ความยั่งยืนของปัญญาประดิษฐ์: คู่มือปฏิบัติ 2026

ปัญญาประดิษฐ์สามารถช่วยให้องค์กรใช้พลังงานน้อยลง ลดของเสีย และทำให้การรายงาน ESG ใช้แรงคนน้อยลง แต่ผู้ที่สร้างผลิตภัณฑ์ AI ก็รู้ดีถึงอีกด้านหนึ่งของเรื่องนี้เช่นกัน นั่นคือทุกโมเดลทำงานบนโครงสร้างพื้นฐานที่กินพลังงานมหาศาล ทุกการเรียก API มีต้นทุนด้านการประมวลผล และความต้องการด้านการคำนวณก็ไม่มีทีท่าจะชะลอตัวลง

ด้วยเหตุนี้ ความยั่งยืนของปัญญาประดิษฐ์ จึงไม่ควรถูกมองเป็นเพียงคำขวัญ หรือเป็นความผิดที่ต้องชดใช้ แต่ควรถูกจัดการในฐานะปัญหาเชิงปฏิบัติการ ในอิตาลี การถกเถียงเรื่องนี้ได้ตกผลึกเป็นแนวคิดหลักสองแบบ ได้แก่ sustainability of AI และ AI for sustainability แนวคิดแรกเกี่ยวข้องกับรอยเท้าทางสิ่งแวดล้อมของ AI เอง ส่วนแนวคิดที่สองเกี่ยวข้องกับการใช้ AI เพื่อพัฒนากระบวนการ การใช้พลังงาน และการกำกับดูแลด้านสิ่งแวดล้อม ในบริบทเดียวกันนี้ ส่วนของการรายงาน ESG ที่ได้รับการสนับสนุนจาก AI มีปริมาณ “เพิ่มขึ้นเกือบสามเท่าในปีที่ผ่านมา” ตามข้อมูลจาก การวิเคราะห์เรื่องความยั่งยืนของปัญญาประดิษฐ์และการกำกับดูแล ESG นี้

ในฐานะผู้ก่อตั้งบริษัท AI ผมมองว่าทั้งความตื่นตระหนกแบบอัตโนมัติและความมองโลกในแง่ดีทางเทคโนโลยีแบบเฉื่อยชานั้นไม่มีประโยชน์อะไร ประเด็นไม่ได้อยู่ที่การตัดสินว่า AI นั้น “ดี” หรือ “ไม่ดี” ต่อสิ่งแวดล้อม ประเด็นคือการเข้าใจว่า AI ใช้พลังงานที่ไหน สร้างคุณค่าจริงเมื่อใด และทางเลือกที่เป็นรูปธรรมแบบไหนที่สามารถลดผลกระทบได้โดยไม่ทำลายประโยชน์ใช้สอย

บทนำ สองด้านของ AI ที่ยั่งยืน

บทสนทนาเรื่อง ความยั่งยืนของปัญญาประดิษฐ์ กลายเป็นเรื่องที่จริงจังมากขึ้น ในที่สุด ไม่ใช่เพราะปัญหาถูกแก้ไขแล้ว แต่เพราะมันเป็นไปไม่ได้อีกต่อไปที่จะลดทอนให้เหลือเพียงวลีสำเร็จรูป

ด้านหนึ่ง AI ช่วยให้องค์กรและโรงงานใช้พลังงานได้ดีขึ้น ลดของเสีย และทำให้การรายงาน ESG มีระเบียบมากขึ้น อีกด้านหนึ่ง ระบบเดียวกันนี้ต้องการพลังการประมวลผล ศูนย์ข้อมูล ระบบระบายความร้อน เครือข่าย และส่วนประกอบฮาร์ดแวร์ที่มีต้นทุนด้านสิ่งแวดล้อมจริง หากมองแค่ด้านใดด้านหนึ่ง ก็จะนำไปสู่การตัดสินใจที่ผิดพลาด

ภาษาที่เหมาะสมในการพูดถึงปัญหานี้

สองแนวคิดที่ผมใช้บ่อยที่สุดคือแนวคิดที่แพร่หลายในบริบทของอิตาลีเช่นกัน:

• Sustainability of AI การลดผลกระทบด้านพลังงานและวัสดุของ AI
• AI for sustainability การใช้ AI เพื่อพัฒนากระบวนการด้านสิ่งแวดล้อม พลังงาน และการกำกับดูแล

ความแตกต่างนี้ไม่ใช่แค่เรื่องทฤษฎี มันบังคับให้คุณตั้งคำถามสองข้อที่ต่างกัน ข้อแรกคือ สแตก AI ของฉันมีน้ำหนักผลกระทบมากแค่ไหน ข้อที่สองคือ น้ำหนักนั้นสร้างประโยชน์ด้านสิ่งแวดล้อมหรือด้านการปฏิบัติงานที่เป็นรูปธรรมมากพอที่จะคุ้มค่าหรือไม่

คำถามที่ถูกต้องไม่ใช่ “จะใช้หรือไม่ใช้ AI” แต่คือ “งานนี้จำเป็นต้องใช้พลังการประมวลผลมากขนาดนี้จริงหรือ”

ข้อผิดพลาดที่พบบ่อยที่สุดในองค์กร

ข้อผิดพลาดที่ผมเห็นบ่อยที่สุดไม่ใช่เรื่องเทคโนโลยี แต่เป็นเรื่องการตัดสินใจ หลายบริษัทนำ AI มาใช้ราวกับว่าต้องใช้พลังทั้งหมดที่มีตลอดเวลา ในทางปฏิบัติ พวกเขาเลือกโมเดลที่ใหญ่ที่สุด เวิร์กโฟลว์ที่ซับซ้อนที่สุด และระบบอัตโนมัติที่ครอบคลุมที่สุด แม้ในกรณีที่ปัญหานั้นเรียบง่ายกว่ามาก

ในความเป็นจริง กลยุทธ์ที่ยั่งยืนเริ่มต้นจากหลักการที่ดูไม่หวือหวานัก นั่นคือ ความได้สัดส่วน ถ้างานหนึ่งสามารถทำได้ดีด้วยการประมวลผลที่น้อยลง การถ่ายโอนข้อมูลที่น้อยลง และความซับซ้อนที่น้อยลง นั่นไม่ใช่การยอมถอย แต่คือทางเลือกที่ดีกว่า

ผลกระทบที่แท้จริงของ AI ต่อสิ่งแวดล้อม

ส่วนที่มีประโยชน์ที่สุดของการถกเถียงนี้เริ่มต้นเมื่อเราเลิกพูดในเชิงนามธรรม ผลกระทบด้านสิ่งแวดล้อมของ AI ไม่ใช่ความคิดเห็น แต่เป็นประเด็นด้านโครงสร้างพื้นฐานที่มีตัวเลขชัดเจนพอที่จะเรียกร้องความรอบคอบ

ตัวเลขที่ไม่ควรมองข้าม

แหล่งข้อมูลของอิตาลีที่อ้างอิงข้อมูลระดับนานาชาติระบุว่า การศึกษาในปี 2019 ของ University of Massachusetts ประเมินว่าการฝึกโมเดล AI เพียงตัวเดียวอาจก่อให้เกิด CO₂ มากกว่า 284 ตัน ซึ่งเทียบเท่ากับการปล่อยมลพิษของรถยนต์ห้าคันตลอดวงจรชีวิตทั้งหมด แหล่งข้อมูลเดียวกันรายงานว่าการพัฒนา ChatGPT-3 ต้องใช้ไฟฟ้าประมาณ 1,287 MWh ซึ่งเทียบเท่ากับปริมาณการใช้ไฟฟ้าต่อปีของ บ้านพักอาศัยชาวอเมริกันโดยเฉลี่ยประมาณ 120-130 หลัง และยังอ้างถึงการคาดการณ์ของ Goldman Sachs Research ที่ระบุว่าความต้องการไฟฟ้าของศูนย์ข้อมูลอาจเพิ่มขึ้น 160% โดยมีการเพิ่มขึ้นประมาณ 200 TWh ต่อปีระหว่างปี 2023 ถึง 2030 ขณะที่ภายในปี 2028 การใช้พลังงานที่เกี่ยวข้องกับ AI อาจสูงถึง 19% ของความต้องการพลังงานทั้งหมดของศูนย์ข้อมูล ข้อมูลทั้งหมดนี้มีรายงานอยู่ใน การวิเคราะห์ของอิตาลีเกี่ยวกับต้นทุนด้านสิ่งแวดล้อมของ AI ฉบับนี้

