ปัญญาประดิษฐ์สามารถช่วยบริษัทลดการใช้พลังงาน ลดปริมาณขยะ และทำให้การรายงาน ESG ไม่ต้องใช้แรงงานมากนัก แต่ผู้พัฒนาผลิตภัณฑ์ AI ก็รู้ดีถึงด้านอีกด้านของเรื่องนี้ด้วย: ทุกโมเดลทำงานบนโครงสร้างพื้นฐานที่ใช้พลังงานสูง ทุกการเรียก API มีค่าใช้จ่ายในการคำนวณ และความต้องการด้านกำลังการคำนวณก็ไม่มีทีท่าว่าจะลดลง
นี่คือเหตุผลที่ความยั่งยืนในปัญญาประดิษฐ์ไม่ควรถูกมองว่าเป็นเพียงสโลแกน หรือเป็นบาปที่ต้องชดใช้ แต่ต้องได้รับการจัดการในฐานะประเด็นด้านการดำเนินงาน ในอิตาลี การอภิปรายในปัจจุบันได้มุ่งเน้นไปที่สองแนวคิดหลัก ได้แก่‘ความยั่งยืนของ AI’และ‘AI เพื่อความยั่งยืน’ แนวคิดแรกเกี่ยวข้องกับรอยเท้าทางสิ่งแวดล้อมของ AI เอง ส่วนแนวคิดที่สองเกี่ยวข้องกับการใช้ AI เพื่อปรับปรุงกระบวนการ รูปแบบการบริโภค และการบริหารจัดการด้านสิ่งแวดล้อม ในบริบทนี้ การรายงาน ESG ที่ได้รับการสนับสนุนจาก AI ได้‘เพิ่มขึ้นเกือบสามเท่าในช่วงปีที่ผ่านมา’ ตามการวิเคราะห์เกี่ยวกับความยั่งยืนของปัญญาประดิษฐ์และการบริหารจัดการ ESG
ในฐานะผู้ก่อตั้งบริษัทด้านปัญญาประดิษฐ์ (AI) ผมเห็นว่าทั้งการตื่นตระหนกอย่างไม่คิดหน้าคิดหลังและการมองโลกในแง่ดีแบบไม่ระมัดระวังต่อเทคโนโลยี ล้วนไม่เป็นประโยชน์ จุดสำคัญไม่ใช่การตัดสินว่า AI เป็น ‘ดี’ หรือ ‘ร้าย’ ต่อสิ่งแวดล้อมแต่คือการเข้าใจว่ามันใช้ทรัพยากรในจุดใด เมื่อใดที่มันสร้างมูลค่าที่แท้จริง และทางเลือกปฏิบัติใดที่สามารถลดผลกระทบของมันได้โดยไม่ทำให้ประโยชน์ของมันลดลง
การอภิปรายเกี่ยวกับความยั่งยืนและปัญญาประดิษฐ์ได้พัฒนาจนถึงขั้นที่สมบูรณ์แล้ว ในที่สุด ไม่ใช่เพราะปัญหานั้นได้รับการแก้ไขแล้ว แต่เพราะไม่สามารถลดมันลงให้เป็นเพียงคำพูดซ้ำซากได้อีกต่อไป
ด้านหนึ่ง AI ช่วยบริษัทและสถานประกอบการใช้พลังงานอย่างมีประสิทธิภาพมากขึ้น ลดการสิ้นเปลือง และปรับปรุงกระบวนการรายงาน ESG ให้เป็นไปอย่างราบรื่น ส่วนอีกด้านหนึ่ง ระบบเหล่านี้เองก็ต้องการกำลังการประมวลผล ศูนย์ข้อมูล ระบบทำความเย็น เครือข่าย และอุปกรณ์ฮาร์ดแวร์ ซึ่งทั้งหมดนี้ล้วนก่อให้เกิดค่าใช้จ่ายทางสิ่งแวดล้อมที่แท้จริง หากคุณพิจารณาเพียงด้านใดด้านหนึ่งเท่านั้น คุณจะตัดสินใจผิดพลาด
สองประเภทที่ฉันใช้บ่อยที่สุดคือประเภทที่ปัจจุบันก็ได้รับความนิยมอย่างแพร่หลายในอิตาลีเช่นกัน:
ความแตกต่างนี้ไม่ใช่เพียงเรื่องทฤษฎีเท่านั้น แต่ยังบังคับให้คุณต้องตั้งคำถามสองข้อที่แตกต่างกัน ข้อแรกคือ: ระบบ AI ของฉันมีน้ำหนักเท่าใด? ข้อที่สองคือ: น้ำหนักนั้นสร้างประโยชน์ต่อสิ่งแวดล้อมหรือการดำเนินงานได้มากพอที่จะเป็นเหตุผลที่สมเหตุสมผลหรือไม่?
