AI โตเร็ว ดันคาร์บอนไอทีพุ่ง คาดปี 71 ครึ่งหนึ่งมาจากโมเดล AI
ออทัมน์ สแตนนิช ผู้อำนวยการฝ่ายวิเคราะห์ การ์ทเนอร์ เปิดเผยว่า ความก้าวหน้าของโมเดล AI ที่เกิดขึ้นอย่างรวดเร็วกำลังสร้างโอกาสใหม่ทางธุรกิจ และอาจกลายเป็นแรงขับเคลื่อนสำคัญของการเปลี่ยนแปลงในหลายอุตสาหกรรม แต่ในอีกด้านหนึ่ง ความกังวลต่อผลกระทบด้านสิ่งแวดล้อมจาก AI กำลังเพิ่มสูงขึ้นเช่นกัน
การ์ทเนอร์คาดการณ์ว่า
ในอีกสองปีข้างหน้า หรือปี 2571 ครึ่งหนึ่ง หรือ 50%
ของการปล่อยก๊าซเรือนกระจกด้านไอที จะมาจากโมเดล AI เพิ่มขึ้นอย่างมีนัยสำคัญจากสัดส่วน 10% ในปี 2568 สะท้อนให้เห็นว่า
การขยายตัวของ AI ไม่ได้เป็นเพียงประเด็นด้านเทคโนโลยีและต้นทุนธุรกิจเท่านั้น
แต่ยังเกี่ยวข้องโดยตรงกับเป้าหมายความยั่งยืนขององค์กร
สแตนนิช ระบุว่า
การฝึกอบรมและการรันโมเดล AI ต้องอาศัยพลังการประมวลผลจำนวนมาก
รวมถึงโครงสร้างพื้นฐานไอทีรุ่นใหม่ ระบบดาต้าเซ็นเตอร์ และระบบทำความเย็นขั้นสูง
ซึ่งล้วนเป็นการลงทุนที่เพิ่มแรงกดดันต่องบประมาณ
ขณะเดียวกันยังอาจทำให้เป้าหมายด้านความยั่งยืนขององค์กรต้องเผชิญความท้าทายมากขึ้น
อย่างไรก็ตาม รอยเท้าด้านสิ่งแวดล้อม หรือ Environmental Footprint ของ AI ไม่ได้จำกัดอยู่เพียงการใช้พลังงานเท่านั้น แต่ยังครอบคลุมถึงการใช้น้ำ การปล่อยมลพิษในห่วงโซ่อุปทานที่ตรวจสอบได้ยาก ขยะอิเล็กทรอนิกส์ และต้นทุนแฝงตลอดวงจรชีวิตของ AI ซึ่งหลายองค์กรมักมองข้าม โดยเฉพาะเมื่อยังขาดระบบรายงานข้อมูลที่โปร่งใสและมีมาตรฐานเดียวกัน
วัดผลให้ชัด ก่อนบริหารผลกระทบ AI
การ์ทเนอร์มองว่า
การวัดรอยเท้าด้านสิ่งแวดล้อมของโมเดล AI อย่างแม่นยำเป็นหัวใจสำคัญของการจัดการผลกระทบ
เนื่องจากโมเดล AI แต่ละประเภทมีความซับซ้อนแตกต่างกัน
ทั้งขนาดโมเดล จำนวนพารามิเตอร์ ปริมาณข้อมูลที่ใช้ฝึกอบรม
และทรัพยากรประมวลผลที่ต้องใช้
ซึ่งทั้งหมดล้วนส่งผลโดยตรงต่อการใช้พลังงานและความยั่งยืน
แนวทางหนึ่งที่องค์กรใช้คือ Aggregate
Approach หรือการประเมินผลกระทบ AI เป็นส่วนหนึ่งของคาร์บอนฟุตพริ้นท์ด้านไอทีโดยรวม
โดยเปรียบเทียบค่าพื้นฐานก่อนและหลังการนำ AI ไปใช้งาน
เพื่อประเมินผลกระทบต่อดัชนีสำคัญ เช่น ประสิทธิภาพการใช้พลังงาน หรือ PUE ประสิทธิภาพการใช้น้ำ หรือ WUE การใช้ประโยชน์จากอุปกรณ์ไอที
หรือ ITEU รวมถึงปริมาณของเสียที่เกิดขึ้น
