Efisiensi Penggunaan Air: Pendinginan Pusat Data AI Tanpa Krisis

Diperbarui 11 Desember 2025

Pembaruan Desember 2025: Microsoft menerapkan pendinginan loop tertutup tanpa penguapan air—menghilangkan air evaporatif dan mengurangi penggunaan lebih dari 125 juta liter per fasilitas setiap tahun. Pusat Data AI mengonsumsi air pendingin 10-50x lebih banyak dibanding server farm tradisional. Fasilitas Google rata-rata menggunakan 550.000 galon per hari. Pelatihan GPT-3 menguapkan 700.000 liter air tawar. Desain tanpa air menjadi arah industri.

Pusat data Microsoft yang akan datang akan menggunakan pendinginan loop tertutup tanpa penguapan air yang menghilangkan kebutuhan air evaporatif sepenuhnya.¹ Setelah diisi saat konstruksi, sistem ini mensirkulasikan cairan pendingin secara terus-menerus, mengurangi penggunaan air tahunan lebih dari 125 juta liter per fasilitas. Desain ini merepresentasikan pergeseran fundamental dalam pendekatan infrastruktur AI terhadap konsumsi air—bergerak dari penerimaan penggunaan air tinggi menjadi mengeliminasinya melalui rekayasa.

Pusat data AI mengonsumsi air pendingin 10-50 kali lebih banyak dibanding server farm tradisional.² Skala ini menciptakan kekhawatiran keberlanjutan yang nyata: pusat data Google rata-rata menggunakan 550.000 galon per hari per fasilitas, dan pelatihan GPT-3 saja menguapkan 700.000 liter air tawar.³ Organisasi yang membangun infrastruktur AI menghadapi tekanan yang meningkat dari regulator, komunitas, dan komitmen keberlanjutan mereka sendiri untuk mengatasi konsumsi air. Memahami Water Usage Effectiveness (WUE) dan teknologi yang mendorong pendinginan tanpa air membantu menavigasi lanskap yang terus berkembang ini.

Memahami WUE

The Green Grid memperkenalkan Water Usage Effectiveness pada tahun 2011 sebagai metrik standar untuk konsumsi air pusat data.⁴ Seperti Power Usage Effectiveness (PUE) untuk energi, WUE menyediakan tolok ukur untuk membandingkan efisiensi air antar fasilitas.

Perhitungan WUE

WUE mengukur liter air yang dikonsumsi per kilowatt-jam energi peralatan IT:

WUE = Penggunaan Air Situs Tahunan (liter) / Energi Peralatan IT Tahunan (kWh)

Formula ini menangkap semua konsumsi air—air makeup menara pendingin, humidifikasi, dan penggunaan air operasional lainnya—relatif terhadap komputasi aktual yang dihasilkan.

Contoh perhitungan:

Penggunaan air fasilitas: 50 juta liter/tahun
Konsumsi energi IT: 100 juta kWh/tahun
WUE = 50.000.000 / 100.000.000 = 0,5 L/kWh

Tolok ukur WUE

WUE Ideal: 0,0 L/kWh Fasilitas berpendingin udara yang tidak menggunakan pendinginan evaporatif dapat mencapai nol penggunaan air. Konsekuensinya: konsumsi energi dan PUE lebih tinggi.

Rata-rata industri: 1,8-1,9 L/kWh Sebagian besar pusat data berada dalam rentang ini, menggunakan pendinginan evaporatif yang menukar air dengan efisiensi energi.⁵

Terbaik di kelasnya: 0,3-0,7 L/kWh Pusat data NREL mencapai 0,7 L/kWh bersamaan dengan PUE 1,06, menunjukkan bahwa WUE rendah tidak mengharuskan pengorbanan efisiensi energi.⁶

Variasi regional: WUE Microsoft bervariasi secara dramatis berdasarkan lokasi—Arizona beroperasi pada 1,52 L/kWh sementara Singapura mencapai 0,02 L/kWh.⁷ Iklim, ketersediaan air, dan teknologi pendinginan semuanya mempengaruhi WUE yang dapat dicapai.

Pertukaran WUE-PUE

WUE dan PUE sering bergerak secara terbalik:

Pendinginan udara: Nol penggunaan air (WUE = 0) tetapi konsumsi energi lebih tinggi (PUE 1,4-1,8)

Pendinginan evaporatif: Penggunaan air tinggi (WUE 1,5-2,5) tetapi efisiensi energi lebih baik (PUE 1,1-1,3)

Pendinginan cairan: Penggunaan air minimal dalam desain loop tertutup (WUE mendekati 0) dengan efisiensi energi sangat baik (PUE 1,05-1,2)

Pendinginan cairan memecahkan pertukaran tradisional, memungkinkan WUE rendah dan PUE rendah sekaligus—yang menjelaskan adopsi cepatnya untuk infrastruktur AI.

Tantangan konsumsi air AI

Beban kerja AI menciptakan tuntutan air yang belum pernah terjadi sebelumnya melalui kombinasi kepadatan daya yang lebih tinggi dan operasi berkelanjutan.