ประเด็นไม่ใช่การใช้ตัวเลขเหล่านี้เพื่อสร้างความตื่นตระหนกในการสื่อสาร แต่ประเด็นคือการเข้าใจขนาดของเรื่องนี้ หากคุณสร้างหรือนำ AI มาใช้ คุณกำลังมีส่วนร่วมในการเติบโตของความต้องการพลังงานที่เกี่ยวข้องกับโครงสร้างพื้นฐานทั้งระบบ ไม่ใช่แค่งบประมาณคลาวด์ของคุณเท่านั้น

กฎปฏิบัติ: เมื่อคุณประเมินโครงการ AI ให้มองไกลกว่าต้นทุนต่อโทเคนหรือต่อการเรียก API ปัญหาที่แท้จริงมักอยู่ต้นทาง ในโครงสร้างพื้นฐานที่ทำให้การเรียกใช้นั้นเป็นไปได้

ต้นทุนพลังงานที่แท้จริงกระจุกตัวอยู่ที่ไหน

หลายคนคิดว่าต้นทุนด้านสิ่งแวดล้อมของ AI แทบจะเท่ากับต้นทุนในขั้นตอนการฝึกโมเดลเท่านั้น นี่เป็นการทำให้เรื่องง่ายเกินไปแบบที่สะดวกแต่ผิดพลาด ในความเป็นจริง การใช้พลังงานกระจายอยู่ในหลายระดับ:

สิ่งนี้เปลี่ยนวิธีที่เราต้องเข้าไปจัดการกับ ความยั่งยืนของปัญญาประดิษฐ์ ไม่พอที่จะถามแค่ว่า “โมเดลใช้พลังงานเท่าไร” คุณต้องถามด้วยว่ามันทำงานอยู่ที่ไหน สร้างทราฟฟิกมากแค่ไหน ถูกเรียกใช้งานกี่ครั้ง และสถาปัตยกรรมได้รับการออกแบบมาเพื่อจำกัดความสูญเปล่าหรือไม่

ด้วยเหตุนี้ จึงควรพิจารณากรณีที่ AI ถูกนำมาใช้เพื่อปรับปรุงโครงสร้างพื้นฐานของตนเองด้วย ตัวอย่างที่เป็นประโยชน์คือ การเพิ่มประสิทธิภาพพลังงานของดาต้าเซ็นเตอร์ด้วย AI ซึ่งแสดงให้เห็นสิ่งหนึ่งอย่างชัดเจนว่า ปัญหาไม่ได้อยู่แค่ที่โมเดล แต่อยู่ที่สภาพแวดล้อมทางเทคนิคทั้งหมดที่รองรับโมเดลนั้นด้วย

AI ในฐานะเครื่องมือเชิงกลยุทธ์เพื่อความยั่งยืนขององค์กร

หากหยุดอยู่แค่เรื่องต้นทุน ก็จะพลาดครึ่งหนึ่งของภาพรวม AI ยังสามารถเป็นเครื่องมือสำคัญในการปรับปรุงความยั่งยืนขององค์กรได้ด้วย ไม่ใช่ในเชิงวาทศิลป์ แต่ในกระบวนการที่เป็นรูปธรรมมาก

จุดที่ AI สร้างคุณค่าด้านสิ่งแวดล้อมอย่างเป็นรูปธรรม

ในบริบทของอิตาลี เมื่อนำไปใช้กับระบบบริหารจัดการพลังงาน AI สามารถลดการใช้พลังงานในการดำเนินงานของโรงงานอุตสาหกรรมและ SME ได้ ด้วยการคาดการณ์ช่วงที่มีความต้องการสูงสุดและปรับโหลดต่างๆ เช่น ระบบ HVAC และแสงสว่างแบบเรียลไทม์ สิ่งนี้ส่งผลโดยตรงต่อการปล่อยก๊าซเรือนกระจก Scope 2 และช่วยเพิ่มประสิทธิภาพการใช้พลังงานหมุนเวียนที่มีความไม่แน่นอน ดังที่อธิบายไว้ในบทวิเคราะห์เชิงลึกนี้เกี่ยวกับระบบบริหารจัดการพลังงานด้วย AI