คำถามที่ถูกต้องไม่ใช่ ‘จะใช้ AI หรือไม่ใช้ AI’ แต่คำถามที่ถูกต้องคือ ‘งานนี้จำเป็นต้องใช้กำลังการประมวลผลมากขนาดนี้จริงหรือไม่?’
ข้อผิดพลาดที่ผมเห็นบ่อยที่สุดไม่ใช่ข้อผิดพลาดทางเทคนิค แต่เป็นข้อผิดพลาดในการตัดสินใจ บริษัทหลายแห่งนำ AI มาใช้ราวกับว่าต้องใช้ศักยภาพที่มีอยู่ทั้งหมดตลอดเวลา ในความเป็นจริง พวกเขามักเลือกโมเดลที่ใหญ่ที่สุด กระบวนการทำงานที่ซับซ้อนที่สุด และระบบอัตโนมัติที่ครอบคลุมที่สุด แม้ปัญหาที่เผชิญจะง่ายกว่ามากก็ตาม
ความจริงแล้ว กลยุทธ์ที่ยั่งยืนนั้นตั้งอยู่บนหลักการที่เรียบง่ายกว่า:หลักการความสมส่วน หากสามารถดำเนินการงานได้อย่างมีประสิทธิภาพด้วยการใช้การคำนวณน้อยลง การถ่ายโอนข้อมูลน้อยลง และความซับซ้อนน้อยลง นั่นไม่ใช่การประนีประนอม แต่เป็นทางเลือกที่ดีกว่า
ส่วนที่มีประโยชน์ที่สุดของการอภิปรายจะเริ่มขึ้นเมื่อเราหยุดพูดในเชิงนามธรรม ผลกระทบต่อสิ่งแวดล้อมของ AI ไม่ใช่เรื่องที่ขึ้นอยู่กับความเห็นส่วนตัว แต่เป็นปัญหาด้านโครงสร้างพื้นฐาน และข้อมูลตัวเลขที่มีอยู่ชัดเจนพอแล้วที่จะเป็นเหตุผลให้เราต้องระมัดระวัง
แหล่งข่าวจากอิตาลี ซึ่งอ้างอิงข้อมูลระดับนานาชาติ รายงานว่า การศึกษาในปี 2019 ของมหาวิทยาลัยแมสซาชูเซตส์ ประมาณการว่า การฝึกอบรมโมเดล AI เพียงหนึ่งตัว อาจก่อให้เกิดการปล่อยก๊าซ CO₂ มากกว่า 284 ตัน ซึ่งเทียบเท่ากับการปล่อยก๊าซของรถยนต์ 5 คันตลอดวงจรชีวิตของรถเหล่านั้น แหล่งข่าวเดียวกันรายงานว่า การพัฒนา ChatGPT-3 คาดว่าจะใช้ไฟฟ้าประมาณ 1,287 MWh ซึ่งเทียบเท่ากับการบริโภคไฟฟ้าประจำปีของครัวเรือนชาวอเมริกันทั่วไปประมาณ 120–130 ครัวเรือน นอกจากนี้ยังอ้างถึงการคาดการณ์ของ Goldman Sachs Research ที่ชี้ว่า ความต้องการไฟฟ้าจากศูนย์ข้อมูลอาจเพิ่มขึ้น160 เปอร์เซ็นต์ ซึ่งหมายถึงการเพิ่มขึ้นประมาณ 200 TWh ต่อปีระหว่างปี 2023 ถึง 2030 ส่วนภายในปี 2028 การบริโภคพลังงานที่เกี่ยวข้องกับ AI อาจคิดเป็น19% ของความต้องการพลังงานรวมของศูนย์ข้อมูล ตัวเลขทั้งหมดนี้ถูกนำเสนอในรายงานวิเคราะห์ของอิตาลีเกี่ยวกับต้นทุนทางสิ่งแวดล้อมของ AI
จุดสำคัญไม่ใช่การใช้ตัวเลขเหล่านี้เพื่อก่อให้เกิดความตื่นตระหนก แต่เพื่อเข้าใจถึงขนาดของปัญหานี้ หากคุณพัฒนาหรือนำ AI มาใช้ คุณกำลังมีส่วนทำให้ความต้องการพลังงานเพิ่มขึ้น ซึ่งส่งผลกระทบต่อโครงสร้างพื้นฐานทั้งหมด ไม่ใช่เพียงงบประมาณคลาวด์ของคุณเท่านั้น
