การจัดการผลกระทบสิ่งแวดล้อมที่เกิดจาก AI

เขียนโดย ออทัมน์ สแตนนิช ผู้อำนวยการฝ่ายวิเคราะห์การ์ทเนอร์

ความก้าวหน้าของโมเดล AI อย่างรวดเร็วอาจสร้างอุตสาหกรรมใหม่และเป็นพลังขับเคลื่อนการเปลี่ยนแปลงทางธุรกิจก็จริง แต่ความกังวลต่อผลกระทบสิ่งแวดล้อมก็มากขึ้นตามไปด้วยเช่นกัน การ์ทเนอร์คาดการณ์ว่าในอีกสองปีข้างหน้า (2571) ครึ่งหนึ่ง (50%) ของการปล่อยก๊าซเรือนกระจก (GHG) ด้านไอที จะมาจากโมเดล AI ซึ่งเพิ่มขึ้นจากสัดส่วนที่ 10% ในปี 2568

การฝึกอบรมและรันโมเดล AI ต้องอาศัยพลังการประมวลผลมหาศาล โครงสร้างพื้นฐานไอทีใหม่ ๆ และระบบทำความเย็นขั้นสูง ซึ่งเป็นการลงทุนที่เพิ่มแรงกดดันทางด้านงบประมาณและอาจทำให้เป้าหมายความยั่งยืนต้องสะดุด

อย่างไรก็ตามรอยเท้าด้านสิ่งแวดล้อมหรือ Environment Footprint ของ AI ขยายออกไปไกลกว่าแค่การใช้พลังงาน การใช้น้ำ การปล่อยมลพิษในห่วงโซ่อุปทานที่ยากต่อการติดตาม แต่ยังรวมถึงขยะอิเล็กทรอนิกส์ และต้นทุนแฝงตลอดวงจรชีวิตของ AI ที่หลายองค์กรมักมองข้าม และการขาดการรายงานที่โปร่งใสและมีมาตรฐาน

เพื่อให้การนำ AI มาใช้งานเป็นไปอย่างยั่งยืน ผลกระทบต่อสิ่งแวดล้อมของ AI ต้องถูกวัดผลและลดทอนมากกว่าแค่การคำนวณเพียงแค่พลังงานที่ใช้ในการฝึกและประมวลผลโดยตรง

การจัดการผลกระทบแท้จริงต้องอาศัยการเปลี่ยนแปลงไปสู่การเรียกร้องให้มีความโปร่งใสอย่างครอบคลุม และการนำกรอบการวัดแบบองค์รวมมาใช้ที่ผสานความยั่งยืนเข้าไปในกลยุทธ์ทางธุรกิจ เมื่อนั้นนวัตกรรมจึงจะสมดุลกับความรับผิดชอบต่อสิ่งแวดล้อมได้

การวัดผลคือกุญแจ

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

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

การฝังความยั่งยืนเข้าไปในกลยุทธ์ AI

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

สิ่งสำคัญคือการประเมินตัวเลือกการนำไปใช้แบบรายกรณี โดยคำนึงถึงความโปร่งใส การใช้แหล่งพลังงานหมุนเวียน และประสิทธิภาพการดำเนินงาน

ท้ายที่สุด การสร้างกลยุทธ์ AI ที่ยั่งยืนไม่ได้เกี่ยวกับแค่การลดการปล่อยคาร์บอนเพียงอย่างเดียว แต่ยังต้องสอดรับกับการสร้างนวัตกรรมเพื่อความยืดหยุ่นระยะยาว และให้มั่นใจว่าองค์กรสามารถใช้ประโยชน์จาก AI ได้โดยไม่กระทบต่อสิ่งแวดล้อม