Tokyo Uji Pemanfaatan Panas dari Pusat Data AI untuk Pendinginan dan Air Panas

Uji coba di Tokyo memanfaatkan panas dari server yang biasanya terbuang

Tokyo mendukung proyek untuk memulihkan panas langsung dari server kecerdasan buatan (AI) dan menggunakannya untuk mendinginkan bangunan, memasok fasilitas pemandian di sekitar, serta menunjang pabrik. Demonstrasi ini berlangsung dari 16 Juli 2026 hingga 31 Maret 2028, dengan pemerintah metropolitan berkontribusi hingga 520 juta yen untuk biaya yang memenuhi syarat.

Tokyo Electric Power Company Holdings, yang dikenal sebagai TEPCO, memimpin proyek bersama MESH-X dan NHK Technologies di sebuah pusat data di Tokyo. Sasaran mereka adalah persoalan praktis yang kian besar seiring berkembangnya AI: sebagian besar listrik yang masuk ke peralatan komputasi pada akhirnya berubah menjadi panas, yang harus dibuang operator agar mesin tetap beroperasi.

Pengumuman pemerintah Tokyo menjelaskan sistem yang menggunakan penguapan untuk mendinginkan server dengan unit pemroses grafis (GPU), sekaligus mengumpulkan panasnya secara langsung pada suhu tinggi. GPU adalah cip yang menjalankan banyak kalkulasi sekaligus sehingga menjadi komponen utama AI modern.

Proyek ini menyatukan dua kebutuhan yang biasanya ditangani secara terpisah. Pusat data membutuhkan pendinginan, sedangkan bangunan dan pelaku usaha di sekitarnya membutuhkan panas. Pemulihan panas yang berguna dapat membuat listrik yang sama memenuhi kebutuhan komputasi sekaligus energi lokal.

Jepang juga menguji pendekatan lain: memindahkan kalkulasi AI antarkota atau mengubah waktu pelaksanaannya agar sesuai dengan ketersediaan listrik. Secara bersama-sama, eksperimen ini mengkaji penggunaan listrik oleh AI, lokasi konsumsinya, dan pemanfaatan energi setelahnya.

Bagaimana WaBiCo menangkap panas dari cip

TEPCO menyebut pendekatannya WaBiCo, singkatan dari Watt Bit Cogeneration. Nama ini menghubungkan watt, satuan daya, dengan bit, satuan informasi digital. Gagasan utamanya adalah memperlakukan peralatan elektronik berdaya tinggi sebagai sumber daya komputasi sekaligus sumber panas yang dapat dimanfaatkan.

Teknologi pendinginnya menempatkan air di bawah tekanan rendah, sekitar setengah tekanan atmosfer, sehingga air mendidih pada suhu kira-kira 80 derajat Celsius, bukan 100 derajat seperti yang umum diketahui. Panas dari GPU mendorong penguapan sehingga sistem dapat mengumpulkan energi termal pada suhu yang berguna untuk aplikasi lain.

TEPCO menjelaskan adanya pelat pendingin khusus yang mendinginkan GPU secara langsung sekaligus memulihkan panasnya. Metode sirkulasi ini menggunakan panas itu sendiri untuk memindahkan panas, tanpa pompa sebagai penggerak proses tersebut. Menangkap energi di dekat cip memungkinkan diperolehnya panas bersuhu lebih tinggi dan lebih berguna daripada membiarkannya menyebar ke seluruh ruang server.

Suhu penting karena berbagai pekerjaan membutuhkan tingkat panas yang berbeda. Udara hangat yang mahal untuk dikumpulkan hanya memiliki kegunaan terbatas. Panas yang dipulihkan pada suhu sekitar 80 derajat Celsius dapat digunakan untuk lebih banyak keperluan bangunan dan industri, bergantung pada peralatan dan kebutuhan suhu masing-masing.

Penggunaan yang diusulkan mencakup memasok fasilitas pemandian dan pabrik di sekitar, menyediakan pemanas kawasan, serta memanfaatkan panas yang dipulihkan sebagai sumber energi untuk mendinginkan ruang server atau fasilitas di sekitarnya. Pendinginan yang digerakkan oleh panas menggunakan energi termal untuk menjalankan siklus pendinginan, alih-alih sepenuhnya mengandalkan kompresor bertenaga listrik.

Yang didanai dan diuji Tokyo

Pengumuman penetapan proyek TEPCO menyebut Tokyo memilih proposal tersebut pada 30 Juni 2026. Perusahaan itu menyatakan diri sebagai operator utama dan merinci kontribusi maksimum pemerintah sebesar 520 juta yen sebagai dukungan sebagian untuk pengeluaran tertentu.

