'AI กินไฟ–เผาโลก' เมื่อนวัตกรรมอนาคต กลายเป็น 'ภาระสิ่งแวดล้อม'

การขยายตัวของเทคโนโลยีปัญญาประดิษฐ์ หรือ AI ในโลกธุรกิจดำเนินไปด้วยความเร็ว ที่แทบไม่มีเทคโนโลยีใดเคยทำได้มาก่อน แต่เบื้องหลังความก้าวหน้าที่น่าตื่นตาตื่นใจ มีต้นทุนที่ซ่อนอยู่ และยังไม่มีใครรับผิดชอบอย่างจริงจัง นั่นคือ ผลกระทบด้านสิ่งแวดล้อมจาก AI ที่กำลังขยายตัวในอัตราเร่งที่น่าตกใจ

ความก้าวหน้าของโมเดล AI อย่างรวดเร็วอาจสร้างอุตสาหกรรมใหม่ และเป็นพลังขับเคลื่อนการเปลี่ยนแปลงทางธุรกิจก็จริง แต่ความกังวลต่อผลกระทบสิ่งแวดล้อมก็มากขึ้นตามไปด้วยเช่นกัน 

ออทัมน์ สแตนนิช ผู้อำนวยการฝ่ายวิเคราะห์ การ์ทเนอร์ ออกมาบอกว่า การ์ทเนอร์ คาดการณ์ว่าในอีกสองปีข้างหน้า (2571) ครึ่งหนึ่ง (50%) ของการปล่อยก๊าซเรือนกระจก (GHG) ด้านไอที จะมาจากโมเดล AI ซึ่งเพิ่มขึ้นจากสัดส่วนที่ 10% ในปี 2568

การฝึกอบรม และรันโมเดล AI ต้องอาศัยพลังการประมวลผลมหาศาล โครงสร้างพื้นฐานไอทีใหม่ๆ และระบบทำความเย็นขั้นสูง เป็นการลงทุนที่เพิ่มแรงกดดันด้านงบประมาณ และอาจทำให้เป้าหมายความยั่งยืนต้องสะดุด

อย่างไรก็ตาม รอยเท้าด้านสิ่งแวดล้อม หรือ Environment Footprint ของ AI ขยายออกไปไกลกว่าแค่การใช้พลังงาน การใช้น้ำ การปล่อยมลพิษในห่วงโซ่อุปทานที่ยากต่อการติดตาม แต่ยังรวมถึงขยะอิเล็กทรอนิกส์ และต้นทุนแฝงตลอดวงจรชีวิตของ AI ที่หลายองค์กรมักมองข้าม และการขาดการรายงานที่โปร่งใสและมีมาตรฐาน เพื่อให้การนำ AI มาใช้งานเป็นไปอย่างยั่งยืน ผลกระทบต่อสิ่งแวดล้อมของ AI ต้องถูกวัดผลและลดทอนมากกว่าแค่การคำนวณเพียงแค่พลังงานที่ใช้ในการฝึกและประมวลผลโดยตรง

ทั้งนี้ เขามองว่า การจัดการผลกระทบแท้จริงต้องอาศัยการเปลี่ยนแปลงไปสู่การเรียกร้องให้มีความโปร่งใสอย่างครอบคลุม และการนำกรอบการวัดแบบองค์รวมมาใช้ที่ผสานความยั่งยืนเข้าไปในกลยุทธ์ทางธุรกิจ เมื่อนั้นนวัตกรรมจึงจะสมดุลกับความรับผิดชอบต่อสิ่งแวดล้อมได้

การวัดผล คือ กุญแจ

สแตนนิช  มองว่า การวัดรอยเท้าด้านสิ่งแวดล้อมของโมเดล AI อย่างแม่นยำเป็นความจำเป็นสำหรับการจัดการผลกระทบ ความซับซ้อนของโมเดล AI ไม่ว่าจะเป็นขนาด จำนวนพารามิเตอร์ ปริมาณข้อมูลฝึกอบรม และความต้องการทรัพยากรการประมวลผล ล้วนเป็นปัจจัยกำหนดความยั่งยืนและการใช้ทรัพยากรโดยตรง