แม้วิธีนี้จะช่วยให้องค์กรเห็นภาพรวมของผลกระทบจาก
AI
ต่อการปล่อยมลพิษ แต่ยังไม่สามารถให้ข้อมูลเชิงลึกในระดับโมเดล AI
แต่ละตัวได้อย่างเพียงพอ
เนื่องจากปัจจุบันยังมีข้อจำกัดด้านข้อมูลจากผู้ให้บริการ
โดยเฉพาะรายละเอียดการใช้พลังงานของโมเดล AI ขนาดใหญ่
การ์ทเนอร์ ระบุว่า
ปัจจุบันเริ่มมีระเบียบวิธีเฉพาะสำหรับการวัดผลกระทบด้านสิ่งแวดล้อมของโมเดล AI
ที่พัฒนาขึ้นใหม่ โดยแยกองค์ประกอบของผลกระทบออกเป็นหลายส่วน ได้แก่
ฮาร์ดแวร์ ซอฟต์แวร์ วงจรชีวิตข้อมูล การใช้น้ำ และการใช้พลังงาน
พร้อมเสริมด้วยเครื่องมือติดตามการปล่อยมลพิษผ่านซอฟต์แวร์ และคะแนนพลังงาน AI
เช่น แนวทางจาก Hugging Face และ Green
Software Foundation
หลังจากองค์กรวัดผลกระทบการปล่อยก๊าซเรือนกระจกในขอบเขตที่
1 และ 2 แล้ว ควรเพิ่มการวัดการปล่อยมลพิษในห่วงโซ่อุปทาน หรือขอบเขตที่ 3
เพื่อให้การคำนวณครบถ้วนมากขึ้น แม้ว่าวิธีการเหล่านี้ยังไม่สมบูรณ์แบบทั้งหมด
แต่ความแม่นยำกำลังพัฒนาขึ้นตามการใช้งานจริง โดยการวัดแบบแยกองค์ประกอบยังถือเป็นแนวทางที่ให้ข้อมูลละเอียดและแม่นยำมากที่สุด
ชุมชนเริ่มต้านดาต้าเซ็นเตอร์ AI
นอกจากประเด็นด้านพลังงานและคาร์บอน การ์ทเนอร์ยังชี้ว่า แรงต่อต้านจากสังคมกำลังกลายเป็นอุปสรรคสำคัญต่อการขยายโครงสร้างพื้นฐาน AI ในหลายประเทศ เช่น สหรัฐอเมริกา อังกฤษ เนเธอร์แลนด์ และไอร์แลนด์ ซึ่งเผชิญกับการคัดค้านแผนขยายดาต้าเซ็นเตอร์หรือศูนย์ข้อมูล AI จากความกังวลของชุมชนเรื่องเสถียรภาพระบบไฟฟ้าและปริมาณการใช้น้ำ ส่งผลให้บางโครงการล่าช้าหรือถูกยกเลิก
องค์กรจึงจำเป็นต้องประเมินผลกระทบของโครงสร้างพื้นฐาน
AI
ให้กว้างกว่าประสิทธิภาพการดำเนินงาน
โดยต้องคำนึงถึงผลกระทบต่อสังคมและสิ่งแวดล้อมโดยรอบควบคู่กันไป
การออกแบบดาต้าเซ็นเตอร์แบบดั้งเดิมมักให้ความสำคัญกับประสิทธิภาพและความน่าเชื่อถือ
แต่ในยุค AI การผสานมิติความเสมอภาคทางสังคมเข้าไปในการออกแบบ
จะช่วยสร้างประโยชน์ต่อชุมชน และเพิ่มความไว้วางใจจากผู้มีส่วนได้ส่วนเสีย
ตัวอย่างแนวทางที่สามารถนำไปใช้ได้
ได้แก่ โครงการนำทรัพยากรกลับมาใช้ใหม่ เช่น
ระบบกู้คืนความร้อนจากดาต้าเซ็นเตอร์เพื่อจ่ายพลังงานให้กับอาคารใกล้เคียง
ระบบหมุนเวียนและรีไซเคิลน้ำเพื่อใช้ในภาคอุตสาหกรรมหรือการชลประทาน
รวมถึงความร่วมมือกับหน่วยงานรีไซเคิลท้องถิ่นเพื่อลดขยะอิเล็กทรอนิกส์
