ปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร?

ปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร?

คำตอบโดยสรุป: AI ส่งผลกระทบต่อสิ่งแวดล้อมเป็นหลักผ่านการใช้ไฟฟ้าในศูนย์ข้อมูล (ทั้งการฝึกฝนและการประมวลผลในชีวิตประจำวัน) รวมถึงน้ำที่ใช้ในการระบายความร้อน ตลอดจนผลกระทบจากการผลิตฮาร์ดแวร์และขยะอิเล็กทรอนิกส์ หากการใช้งานเพิ่มขึ้นเป็นหลายพันล้านคำสั่ง การประมวลผลอาจมากกว่าการฝึกฝน หากระบบไฟฟ้าสะอาดขึ้นและมีประสิทธิภาพมากขึ้น ผลกระทบก็จะลดลง ในขณะที่ประโยชน์อาจเพิ่มขึ้น

ประเด็นสำคัญ:

ไฟฟ้า : ติดตามการใช้งานคอมพิวเตอร์ การปล่อยก๊าซเรือนกระจกจะลดลงเมื่อใช้งานบนโครงข่ายไฟฟ้าที่สะอาดกว่า

น้ำ : ทางเลือกในการระบายความร้อนส่งผลต่อประสิทธิภาพการทำงาน โดยวิธีการที่ใช้น้ำมีความสำคัญมากที่สุดในพื้นที่ที่มีทรัพยากรน้ำจำกัด

ฮาร์ดแวร์ : ชิปและเซิร์ฟเวอร์มีผลกระทบต่อสิ่งแวดล้อมอย่างมาก ควรยืดอายุการใช้งานและให้ความสำคัญกับการปรับปรุงใหม่

ผลดีที่เกิดขึ้น : ประสิทธิภาพสามารถเพิ่มความต้องการโดยรวมได้ ควรวัดผลลัพธ์โดยรวม ไม่ใช่แค่ผลกำไรต่อภารกิจเท่านั้น

กลไกการดำเนินงาน : ปรับขนาดโมเดลให้เหมาะสม ปรับปรุงกระบวนการอนุมานให้เหมาะสม และรายงานตัวชี้วัดต่อคำขออย่างโปร่งใส

ปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร? (อินโฟกราฟิก)

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 ปัญญาประดิษฐ์ (AI) เป็นอันตรายต่อสิ่งแวดล้อมหรือไม่?
สำรวจผลกระทบต่อสิ่งแวดล้อมจากการใช้งาน AI ทั้งในด้านการปล่อยก๊าซคาร์บอน การใช้ไฟฟ้า และความต้องการของศูนย์ข้อมูล.

🔗 เหตุใด AI จึงเป็นผลเสียต่อสังคม?
พิจารณาถึงอคติ การหยุดชะงักของงาน ข้อมูลเท็จ และความเหลื่อมล้ำทางสังคมที่เพิ่มมากขึ้น.

🔗 ทำไม AI ถึงเป็นสิ่งไม่ดี? ด้านมืดของ AI
ทำความเข้าใจความเสี่ยงต่างๆ เช่น การสอดแนม การบิดเบือนข้อมูล และการสูญเสียการควบคุมของมนุษย์.

🔗 ปัญญาประดิษฐ์ก้าวล้ำเกินไปแล้วหรือเปล่า?
การถกเถียงเกี่ยวกับจริยธรรม กฎระเบียบ และขอบเขตที่นวัตกรรมควรวางไว้.

ปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร: ภาพรวมโดยย่อ ⚡🌱

ถ้าคุณจะจำแค่ไม่กี่ประเด็น ขอให้จำแค่ประเด็นเหล่านี้:

และยังมีส่วนที่คนส่วนใหญ่ลืมไป นั่นคือ ขนาด การสอบถามข้อมูลจาก AI เพียงครั้งเดียวอาจดูเล็กน้อย แต่การสอบถามหลายพันล้านครั้งนั้นแตกต่างกันอย่างสิ้นเชิง… เหมือนก้อนหิมะเล็กๆ ที่ค่อยๆ กลายเป็นหิมะถล่มขนาดเท่าโซฟา (คำเปรียบเทียบนี้อาจไม่ถูกต้องนัก แต่คุณคงเข้าใจ) IEA: พลังงานและ AI

ผลกระทบต่อสิ่งแวดล้อมของ AI ไม่ได้มีแค่เรื่องเดียว แต่เป็นหลายเรื่องรวมกัน 🧱🌎

เมื่อผู้คนถกเถียงกันเรื่องปัญญาประดิษฐ์และความยั่งยืน พวกเขามักจะพูดคุยกันคนละเรื่อง เพราะต่างคนต่างชี้ไปที่ประเด็นคนละระดับ:

1) คำนวณค่าไฟฟ้า

2) ค่าใช้จ่ายส่วนเกินของศูนย์ข้อมูล

3) น้ำและความร้อน

4) ห่วงโซ่อุปทานฮาร์ดแวร์

5) พฤติกรรมและผลกระทบย้อนกลับ

ดังนั้น เมื่อมีคนถามว่า AI ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร คำตอบที่ตรงไปตรงมาก็คือ มันขึ้นอยู่กับว่าคุณกำลังวัดในระดับใด และ "AI" ในบริบทนั้นหมายถึงอะไร.