หลักการทั่วไป:เมื่อประเมินโครงการ AI ให้มองไปไกลกว่าค่าใช้จ่ายต่อโทเคนหรือต่อการเรียก API ปัญหาที่แท้จริงมักอยู่ที่ขั้นตอนต้นน้ำมากขึ้น คือโครงสร้างพื้นฐานที่ทำให้การเรียกนั้นเป็นไปได้
หลายคนคิดว่าค่าใช้จ่ายด้านสิ่งแวดล้อมของ AI มาจากขั้นตอนการฝึกอบรมเกือบทั้งหมด นี่เป็นการลดทอนที่สะดวก แต่ไม่ถูกต้อง การบริโภคพลังงานกระจายอยู่หลายระดับ:
| ส่วนประกอบ | ทำไมมันถึงสำคัญ |
|---|---|
| การฝึกอบรม | สิ่งนี้ต้องการกำลังการประมวลผลที่เข้มข้นในปริมาณมาก |
| การสรุป | ทุกคำขอของผู้ใช้จะก่อให้เกิดงานที่ต้องทำซ้ำไปซ้ำมาตามเวลา |
| ศูนย์ข้อมูล | ระบบจ่ายไฟฟ้า ความสำรอง และการจัดการโครงสร้างพื้นฐานอย่างต่อเนื่อง |
| การระบายความร้อน | ความร้อนที่เกิดจากระบบต้องถูกระบายออกไปอย่างมีประสิทธิภาพ |
| เครือข่ายและการส่งข้อมูล | การโอนย้ายข้อมูลระหว่างระบบ ภูมิภาค และบริการนั้นต้องใช้พลังงาน |
สิ่งนี้เปลี่ยนวิธีที่เราพิจารณาเรื่องความยั่งยืนในด้านปัญญาประดิษฐ์ การถามเพียงว่า “โมเดลนี้ใช้พลังงานเท่าไร?” นั้นยังไม่เพียงพอ คุณต้องถามเพิ่มเติมว่า โมเดลนี้ทำงานอยู่ที่ไหน สร้างปริมาณการรับส่งข้อมูลเท่าไร ถูกเรียกใช้บ่อยแค่ไหน และสถาปัตยกรรมของโมเดลนี้ได้รับการออกแบบเพื่อลดการสิ้นเปลืองให้น้อยที่สุดหรือไม่
นั่นคือเหตุผลที่การพิจารณาตัวอย่างกรณีที่ AI ถูกนำมาใช้เพื่อปรับปรุงโครงสร้างพื้นฐานของตนเองด้วย จึงเป็นเรื่องที่สมเหตุสมผล ตัวอย่างที่เป็นประโยชน์คือการใช้ AI เพื่อเพิ่มประสิทธิภาพการใช้พลังงานในศูนย์ข้อมูล ซึ่งแสดงให้เห็นอย่างชัดเจนถึงประเด็นง่ายๆ ว่า ปัญหาไม่ได้อยู่ที่โมเดลเพียงอย่างเดียว แต่ยังรวมถึงสภาพแวดล้อมทางเทคนิคทั้งหมดที่สนับสนุนโมเดลนั้นด้วย
หากคุณมุ่งเน้นแต่เรื่องค่าใช้จ่ายเท่านั้น คุณกำลังมองข้ามภาพรวมไปครึ่งหนึ่ง AI ยังสามารถเป็นเครื่องมือที่มีประสิทธิภาพในการปรับปรุงความยั่งยืนขององค์กรได้ ไม่ใช่เพียงในเชิงวาทกรรม แต่ผ่านกระบวนการที่เป็นรูปธรรมอย่างชัดเจน
