian adversarial, dan lisensi yang jelas yang mendefinisikan penggunaan yang diizinkan. Pengembang harus menggunakan kumpulan data yang diaudit untuk membatasi bias, sementara pemerintah dapat memberlakukan kebijakan ketat untuk mencegah penyebaran konten berbahaya. Pengguna, di sisi lain, memiliki tanggung jawab untuk menerapkan alat-alat ini secara etis dan melaporkan penyalahgunaan.
Akhirnya, tindakan keempat mendorong kerja sama global dan berbagi pengetahuan. Meskipun akses telah didemokratisasi, ketidaksetaraan masih berlanjut dalam hal infrastruktur, bakat, dan kedaulatan data. Penciptaan platform akses terbuka, yang menghormati prinsip-prinsip kemudahan penemuan, aksesibilitas, dan penggunaan ulang, sangat penting untuk menjamin akses yang adil terhadap sumber daya. Lembaga-lembaga seperti Dialog Global tentang Tata Kelola Kecerdasan Buatan dapat memperkuat kerja sama dengan menerbitkan laporan tahunan dan mengorganisir negosiasi antarpemerintah.
Di tingkat regional, kolaborasi antara platform global dan pusat penelitian lokal memungkinkan penggabungan model pendiri yang dibagikan dengan data yang spesifik untuk setiap konteks. Hal ini memfasilitasi penerapan solusi yang adaptif, sambil menghormati peraturan tentang perlindungan data. Lembaga-lembaga seperti Institut Australia untuk Kecerdasan Buatan atau Institut Nasional untuk Evaluasi dan Keamanan Kecerdasan Buatan di Prancis memainkan peran kunci dalam lokalisasi ini.
Kecerdasan buatan open source, dikombinasikan dengan tata kelola yang sesuai, dapat mengubah pengambilan keputusan, menjadikannya lebih inklusif dan berbasis bukti. Hal ini memungkinkan identifikasi prioritas, hambatan, dan jalur transformasi berkelanjutan lebih cepat, bahkan di hadapan tantangan yang kompleks. Dengan mengintegrasikan pelajaran yang dipetik dari warga dunia, hal ini juga dapat membuat agenda pasca-2030 lebih representatif dan efektif.
Model open source juga menawarkan keuntungan konkret. Biayanya 5 hingga 29 kali lebih rendah dibandingkan model berpemilik untuk performa yang sebanding, yang memperluas aksesibilitasnya. Alat-alat seperti model pemrosesan bahasa alami yang berspesialisasi dalam iklim membantu melawan disinformasi, sementara yang lain, seperti yang digunakan dalam kesehatan, dapat meringankan kekurangan terapis di wilayah tertentu. Di bidang ekonomi, usaha kecil dan menengah dapat mengadopsi dan menyesuaikan teknologi ini untuk mengoptimalkan produksi mereka.
Namun, tanpa tata kelola yang sesuai, risiko tetap ada. Produksi bahan elektronik dan infrastruktur yang diperlukan untuk kecerdasan buatan berkontribusi terhadap limbah beracun global. Selain itu, hampir 60% model yang diberi label open source tidak memiliki lisensi sama sekali, yang mempersulit penggunaan yang aman. Proliferasi model yang tidak diatur juga memudahkan identifikasi celah oleh aktor jahat, meningkatkan risiko phishing atau penyebaran ujaran kebencian.
Untuk memaksimalkan manfaat kecerdasan buatan open source, pendekatan yang terkoordinasi sangat diperlukan. Pendekatan ini harus menggabungkan keberlanjutan, evaluasi yang ketat, keamanan, dan kerja sama, guna mengurangi ketidakpastian dan memastikan bahwa teknologi ini benar-benar melayani kemajuan global.
Crédits des sources
Source principale
DOI : https://doi.org/10.1038/s41467-026-73866-8
Titre : Steering open-source AI to accelerate the sustainable development goals
Revue : Nature Communications
Éditeur : Springer Science and Business Media LLC
Auteurs : Min Chen; Kai Wu; Prajal Pradhan; Cameron Allen; Stefano Nativi; Klaus Hubacek; Alexey Voinov; Felix Creutzig; Tatiana Filatova; Niklas Boers; Michael Meadows; Peilong Ma; Frank Biermann; Hans Joachim Schellnhuber; John Ludden; Maria Paradiso; Michael Batty; Huadong Guo; Min Cao; Peng Hou; Guonian Lü