Ada peningkatan perhatian terhadap hubungan antara kecerdasan buatan dan peningkatan kebutuhan energi. Namun meskipun pusat data yang haus daya yang dibangun untuk mendukung AI berpotensi menekan jaringan listrik, meningkatkan harga pelanggan dan gangguan layanan, dan secara umum memperlambat transisi ke energi ramah lingkungan, penggunaan kecerdasan buatan juga dapat membantu transisi energi.
Misalnya, penggunaan AI mengurangi konsumsi energi dan emisi terkait pada bangunan, transportasi, dan proses industri. Selain itu, AI membantu mengoptimalkan desain dan penempatan instalasi tenaga angin dan surya baru serta fasilitas penyimpanan energi.
Pada jaringan tenaga listrik, penggunaan algoritma AI untuk mengendalikan operasi membantu meningkatkan efisiensi dan mengurangi biaya, mengintegrasikan penggunaan energi terbarukan yang terus meningkat, dan bahkan memprediksi kapan peralatan utama perlu diservis untuk mencegah kegagalan dan kemungkinan pemadaman listrik. AI dapat membantu perencana jaringan listrik menjadwalkan investasi pada pembangkitan, penyimpanan energi, dan infrastruktur lain yang akan dibutuhkan di masa depan. AI juga membantu para peneliti menemukan atau merancang material baru untuk reaktor nuklir, baterai, dan elektroliser.
Para peneliti di MIT dan tempat lain secara aktif menyelidiki aspek-aspek tersebut dan peluang lain bagi AI untuk mendukung transisi energi ramah lingkungan. Pada konferensi penelitian tahun 2025, MITEI mengumumkan Data Center Power Forum, sebuah upaya penelitian yang ditargetkan untuk perusahaan anggota MITEI yang tertarik untuk mengatasi tantangan permintaan listrik pusat data.
Mengontrol operasi waktu nyata
Pelanggan pada umumnya mengandalkan pasokan listrik yang berkelanjutan, dan operator jaringan mendapatkan bantuan AI untuk mewujudkan hal tersebut — sekaligus mengoptimalkan penyimpanan dan distribusi energi dari sumber terbarukan.
Namun dengan semakin banyaknya instalasi pembangkit listrik tenaga surya dan angin – yang keduanya menyediakan listrik dalam jumlah yang lebih kecil, dan secara berkala – serta meningkatnya ancaman cuaca dan serangan siber, memastikan keandalan listrik menjadi semakin rumit. “Di sinilah AI bisa berperan,” jelas Anuradha Annaswamy, ilmuwan riset senior di Departemen Teknik Mesin MIT dan direktur Laboratorium Kontrol Aktif-Adaptif MIT. “Pada dasarnya, Anda perlu memperkenalkan seluruh infrastruktur informasi untuk melengkapi dan melengkapi infrastruktur fisik.”
Jaringan listrik adalah sistem kompleks yang memerlukan kontrol cermat dalam skala waktu mulai dari dekade hingga mikrodetik. Tantangannya dapat ditelusuri ke hukum dasar fisika daya: pasokan listrik harus sama dengan kebutuhan listrik setiap saat, atau pembangkitan listrik dapat terganggu. Dalam beberapa dekade terakhir, operator jaringan listrik umumnya berasumsi bahwa pembangkitan listrik bersifat tetap – mereka dapat mengandalkan berapa banyak listrik yang akan dihasilkan oleh setiap pembangkit listrik besar – sementara permintaan bervariasi dari waktu ke waktu dan dapat diprediksi. Hasilnya, operator dapat mengoperasikan pembangkit listrik tertentu sesuai kebutuhan untuk memenuhi permintaan pada hari berikutnya. Jika terjadi pemadaman listrik, unit-unit yang ditunjuk secara khusus akan mulai beroperasi sesuai kebutuhan untuk menutupi kekurangan tersebut.