ในบริบทของอิตาลี เมื่อนำไปใช้กับระบบจัดการพลังงาน ปัญญาประดิษฐ์ (AI) สามารถลดการบริโภคพลังงานในการดำเนินงานของโรงงานอุตสาหกรรมและธุรกิจขนาดกลางและขนาดเล็ก (SMEs) ได้ โดยการคาดการณ์จุดสูงสุดของความต้องการและควบคุมโหลดต่าง ๆ เช่น ระบบปรับอากาศ (HVAC) และระบบแสงสว่างแบบเรียลไทม์ สิ่งนี้มีผลกระทบโดยตรงต่อการปล่อยก๊าซเรือนกระจกประเภท Scope 2 และช่วยเพิ่มประสิทธิภาพการใช้แหล่งพลังงานหมุนเวียนที่มีลักษณะไม่ต่อเนื่องตามที่อธิบายไว้ในบทความเชิงลึกนี้เกี่ยวกับระบบจัดการพลังงานที่ใช้ปัญญาประดิษฐ์ (AI)
นี่คือประเภทของแอปพลิเคชันที่ผมถือว่ามีความสมเหตุสมผลจากมุมมองด้านสิ่งแวดล้อมด้วย ไม่ใช่เพราะมันฟรี แต่เพราะมันใช้การคำนวณเพื่อลดปริมาณขยะทางกายภาพที่เกิดขึ้นอย่างต่อเนื่อง ในสถานที่ที่มีความต้องการเปลี่ยนแปลงได้ การควบคุมระบบระบายอากาศ ระบบปรับอากาศ หรือระบบแสงสว่างแบบเรียลไทม์ อาจมีค่ามากกว่าสไลด์นับพันแผ่นเกี่ยวกับการเปลี่ยนผ่านสู่ความยั่งยืน
มีสามด้านที่ AI มักมีประโยชน์เป็นพิเศษ ได้แก่:
สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) ประโยชน์มักไม่ได้มาจากการใช้โมเดลที่โดดเด่น แต่มาจากการใช้ระบบที่ช่วยหลีกเลี่ยงการทำงานซ้ำซ้อน เช่น การส่งออกข้อมูลด้วยมือ การใช้ไฟล์ Excel หลายไฟล์ การส่งไฟล์แนบซ้ำหลายครั้ง และการปรับข้อมูลให้ตรงกันโดยบุคคลต่างกันบนข้อมูลเดียวกัน สิ่งเหล่านี้ล้วนทำให้เสียเวลา ทรัพยากรคอมพิวเตอร์ แบนด์วิธ และความสนใจ
กระบวนการที่ต้องทำซ้ำห้าครั้งโดยบุคคลต่างกันนั้นไม่เพียงแต่ไม่มีประสิทธิภาพจากมุมมองด้านองค์กรเท่านั้น แต่ยังไม่มีประสิทธิภาพจากมุมมองด้านสิ่งแวดล้อมด้วย
เมื่อ AI รวมข้อมูลไว้เป็นศูนย์กลาง อัตโนมัติงานที่ทำซ้ำๆ และทำให้ผลการวิเคราะห์สามารถนำกลับมาใช้ใหม่ได้ ประโยชน์ต่อสิ่งแวดล้อมไม่ได้อยู่ที่การสรุปผลแต่ละครั้ง แต่อยู่ที่การกำจัดความซ้ำซ้อน
สำหรับผู้ที่ทำงานด้านรายงาน ตัวอย่างที่เกี่ยวข้องกับประเด็นนี้คือELECTE สำหรับการรายงาน ESG ซึ่งช่วยแสดงให้เห็นว่า การใช้ระบบอัตโนมัติสามารถลดขั้นตอนการทำงานด้วยมือและการสูญเสียข้อมูลได้ โดยไม่ต้องเปลี่ยนทุกงานให้เป็นโครงการไอทีที่ซับซ้อน
สิ่งที่น่าให้กำลังใจคืออุตสาหกรรมนี้ไม่ได้หยุดนิ่ง AI เป็นตัวสร้างปัญหา แต่ก็เป็นแรงผลักดันให้เกิดนวัตกรรมที่มุ่งลดการบริโภคพลังงานของมัน อย่างไรก็ตาม เราต้องยอมรับความจริงว่า ไม่มีทางออกเดียว