Biro urusan industri dan ketenagakerjaan Tokyo menempatkan demonstrasi ini dalam Strategi Tokyo 2050, dengan sasaran memaksimalkan efisiensi energi. Kegiatan praktisnya memadukan pengembangan sistem pendinginan berbasis penguapan dengan pengujian dalam lingkungan operasional nyata.

Proyek ini harus menghubungkan pemulihan panas dengan penggunaannya yang bermanfaat. Untuk fasilitas pemandian, artinya pasokan energi termal yang andal. Untuk pabrik, artinya menyesuaikan suhu dan waktu dengan proses industri. Untuk ruang server, artinya mengintegrasikan panas yang dipulihkan ke dalam sistem pendinginan yang mendukung operasi andal.

Pengumuman tersebut hanya menyebut lokasi demonstrasi sebagai sebuah pusat data di Tokyo. Tidak ada data mengenai tingkat pemulihan panas, penghematan listrik, pengurangan emisi, pelanggan panas tertentu, maupun tanggal peluncuran komersial. Hasil-hasil itu akan menentukan seberapa berguna pendekatan ini setelah uji coba selesai.

Efisiensi pendinginan dan pemanfaatan panas mengukur manfaat yang berbeda

TEPCO ingin meningkatkan ukuran efisiensi pusat data standar yang disebut Power Usage Effectiveness (PUE). Ukuran ini membagi seluruh listrik yang digunakan fasilitas dengan listrik yang digunakan peralatan komputasinya. Hasil yang mendekati 1 berarti lebih sedikit listrik tambahan yang dipakai untuk pendinginan dan sistem pendukung lainnya.

Sebuah fasilitas hipotetis yang menggunakan 120 satuan listrik, sementara komputernya menggunakan 100 satuan, akan memiliki PUE 1,2. Mengurangi 20 satuan tambahan akan memperbaiki angka tersebut. Proyek Tokyo mengupayakan peningkatan semacam itu dengan mengubah cara panas dari cip dibuang.

Pemanfaatan panas memberikan potensi manfaat lain: pengguna di sekitar dapat memenuhi sebagian kebutuhan pemanasannya dengan energi yang dipulihkan dari komputasi. Listrik tetap digunakan untuk mengoperasikan server, sementara energi termal yang berguna keluar dari fasilitas untuk dimanfaatkan keperluan lain.

Kedua manfaat tersebut perlu diukur secara terpisah. Operator perlu mencatat listrik yang digunakan untuk pendinginan, panas yang benar-benar disalurkan kepada pelanggan, serta energi yang seharusnya digunakan pelanggan jika panas itu tidak tersedia. Sambungan panas menjadi bernilai ketika fasilitas penerima dapat menggunakan energi saat pasokan tiba.

Cip yang lebih efisien berhadapan dengan beban kerja AI yang terus berkembang

NVIDIA menyebut energi sebagai fondasi infrastruktur AI. Dalam pertemuan Davos pada Januari 2026, CEO Jensen Huang mengibaratkan industri ini sebagai kue lima lapis: energi di bagian paling bawah, disusul cip, infrastruktur, model, dan aplikasi.

Perwakilan NVIDIA Hiroki Saito menyebut energi sebagai gerbang pertama AI. Penjelasannya juga menggambarkan cepatnya perubahan kebutuhan komputasi. Dengan kemunculan ChatGPT pada November 2022 sebagai titik awal, ia memperkirakan kebutuhan pemrosesan yang terkait dengan model penalaran DeepSeek pada Januari 2025 mencapai 100 kali lipat, sedangkan agen otonom OpenClaw sekitar setahun kemudian mencapai 1.000 kali lipat.

Contoh-contoh itu berkaitan dengan perubahan jenis pekerjaan AI. Model penalaran menggunakan daya komputasi untuk memecahkan masalah, sementara agen dapat menjalankan serangkaian tugas. Tugas yang lebih rumit dapat membutuhkan kapasitas pemrosesan lebih besar meski setiap cip menjadi semakin efisien.

NVIDIA mengatakan generasi Rubin mampu menjalankan pemrosesan agen 10 kali lebih banyak daripada Blackwell dengan daya yang sama. Nilai praktisnya bergantung pada penerapan peralatan tersebut dan jenis tugas yang dijalankan.

Saito juga menggambarkan perubahan prioritas operasional. Pusat data tradisional berfokus pada menjaga ketersediaan layanan. Pabrik AI, istilah NVIDIA untuk infrastruktur yang dibangun khusus bagi produksi AI, juga harus memaksimalkan hasil komputasi yang berguna. Peningkatan kinerja per satuan listrik dan permintaan yang terus tumbuh terjadi bersamaan, sehingga konsumsi total bergantung pada keduanya.