การใช้แนวทางแบบรวม หรือ Aggregate Approach จะพิจารณาคาร์บอนฟุตพริ้นท์ของ AI ว่าเป็นส่วนหนึ่งของรอยเท้าด้านไอทีโดยรวม โดยมักรวมถึงการวัดค่าพื้นฐานก่อนและหลังการนำไปใช้งาน เพื่อประเมินผลกระทบสัมพัทธ์ของ AI ต่อตัวชี้วัดสำคัญอื่น ๆ ได้แก่ ประสิทธิภาพการใช้พลังงาน (PUE) ประสิทธิภาพการใช้น้ำ (WUE) การใช้ประโยชน์จากอุปกรณ์ไอที (ITEU) และของเสีย

แม้วิธีนี้จะให้ความเข้าใจระดับสูงเกี่ยวกับการมีส่วนร่วมของ AI ต่อการปล่อยมลพิษทั่วโลก แต่ก็ไม่ได้ให้ข้อมูลเชิงลึกด้านผลกระทบสิ่งแวดล้อมของโมเดล AI แต่ละตัวโดยเฉพาะ การระบุคาร์บอนฟุตพริ้นท์ของโมเดล AI แต่ละตัวอย่างแม่นยำนั้นท้าทายมากขึ้น ส่วนใหญ่เป็นเพราะขาดข้อมูลรายละเอียดจากผู้ให้บริการเกี่ยวกับการใช้พลังงานของโมเดล AI ขนาดใหญ่หลายรุ่น

เพื่อให้เข้าใจความซับซ้อนของผลกระทบ AI ต่อความยั่งยืนได้ดีขึ้น มีระเบียบวิธีเฉพาะสำหรับโมเดลที่พัฒนาขึ้นใหม่หลายวิธีที่ช่วยวัดปริมาณรอยเท้าด้านสิ่งแวดล้อมในแต่ละขั้นตอนของวงจรชีวิตโมเดล AI

ซึ่งรวมถึงการแบ่งผลกระทบด้านสิ่งแวดล้อมของ AI ออกเป็นส่วนประกอบต่าง ๆ ได้แก่ ฮาร์ดแวร์ ซอฟต์แวร์ วงจรชีวิตข้อมูล การใช้น้ำ และการใช้พลังงาน ซึ่งสามารถเสริมด้วยเครื่องมือติดตามการปล่อยมลพิษที่ใช้ซอฟต์แวร์และคะแนนพลังงาน AI (เช่น จาก Hugging Face และ Green Software Foundation)

หลังจากใช้วิธีใดวิธีหนึ่งหรือหลายวิธีเพื่อวัดผลกระทบ GHG ในขอบเขตที่ 1 และ 2 แล้ว ให้เพิ่มการวัดปล่อยมลพิษในห่วงโซ่อุปทานเป็นขอบเขตที่ 3 เพื่อให้การคำนวณครบถ้วนสมบูรณ์

วิธีเหล่านี้อาจยังไม่ใช่โซลูชันที่สมบูรณ์แบบ แต่ความแม่นยำกำลังพัฒนาขึ้นอย่างรวดเร็วตามการนำไปใช้ หากเป็นไปได้ควรให้ความสำคัญกับการวัดแบบแยกองค์ประกอบ เนื่องจากเป็นวิธีการวัดที่แม่นยำที่สุด

คำนึงถึงผลกระทบต่อสังคม

ผู้บริหาร ‘การ์ทเนอร์’ การต่อต้านจากสังคมเป็นอุปสรรคใหญ่สุดอย่างหนึ่งต่อการนำ AI ไปใช้ให้มีประสิทธิผล หลายประเทศ อาทิ สหรัฐอเมริกา อังกฤษ เนเธอร์แลนด์ และไอร์แลนด์ เผชิญกับการคว่ำบาตรในแผนการขยายดาต้าเซ็นเตอร์หรือศูนย์ข้อมูล AI โดยมีความกังวลของชุมชนเกี่ยวกับเสถียรภาพของระบบไฟฟ้าและปริมาณการใช้น้ำที่ทำให้โครงการล่าช้าหรือถูกยกเลิก

องค์กรต้องประเมินไม่เฉพาะแค่ประสิทธิภาพการดำเนินงาน แต่ยังรวมถึงผลกระทบทางสังคมและสิ่งแวดล้อมวงกว้างของโครงสร้างพื้นฐาน AI ด้วย ขณะที่การออกแบบศูนย์ข้อมูลแบบดั้งเดิมมุ่งเน้นที่ประสิทธิภาพและความน่าเชื่อถือ โดยผสานการพิจารณาความเสมอภาคทางสังคมสามารถสร้างประโยชน์ที่กว้างขึ้นแก่ชุมชนและเสริมสร้างความไว้วางใจของผู้มีส่วนได้ส่วนเสีย