การฝึกฝนกับการอนุมาน: ความแตกต่างที่เปลี่ยนทุกสิ่ง 🧠⚙️

คนชอบพูดถึงเรื่องการฝึกอบรมเพราะมันฟังดูน่าตื่นเต้น – “โมเดลหนึ่งใช้พลังงาน X” แต่การอนุมานต่างหากที่เป็นยักษ์ใหญ่ที่เงียบงัน IEA: พลังงานและ AI

การฝึกฝน (การสร้างครั้งใหญ่)

การฝึกอบรมเปรียบเสมือนการสร้างโรงงาน คุณต้องจ่ายค่าใช้จ่ายล่วงหน้า: การประมวลผลหนักหน่วง ระยะเวลาการทำงานที่ยาวนาน การทดลองและข้อผิดพลาดมากมาย (และแน่นอนว่า มีการลองผิดลองถูกอยู่หลายครั้ง) การฝึกอบรมสามารถปรับให้เหมาะสมได้ แต่ก็ยังอาจต้องใช้ทรัพยากรจำนวนมาก IEA: พลังงานและปัญญาประดิษฐ์

การอนุมาน (การใช้งานในชีวิตประจำวัน)

การอนุมานเปรียบเสมือนโรงงานที่ดำเนินงานทุกวัน สำหรับทุกคน ในระดับขนาดใหญ่:

  • แชทบอทตอบคำถาม

  • การสร้างภาพ

  • อันดับการค้นหา

  • คำแนะนำ

  • แปลงเสียงเป็นข้อความ

  • การตรวจจับการฉ้อโกง

  • ผู้ช่วยนักบินในเอกสารและเครื่องมือเขียนโค้ด

แม้ว่าแต่ละคำขอจะมีขนาดค่อนข้างเล็ก แต่ปริมาณการใช้งานอาจทำให้การฝึกฝนดูเล็กน้อยไปเลย มันเป็นสถานการณ์คลาสสิกที่ว่า “หลอดเดียวไม่เป็นไร แต่ล้านหลอดนั่นแหละคือปัญหา” IEA: พลังงานและปัญญาประดิษฐ์

หมายเหตุเล็กน้อย - งาน AI บางอย่างใช้พลังงานมากกว่างานอื่นๆ มาก การสร้างภาพหรือวิดีโอขนาวยาวมักใช้พลังงานมากกว่าการจำแนกข้อความสั้นๆ ดังนั้น การจัดกลุ่ม "AI" ไว้ในหมวดหมู่เดียวกันจึงเหมือนกับการเปรียบเทียบจักรยานกับเรือบรรทุกสินค้าแล้วเรียกทั้งสองอย่างว่า "การขนส่ง" IEA: พลังงานและ AI

ศูนย์ข้อมูล: พลังงาน การระบายความร้อน และเรื่องราวความเงียบสงบของน้ำ 💧🏢

ศูนย์ข้อมูลไม่ใช่เรื่องใหม่ แต่ปัญญาประดิษฐ์ (AI) เปลี่ยนแปลงความเข้มข้นของมัน ตัวเร่งความเร็วประสิทธิภาพสูงสามารถใช้พลังงานจำนวนมากในพื้นที่จำกัด ซึ่งเปลี่ยนเป็นความร้อนที่ต้องได้รับการจัดการ LBNL (2024): รายงานการใช้พลังงานของศูนย์ข้อมูลในสหรัฐอเมริกา (PDF) IEA: พลังงานและ AI

หลักการพื้นฐานของการระบายความร้อน (แบบง่าย แต่ใช้งานได้จริง)

นั่นคือข้อแลกเปลี่ยน: บางครั้งคุณอาจลดการใช้ไฟฟ้าลงได้โดยการใช้ระบบระบายความร้อนด้วยน้ำ ขึ้นอยู่กับความขาดแคลนน้ำในพื้นที่นั้นๆ ซึ่งอาจใช้ได้ผลดี...หรืออาจเป็นปัญหาอย่างแท้จริงก็ได้ Li et al. (2023): การทำให้ AI ใช้พลังงานน้อยลง (PDF)

นอกจากนี้ ผลกระทบต่อสิ่งแวดล้อมยังขึ้นอยู่กับปัจจัยหลายประการ ได้แก่:

พูดกันตามตรง: ในการสนทนาสาธารณะมักมอง "ศูนย์ข้อมูล" เหมือนกล่องดำ มันไม่ได้ชั่วร้าย มันไม่ได้มหัศจรรย์ มันคือโครงสร้างพื้นฐาน และมันก็ทำงานเหมือนโครงสร้างพื้นฐานทั่วไป.