ทางหนึ่งที่ดูมีศักยภาพคือการเน้นไปที่ระบบเชื่อมต่อและประสิทธิภาพของโครงสร้างพื้นฐาน เมื่อระบบคอมพิวเตอร์กำลังรอข้อมูล กำลังการประมวลผลที่ติดตั้งไว้จะถูกใช้งานไม่เต็มที่ นี่คือหนึ่งในเหตุผลที่ฮาร์ดแวร์รุ่นใหม่ควรได้รับการพิจารณาไม่เพียงแต่ในด้านประสิทธิภาพ แต่ยังในด้านความประหยัดพลังงานด้วย
ในการอภิปรายด้านเทคโนโลยี มีข้อเสนอต่าง ๆ ที่กำลังถูกเสนอขึ้น ซึ่งเน้นไปที่การเชื่อมต่อแบบโฟโตนิก การปรับปรุงการส่งข้อมูล และการลดการสูญเสียพลังงาน ส่วนผู้ที่ซื้อบริการคลาวด์แทนที่จะซื้อชิปนั้น ปัจจัยที่ต้องพิจารณาในทางปฏิบัติจะแตกต่างออกไปคือการเลือกชุดระบบ (stacks) ที่สามารถทำงานได้มีประโยชน์มากขึ้น ด้วยเวลารอที่น้อยลง ปริมาณการส่งข้อมูลที่น้อยลง และค่าใช้จ่ายเพิ่มเติมที่น้อยลง
หลักการนี้ยังใช้ได้นอกเหนือจาก AI ในความหมายที่แคบด้วย ผู้ที่ต้องการพิจารณาอย่างกว้างขวางยิ่งขึ้นเกี่ยวกับรูปแบบการผลิตที่ลดการสิ้นเปลือง อาจพบข้อคิดเห็นที่มีประโยชน์จากแนวปฏิบัติทางเศรษฐกิจที่ยั่งยืนเหล่านี้ โดยเฉพาะอย่างยิ่งเมื่อเกี่ยวข้องกับการเชื่อมโยงประสิทธิภาพทางดิจิทัลกับการลดการสิ้นเปลืองวัสดุในกระบวนการผลิต
ในด้านซอฟต์แวร์ คุณสมบัติที่น่าสนใจที่สุดมักไม่ใช่สิ่งที่ดูน่าตื่นตาตื่นใจ แต่เป็นสิ่งที่เรียบง่ายและตรงไปตรงมามากกว่า:
จากประสบการณ์ของผม นี่คือตัดสินใจที่มีผลกระทบมากที่สุด การเปลี่ยนแปลงที่มีประสิทธิภาพที่สุดไม่ใช่การนำเทคโนโลยีล้ำสมัยมาใช้ แต่คือการหยุดใช้โมเดลที่ทรงพลังที่สุดสำหรับทุกงาน การจัดประเภท การจัดรูปแบบ การสกัดรูปแบบที่รู้จัก และกระบวนการสนับสนุนต่าง ๆ ไม่จำเป็นต้องใช้โมเดลที่ทันสมัยที่สุดเสมอไป แต่ต้องการความมีวินัยในการออกแบบสถาปัตยกรรม
หากผลลัพธ์ที่ผู้ใช้ได้รับเป็นเหมือนกัน การใช้การคำนวณน้อยลงไม่ใช่การประนีประนอม แต่เป็นการออกแบบที่ดีกว่า
นั่นคือเหตุผลที่ผมมักพูดถึง ‘โมเดลที่เหมาะสมสำหรับงานที่เหมาะสม’ ในทางปฏิบัติ สิ่งนี้หมายถึงการสร้างชั้นการจัดเส้นทาง (routing layer) ที่จัดสรรแต่ละการดำเนินการไปยังระดับพลังงานที่เหมาะสม การตัดสินใจนี้ไม่เพียงพิจารณาจากต้นทุน แต่ยังคำนึงถึงความยั่งยืนด้วย
ใครที่อยากศึกษาความสัมพันธ์ระหว่างโซลูชันทางเทคนิคกับผลกระทบต่อสิ่งแวดล้อมอย่างลึกซึ้งยิ่งขึ้น อาจสนใจอ่านรายงานของELECTE เกี่ยวกับ AI และสิ่งแวดล้อม ซึ่งรวบรวมกรณีศึกษาและพื้นที่พัฒนาต่าง ๆ โดยไม่นำเสนอสิ่งเหล่านั้นเป็นทางออกที่มหัศจรรย์