Skala konsumsi

Penggunaan air hyperscaler tumbuh secara dramatis dengan ekspansi AI:

Google: 24.227 megaliter dikonsumsi pada 2023—tiga kali lipat penggunaan Microsoft dan tumbuh 17% setiap tahun.⁸

Microsoft: 7.844 megaliter pada 2023, dengan 41% dikonsumsi di area yang mengalami tekanan air. Operasi global menggunakan hampir 6,4 juta meter kubik, peningkatan 34% year-over-year.⁹

Proyeksi industri: Penggunaan air diperkirakan mencapai 1.068 miliar liter per tahun pada 2028—peningkatan 11 kali lipat dari level saat ini.¹⁰

Faktor spesifik AI

Beban kerja AI mendorong konsumsi air lebih tinggi melalui beberapa mekanisme:

Kepadatan daya: Rak GPU beroperasi pada 50-135 kW, dibanding 10-20 kW untuk server tradisional. Output panas yang lebih tinggi memerlukan pendinginan yang lebih agresif.

Operasi berkelanjutan: Sesi pelatihan yang berlangsung berminggu-minggu atau berbulan-bulan menghasilkan beban panas yang berkelanjutan tanpa periode idle intermiten dari beban kerja enterprise tipikal.

Pertumbuhan inferensi: Deployment AI produksi menjalankan inferensi secara terus-menerus, menciptakan tuntutan pendinginan 24/7 yang mengakumulasi konsumsi air.

Dampak per kueri: Peneliti di UC Riverside memperkirakan setiap prompt AI 100 kata menggunakan sekitar 519 mililiter air—kira-kira satu botol per interaksi.¹¹

Konsentrasi geografis

Tekanan air bertambah di wilayah dengan investasi infrastruktur AI yang besar:

Arizona: Kehadiran hyperscaler besar di iklim gurun dengan sumber daya air terbatas. Fasilitas Microsoft di Arizona beroperasi pada WUE 1,52 L/kWh—di antara yang tertinggi secara global.

Oregon: Proliferasi pusat data membebani sumber daya air di komunitas yang bergantung pada sumber yang sama untuk pertanian dan penggunaan residensial.

Ekspansi global: Hyperscaler menghadapi kritik karena membangun fasilitas intensif air di wilayah rawan kekeringan sambil mengejar komitmen water-positive.¹²

Teknologi pendinginan dan efisiensi air

Pendinginan evaporatif tradisional

Pendinginan evaporatif tetap menjadi teknologi dominan di pusat data yang ada:

Cara kerjanya: Air menyerap panas saat menguap, mentransfer energi termal dari fasilitas ke atmosfer. Menara pendingin secara terus-menerus menguapkan air untuk membuang panas dari pusat data.

Konsumsi air: Sistem evaporatif mengonsumsi 1,5-3,0 L/kWh tergantung pada iklim dan efisiensi.

Keunggulan energi: Pendinginan evaporatif mengurangi kerja kompresor, meningkatkan PUE sebesar 15-30% dibanding pendinginan mekanis di iklim yang sesuai.

Keterbatasan: Konsumsi air tinggi, persyaratan pengolahan air makeup, dan risiko legionella dari menara pendingin.

Alternatif pendinginan udara

Fasilitas berpendingin udara menghilangkan konsumsi air tetapi mengorbankan efisiensi energi:

Pendinginan mekanis: Sistem berbasis kompresor membuang panas tanpa penguapan air. Konsumsi energi lebih tinggi (PUE 1,4+) tetapi nol penggunaan air.

Free cooling: Menggunakan udara ambient secara langsung ketika suhu luar memungkinkan. Efektif di iklim dingin tetapi aplikasi terbatas untuk infrastruktur AI dalam konfigurasi kepadatan tinggi.

Terbaik untuk: Wilayah dengan tekanan air di mana konservasi air melebihi pertimbangan efisiensi energi.

Pendinginan cairan langsung ke chip

Pendinginan cairan merepresentasikan teknologi terobosan yang memungkinkan efisiensi air dan energi sekaligus:

Cara kerjanya: Cold plate dipasang langsung pada CPU, GPU, modul memori, dan regulator tegangan. Sistem loop tertutup mensirkulasikan cairan pendingin melalui plate ini, membuang panas di sumbernya sebelum menyebar ke udara.¹³

Konsumsi air: Desain loop tertutup tidak menggunakan air dalam operasi normal. Sistem diisi sekali saat konstruksi dan bersirkulasi terus-menerus.

Efisiensi energi: Pendinginan cairan mencapai PUE di bawah 1,2 sambil menghilangkan konsumsi air sepenuhnya.¹⁴

Implementasi NVIDIA: Sistem berpendingin cairan skala rak GB200 NVL72 memberikan efisiensi air 300x lebih baik dibanding arsitektur berpendingin udara tradisional.¹⁵

Pendinginan dua fase

Pendinginan cairan canggih menggunakan perubahan fase untuk efisiensi maksimum:

Cara kerjanya: Cairan dielektrik yang diformulasikan khusus (dari pemasok seperti Honeywell dan Chemours) mendidih pada suhu serendah 18°C. Perubahan fase menyerap energi panas yang signifikan, memberikan pendinginan lebih efisien dibanding sistem cairan fase tunggal.¹⁶

Operasi tanpa air: Teknologi HyperCool dari ZutaCore membuang panas langsung di sumbernya, menghilangkan penggunaan air dan memotong konsumsi energi hingga 82%.¹⁷

Keunggulan keamanan: Cairan dielektrik tidak akan merusak elektronik jika bocor, tidak seperti cairan pendingin berbasis air.