ชิปและฮาร์ดแวร์: ส่วนที่คนส่วนใหญ่มองข้ามเพราะดูไม่น่าสนใจเท่าไหร่ 🪨🔧

AI ทำงานบนฮาร์ดแวร์ ฮาร์ดแวร์มีวงจรชีวิต และผลกระทบจากวงจรชีวิตนั้นอาจใหญ่หลวงได้ US EPA: อุตสาหกรรมเซมิคอนดักเตอร์ ITU: รายงานการติดตามขยะอิเล็กทรอนิกส์ทั่วโลกปี 2024

ผลกระทบต่อสิ่งแวดล้อมปรากฏให้เห็นในจุดใด

ขยะอิเล็กทรอนิกส์และเซิร์ฟเวอร์ที่ "ใช้งานได้ดี"

ผลกระทบต่อสิ่งแวดล้อมจำนวนมากไม่ได้เกิดจากการมีอุปกรณ์เพียงชิ้นเดียว แต่เกิดจากการเปลี่ยนอุปกรณ์นั้นก่อนกำหนดเพราะไม่คุ้มค่าอีกต่อไป ปัญญาประดิษฐ์ (AI) ยิ่งเร่งกระบวนการนี้เพราะประสิทธิภาพการทำงานอาจก้าวกระโดดได้มาก แรงจูงใจในการอัปเกรดฮาร์ดแวร์จึงมีอยู่จริง ITU: รายงานการตรวจสอบขยะอิเล็กทรอนิกส์ทั่วโลกปี 2024

ประเด็นสำคัญคือ การยืดอายุการใช้งานของฮาร์ดแวร์ การเพิ่มประสิทธิภาพการใช้งาน และการปรับปรุงใหม่ อาจมีความสำคัญไม่แพ้การปรับแต่งรุ่นใหม่ๆ เลย บางครั้ง การ์ดจอที่เป็นมิตรกับสิ่งแวดล้อมที่สุดก็คือการ์ดจอที่คุณไม่ได้ซื้อ (ฟังดูเหมือนสโลแกน แต่ก็...จริงอยู่บ้าง)

ปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร: วงจรพฤติกรรม “คนมักลืมเรื่องนี้” 🔁😬

นี่คือส่วนที่น่าอึดอัดใจทางสังคม: AI ทำให้สิ่งต่างๆ ง่ายขึ้น ดังนั้นผู้คนจึงทำสิ่งต่างๆ มากขึ้น ซึ่งอาจเป็นเรื่องที่ยอดเยี่ยม – ผลผลิตที่มากขึ้น ความคิดสร้างสรรค์ที่มากขึ้น การเข้าถึงที่มากขึ้น แต่ก็อาจหมายถึงการใช้ทรัพยากรโดยรวมที่มากขึ้นด้วย OECD (2012): ประโยชน์หลายประการของการปรับปรุงประสิทธิภาพการใช้พลังงาน (PDF)

ตัวอย่าง:

  • ถ้า AI ทำให้การสร้างวิดีโอราคาถูกลง ผู้คนก็จะสร้างวิดีโอมากขึ้น.

  • หาก AI ทำให้การโฆษณามีประสิทธิภาพมากขึ้น ก็จะมีการแสดงโฆษณามากขึ้น และวงจรการมีส่วนร่วมก็จะหมุนวนมากขึ้น.

  • หาก AI ช่วยเพิ่มประสิทธิภาพด้านโลจิสติกส์การขนส่ง อีคอมเมิร์ซก็จะสามารถขยายตัวได้มากยิ่งขึ้น.

นี่ไม่ใช่เหตุผลที่จะต้องตื่นตระหนก แต่เป็นเหตุผลที่จะต้องวัดผลลัพธ์ ไม่ใช่แค่ประสิทธิภาพ.

คำอุปมาที่อาจไม่สมบูรณ์แบบแต่ก็สนุกดี: ประสิทธิภาพของ AI ก็เหมือนกับการให้ตู้เย็นขนาดใหญ่ขึ้นกับวัยรุ่นคนหนึ่ง – ใช่แล้ว การเก็บอาหารดีขึ้น แต่สุดท้ายตู้เย็นก็ว่างเปล่าอีกครั้งภายในวันเดียว ไม่ใช่คำอุปมาที่สมบูรณ์แบบ แต่… คุณคงเคยเห็นมันเกิดขึ้นมาแล้ว 😅

ข้อดี: AI สามารถช่วยรักษาสิ่งแวดล้อมได้อย่างแท้จริง (เมื่อใช้อย่างถูกวิธี) 🌿✨

มาถึงส่วนที่มักถูกมองข้าม: AI สามารถลดการปล่อยมลพิษและของเสียในระบบที่มีอยู่ซึ่ง...พูดตามตรงคือไม่ค่อยสวยงาม นัก IEA: AI เพื่อการเพิ่มประสิทธิภาพและนวัตกรรมด้านพลังงาน

ด้านต่างๆ ที่ AI สามารถช่วยเหลือได้

ข้อสังเกตที่สำคัญ: การที่ AI “ช่วยเหลือ” ไม่ได้หมายความว่าจะชดเชยผลกระทบด้านลบของ AI ได้โดยอัตโนมัติ ขึ้นอยู่กับว่า AI นั้นถูกนำไปใช้งานจริงหรือไม่ ถูกใช้ประโยชน์จริงหรือไม่ และนำไปสู่การลดผลกระทบที่แท้จริงหรือไม่ แทนที่จะเป็นเพียงแค่การแสดงผลข้อมูลที่ดีขึ้น แต่ใช่แล้ว ศักยภาพนั้นมีอยู่จริง IEA: AI เพื่อการเพิ่มประสิทธิภาพและนวัตกรรมด้านพลังงาน