Lonjakan daya mendadak menimbulkan masalah lain

Fasilitas AI menghadapi tantangan selain total konsumsi listrik. Selama pelatihan model, ratusan ribu GPU dapat mengubah konsumsi daya secara bersamaan dalam hitungan milidetik. Peralatan listrik harus menangani perubahan cepat itu sambil menjaga kestabilan daya.

Amber Villegas-Williamson, konsultan utama di Uptime Institute yang memberi saran kepada pemasok listrik dan pusat data mengenai keandalan, menggambarkan tekanan tersebut:

AI memang menimbulkan permintaan daya yang sangat tidak biasa,

Villegas-Williamson membandingkan keausan itu dengan terus-menerus memaksa mesin mobil bekerja lebih keras, alih-alih mempertahankan kecepatan yang stabil. Drew Baglino, mantan eksekutif Tesla sekaligus pendiri Heron Power Electronics, mengatakan permintaan AI dapat melonjak sesaat hingga 50% di atas kapasitas rancangan fasilitas. Dalam contohnya, pusat data yang dirancang untuk 1 gigawatt dapat menarik daya 1,5 gigawatt selama sepersekian detik.

Kegagalan peralatan yang dikaitkan dengan tekanan ini mencakup turbin retak dan baterai yang harus diganti dalam hitungan minggu atau bulan. Sejumlah fasilitas dilaporkan hanya mencapai tingkat ketersediaan sekitar 80%, sementara perkiraan kerugian pendapatan selama pemadaman berkisar dari ribuan hingga ratusan ribu dolar per menit, bergantung pada operasinya.

North American Electric Reliability Corporation menemukan bahwa sekitar tiga perempat model beban yang mencakup lebih dari 33 gigawatt permintaan pusat data di Amerika Serikat tidak memadai untuk menggambarkan perilaku dinamis. Model-model ini membantu perusahaan utilitas memperkirakan dampak pelanggan terhadap sistem listrik, sehingga perubahan konsumsi yang cepat menjadi persoalan penting dalam perencanaan.

Kampus terencana berkapasitas 2,67 gigawatt di Texas Barat menggambarkan dampak pada jadwal. Pengembang Joulent menambahkan waktu rekayasa untuk memenuhi persyaratan keandalan 99,999% dari Microsoft, sehingga awal penyaluran listrik mundur dari 2027 ke 2028. Pada tingkat keandalan tersebut, waktu henti tahunan hanya sekitar lima menit.

Memindahkan kalkulasi, bukan listrik

Eksperimen kedua Jepang menyoroti lokasi dan waktu konsumsi listrik oleh AI. J-Power, Cisco Systems, East Japan Railway, Hitachi, dan Bitmedia mengumumkan pada 8 Oktober 2026 bahwa mereka menjalankan demonstrasi yang menghubungkan pusat data AI di Yokohama dan Kitakyushu.

Uji coba dimulai pada Agustus 2026 dan dijadwalkan berlangsung hingga 1 Februari 2027. Uji ini mengukur pemindahan beban kerja, yaitu penugasan tugas komputasi ke lokasi atau waktu lain berdasarkan kondisi listrik dan komputasi.

Pemindahan lokasi mengirim kalkulasi ke pusat data yang berbeda. Pemindahan waktu menjadwalkannya pada jam yang berbeda. Sistem ini mempertimbangkan prakiraan pembangkit listrik terbarukan, harga perdagangan listrik, pasokan dan permintaan, kapasitas komputasi yang tersedia, serta informasi bencana.

Salah satu tujuannya adalah memanfaatkan listrik terbarukan yang mungkin terpaksa dibatasi. Pembatasan terjadi ketika produksi listrik tenaga surya atau angin dikurangi sementara karena jaringan tidak mampu menyalurkan atau menyerap seluruh daya yang tersedia. Memindahkan pekerjaan AI yang sesuai agar menggunakan listrik tersebut dapat meningkatkan pemanfaatannya.

Perusahaan-perusahaan itu juga akan mengkaji tambahan waktu pemrosesan akibat pemindahan pekerjaan serta cara menjaga mutu layanan. Pemindahan tugas memiliki biaya praktis, sehingga uji coba ini mengukur manfaat listrik sekaligus dampaknya terhadap kinerja komputasi.