โครงการนำกลับมาใช้ใหม่ (Reuse) ที่สร้างสรรค์เป็นตัวอย่างที่ดี ซึ่งรวมถึงระบบกู้คืนความร้อนที่จ่ายพลังงานให้กับอาคารใกล้เคียง โครงการหมุนเวียนหรือรีไซเคิลน้ำที่สนับสนุนการชลประทานและการใช้ในอุตสาหกรรม และความร่วมมือกับหน่วยงานรีไซเคิลในท้องถิ่นเพื่อลดขยะอิเล็กทรอนิกส์

การเข้าถึงแหล่งพลังงานหมุนเวียนอย่างเท่าเทียมเป็นอีกหนึ่งประโยชน์ การลงทุนในฟาร์มพลังงานแสงอาทิตย์หรือพลังลมใหม่ที่เชื่อมต่อกับโครงข่ายไฟฟ้าท้องถิ่น ผู้ดำเนินการศูนย์ข้อมูล AI สามารถช่วยชุมชนเข้าถึงพลังงานที่สะอาดขึ้น ในขณะเดียวกันก็ส่งเสริมความเท่าเทียมด้านพลังงาน ซึ่งมั่นใจได้ว่าผลประโยชน์จะกระจายอย่างเป็นธรรมและกลุ่มประชากรที่เปราะบางจะไม่ถูกทิ้งไว้เบื้องหลัง

ฝังความยั่งยืนเข้าไปในกลยุทธ์ AI

อย่างไรก็ตาม เขามองว่า แผนความยั่งยืนที่ชัดเจนเป็นสิ่งจำเป็นสำหรับผู้นำเพื่อให้มั่นใจว่าการใช้ AI ไม่แซงหน้าความรับผิดชอบที่มีต่อสิ่งแวดล้อม ซึ่งหมายถึงการรวมการพิจารณาด้านความยั่งยืนเข้าสู่ทุกขั้นตอนของการพัฒนาและการนำ AI ไปใช้ การคำนวณการปล่อยมลพิษตลอดวงจรชีวิตทั้งหมด และการสร้างโอกาสสำหรับการลดผลกระทบ

หนึ่งในเครื่องมือที่มีประสิทธิภาพที่สุดคือประสิทธิภาพของโมเดล การออกแบบโมเดลที่ประหยัดพลังงานและคาร์บอน เช่น สถาปัตยกรรมแบบ Sparse (โครงสร้างแบบกระจัดกระจาย) ที่ต้องการการประมวลผลน้อยลง สามารถลดการใช้พลังงานได้อย่างมาก

การใช้โมเดลที่ผ่านการฝึกล่วงหน้ายังช่วยลดทรัพยากรที่จำเป็นสำหรับการฝึกฝนอีกด้วย ตัวอย่างเช่น แทนที่จะใช้ LLM ทั่วไปอย่าง ChatGPT สำหรับงานเขียนโค้ด โมเดลผู้ช่วยเขียนโค้ดเฉพาะทางสามารถให้ฟังก์ชันการทำงานเดียวกันได้ด้วยต้นทุนด้านสิ่งแวดล้อมที่ต่ำกว่ามาก

โครงสร้างพื้นฐานก็มีบทบาทสำคัญเช่นกัน แม้ว่าการใช้งาน Cloud มักจะให้ประโยชน์ด้านการประหยัดต้นทุนตามขนาดและการเข้าถึงผู้ให้บริการที่มีพันธสัญญาด้านพลังงานหมุนเวียน แต่ไม่ใช่ทุกงาน AI ที่จะได้รับประโยชน์เท่าเทียมกัน ในบางกรณี โครงสร้างพื้นฐานภายในองค์กรอาจยั่งยืนกว่าหากมีแหล่งพลังงานที่เหมาะสม

สิ่งสำคัญ คือ การประเมินตัวเลือกการนำไปใช้แบบรายกรณี โดยคำนึงถึงความโปร่งใส การใช้แหล่งพลังงานหมุนเวียน และประสิทธิภาพการดำเนินงาน

สุดท้ายการสร้างกลยุทธ์ AI ที่ยั่งยืนไม่ได้เกี่ยวกับแค่การลดการปล่อยคาร์บอนเพียงอย่างเดียว แต่ยังต้องสอดรับกับการสร้างนวัตกรรมเพื่อความยืดหยุ่นระยะยาว และให้มั่นใจว่าองค์กรสามารถใช้ประโยชน์จาก AI ได้โดยไม่กระทบต่อสิ่งแวดล้อม