อะไรคือคุณสมบัติของ AI ที่เป็นมิตรต่อสิ่งแวดล้อมที่ดี? ✅🌍

ส่วนนี้คือ “แล้วเราควรทำอย่างไรต่อไป” โดยทั่วไปแล้วระบบ AI ที่คำนึงถึงสิ่งแวดล้อมที่ดีควรมีคุณสมบัติดังนี้:

  • คุณค่าของการใช้งานที่ชัดเจน : หากแบบจำลองไม่เปลี่ยนแปลงการตัดสินใจหรือผลลัพธ์ มันก็เป็นเพียงการคำนวณที่ซับซ้อนเท่านั้น

  • การวัดผลถูกรวมไว้แล้ว : พลังงาน การประมาณการคาร์บอน การใช้ประโยชน์ และตัวชี้วัดประสิทธิภาพจะถูกติดตามเช่นเดียวกับ KPI อื่นๆ CodeCarbon: วิธีการ

  • แบบจำลองที่เหมาะสม : ใช้แบบจำลองขนาดเล็กกว่าเมื่อแบบจำลองขนาดเล็กกว่าใช้งานได้ผล การมีประสิทธิภาพไม่ใช่ความล้มเหลวทางศีลธรรม

  • การออกแบบการอนุมานที่มีประสิทธิภาพ : การแคช การจัดกลุ่ม การกำหนดปริมาณ การดึงข้อมูล และรูปแบบการแจ้งเตือนที่ดี Gholami et al. (2021): การสำรวจวิธีการกำหนดปริมาณ (PDF) Lewis et al. (2020): การสร้างที่เสริมด้วยการดึงข้อมูล

  • การคำนึงถึงฮาร์ดแวร์และสถานที่ตั้ง : เลือกใช้ระบบที่มีโครงข่ายไฟฟ้าสะอาดและโครงสร้างพื้นฐานมีประสิทธิภาพ (เมื่อเป็นไปได้) API ความเข้มข้นของคาร์บอน (GB)

  • อายุการใช้งานของฮาร์ดแวร์ที่ยาวนานขึ้น : เพิ่มการใช้งาน การนำกลับมาใช้ใหม่ และการซ่อมแซมให้สูงสุด ITU: รายงานการติดตามขยะอิเล็กทรอนิกส์ระดับโลก ปี 2024

  • การรายงานอย่างตรงไปตรงมา : หลีกเลี่ยงการใช้ภาษาที่ดูดีแต่ไม่มีหลักฐานสนับสนุน และการกล่าวอ้างคลุมเครือ เช่น “AI ที่เป็นมิตรต่อสิ่งแวดล้อม” โดยไม่มีตัวเลขอ้างอิง

หากคุณยังคงติดตามว่าปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมอย่างไร นี่คือจุดที่คำตอบจะไม่ใช่เรื่องเชิงปรัชญาอีกต่อไป แต่จะกลายเป็นเรื่องเชิงปฏิบัติ: มันส่งผลกระทบต่อสิ่งแวดล้อมตามการเลือกของคุณ.

ตารางเปรียบเทียบ: เครื่องมือและวิธีการที่ช่วยลดแรงกระแทกได้จริง 🧰⚡

ด้านล่างนี้คือตารางสรุปอย่างรวดเร็วและใช้งานได้จริง มันอาจไม่สมบูรณ์แบบ และใช่แล้ว บางช่องอาจมีความเห็นส่วนตัวอยู่บ้าง...เพราะนั่นคือวิธีการเลือกเครื่องมือในชีวิตจริง.

