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