ปัญหาจากการใช้พลังงานในการใช้งาน AI

Generative AIปัญหาจากการใช้พลังงานในการใช้งาน AI

การใช้พลังงานในการ Train AI Large Language Model เป็นประเด็นที่น่ากังวลเนื่องจากมีการใช้พลังงานจำนวนมาก ซึ่งส่งผลกระทบต่อสิ่งแวดล้อม ปัญหาหลักๆ มีดังนี้:

ผลกระทบเชิงลบของ AI ต่อสิ่งแวดล้อม

แม้ AI จะมีประโยชน์มากมาย แต่การพัฒนาและใช้งาน AI ก็ส่งผลกระทบต่อสิ่งแวดล้อมอย่างมากเช่นกัน ดังนี้

  • การฝึกโมเดล AI ขนาดใหญ่ต้องใช้พลังงานจำนวนมหาศาล เช่น การฝึก GPT-3 ปล่อยก๊าซคาร์บอนไดออกไซด์ถึง 500 ตัน เทียบเท่ากับการขับรถยนต์น้ำมันเบนซิน 30 คันตลอดอายุการใช้งาน3 ส่วนการฝึก Bloom ของ Hugging Face ปล่อยก๊าซ CO2 ประมาณ 50 ตัน เทียบเท่าเที่ยวบินลอนดอน-นิวยอร์ก 60 เที่ยว
  • โมเดล AI ใหม่ๆ มีขนาดใหญ่ขึ้นเรื่อยๆ ต้องใช้ GPU ที่ทรงพลังและใช้เวลาฝึกนานขึ้น ส่งผลให้ใช้ทรัพยากรและพลังงานมากขึ้นตามไปด้วย
  • ศูนย์ข้อมูลที่ใช้พัฒนา AI ต้องใช้น้ำจำนวนมากในระบบระบายความร้อน เช่น การฝึก GPT-3 อาจใช้น้ำจืดถึง 700,000 ลิตร แต่ข้อมูลการใช้น้ำมักเป็นความลับ
  • การใช้งาน AI บางอย่างอาจเป็นการสิ้นเปลืองพลังงานโดยไม่จำเป็น ไม่คุ้มค่ากับต้นทุนด้านสิ่งแวดล้อม

.

การฝึก ChatGPT ใช้ไฟเท่ากับบ้าน 120 หลังใน 1 ปี

  • การฝึกโมเดล GPT-3 ซึ่งเป็นพื้นฐานของ ChatGPT ใช้ไฟฟ้าประมาณ 1,287 เมกะวัตต์-ชั่วโมง ซึ่งเทียบเท่ากับการใช้ไฟของบ้านเรือนในสหรัฐฯ 120 หลังในหนึ่งปีเลยทีเดียว
  • ในแต่ละวัน ChatGPT ต้องใช้ไฟฟ้าประมาณ 1 กิกะวัตต์-ชั่วโมง เพื่อตอบคำถามหลายร้อยล้านข้อ ซึ่งเทียบเท่ากับการใช้ไฟของบ้านเรือน 33,000 หลังในสหรัฐฯ
  • การฝึกโมเดล GPT-4 ซึ่งเป็นเวอร์ชันล่าสุดของ ChatGPT ใช้ไฟฟ้าประมาณ 51,772,500 – 62,318,750 กิโลวัตต์-ชั่วโมง ปล่อยก๊าซเรือนกระจกประมาณ 12,456 – 14,994 ตันเลยทีเดียว

.

AI ใช้ไฟฟ้ามากกว่าการค้นหาทั่วไปหลายเท่า

  • การค้นหาข้อมูลใน Google 1 ครั้ง ใช้ไฟฟ้าประมาณ 0.0003 กิโลวัตต์-ชั่วโมง
  • ในขณะที่การถาม ChatGPT 1 คำถาม ใช้ไฟฟ้าประมาณ 0.001-0.01 กิโลวัตต์-ชั่วโมง ขึ้นอยู่กับขนาดโมเดลและจำนวนโทเค็น
  • นั่นหมายความว่า ChatGPT ใช้ไฟฟ้ามากกว่าการค้นหาใน Google ถึง 1,567% หรือประมาณ 15 เท่าเลยทีเดียว
  • การถาม ChatGPT 1 คำถาม ใช้ไฟฟ้าเทียบเท่ากับการเปิดหลอดไฟ LED 5 วัตต์นาน 1 ชั่วโมง 50 นาที

.