ข้อคัดค้านที่สำคัญที่สุดก็คือข้อที่สร้างความไม่สบายใจที่สุดด้วย: การทำให้ AI มีประสิทธิภาพมากขึ้น ไม่ได้หมายความว่าจะลดการใช้พลังงานโดยรวมได้โดยอัตโนมัติ ในความเป็นจริง บางครั้งกลับเกิดผลตรงกันข้าม
เมื่อการประมวลผลข้อมูลมีราคาถูกลง เข้าถึงได้ง่ายขึ้น และเร็วขึ้น ธุรกิจต่าง ๆ ก็มักจะใช้มันมากขึ้น การทำงานอัตโนมัติเพิ่มขึ้น คำขอเพิ่มขึ้น การบูรณาการเพิ่มขึ้น และกระบวนการต่าง ๆ ถูกสร้างขึ้นมากขึ้น ‘เพราะค่าใช้จ่ายก็ไม่มากนัก’ นี่คือหัวใจของ ‘ความขัดแย้งด้านประสิทธิภาพ’
นั่นคือเหตุผลที่ความยั่งยืนในด้านปัญญาประดิษฐ์ไม่สามารถเป็นเพียงเรื่องของการพัฒนาชิปที่ดีขึ้นหรือการสร้างโมเดลที่กะทัดรัดขึ้นได้เท่านั้น แต่ต้องกลายเป็นเรื่องสำคัญอันดับแรก ก่อนที่จะดำเนินการใดๆ ก็ตาม ควรตั้งคำถามบางข้อดังต่อไปนี้:
หนึ่งในช่องว่างที่ชัดเจนที่สุดในการอภิปรายของอิตาลีก็คือเรื่องนี้เอง: การขาดมาตรฐานการวัดผลและแนวทางแบบองค์รวมในการวัดรอยเท้าทางสิ่งแวดล้อมของ AI ตลอดวงจรชีวิตของมัน – ซึ่งเป็นประเด็นที่ได้รับการเน้นย้ำในมุมมองเชิงระบบเกี่ยวกับความยั่งยืนของปัญญาประดิษฐ์
ดังนั้น ปัญหาจึงไม่ใช่การขัดขวางนวัตกรรม แต่คือการหยุดมองเทคโนโลยีสารสนเทศเป็นทรัพยากรที่ฟรีและไม่หมดสิ้น ทุกองค์กรควรจัดการกับมันในลักษณะเดียวกับที่จัดการกับงบประมาณหรือเวลาของพนักงาน คือจัดสรรให้ใช้ในจุดที่สร้างมูลค่าเพิ่มได้จริง
สำหรับธุรกิจขนาดกลางและขนาดเล็ก (SME) การพูดถึงความยั่งยืนโดยไม่มีแผนปฏิบัติการนั้นแทบไม่มีประโยชน์อะไรเลย ทางที่ดีที่สุดคือเริ่มด้วยการตัดสินใจสี่ข้อที่สามารถดำเนินการได้ทันที แม้จะยังไม่มีข้อมูลการวัดรอยเท้าสิ่งแวดล้อมที่สมบูรณ์แบบ
แหล่งข่าวจากอิตาลีระบุว่า การอภิปรายหลายเรื่องเกี่ยวกับความยั่งยืนของ AI มักมองข้ามการชั่งน้ำหนักระหว่างต้นทุนและประโยชน์ ในขณะที่ศูนย์ข้อมูล (data centres)มีส่วนร่วมในการบริโภคพลังงานทั่วโลกประมาณ 3 เปอร์เซ็นต์แล้ว คำถามที่มักถูกมองข้ามคือ: เมื่อใดจึงเป็นเวลาที่เหมาะสมที่จะใช้โมเดลขนาดเล็กกว่าหรือกระบวนการแบบดั้งเดิม เพื่อหลีกเลี่ยงการเพิ่มขึ้นอย่างไม่ยั่งยืนของการบริโภคพลังงานและค่าใช้จ่าย? ประเด็นนี้ได้รับการสรุปไว้อย่างชัดเจนในบทความนี้เกี่ยวกับความชั่งน้ำหนักด้านสิ่งแวดล้อมของ AI