อีกประเด็นสำคัญคือการเข้าถึงพลังงานหมุนเวียนอย่างเท่าเทียม
หากผู้ดำเนินการศูนย์ข้อมูล AI ลงทุนในฟาร์มพลังงานแสงอาทิตย์หรือพลังงานลมที่เชื่อมต่อกับโครงข่ายไฟฟ้าท้องถิ่น
จะช่วยให้ชุมชนเข้าถึงพลังงานสะอาดมากขึ้น
ขณะเดียวกันยังช่วยผลักดันความเท่าเทียมด้านพลังงาน
และทำให้ประโยชน์จากการลงทุนกระจายไปอย่างเป็นธรรมมากขึ้น
ฝังความยั่งยืนในกลยุทธ์ AI
การ์ทเนอร์เสนอว่า
องค์กรจำเป็นต้องมีแผนความยั่งยืนที่ชัดเจน เพื่อไม่ให้การนำ AI
มาใช้แซงหน้าความรับผิดชอบต่อสิ่งแวดล้อม
โดยต้องรวมประเด็นความยั่งยืนเข้าไปในทุกขั้นตอนของการพัฒนาและใช้งาน AI ตั้งแต่การออกแบบโมเดล การคำนวณการปล่อยมลพิษตลอดวงจรชีวิต
ไปจนถึงการสร้างโอกาสในการลดผลกระทบ
หนึ่งในเครื่องมือสำคัญคือการเพิ่มประสิทธิภาพของโมเดล
AI
โดยออกแบบโมเดลที่ใช้พลังงานและคาร์บอนต่ำลง เช่น สถาปัตยกรรมแบบ Sparse
หรือโครงสร้างแบบกระจัดกระจาย ซึ่งต้องการการประมวลผลน้อยกว่า
และสามารถลดการใช้พลังงานได้อย่างมีนัยสำคัญ
นอกจากนี้
การใช้โมเดลที่ผ่านการฝึกล่วงหน้า หรือ Pre-trained Model ยังช่วยลดทรัพยากรที่จำเป็นสำหรับการฝึกโมเดลใหม่
โดยองค์กรควรเลือกใช้โมเดลให้เหมาะกับงาน
ไม่จำเป็นต้องใช้โมเดลขนาดใหญ่ทั่วไปในทุกกรณี เช่น
งานเขียนโค้ดอาจเลือกใช้โมเดลผู้ช่วยเขียนโค้ดเฉพาะทาง
ซึ่งให้ฟังก์ชันการทำงานใกล้เคียงกัน แต่มีต้นทุนด้านสิ่งแวดล้อมต่ำกว่า
ด้านโครงสร้างพื้นฐาน การใช้ Cloud
อาจให้ประโยชน์จากการประหยัดต้นทุนตามขนาด
และช่วยให้องค์กรเข้าถึงผู้ให้บริการที่มีพันธสัญญาด้านพลังงานหมุนเวียนได้ง่ายขึ้น
แต่ไม่ใช่ทุกงาน AI จะเหมาะสมกับ Cloud เสมอไป ในบางกรณี โครงสร้างพื้นฐานภายในองค์กรอาจมีความยั่งยืนมากกว่า
หากสามารถเข้าถึงแหล่งพลังงานที่เหมาะสมและบริหารจัดการประสิทธิภาพได้ดี
สแตนนิช ระบุว่า
สิ่งสำคัญคือการประเมินทางเลือกการใช้งาน AI เป็นรายกรณี
โดยพิจารณาทั้งความโปร่งใส การใช้พลังงานหมุนเวียน ประสิทธิภาพการดำเนินงาน
และผลกระทบต่อสังคมโดยรอบ เพราะการสร้างกลยุทธ์ AI ที่ยั่งยืนไม่ได้หมายถึงการลดคาร์บอนเท่านั้น
แต่ยังต้องทำให้นวัตกรรมเติบโตควบคู่กับความยืดหยุ่นระยะยาว
และช่วยให้องค์กรใช้ประโยชน์จาก AI ได้โดยไม่สร้างภาระต่อสิ่งแวดล้อมเกินจำเป็น
ที่มา : ฐานเศรษฐกิจ
วันที่ 19 พ.ค. 2569