ศูนย์ข้อมูลที่ฝึก AI ใช้ทรัพยากรจำนวนมาก

  • ศูนย์ข้อมูลขนาดใหญ่ที่ฝึก AI ต้องใช้น้ำจำนวนมากในการระบายความร้อน แต่ข้อมูลปริมาณการใช้น้ำมักเป็นความลับ
  • การฝึก GPT-3 อาจใช้น้ำจืดถึง 700,000 ลิตร3 ส่วนการสนทนากับ ChatGPT 1 ครั้ง ใช้น้ำประมาณ 50 ซีซี เทียบเท่าขวดน้ำพลาสติกขนาดเล็ก
  • ศูนย์ข้อมูลทั่วโลกใช้ไฟฟ้าประมาณ 1-1.5% ของการใช้ไฟฟ้าทั้งหมดของโลก และคาดว่าจะเพิ่มขึ้นอีกมากในอนาคต

จากข้อมูลข้างต้น จะเห็นได้ว่าการพัฒนาและใช้งาน AI อย่าง ChatGPT นั้นกินพลังงานและทรัพยากรจำนวนมหาศาล ทั้งไฟฟ้า น้ำ และปล่อยก๊าซเรือนกระจกจำนวนมาก ซึ่งอาจส่งผลกระทบต่อสิ่งแวดล้อมได้ในระยะยาว

.

แนวทางการแก้ไขปัญหา:

  1. การใช้พลังงานหมุนเวียน เช่น พลังงานแสงอาทิตย์ พลังงานลม ในการผลิตไฟฟ้าสำหรับ Train AI เพื่อลดการปล่อยก๊าซเรือนกระจก
  2. การพัฒนาอัลกอริทึมและวิธีการ Train ที่มีประสิทธิภาพมากขึ้น เพื่อลดการใช้พลังงาน
  3. การนำเทคโนโลยีการประมวลผลแบบกระจาย (Distributed Computing) มาใช้ เพื่อกระจายภาระการประมวลผลไปยังอุปกรณ์ต่างๆ ทั่วโลก
  4. การวางแผนและลงทุนในโครงสร้างพื้นฐานด้านพลังงานอย่างเหมาะสม เพื่อรองรับความต้องการพลังงานที่เพิ่มขึ้นจากการใช้งาน AI
  5. การส่งเสริมการวิจัยและพัฒนาเทคโนโลยีใหม่ๆ ที่ช่วยลดการใช้พลังงานในการประมวลผล AI

.

ประโยชน์ของ AI ในการรับมือปัญหาสิ่งแวดล้อม

ในทางกลับกัน AI ก็มีศักยภาพสูงในการช่วยแก้ปัญหาสิ่งแวดล้อมและรับมือกับการเปลี่ยนแปลงสภาพภูมิอากาศ เช่น

  • AI ช่วยวัดการเปลี่ยนแปลงของภูเขาน้ำแข็งได้เร็วกว่ามนุษย์ 10,000 เท่า ช่วยให้เข้าใจผลกระทบจากภาวะโลกร้อนได้ดีขึ้น
  • AI ถูกใช้ทำแผนที่การตัดไม้ทำลายป่าและปริมาณคาร์บอนในป่าจากภาพถ่ายดาวเทียม ช่วยติดตามผลกระทบต่อสภาพภูมิอากาศ
  • AI ช่วยคาดการณ์รูปแบบสภาพอากาศ ทำให้ชุมชนวางแผนรับมือและปรับตัวเข้ากับการเปลี่ยนแปลงสภาพภูมิอากาศได้ดีขึ้น
  • AI ช่วยเพิ่มประสิทธิภาพการจัดการขยะและรีไซเคิล ลดการปล่อยก๊าซเรือนกระจกจากของเสีย
  • AI ถูกใช้ทำแผนที่ขยะในมหาสมุทรอย่างละเอียด ช่วยให้กำจัดขยะพลาสติกได้มีประสิทธิภาพมากขึ้น
  • AI มีศักยภาพในการปรับปรุงการเกษตรให้ยั่งยืน เพิ่มประสิทธิภาพการใช้พลังงานหมุนเวียน และประเมินข้อมูลด้านสิ่งแวดล้อม

.