นี่คือประเภทของการประยุกต์ใช้ที่ผมมองว่าสามารถยืนหยัดได้แม้จากมุมมองด้านสิ่งแวดล้อม ไม่ใช่เพราะมันไม่มีต้นทุน แต่เพราะมันใช้การประมวลผลเพื่อกำจัดความสูญเปล่าทางกายภาพที่เกิดขึ้นต่อเนื่อง ในโรงงานที่มีความต้องการผันแปร การปรับระบบระบายอากาศ ปรับอากาศ หรือแสงสว่างแบบเรียลไทม์ อาจมีค่ามากกว่าสไลด์นับพันแผ่นเกี่ยวกับการเปลี่ยนผ่านสู่ความเป็นมิตรกับสิ่งแวดล้อม

สามด้านที่ AI มักจะเป็นประโยชน์อย่างแท้จริง ได้แก่

• พลังงานในการดำเนินงาน เซนเซอร์ มิเตอร์ และอัลกอริทึมช่วยหลีกเลี่ยงช่วงพีคที่ไม่จำเป็น
• ห่วงโซ่อุปทาน การพยากรณ์ความต้องการที่แม่นยำขึ้นสามารถลดสต็อกส่วนเกิน การเคลื่อนย้าย และการผลิตเกินความจำเป็น
• การรายงาน ESG การทำให้การรวบรวม จัดระเบียบ และจัดโครงสร้างข้อมูลเป็นอัตโนมัติ ช่วยลดงานที่ทำด้วยมือและความกระจัดกระจายของข้อมูล

ประเด็นเชิงปฏิบัติสำหรับ SME

สำหรับ SME ประโยชน์มักไม่ได้มาจากโมเดลที่หวือหวา แต่มาจากระบบที่ช่วยหลีกเลี่ยงงานซ้ำซ้อน การส่งออกข้อมูลด้วยมือ ไฟล์ Excel หลายไฟล์ ไฟล์แนบที่ถูกส่งซ้ำหลายครั้ง การกระทบยอดที่ทำโดยคนละคนกับข้อมูลชุดเดียวกัน ทั้งหมดนี้กินเวลา เครื่องจักร แบนด์วิดท์ และความใส่ใจ

กระบวนการที่ถูกทำซ้ำห้าครั้งโดยคนละคน ไม่มีประสิทธิภาพแม้แต่ในมุมมองด้านสิ่งแวดล้อม ไม่ใช่แค่ในมุมมองขององค์กรเท่านั้น

เมื่อ AI รวมศูนย์ข้อมูล ทำให้ขั้นตอนที่ทำซ้ำเป็นอัตโนมัติ และทำให้การวิเคราะห์สามารถนำกลับมาใช้ใหม่ได้ คุณค่าด้านสิ่งแวดล้อมไม่ได้อยู่ที่การประมวลผลเดี่ยวๆ แต่อยู่ที่การกำจัดความซ้ำซ้อน

สำหรับผู้ที่ทำงานด้านการรายงาน ตัวอย่างที่ใกล้เคียงกับปัญหานี้คือ ELECTE สำหรับการรายงาน ESG ซึ่งเป็นประโยชน์ในการทำความเข้าใจว่าระบบอัตโนมัติสามารถลดขั้นตอนที่ทำด้วยมือและการกระจัดกระจายของข้อมูลได้อย่างไร โดยไม่ต้องเปลี่ยนทุกกิจกรรมให้กลายเป็นโครงการไอทีที่ซับซ้อน