เครื่องมือ/วิธีการ ผู้ชม ราคา เหตุผลที่มันได้ผล
ไลบรารีสำหรับการติดตามคาร์บอน/พลังงาน (ตัวประมาณค่าขณะทำงาน) ทีม ML ฟรีพอใช้ ช่วยให้มองเห็นภาพรวมได้ชัดเจนขึ้น ซึ่งถือเป็นความสำเร็จครึ่งหนึ่งแล้ว แม้ว่าการประมาณการอาจจะไม่แม่นยำนักก็ตาม… โค้ดคาร์บอน
การตรวจสอบพลังงานฮาร์ดแวร์ (การวัดพลังงาน GPU/CPU) โครงสร้างพื้นฐาน + ML ฟรี วัดปริมาณการใช้จริง เหมาะสำหรับใช้เป็นเกณฑ์มาตรฐาน (ไม่หวือหวาแต่ทรงคุณค่า)
การกลั่นแบบจำลอง วิศวกร ML ฟรี (แต่เสียเวลาเปล่า 😵) โมเดลนักเรียนขนาดเล็กมักให้ประสิทธิภาพที่เทียบเท่ากันโดยมีต้นทุนการอนุมานที่ต่ำกว่ามาก Hinton et al. (2015): การกลั่นกรองความรู้ในโครงข่ายประสาทเทียม
การหาปริมาณ (การอนุมานที่มีความแม่นยำต่ำกว่า) ผลิตภัณฑ์ ML + ฟรี ช่วยลดความหน่วงและปริมาณการใช้พลังงาน บางครั้งอาจมีคุณภาพลดลงเล็กน้อย บางครั้งก็ไม่มีการเปลี่ยนแปลงใดๆ Gholami et al. (2021): การสำรวจวิธีการหาปริมาณ (PDF)
การแคช + การอนุมานแบบแบตช์ ผลิตภัณฑ์ + แพลตฟอร์ม ฟรี ช่วยลดการประมวลผลที่ซ้ำซ้อน มีประโยชน์อย่างยิ่งสำหรับข้อความแจ้งเตือนซ้ำๆ หรือคำขอที่คล้ายกัน
การสร้างข้อมูลเสริมด้วยการดึงข้อมูล (RAG) ทีมแอป ผสม ถ่ายโอน “หน่วยความจำ” ไปยังการเรียกค้นข้อมูล สามารถลดความจำเป็นในการใช้หน้าต่างบริบทขนาดใหญ่ได้ Lewis et al. (2020): การสร้างข้อมูลที่เสริมด้วยการดึงข้อมูล
การจัดตารางงานตามความเข้มข้นของคาร์บอน โครงสร้างพื้นฐาน/ปฏิบัติการ ผสม เปลี่ยนงานให้ยืดหยุ่นไปเป็นการทำความสะอาดกระจกไฟฟ้า - แต่ต้องมีการประสานงานที่ดี ความเข้มข้นของคาร์บอน API (GB)
มุ่งเน้นประสิทธิภาพของศูนย์ข้อมูล (การใช้ประโยชน์ การรวมศูนย์) ผู้นำด้านไอที จ่ายเงิน (โดยปกติ) กลไกที่ดูไม่โดดเด่นที่สุด แต่บ่อยครั้งเป็นกลไกที่สำคัญที่สุด คือ การหยุดการทำงานของระบบที่บรรจุของไม่เต็ม ตารางสีเขียว: PUE
โครงการนำความร้อนกลับมาใช้ใหม่ สิ่งอำนวยความสะดวก ขึ้นอยู่กับสถานการณ์ เปลี่ยนความร้อนเหลือทิ้งให้เป็นพลังงานที่มีมูลค่า ไม่ใช่เรื่องที่ทำได้เสมอไป แต่เมื่อทำได้แล้วก็เป็นอะไรที่สวยงามมาก
“เราจำเป็นต้องใช้ AI ที่นี่ด้วยเหรอ?” ตรวจสอบแล้ว ทุกคน ฟรี ป้องกันการคำนวณที่ไม่จำเป็น การเพิ่มประสิทธิภาพที่มีประสิทธิภาพที่สุดคือการปฏิเสธ (บางครั้ง)

สังเกตไหมว่าอะไรหายไป? “ซื้อสติกเกอร์สีเขียววิเศษ” อันนั้นไม่มีอยู่จริง 😬

คู่มือปฏิบัติจริง: ลดผลกระทบจาก AI โดยไม่ทำลายผลิตภัณฑ์ 🛠️🌱

หากคุณกำลังสร้างหรือซื้อระบบ AI นี่คือลำดับขั้นตอนที่เป็นไปได้จริงและใช้งานได้ผล:

ขั้นตอนที่ 1: เริ่มต้นด้วยการวัด

  • ติดตามการใช้พลังงานหรือประมาณการการใช้พลังงานอย่างสม่ำเสมอ CodeCarbon: วิธีการ

  • วัดผลต่อการฝึกอบรมแต่ละครั้งและต่อคำขออนุมานแต่ละครั้ง.

  • ตรวจสอบการใช้ประโยชน์ - ทรัพยากรที่ไม่ได้ใช้งานมักซ่อนตัวอยู่โดยที่เราไม่รู้ ตัว ตารางสีเขียว: PUE

ขั้นตอนที่ 2: ปรับขนาดโมเดลให้เหมาะสมกับงาน

  • ใช้โมเดลขนาดเล็กกว่าสำหรับการจำแนกประเภท การสกัด และการกำหนดเส้นทาง.

  • เก็บโมเดลขนาดใหญ่ไว้สำหรับกรณีฉุกเฉินที่แข็งแรงทนทาน.

  • ลองพิจารณา "ลำดับขั้นของโมเดล": เริ่มจากโมเดลขนาดเล็กก่อน แล้วค่อยใช้โมเดลขนาดใหญ่เมื่อจำเป็น.