เลือกรุ่นที่เหมาะสมกับปัญหา
นี่คือเครื่องมือที่ให้ความสมดุลที่ดีที่สุดระหว่างความเรียบง่ายและประสิทธิภาพ อย่าใช้รุ่นที่มีพลังมากที่สุดโดยอัตโนมัติ แต่ให้ใช้มันเฉพาะในกรณีที่มันสร้างความแตกต่างที่แท้จริง สำหรับงานประจำวันส่วนใหญ่ รุ่นที่มีกำลังน้อยกว่าหรือระบบที่ไม่ใช้การสร้างแบบจำลองก็เพียงพอแล้ว
นอกจากนี้ ยังควรประเมินผู้ให้บริการคลาวด์ในด้านโปรไฟล์การใช้พลังงานด้วย
อย่าดูเพียงแต่ราคา ความล่าช้า และการปฏิบัติตามกฎระเบียบเท่านั้น แต่ยังต้องพิจารณาถึงความโปร่งใสเกี่ยวกับศูนย์ข้อมูล ส่วนผสมพลังงานในแต่ละภูมิภาค และแนวทางในการเพิ่มประสิทธิภาพการดำเนินงานด้วย ตำแหน่งทางภูมิศาสตร์มีความสำคัญ เพราะปริมาณงานไม่ได้มีผลกระทบต่อสิ่งแวดล้อมในทุกภูมิภาคอย่างเท่ากัน
ลดความซ้ำซ้อนในกระบวนการทำงาน
หากข้อมูลเดียวกันถูกส่งออก คัดลอก ปรับรูปแบบ และส่งใหม่หลายครั้ง คุณกำลังสิ้นเปลืองทรัพยากร แม้ก่อนที่จะถึงขั้นใช้ AI แพลตฟอร์มอย่างELECTE ซึ่งเป็นแพลตฟอร์มวิเคราะห์ข้อมูลที่ใช้ AI สำหรับธุรกิจขนาดกลางและขนาดเล็ก สามารถใช้เพื่อรวมข้อมูลไว้ในที่เดียว อัตโนมัติการสร้างรายงาน และลดการวิเคราะห์ซ้ำซ้อน ประโยชน์ในบริบทนี้ไม่ใช่การ “ใช้ AI มากขึ้น” แต่คือการลดงานที่ไม่จำเป็นลง
มันวัดได้ แม้จะไม่สมบูรณ์นัก
ไม่ใช่ทุกบริษัทที่มีเครื่องมือเพื่อวัดปริมาณไฟฟ้า (kWh) หรือก๊าซคาร์บอนไดออกไซด์ (CO₂) สำหรับแต่ละกระบวนการผลิต แต่ไม่เป็นปัญหา เริ่มจากตัวชี้วัดการดำเนินงานที่มีอยู่และสามารถเข้าถึงได้ง่ายก่อน
เนื่องจากยังไม่มีมาตรฐานอุตสาหกรรมที่ได้รับการยอมรับอย่างแท้จริง ผมจะเริ่มด้วยตารางง่ายๆ ดังนี้:
| ตัวชี้วัดการดำเนินงาน | มันบอกคุณว่าอะไร? |
|---|---|
| การเรียก API สำหรับงานที่เสร็จสิ้นแล้ว | หากคุณกำลังทุ่มเทมากเกินไปเพื่อได้ผลลัพธ์ |
| ขนาดโมเดลเฉลี่ยต่อการดำเนินการ | หากคุณกำลังประเมินขอบเขตของงานของคุณสูงเกินไป |
| ปริมาณข้อมูลที่ส่งต่อกันในแต่ละเซสชัน | หากกระบวนการทำงานของคุณก่อให้เกิดการจราจรที่สามารถหลีกเลี่ยงได้ |
| รายงานที่สร้างขึ้นแต่ยังไม่ถูกใช้ | หากคุณกำลังทำให้กระบวนการสร้างผลลัพธ์เป็นอัตโนมัติ ซึ่งไม่มีใครอ่าน |