โซลูชันใหม่ๆ เพื่อ AI ที่เป็นมิตรกับสิ่งแวดล้อมมากขึ้น

สิ่งที่น่าให้กำลังใจคือวงการนี้ไม่ได้หยุดนิ่ง AI กำลังสร้างปัญหา แต่ในขณะเดียวกันก็กำลังผลักดันนวัตกรรมที่พยายามลดต้นทุนด้านพลังงานของมัน อย่างไรก็ตาม ควรพูดตรงๆ ว่า ไม่มีทางออกเดียวที่ตอบโจทย์ได้ทั้งหมด

ฮาร์ดแวร์และโครงสร้างพื้นฐาน

ทิศทางหนึ่งที่มีแนวโน้มดีคือการมุ่งเน้นที่ระบบเชื่อมต่อระหว่างกันและประสิทธิภาพของโครงสร้างพื้นฐาน เมื่อระบบประมวลผลต้องรอข้อมูล กำลังการประมวลผลที่ติดตั้งไว้ก็ถูกใช้งานอย่างไม่คุ้มค่า นี่คือหนึ่งในเหตุผลที่ฮาร์ดแวร์รุ่นใหม่ไม่ควรถูกมองแค่ในแง่ของประสิทธิภาพการทำงานเท่านั้น แต่ต้องมองในแง่ของประสิทธิภาพการใช้พลังงานด้วย

ในวงการเทคโนโลยีมีข้อเสนอมากมายที่มุ่งพัฒนาการเชื่อมต่อด้วยแสง การส่งข้อมูลที่ดีขึ้น และการสูญเสียพลังงานที่น้อยลง แต่ประเด็นที่ใช้งานได้จริง สำหรับผู้ที่ซื้อบริการคลาวด์ ไม่ใช่ชิป คืออีกเรื่องหนึ่ง: เลือกสแตกที่ทำงานได้ประโยชน์มากขึ้นด้วยการรอคอยน้อยลง ทราฟฟิกน้อยลง และโอเวอร์เฮดน้อยลง

ตรรกะนี้ใช้ได้แม้นอกเหนือจาก AI ในความหมายที่แคบ ผู้ที่ต้องการพิจารณาในภาพกว้างเกี่ยวกับรูปแบบการผลิตที่สูญเสียน้อยลง สามารถหาแนวคิดที่เป็นประโยชน์ได้ในแนวปฏิบัติด้านเศรษฐกิจที่ยั่งยืนเหล่านี้ โดยเฉพาะเพื่อเชื่อมโยงประสิทธิภาพดิจิทัลกับการลดของเสียในกระบวนการทางวัตถุ

ซอฟต์แวร์และสถาปัตยกรรมที่ประหยัดกว่า

ในด้านซอฟต์แวร์ แนวทางที่น่าสนใจที่สุดมักไม่หวือหวาแต่ให้ผลทันที:

• โมเดลที่เล็กกว่า เมื่องานถูกกำหนดไว้อย่างชัดเจน
• การจัดเส้นทางอัจฉริยะ ระหว่างโมเดลต่าง ๆ ตามประเภทของคำขอ
• การอนุมานที่ปรับให้เหมาะสม เพื่อลดการเรียกที่ไม่จำเป็น ความหน่วง และการถ่ายโอนข้อมูล
• เวิร์กโฟลว์แบบดั้งเดิม สำหรับกิจกรรมที่ไม่จำเป็นต้องใช้ LLM จริง ๆ

จากประสบการณ์ของฉัน นี่คือทางเลือกที่ส่งผลกระทบมากที่สุด การเปลี่ยนแปลงที่มีประสิทธิภาพที่สุดไม่ใช่การนำเทคโนโลยีล้ำสมัยมาใช้ แต่คือการเลิกใช้โมเดลที่ทรงพลังที่สุดสำหรับทุกสิ่ง การจัดหมวดหมู่ การจัดรูปแบบ การดึงรูปแบบที่รู้จักอยู่แล้ว และการดำเนินการสนับสนุนอีกมากมายไม่จำเป็นต้องใช้โมเดลระดับแนวหน้าเสมอไป สิ่งที่จำเป็นคือวินัยด้านสถาปัตยกรรม

ถ้าผลลัพธ์สำหรับผู้ใช้ยังคงเทียบเท่ากัน การใช้การคำนวณที่น้อยลงไม่ใช่การประนีประนอม แต่คือการออกแบบที่ดีกว่า