Saat ini dan di masa depan, kesesuaian pasokan dan permintaan harus tetap terjadi, bahkan ketika jumlah sumber pembangkit listrik yang kecil dan terputus-putus bertambah dan gangguan cuaca serta ancaman lain terhadap jaringan listrik meningkat. Algoritme AI menyediakan sarana untuk mencapai pengelolaan informasi kompleks yang diperlukan untuk memperkirakan hanya dalam beberapa jam pembangkit listrik mana yang harus beroperasi sekaligus memastikan bahwa frekuensi, voltase, dan karakteristik lain dari daya yang masuk sesuai dengan yang diperlukan agar jaringan listrik dapat beroperasi dengan baik.
Selain itu, AI dapat menciptakan cara-cara baru untuk meningkatkan pasokan atau menurunkan permintaan pada saat pasokan di jaringan listrik menipis. Seperti yang dikatakan Annaswamy, baterai pada kendaraan listrik (EV) Anda, serta baterai yang diisi oleh panel surya atau turbin angin, dapat – bila diperlukan – berfungsi sebagai sumber tenaga ekstra untuk disalurkan ke jaringan listrik. Dan dengan adanya sinyal harga real-time, pemilik kendaraan listrik dapat memilih untuk mengalihkan pengisian daya dari saat permintaan mencapai puncaknya dan harga sedang tinggi ke saat permintaan dan oleh karena itu harga keduanya lebih rendah. Selain itu, termostat pintar baru dapat diatur untuk memungkinkan suhu dalam ruangan turun atau naik – kisaran yang ditentukan oleh pelanggan – ketika permintaan pada jaringan listrik sedang mencapai puncaknya. Dan pusat data sendiri dapat menjadi sumber fleksibilitas permintaan: penghitungan AI tertentu dapat ditunda sesuai kebutuhan untuk memperlancar puncak permintaan. Oleh karena itu, AI dapat memberikan banyak peluang untuk menyesuaikan pasokan dan permintaan sesuai kebutuhan.
Selain itu, AI memungkinkan terjadinya “pemeliharaan prediktif”. Setiap downtime merugikan perusahaan dan mengancam kekurangan pelanggan yang dilayani. Algoritme AI dapat mengumpulkan data kinerja utama selama pengoperasian normal dan, ketika pembacaan menyimpang dari normal, sistem dapat memperingatkan operator bahwa ada sesuatu yang tidak beres, sehingga memberi mereka kesempatan untuk melakukan intervensi. Kemampuan tersebut mencegah kegagalan peralatan, mengurangi kebutuhan akan inspeksi rutin, meningkatkan produktivitas pekerja, dan memperpanjang masa pakai peralatan utama.
Annaswamy menekankan hal itu “Mencari tahu cara merancang jaringan listrik baru dengan komponen AI ini akan membutuhkan banyak ahli yang berbeda untuk bekerja sama.” Dia mencatat bahwa para insinyur kelistrikan, ilmuwan komputer, dan ekonom energi “harus bekerja sama dengan regulator dan pengambil kebijakan untuk memastikan bahwa hal ini bukan hanya sekedar upaya akademis, namun benar-benar dapat diimplementasikan. Semua pemangku kepentingan harus belajar dari satu sama lain. Dan kita memerlukan jaminan bahwa tidak akan ada kegagalan. Kita tidak bisa mengalami pemadaman listrik.”
Menggunakan AI untuk membantu merencanakan investasi infrastruktur di masa depan
Perusahaan jaringan listrik terus-menerus perlu membuat rencana untuk memperluas pembangkitan, transmisi, penyimpanan, dan banyak lagi, dan membangun dan mengoperasikan semua infrastruktur yang diperlukan mungkin memerlukan waktu bertahun-tahun, dalam beberapa kasus lebih dari satu dekade. Jadi, mereka perlu memperkirakan infrastruktur apa yang mereka perlukan untuk menjamin keandalan di masa depan. “Ini rumit karena Anda harus memperkirakan lebih dari satu dekade ke depan apa yang harus dibangun dan di mana membangunnya,” kata Deepjyoti Deka, ilmuwan riset di MITEI.