ขั้นตอนที่ 3: ปรับปรุงการอนุมานให้เหมาะสม (นี่คือจุดที่การขยายขนาดมีความสำคัญ)

  • การแคช : จัดเก็บคำตอบสำหรับคำถามที่ใช้ซ้ำ (พร้อมการควบคุมความเป็นส่วนตัวอย่างรอบคอบ)

  • การจัด กลุ่มคำขอ: จัดกลุ่มคำขอต่างๆ เพื่อเพิ่มประสิทธิภาพของฮาร์ดแวร์

  • ผลงานที่สั้นกว่า : ผลงานที่ยาวกว่ามีค่าใช้จ่ายสูงกว่า - บางครั้งคุณอาจไม่จำเป็นต้องใช้บทความยาว ๆ ด้วยซ้ำ

  • การกำหนดข้อความแจ้งเตือนอย่างเป็นระเบียบ : ข้อความแจ้งเตือนที่ไม่เป็นระเบียบจะทำให้เส้นทางการประมวลผลยาวขึ้น...และใช่แล้ว จะใช้โทเค็นมากขึ้น

ขั้นตอนที่ 4: ปรับปรุงความสะอาดของข้อมูล

ดูเหมือนจะไม่เกี่ยวข้องกัน แต่จริงๆ แล้วเกี่ยวข้องกัน:

  • ชุดข้อมูลที่สะอาดกว่าสามารถลดความถี่ในการฝึกอบรมซ้ำได้.

  • เสียงรบกวนน้อยลงหมายถึงการทดลองน้อยลงและการทดลองที่สูญเปล่าน้อยลง.

ขั้นตอนที่ 5: ปฏิบัติต่อฮาร์ดแวร์เสมือนเป็นสินทรัพย์ ไม่ใช่ของใช้แล้วทิ้ง

  • ขยายรอบการรีเฟรชให้ยาวนานที่สุดเท่าที่จะเป็นไปได้ ITU: รายงานการติดตามขยะอิเล็กทรอนิกส์ทั่วโลก ปี 2024

  • นำฮาร์ดแวร์เก่ามาใช้ซ้ำสำหรับงานที่ไม่หนักมาก.

  • หลีกเลี่ยงการตั้งค่าการจัดสรรทรัพยากรแบบ "ให้รองรับช่วงเวลาที่มีความต้องการสูงสุดเสมอ".

ขั้นตอนที่ 6: เลือกวิธีการปรับใช้ให้เหมาะสม

  • หากเป็นไปได้ ให้เลือกใช้แหล่งพลังงานที่สะอาดกว่าในการดำเนินงานที่มีความยืดหยุ่น ( ดัชนีความเข้มข้นของคาร์บอน API (GB))

  • ลดการทำซ้ำที่ไม่จำเป็น.

  • กำหนดเป้าหมายความหน่วงแฝงให้สมจริง (ความหน่วงแฝงต่ำเกินไปอาจทำให้ต้องตั้งค่าให้เปิดใช้งานตลอดเวลาซึ่งไม่มีประสิทธิภาพ).

ใช่แล้ว…บางครั้งวิธีที่ดีที่สุดก็คือ อย่าเรียกใช้โมเดลที่ใหญ่ที่สุดโดยอัตโนมัติทุกครั้งที่ผู้ใช้ทำอะไร นิสัยแบบนั้นก็เหมือนกับการเปิดไฟทุกดวงทิ้งไว้เพราะรู้สึกรำคาญเวลาต้องเดินไปปิดสวิตช์นั่นแหละ.

ความเชื่อผิดๆ ทั่วไป (และอะไรที่ใกล้เคียงกับความจริงมากกว่ากัน) 🧠🧯

ความเชื่อผิดๆ: “ปัญญาประดิษฐ์ (AI) แย่กว่าซอฟต์แวร์แบบดั้งเดิมเสมอ”

ความจริง: AI อาจใช้ทรัพยากรการประมวลผลมากกว่า แต่ก็สามารถทดแทนกระบวนการทำงานด้วยมือที่ไม่มีประสิทธิภาพ ลดของเสีย และเพิ่มประสิทธิภาพของระบบได้ ขึ้นอยู่กับสถานการณ์ IEA: AI เพื่อการเพิ่มประสิทธิภาพด้านพลังงานและนวัตกรรม

ความเชื่อผิดๆ: “การฝึกฝนคือปัญหาเดียว”

ความจริง: การอนุมานในระดับใหญ่สามารถครอบงำได้ในระยะยาว หากผลิตภัณฑ์ของคุณมีการใช้งานเพิ่มขึ้นอย่างรวดเร็ว นี่จะกลายเป็นเรื่องหลัก IEA: พลังงานและ AI

ความเชื่อผิดๆ: “พลังงานหมุนเวียนแก้ปัญหาได้ทันที”

ความจริง: ไฟฟ้าที่สะอาดขึ้นช่วยได้มาก แต่ไม่ได้ลบล้างผลกระทบจากการใช้ฮาร์ดแวร์ การใช้น้ำ หรือผลกระทบย้อนกลับ อย่างไรก็ตาม มันก็ยังสำคัญอยู่ดี IEA: พลังงานและปัญญาประดิษฐ์

ความเชื่อผิดๆ: “ถ้ามันมีประสิทธิภาพ มันก็ยั่งยืน”

ความจริง: การเพิ่มประสิทธิภาพโดยปราศจากการควบคุมความต้องการใช้พลังงาน อาจส่งผลกระทบโดยรวมเพิ่มขึ้นได้ นั่นคือกับดักของผลกระทบย้อนกลับ (OECD, 2012): ประโยชน์มากมายของการปรับปรุงประสิทธิภาพการใช้พลังงาน (PDF))

การกำกับดูแลกิจการ ความโปร่งใส และการไม่แสดงออกอย่างเกินจริง 🧾🌍

หากคุณเป็นบริษัท นี่คือจุดที่ความไว้วางใจจะถูกสร้างขึ้นหรือสูญเสียไป.