ด้วยเหตุนี้ ฉันจึงพูดถึง “โมเดลที่เหมาะสมกับงานที่เหมาะสม” อยู่บ่อยครั้ง ในทางปฏิบัติหมายถึงการสร้างเลเยอร์การจัดเส้นทางที่มอบหมายแต่ละการดำเนินการให้กับระดับพลังที่จำเป็น เป็นทางเลือกด้านต้นทุน แต่ก็เป็นทางเลือกด้านความยั่งยืนด้วย

ผู้ที่ต้องการเจาะลึกความเชื่อมโยงระหว่างโซลูชันทางเทคนิคกับผลกระทบต่อสิ่งแวดล้อม สามารถอ่านเพิ่มเติมได้ที่ ELECTE เกี่ยวกับ AI และสิ่งแวดล้อม ซึ่งรวบรวมกรณีศึกษาและทิศทางการพัฒนาต่าง ๆ โดยไม่นำเสนอในฐานะยาวิเศษ

ความขัดแย้งของประสิทธิภาพและความรับผิดชอบในการเลือก

ข้อโต้แย้งที่สำคัญที่สุดก็เป็นข้อที่ไม่สบายใจที่สุดเช่นกัน: การทำให้ AI มีประสิทธิภาพมากขึ้นไม่ได้รับประกันโดยอัตโนมัติว่าจะลดการใช้พลังงานโดยรวม ในทางตรงกันข้าม บางครั้งกลับเกิดผลตรงกันข้าม

เพราะเหตุใดประสิทธิภาพเพียงอย่างเดียวจึงไม่เพียงพอ

เมื่อการคำนวณมีราคาถูกลง เข้าถึงได้ง่ายขึ้น และเร็วขึ้น บริษัทต่าง ๆ มักจะใช้งานมันมากขึ้น ระบบอัตโนมัติมากขึ้น คำขอมากขึ้น การผสานรวมมากขึ้น กระบวนการที่ถูกสร้างขึ้นมากขึ้น “เพราะยังไงก็ราคาถูก” นี่คือหัวใจของความขัดแย้งด้านประสิทธิภาพ

ด้วยเหตุนี้ ความยั่งยืนของปัญญาประดิษฐ์ จึงไม่สามารถเป็นเพียงเรื่องของชิปที่ดีกว่าหรือโมเดลที่กะทัดรัดกว่าได้เท่านั้น มันต้องกลายเป็นเกณฑ์ในการจัดลำดับความสำคัญ ควรมีการตั้งคำถามบางข้อก่อนการนำไปใช้งานทุกครั้ง:

• งานนี้จำเป็นต้องใช้ AI เชิงสร้างสรรค์จริงหรือไม่?
• ต้องใช้โมเดลขนาดใหญ่ หรือแค่โมเดลขนาดเล็กก็เพียงพอ?
• การทำงานอัตโนมัติช่วยลดต้นทุนที่แท้จริง หรือเพิ่มความซับซ้อนที่ดูดีแต่ไม่จำเป็น?
• ผลลัพธ์ที่ได้จะถูกนำไปใช้จริง หรือจะกลายเป็นเพียงข้อมูลรบกวนดิจิทัลอีกชิ้นหนึ่ง?

หนึ่งในช่องว่างที่ชัดเจนที่สุดในการถกเถียงของอิตาลีคือประเด็นนี้เอง นั่นคือการขาดตัวชี้วัดมาตรฐานและแนวทางแบบองค์รวมในการวัดผลกระทบของ AI ตลอดวงจรชีวิต ซึ่งเป็นประเด็นที่ถูกเน้นย้ำใน มุมมองเชิงระบบเกี่ยวกับความยั่งยืนของปัญญาประดิษฐ์นี้

ปัญหาจึงไม่ใช่การหยุดยั้งนวัตกรรม แต่คือการเลิกมองว่าการประมวลผลเป็นทรัพยากรฟรีและไม่มีวันหมด ทุกองค์กรควรปฏิบัติต่อมันเหมือนที่ปฏิบัติต่องบประมาณหรือเวลาของบุคลากร นั่นคือสิ่งที่ต้องจัดสรรไปยังจุดที่สร้างมูลค่าอย่างแท้จริง