Salah satu tantangan dalam mengantisipasi apa yang diperlukan adalah memprediksi bagaimana sistem di masa depan akan beroperasi. “Hal ini menjadi semakin sulit,” kata Deka, karena semakin banyak energi terbarukan yang tersedia secara online dan menggantikan generator tradisional. Di masa lalu, operator dapat mengandalkan “cadangan berputar”, yaitu menghasilkan kapasitas yang saat ini tidak digunakan namun dapat online dalam hitungan menit untuk memenuhi kekurangan pada sistem. Kehadiran begitu banyak generator yang terputus-putus – tenaga angin dan tenaga surya – berarti berkurangnya stabilitas dan inersia yang terpasang pada jaringan listrik. Yang menambah kerumitannya adalah generator yang terputus-putus tersebut dapat dibuat oleh berbagai vendor, dan perencana jaringan mungkin tidak memiliki akses ke persamaan berbasis fisika yang mengatur pengoperasian setiap peralatan pada skala waktu yang cukup tepat. “Jadi, Anda mungkin belum tahu persis bagaimana cara kerjanya,” kata Deka.
Lalu ada cuacanya. Menentukan keandalan sistem energi masa depan yang diusulkan memerlukan pengetahuan tentang apa yang akan dihadapinya dalam kaitannya dengan cuaca. Jaringan listrik di masa depan harus dapat diandalkan tidak hanya dalam cuaca sehari-hari, tetapi juga dalam peristiwa-peristiwa dengan probabilitas rendah namun berisiko tinggi seperti angin topan, banjir, dan kebakaran hutan, yang semuanya semakin sering terjadi, catat Deka. AI dapat membantu dengan memprediksi kejadian tersebut dan bahkan melacak perubahan pola cuaca akibat perubahan iklim.
Deka menunjukkan manfaat lain yang kurang jelas dari kecepatan analisis AI. Setiap rencana pembangunan infrastruktur harus ditinjau dan disetujui, seringkali oleh beberapa badan pengatur dan badan lainnya. Biasanya, pemohon akan mengembangkan sebuah rencana, menganalisis dampaknya, dan menyerahkan rencana tersebut kepada sekelompok peninjau. Setelah melakukan perubahan apa pun yang diminta dan mengulangi analisis, pemohon akan mengirimkan kembali versi revisinya kepada peninjau untuk melihat apakah versi baru tersebut dapat diterima. Alat AI dapat mempercepat analisis yang diperlukan sehingga prosesnya berjalan lebih cepat. Para perencana bahkan dapat mengurangi berapa kali sebuah proposal ditolak dengan menggunakan model bahasa yang luas untuk mencari publikasi peraturan dan merangkum hal-hal penting untuk instalasi infrastruktur yang diusulkan.
Memanfaatkan AI untuk menemukan dan memanfaatkan material canggih yang diperlukan untuk transisi energi
“Penggunaan AI untuk pengembangan material sedang booming saat ini,” kata Ju Li, Profesor Teknik Tenaga Carl Richard Soderberg di MIT. Dia mencatat dua arah utama.
Pertama, AI memungkinkan simulasi berbasis fisika yang lebih cepat pada skala atom. Hasilnya adalah pemahaman tingkat atom yang lebih baik tentang bagaimana komposisi, pemrosesan, struktur, dan reaktivitas kimia berhubungan dengan kinerja material. Pemahaman tersebut memberikan aturan desain untuk membantu memandu pengembangan dan penemuan material baru untuk pembangkitan, penyimpanan, dan konversi energi yang diperlukan untuk sistem energi masa depan yang berkelanjutan.
Dan kedua, AI dapat membantu memandu eksperimen secara real-time saat dilakukan di laboratorium. Li menjelaskan: “AI membantu kami memilih eksperimen terbaik untuk dilakukan berdasarkan eksperimen kami sebelumnya dan — berdasarkan penelusuran literatur — membuat hipotesis dan menyarankan eksperimen baru.”