นี่คือส่วนที่หลายคนอาจมองข้าม แต่เป็นเรื่องสำคัญ เทคโนโลยีที่รับผิดชอบไม่ได้หมายถึงแค่การออกแบบทางวิศวกรรมที่ชาญฉลาดเท่านั้น แต่ยังหมายถึงการไม่แสร้งทำเป็นว่าไม่มีข้อแลกเปลี่ยนด้วย.

บทสรุปปิดท้าย: บทสรุปสั้นๆ เกี่ยวกับผลกระทบของ AI ต่อสิ่งแวดล้อม 🌎✅

ผลกระทบของ AI ต่อสิ่งแวดล้อมนั้นเกี่ยวข้องกับภาระที่เพิ่มขึ้น ได้แก่ ไฟฟ้า น้ำ (บางครั้ง) และความต้องการฮาร์ดแวร์ IEA: พลังงานและ AI Li et al. (2023): การทำให้ AI ใช้พลังงานน้อยลง (PDF) นอกจากนี้ยังนำเสนอเครื่องมือที่มีประสิทธิภาพในการลดการปล่อยมลพิษและของเสียในภาคส่วนอื่นๆ IEA: AI เพื่อการเพิ่มประสิทธิภาพและนวัตกรรมด้านพลังงาน ผลลัพธ์สุทธิขึ้นอยู่กับขนาด ความสะอาดของโครงข่ายไฟฟ้า ทางเลือกด้านประสิทธิภาพ และว่า AI กำลังแก้ปัญหาที่แท้จริงหรือเพียงแค่สร้างสิ่งใหม่ๆ เพื่อความแปลกใหม่เท่านั้น IEA: พลังงานและ AI

ถ้าคุณต้องการข้อคิดที่เข้าใจง่ายและนำไปใช้ได้จริง:

  • วัด.

  • ขนาดพอดี.

  • ปรับปรุงประสิทธิภาพการอนุมาน.

  • ยืดอายุการใช้งานของฮาร์ดแวร์.

  • จงพูดตรงไปตรงมาเกี่ยวกับข้อดีข้อเสีย.

และถ้าคุณรู้สึกว่ามันหนักเกินไป ลองฟังความจริงที่จะช่วยให้คุณใจเย็นลงได้: การตัดสินใจเล็กๆ น้อยๆ ในการดำเนินงาน ที่ทำซ้ำๆ นับพันครั้ง มักจะดีกว่าการประกาศนโยบายด้านความยั่งยืนครั้งใหญ่เพียงครั้งเดียว ก็เหมือนกับการแปรงฟันนั่นแหละ อาจจะไม่ดูหรูหรา แต่ได้ผลนะ… 😄🪥

คำถามที่พบบ่อย

ปัญญาประดิษฐ์ส่งผลกระทบต่อสิ่งแวดล้อมในชีวิตประจำวันอย่างไรบ้าง ไม่ใช่แค่ในห้องปฏิบัติการวิจัยขนาดใหญ่เท่านั้น?

ผลกระทบส่วนใหญ่ของ AI มาจากการใช้ไฟฟ้าในศูนย์ข้อมูลซึ่งใช้หน่วยประมวลผลกราฟิก (GPU) และหน่วยประมวลผลกลาง (CPU) ทั้งในระหว่างการฝึกฝนและการประมวลผลในแต่ละวัน คำขอเพียงครั้งเดียวอาจดูไม่มาก แต่เมื่อขยายขนาดแล้ว คำขอเหล่านั้นจะสะสมเพิ่มขึ้นอย่างรวดเร็ว ผลกระทบยังขึ้นอยู่กับที่ตั้งของศูนย์ข้อมูล ความสะอาดของระบบไฟฟ้าในพื้นที่ และประสิทธิภาพในการดำเนินงานของโครงสร้างพื้นฐานด้วย.

การฝึกฝนโมเดล AI ส่งผลเสียต่อสิ่งแวดล้อมมากกว่าการใช้งานจริง (การอนุมาน) หรือไม่?

การฝึกฝนอาจเป็นการประมวลผลครั้งใหญ่ในตอนเริ่มต้น แต่การอนุมานอาจใช้ทรัพยากรมากกว่าในระยะยาว เนื่องจากทำงานอย่างต่อเนื่องและในขนาดใหญ่มาก หากเครื่องมือใดถูกใช้งานโดยผู้คนนับล้านในแต่ละวัน คำขอที่เกิดขึ้นซ้ำๆ อาจมากกว่าต้นทุนการฝึกฝนเพียงครั้งเดียว นั่นเป็นเหตุผลที่การเพิ่มประสิทธิภาพมักมุ่งเน้นไปที่ประสิทธิภาพของการอนุมาน.