การวัดผลอย่างไม่แม่นยำแต่ทำอย่างสม่ำเสมอยังดีกว่าการไม่วัดผลเลย
หากหลังจากสามเดือน คุณสังเกตเห็นว่าจำนวนการเรียกใช้ต่อแต่ละงานกำลังลดลง โมเดลขนาดใหญ่ถูกเรียกใช้น้อยลง และปริมาณการถ่ายโอนข้อมูลก็ลดลงด้วย นั่นหมายความว่าคุณยังไม่มีระบบการคำนวณคาร์บอนที่สมบูรณ์แบบ อย่างไรก็ตาม คุณมีสิ่งที่มีประโยชน์มาก นั่นคือ กรอบงานด้านประสิทธิภาพที่ช่วยลดการสิ้นเปลืองในการคำนวณ ลดค่าใช้จ่าย และมีความเป็นไปได้สูงว่าจะช่วยลดผลกระทบต่อสิ่งแวดล้อมด้วย
ความยั่งยืนของปัญญาประดิษฐ์ไม่สามารถบรรลุได้เพียงด้วยสโลแกนเท่านั้น และไม่สามารถบรรลุได้ด้วยการปฏิเสธปัญญาประดิษฐ์บนพื้นฐานของอุดมการณ์ แต่ต้องสร้างขึ้นผ่านการตัดสินใจทางเทคนิคและการบริหารจัดการที่ดีขึ้น
ใครก็ตามที่ใช้ AI ในปัจจุบันต้องรับมือกับความเป็นจริงสองประการ ประการแรกคือต้นทุนทางสิ่งแวดล้อมนั้นเป็นจริง กำลังเพิ่มขึ้น และไม่ควรถูกมองข้าม ประการที่สองคือ AI สามารถสร้างประโยชน์ที่จับต้องได้ โดยการลดของเสีย เพิ่มประสิทธิภาพการใช้พลังงาน และแทนที่กระบวนการที่ซ้ำซากและไม่เป็นระบบด้วยระบบที่ชาญฉลาดยิ่งขึ้น คุณภาพของการตัดสินใจอยู่ที่การหาจุดสมดุลระหว่างสองด้านนี้
สำหรับบริษัทยุโรป ยังมีระดับความรับผิดชอบอีกขั้นหนึ่งด้วย การปฏิบัติตามกฎระเบียบเพียงอย่างเดียวนั้นยังไม่เพียงพอ แต่จำเป็นต้องเข้าใจว่าเทคโนโลยี โครงสร้างพื้นฐาน การกำกับดูแล และทรัพย์สินทางปัญญานั้นมีความเชื่อมโยงกันอย่างไร ในประเด็นสุดท้ายนี้ สำหรับผู้ที่ต้องการศึกษากรอบกฎหมายที่เกี่ยวข้องกับการนำปัญญาประดิษฐ์ (AI) มาใช้อย่างลึกซึ้งยิ่งขึ้นผมขอแนะนำคู่มือเกี่ยวกับสิทธิบัตรปัญญาประดิษฐ์นี้ ซึ่งจะเป็นประโยชน์ในการมองความยั่งยืนทางเทคโนโลยีในฐานะทางเลือกเชิงกลยุทธ์ในระยะยาว
วิธีที่ถูกต้องไม่ใช่การลดการใช้ AI โดยรวม แต่คือการใช้AI ที่เหมาะสม ในสถานที่ที่เหมาะสม และในระดับความสามารถที่เหมาะสม
หากท่านต้องการนำ AI มาใช้อย่างมีประสิทธิภาพมากขึ้นและด้วยความเข้าใจที่ลึกซึ้งยิ่งขึ้นท่านสามารถเรียนรู้วิธีการทำงานของ ELECTE ได้ แพลตฟอร์มนี้ช่วยธุรกิจขนาดกลางและขนาดเล็ก (SMEs) ในการรวมข้อมูลไว้ที่ศูนย์เดียว อัตโนมัติการรายงาน และลดงานวิเคราะห์ที่ซ้ำซ้อน ด้วยวิธีการปฏิบัติจริงในการเลือกโมเดลและเพิ่มประสิทธิภาพการดำเนินงาน
.svg)
.svg)
.svg)