Dia menjelaskan apa yang terjadi di laboratoriumnya sendiri. Ilmuwan manusia berinteraksi dengan model bahasa besar, yang kemudian memberikan saran tentang eksperimen spesifik apa yang harus dilakukan selanjutnya. Peneliti manusia menerima atau memodifikasi saran tersebut, dan lengan robot merespons dengan menyiapkan dan melakukan langkah berikutnya dalam rangkaian eksperimen, mensintesis materi, menguji kinerja, dan mengambil gambar sampel jika diperlukan. Berdasarkan perpaduan pengetahuan literatur, intuisi manusia, dan hasil eksperimen sebelumnya, AI mengoordinasikan pembelajaran aktif yang menyeimbangkan tujuan mengurangi ketidakpastian dengan meningkatkan kinerja. Dan, seperti yang dikatakan Li, “AI telah membaca lebih banyak buku dan makalah dibandingkan manusia mana pun, dan dengan demikian secara alami lebih bersifat interdisipliner.”
Hasilnya, kata Li, adalah desain eksperimen yang lebih baik dan mempercepat “alur kerja”. Secara tradisional, proses pengembangan material baru memerlukan sintesis prekursor, pembuatan material, pengujian kinerjanya dan karakterisasi struktur, membuat penyesuaian, dan mengulangi serangkaian langkah yang sama. Panduan AI mempercepat proses tersebut, “membantu kami merancang eksperimen penting dan murah yang dapat memberi kami masukan informasi dalam jumlah maksimum,” kata Li.
“Memiliki kemampuan ini tentunya akan mempercepat penemuan material, dan ini mungkin merupakan hal yang sangat membantu kita dalam transisi energi ramah lingkungan,” tutupnya. “AI [has the potential to] melumasi proses penemuan dan optimalisasi material, mungkin memperpendeknya dari beberapa dekade, seperti di masa lalu, menjadi hanya beberapa tahun.”
kontribusi MITEI
Di MIT, para peneliti sedang mengerjakan berbagai aspek peluang yang dijelaskan di atas. Dalam proyek yang didukung oleh MITEI, tim menggunakan AI untuk memodelkan dan memprediksi gangguan aliran plasma di dalam reaktor fusi dengan lebih baik – suatu keharusan dalam mencapai pembangkit listrik fusi yang praktis. Tim lain yang didukung MITEI menggunakan alat bertenaga AI untuk menafsirkan peraturan, data iklim, dan peta infrastruktur guna mencapai perencanaan jaringan listrik yang lebih cepat dan adaptif. Pengembangan material canggih yang dipandu AI terus berlanjut, dengan salah satu proyek MITEI menggunakan AI untuk mengoptimalkan sel surya dan material termoelektrik.
Peneliti MITEI lainnya sedang mengembangkan robot yang dapat mempelajari tugas pemeliharaan berdasarkan umpan balik manusia, termasuk intervensi fisik dan instruksi verbal. Tujuannya adalah untuk mengurangi biaya, meningkatkan keselamatan, dan mempercepat penerapan infrastruktur energi terbarukan. Dan upaya yang didanai MITEI terus dilakukan untuk mengurangi kebutuhan energi pusat data, mulai dari merancang chip komputer dan algoritme komputasi yang lebih efisien hingga memikirkan kembali desain arsitektur bangunan, misalnya, untuk meningkatkan aliran udara sehingga mengurangi kebutuhan akan AC.
Selain memberikan kepemimpinan dan pendanaan untuk banyak proyek penelitian, MITEI bertindak sebagai penyelenggara, mempertemukan pihak-pihak yang berkepentingan untuk mempertimbangkan masalah-masalah umum dan solusi potensial. Pada bulan Mei 2025, simposium musim semi tahunan MITEI — bertajuk “AI dan energi: Bahaya dan Janji” — mempertemukan pakar AI dan energi dari seluruh akademisi, industri, pemerintah, dan organisasi nirlaba untuk mengeksplorasi AI sebagai masalah dan solusi potensial untuk transisi energi ramah lingkungan. Pada penutupan simposium, William H. Green, direktur MITEI dan Profesor Hoyt C. Hottel di Departemen Teknik Kimia MIT, menyatakan, “Tantangan untuk memenuhi permintaan energi pusat data dan membuka potensi manfaat AI dalam transisi energi kini menjadi prioritas penelitian MITEI.”