คู่มือปฏิบัติสำหรับ SME 4 ขั้นตอนสู่ AI ที่ยั่งยืน

สำหรับ SME การพูดถึงความยั่งยืนโดยไม่มีแผนปฏิบัติการที่ชัดเจนแทบไม่มีประโยชน์ ควรเริ่มจากการตัดสินใจสี่ประการที่สามารถทำได้ทันที แม้จะยังไม่มีการวัดผลกระทบต่อสิ่งแวดล้อมที่สมบูรณ์แบบ

แหล่งข้อมูลของอิตาลีระบุว่าการถกเถียงเรื่องความยั่งยืนของ AI ส่วนใหญ่มักมองข้ามการชั่งน้ำหนักระหว่างต้นทุนและผลประโยชน์ ในขณะที่ศูนย์ข้อมูลใช้พลังงานไปแล้ว ราวร้อยละ 3 ของพลังงานทั้งโลก คำถามที่มักถูกมองข้ามคือ เมื่อไหร่ที่ควรใช้โมเดลขนาดเล็กกว่า หรือกระบวนการแบบดั้งเดิม เพื่อหลีกเลี่ยงการเพิ่มขึ้นของการใช้พลังงานและต้นทุนที่ไม่ยั่งยืน ประเด็นนี้ถูกสรุปไว้อย่างชัดเจนใน บทความนี้เกี่ยวกับการชั่งน้ำหนักด้านสิ่งแวดล้อมของ AI

สี่การตัดสินใจที่สำคัญอย่างแท้จริง

1. เลือกโมเดลให้เหมาะสมกับปัญหา
   นี่คือกลไกที่มีอัตราส่วนระหว่างความเรียบง่ายกับผลกระทบดีที่สุด อย่าใช้โมเดลที่ทรงพลังที่สุดเป็นค่าเริ่มต้น ใช้มันเฉพาะจุดที่สร้างความแตกต่างอย่างแท้จริง สำหรับกิจกรรมประจำวันหลายอย่าง โมเดลที่เบากว่าหรือระบบที่ไม่ใช่ generative ก็เพียงพอแล้ว
2. ประเมินผู้ให้บริการคลาวด์โดยพิจารณาโปรไฟล์ด้านพลังงานด้วย
   อย่ามองแค่ราคา ความหน่วง (latency) และการปฏิบัติตามกฎระเบียบ (compliance) ให้พิจารณาความโปร่งใสเกี่ยวกับดาต้าเซ็นเตอร์ ส่วนผสมของแหล่งพลังงานในแต่ละภูมิภาค และแนวทางด้านประสิทธิภาพการดำเนินงานด้วย ภูมิศาสตร์มีความสำคัญ ภาระงานเดียวกันไม่ได้ทิ้งรอยเท้าคาร์บอนเท่ากันในทุกภูมิภาค
3. ตัดความซ้ำซ้อนออกจากขั้นตอนการทำงาน
   หากข้อมูลชุดเดียวกันถูกส่งออก คัดลอกซ้ำ จัดรูปแบบใหม่ และส่งซ้ำหลายครั้ง คุณกำลังสิ้นเปลืองทรัพยากรตั้งแต่ก่อนจะพูดถึง AI ด้วยซ้ำ แพลตฟอร์มอย่าง ELECTE ซึ่งเป็น AI-powered data analytics platform for SMEs สามารถนำมาใช้เพื่อรวมศูนย์ข้อมูล ทำให้การจัดทำรายงานเป็นอัตโนมัติ และลดการวิเคราะห์ที่ซ้ำซ้อนได้ ประโยชน์ในบริบทนี้ไม่ใช่การ “ใช้ AI ให้มากขึ้น” แต่คือการลดงานที่ไม่จำเป็นลง
4. วัดผลแม้จะยังไม่สมบูรณ์แบบ
   ไม่ใช่ทุกบริษัทที่มีเครื่องมือสำหรับวัดค่า kWh หรือ CO₂ ต่อการอนุมานหนึ่งครั้ง (inference) ก็ไม่เป็นไร เริ่มต้นจากตัวชี้วัดเชิงปฏิบัติการที่มีอยู่ในมือแล้วก็ได้