Serat optik kereta api menghubungkan eksperimen yang lebih luas

Lima perusahaan tersebut juga menguji jaringan semua-optik di sepanjang jalur Joetsu Shinkansen. Peralatan transmisi optik di Stasiun Echigo-Yuzawa, Jomo-Kogen, dan Takasaki akan menggunakan serat optik kereta api yang sudah ada untuk menguji mutu komunikasi dalam kondisi getaran dan cuaca yang berubah-ubah.

Pengujian mencakup kehilangan sinyal, kesalahan transmisi, latensi, dan variasi latensi. Pengukuran ini penting ketika fasilitas komputasi di lokasi berbeda perlu beroperasi bersama. Eksperimen jaringan kereta api merupakan bagian tersendiri dari program ini, terpisah dari pemindahan beban kerja antara Yokohama dan Kitakyushu.

J-Power memimpin konsorsium dan mengevaluasi hasilnya. Hitachi membangun sistem pemindahan beban kerja dan lingkungan uji optik, Cisco mendukung perancangan serta pengukuran jaringan, JR East mengkaji peralatan komunikasi kereta api, dan Bitmedia mengembangkan sistem di dalam pusat-pusat data.

Upaya ini menyusul pembentukan dewan pada April 2026 yang juga mencakup JR West Optical Network dan Nagoya Railroad. Tujuan yang lebih luas adalah mengoordinasikan operasi pusat data AI terdistribusi dengan menggunakan jaringan optik area luas dan pemindahan beban kerja.

Tonggak utama menunjukkan tumpang tindih jadwal eksperimen panas dan komputasi:

• April 2026: Tujuh perusahaan membentuk dewan untuk jaringan optik dan pemindahan beban kerja.
• 30 Juni 2026: Tokyo memilih proposal pemulihan panas TEPCO.
• 16 Juli 2026: Periode demonstrasi panas di Tokyo dimulai.
• Agustus 2026: Uji pemindahan beban kerja Yokohama dan Kitakyushu dimulai.
• 1 Februari 2027: Demonstrasi pemindahan beban kerja dijadwalkan berakhir.
• 31 Maret 2028: Proyek pemulihan panas Tokyo dijadwalkan berakhir.

Jepang ingin meningkatkan komputasi dan mengurangi energi yang terbuang

Jepang mendorong investasi AI dan semikonduktor sembari berupaya mencapai netralitas karbon pada 2050. Pabrik TSMC di Prefektur Kumamoto merupakan bagian dari ekspansi industri tersebut. Energi terbarukan memasok sekitar 22% pembangkitan listrik Jepang pada 2022, sehingga negara itu masih sangat bergantung pada sumber lain, termasuk bahan bakar fosil.

Rencana bisnis khusus komprehensif kelima TEPCO sendiri menargetkan pertumbuhan permintaan pusat data di Tokyo metropolitan menjadi salah satu yang tertinggi di dunia pada tahun fiskal 2040. Karena itu, proyek panas tersebut berjalan berdampingan dengan ambisi yang jelas untuk mengembangkan sektor ini.

Pemulihan panas dan pemindahan beban kerja mengatasi sisi yang berbeda dari ekspansi tersebut. WaBiCo berupaya menghasilkan lebih banyak manfaat dari listrik yang sudah dikonsumsi server. Pemindahan beban kerja berupaya menyelaraskan permintaan komputasi dengan ketersediaan listrik. Peralatan yang mampu menangani lonjakan daya cepat mendukung keandalan yang dibutuhkan kedua pendekatan.

Bagi masyarakat sekitar, peluang konkretnya adalah panas yang bermanfaat dan hubungan lebih erat antara pusat data dengan kebutuhan energi lokal. Bagi operator, pengujian ini menyangkut biaya pendinginan, waktu komputasi produktif, dan layanan yang andal. Tahap berikutnya adalah mengukur kinerja: berapa banyak energi yang dihemat atau digunakan kembali sementara komputer tetap bekerja.

Poin Utama

• Tokyo mendukung demonstrasi pemulihan panas TEPCO dengan kontribusi hingga 520 juta yen untuk biaya yang memenuhi syarat.
• Proyek ini berlangsung hingga 31 Maret 2028 dan menyasar pendinginan, fasilitas pemandian, pabrik, serta pemanas kawasan.
• WaBiCo menggunakan penguapan bertekanan rendah untuk memulihkan panas yang berguna secara langsung dari GPU.
• Uji coba terpisah memindahkan tugas AI antara Yokohama dan Kitakyushu serta mengubah waktu operasinya agar sesuai dengan kondisi listrik.
• Fluktuasi cepat konsumsi daya AI juga menimbulkan masalah pada peralatan dan keandalan.
• Penghematan energi, penyaluran panas hasil pemulihan, dan kinerja operasional yang terukur akan menentukan nilai praktis demonstrasi ini.