Pendinginan imersi

Imersi penuh menyediakan solusi kepadatan panas tertinggi:

Imersi fase tunggal: Server terendam dalam cairan dielektrik yang menyerap panas melalui konveksi. Tidak memerlukan air.

Imersi dua fase: Server terendam dalam cairan dengan titik didih rendah yang secara aktif mendidih berdekatan dengan komponen penghasil panas, memberikan pendinginan yang sangat efisien.

Adopsi: Microsoft, Google, dan Meta semuanya telah mengimplementasikan pendinginan imersi untuk infrastruktur pelatihan AI dengan kepadatan tertinggi.

Strategi air hyperscaler

Jalur water-positive Microsoft

Microsoft berkomitmen menjadi water-positive pada 2030—mengisi ulang lebih banyak air daripada yang dikonsumsi di seluruh operasi global:¹⁸

Penerapan pendinginan tanpa air: Pendinginan cairan level chip loop tertutup menghilangkan air evaporatif sepenuhnya. Saat ini sedang diuji di Phoenix, Arizona, dan Mt. Pleasant, Wisconsin, dengan operasi diharapkan pada 2026. Pada akhir 2027, tanpa penguapan air menjadi standar di seluruh pusat data baru.

Dampak fasilitas: Setiap fasilitas tanpa air mengurangi konsumsi tahunan lebih dari 125 juta liter dibanding desain evaporatif.

Proyek pengisian ulang: Proyek restorasi air di komunitas dengan tekanan air mengimbangi konsumsi fasilitas yang ada.

Kinerja 2023: 7.844 megaliter dikonsumsi, meskipun 41% di area dengan tekanan air menyoroti tantangan infrastruktur yang ada.

Komitmen pengisian ulang Google

Google berjanji untuk mengisi ulang 120% air yang dikonsumsi pada 2030:¹⁹

Efisiensi operasional: Meningkatkan efisiensi pendinginan di seluruh fasilitas yang ada untuk mengurangi konsumsi dasar.

Kemitraan daerah aliran sungai: Berkolaborasi dengan komunitas dan organisasi untuk mengisi ulang penggunaan air dan meningkatkan kesehatan daerah aliran sungai.

Investasi teknologi: Mendukung keamanan air melalui teknologi dan inovasi di luar operasi langsung.

Konsumsi 2023: 24.227 megaliter—tertinggi di antara hyperscaler besar, mencerminkan skala pusat data Google.

Fokus efisiensi Meta

Meta berkomitmen pada water positivity pada 2030 dengan penekanan pada efisiensi operasional:²⁰

Praktik konstruksi: Menggunakan air daur ulang untuk konstruksi dan menerapkan praktik terbaik untuk mengurangi kebutuhan air konstruksi.

Daur ulang fasilitas: Mendaur ulang air dalam fasilitas beberapa kali sebelum pembuangan.

Efisiensi operasional: Pusat data menyumbang sebagian besar penggunaan air Meta, menjadikan perbaikan operasional sebagai pengungkit utama.

Baseline lebih rendah: 2.938 megaliter pada 2023—secara signifikan lebih sedikit dari Google atau Microsoft, mencerminkan skala infrastruktur yang berbeda.

Masuknya AWS yang terlambat

AWS berkomitmen pada water positivity pada 2030 di re:Invent 2024:²¹

Adopsi direct-to-chip: AWS menerapkan cold plate langsung pada chip dengan sirkulasi loop tertutup, menghilangkan peningkatan konsumsi air dari infrastruktur AI baru.

Cairan rekayasa: Menggunakan cairan pendingin yang diformulasikan khusus daripada air, menghindari kerugian penguapan sepenuhnya.

Pengisian ulang komunitas: Mengembalikan lebih banyak air ke komunitas daripada yang dikonsumsi operasi langsung.

Praktik terbaik operasional

Pengukuran dan pemantauan

Manajemen air yang efektif memerlukan pengukuran yang komprehensif:

Infrastruktur pengukuran: Pasang submeter untuk menara pendingin, sistem humidifikasi, dan peralatan pengonsumsi air lainnya. Agregat bulanan atau tahunan memberikan WUE yang lebih representatif daripada snapshot harian.²²

Pemantauan real-time: Lacak konsumsi air bersamaan dengan suhu, kelembaban, dan beban IT untuk mengidentifikasi peluang optimasi.

Penetapan baseline: Dokumentasikan WUE saat ini sebelum mengimplementasikan perbaikan untuk mengukur dampak secara akurat.

Optimasi suhu dan kelembaban

Menyesuaikan parameter lingkungan mengurangi konsumsi air:

Naikkan setpoint suhu: A

[Konten dipotong untuk terjemahan]