โดยสรุป การใช้พลังงานอย่างมหาศาลในการ Train AI เป็นประเด็นที่ต้องได้รับการแก้ไขอย่างจริงจัง เพื่อให้การพัฒนาเทคโนโลยี AI เป็นไปอย่างยั่งยืนและเป็นมิตรต่อสิ่งแวดล้อม การร่วมมือกันระหว่างภาครัฐ ภาคเอกชน และนักวิจัยจะเป็นกุญแจสำคัญในการแก้ปัญหานี้

Reference1 Reference2

Related articles

Perplexity เปิดตัว Labs: เขย่าวงการ AI ด้วยเครื่องมือสร้างคอนเทนต์แห่งอนาคต

Perplexity Labs คืออะไร? ค้นพบศักยภาพเครื่องมือ AI ใหม่จาก Perplexity ที่สร้างได้ทั้งรายงาน สเปรดชีต แดชบอร์ด และเว็บแอปฯ พร้อมวิธีที่ธุรกิจคุณจะนำไปใช้ประโยชน์ในการทำ AI consulting และ AI automation workflows

เจาะลึกผลกระทบ AI ต่อการเลิกจ้างพนักงานออฟฟิศ และแนวทางปรับตัวสำหรับอนาคต

AI กำลังเปลี่ยนโลกการทำงาน พนักงานออฟฟิศจะรับมืออย่างไร? บทความนี้วิเคราะห์ผลกระทบ AI ต่อการจ้างงาน ตำแหน่งที่เสี่ยง พร้อมข้อแนะนำสำหรับพนักงานและองค์กรในการปรับตัวเพื่ออนาคต

Meta เปิดตัว Llama 4: AI รุ่นใหม่ที่ทรงพลังกว่าเดิม

Meta เปิดตัว Llama 4 รุ่น Maverick และ Scout พร้อมความสามารถใหม่ๆ ทั้งการประมวลผลภาพ วิดีโอ และภาษา ด้วย context window ถึง 10 ล้านโทเค็น

เจาะลึก Agentic AI: เทคโนโลยีสุดล้ำที่จะเปลี่ยนโลกธุรกิจ

ทำความรู้จัก Agentic AI เทคโนโลยี AI ขั้นสูงที่คิดและตัดสินใจได้เอง พร้อมเจาะลึกกลไกการทำงานและผลกระทบต่อวงการธุรกิจ

Gemini 2.0: AI ตัวใหม่จาก Google ที่น่าจับตามอง

ทำความรู้จัก Gemini 2.0 ตระกูลใหม่จาก Google ที่มาพร้อมความสามารถสุดล้ำ พร้อมเจาะลึกข้อมูลสำคัญที่นักพัฒนาควรรู้

Related Article

Perplexity เปิดตัว Labs: เขย่าวงการ AI ด้วยเครื่องมือสร้างคอนเทนต์แห่งอนาคต

Perplexity Labs คืออะไร? ค้นพบศักยภาพเครื่องมือ AI ใหม่จาก Perplexity ที่สร้างได้ทั้งรายงาน สเปรดชีต แดชบอร์ด และเว็บแอปฯ พร้อมวิธีที่ธุรกิจคุณจะนำไปใช้ประโยชน์ในการทำ AI consulting และ AI automation workflows

A2A (Agent to Agent) คืออะไร? ปฏิวัติการทำงานร่วมกันของ AI Agent

เจาะลึก A2A (Agent to Agent) โปรโตคอลเปิดที่ช่วยให้ AI Agent ต่างค่ายสื่อสารและทำงานร่วมกันได้ พร้อมประโยชน์สำหรับธุรกิจ SME และ AI consulting โดย Data-Espresso

MCP คืออะไร? เจาะลึกมาตรฐานใหม่ พลิกเกม AI Agent และ Workflow Automation

MCP (Model Context Protocol) คืออะไร? ทำความเข้าใจมาตรฐานเปิดที่ช่วยให้ AI Agent เชื่อมต่อข้อมูลภายนอกอย่างมีประสิทธิภาพ พร้อมประโยชน์ ตัวอย่างการใช้งานใน n8n และอนาคตของ AI
สอบถามข้อมูล