สิ่งที่ควรติดตามแม้ไม่มีตัวชี้วัดที่สมบูรณ์แบบ

ในเมื่อยังไม่มีมาตรฐานอุตสาหกรรมที่ตกผลึกอย่างแท้จริง ผมขอเริ่มจากตารางง่ายๆ ดังนี้

การวัดผลอย่างไม่สมบูรณ์แต่สม่ำเสมอ ยังดีกว่าการไม่วัดผลเลย

หากหลังจากสามเดือนคุณเห็นว่าจำนวนการเรียกต่อการทำงานลดลง โมเดลขนาดใหญ่ถูกเรียกใช้น้อยลง และการถ่ายโอนข้อมูลลดลง นั่นไม่ได้หมายความว่าคุณมีระบบบัญชีคาร์บอนที่สมบูรณ์แบบแล้ว แต่คุณมีสิ่งที่มีประโยชน์มาก นั่นคือวินัยด้านประสิทธิภาพที่ช่วยลดการสูญเสียด้านการประมวลผล ลดต้นทุน และอาจรวมถึงลดผลกระทบต่อสิ่งแวดล้อมด้วย

บทสรุป ส่องแสงสู่อนาคตด้วย AI ที่มีความรับผิดชอบ

ความยั่งยืนของปัญญาประดิษฐ์ไม่อาจแก้ไขได้ด้วยสโลแกน และไม่อาจแก้ไขได้ด้วยการปฏิเสธ AI ในเชิงอุดมการณ์เช่นกัน แต่ต้องสร้างขึ้นด้วยการตัดสินใจทางเทคนิคและการบริหารจัดการที่ดีกว่า

ผู้ที่ใช้ AI ในวันนี้ต้องยึดถือความจริงสองประการไปพร้อมกัน ประการแรก ต้นทุนด้านสิ่งแวดล้อมมีอยู่จริง กำลังเพิ่มขึ้น และไม่ควรมองข้าม ประการที่สอง AI สามารถสร้างประโยชน์ที่เป็นรูปธรรมได้ เมื่อมันช่วยลดความสูญเปล่า ปรับปรุงการใช้พลังงาน และแทนที่กระบวนการซ้ำซากไร้ระเบียบด้วยระบบที่ฉลาดกว่า คุณภาพของการเลือกอยู่ที่ความสมดุลระหว่างสองด้านนี้

สำหรับบริษัทในยุโรปยังมีความรับผิดชอบอีกระดับหนึ่ง การปฏิบัติตามกฎระเบียบเพียงอย่างเดียวไม่เพียงพอ ต้องเข้าใจว่าเทคโนโลยี โครงสร้างพื้นฐาน การกำกับดูแล และทรัพย์สินทางปัญญาเชื่อมโยงกันอย่างไร ในประเด็นสุดท้ายนี้ สำหรับผู้ที่ต้องการเจาะลึกกรอบกฎหมายที่เกี่ยวข้องกับการนำ AI มาใช้ ขอแนะนำคู่มือเกี่ยวกับสิทธิบัตรปัญญาประดิษฐ์นี้ ซึ่งมีประโยชน์ในการมองความยั่งยืนทางเทคโนโลยีในฐานะทางเลือกเชิงกลยุทธ์ระยะยาวด้วย

ทิศทางที่ถูกต้องไม่ใช่การใช้ AI ให้น้อยลงโดยรวม แต่คือการใช้ AI ที่ใช่ ในที่ที่ใช่ ด้วยระดับพลังประมวลผลที่ใช่

หากคุณต้องการนำ AI มาใช้อย่างมีประสิทธิภาพและรอบคอบมากขึ้น คุณสามารถดูวิธีการทำงานของ ELECTE ได้ แพลตฟอร์มนี้ช่วยให้ SME สามารถรวมศูนย์ข้อมูล ทำรายงานอัตโนมัติ และลดงานวิเคราะห์ที่ซ้ำซ้อน ด้วยแนวทางที่เป็นรูปธรรมในการเลือกโมเดลและประสิทธิภาพการทำงาน