เหตุใด AI จึงใช้น้ำ และการใช้น้ำเป็นปัญหาเสมอไปหรือไม่?

ระบบ AI สามารถใช้น้ำได้เป็นหลัก เนื่องจากศูนย์ข้อมูลบางแห่งใช้ระบบระบายความร้อนด้วยน้ำ หรือเนื่องจากมีการใช้น้ำทางอ้อมผ่านกระบวนการผลิตไฟฟ้า ในบางสภาพภูมิอากาศ การระบายความร้อนด้วยการระเหยสามารถลดการใช้ไฟฟ้าได้ ในขณะที่เพิ่มการใช้น้ำ ทำให้เกิดข้อแลกเปลี่ยนที่แท้จริง ว่าจะเป็น “ผลเสีย” หรือไม่นั้น ขึ้นอยู่กับความขาดแคลนน้ำในพื้นที่ การออกแบบระบบระบายความร้อน และการวัดและจัดการการใช้น้ำ.

ส่วนใดบ้างของผลกระทบต่อสิ่งแวดล้อมจากการใช้งาน AI มาจากฮาร์ดแวร์และขยะอิเล็กทรอนิกส์?

ปัญญาประดิษฐ์ (AI) ขึ้นอยู่กับชิป เซิร์ฟเวอร์ อุปกรณ์เครือข่าย อาคาร และห่วงโซ่อุปทาน ซึ่งหมายถึงการขุด การผลิต การขนส่ง และการกำจัดในที่สุด การผลิตเซมิคอนดักเตอร์ใช้พลังงานสูง และวงจรการอัปเกรดที่รวดเร็วอาจเพิ่มการปล่อยก๊าซเรือนกระจกและขยะอิเล็กทรอนิกส์ การยืดอายุการใช้งานของฮาร์ดแวร์ การปรับปรุงใหม่ และการเพิ่มประสิทธิภาพการใช้งานสามารถลดผลกระทบได้อย่างมาก บางครั้งอาจเทียบเท่ากับการเปลี่ยนแปลงในระดับรุ่นเลยทีเดียว.

การใช้พลังงานหมุนเวียนช่วยแก้ปัญหาผลกระทบต่อสิ่งแวดล้อมของ AI ได้หรือไม่?

ไฟฟ้าที่สะอาดขึ้นสามารถลดการปล่อยก๊าซเรือนกระจกจากการประมวลผลได้ แต่ไม่ได้ลบล้างผลกระทบอื่นๆ เช่น การใช้น้ำ การผลิตฮาร์ดแวร์ และขยะอิเล็กทรอนิกส์ นอกจากนี้ยังไม่ได้แก้ไข "ผลกระทบย้อนกลับ" โดยอัตโนมัติ ซึ่งการประมวลผลที่มีต้นทุนต่ำกว่านำไปสู่การใช้งานโดยรวมที่มากขึ้น พลังงานหมุนเวียนเป็นกลไกสำคัญ แต่เป็นเพียงส่วนหนึ่งของผลกระทบทั้งหมดเท่านั้น.

ปรากฏการณ์ย้อนกลับคืออะไร และเหตุใดจึงมีความสำคัญต่อปัญญาประดิษฐ์และความยั่งยืน?

ปรากฏการณ์ย้อนกลับ (Rebound Effect) คือ เมื่อประสิทธิภาพที่เพิ่มขึ้นทำให้บางสิ่งบางอย่างถูกลงหรือทำได้ง่ายขึ้น ผู้คนจึงทำสิ่งนั้นมากขึ้น ซึ่งบางครั้งอาจทำให้ผลประหยัดหายไปหมด ในกรณีของ AI การผลิตหรือการทำงานอัตโนมัติที่ถูกลงอาจทำให้ความต้องการโดยรวมสำหรับเนื้อหา การประมวลผล และบริการเพิ่มขึ้น นั่นเป็นเหตุผลว่าทำไมการวัดผลลัพธ์ในทางปฏิบัติจึงมีความสำคัญมากกว่าการชื่นชมประสิทธิภาพเพียงอย่างเดียว.

มีวิธีปฏิบัติใดบ้างที่จะลดผลกระทบของ AI โดยไม่ทำให้ผลิตภัณฑ์เสียหาย?

แนวทางทั่วไปคือเริ่มต้นด้วยการวัดผล (การประมาณการพลังงานและคาร์บอน การใช้ประโยชน์) จากนั้นปรับขนาดโมเดลให้เหมาะสมกับงานและเพิ่มประสิทธิภาพการอนุมานด้วยการแคช การจัดกลุ่ม และการส่งผลลัพธ์ที่สั้นลง เทคนิคต่างๆ เช่น การหาปริมาณ การกลั่น และการสร้างข้อมูลที่เสริมด้วยการเรียกค้น สามารถลดความต้องการในการประมวลผลได้ การตัดสินใจในการดำเนินงาน เช่น การจัดตารางงานตามความเข้มข้นของคาร์บอนและอายุการใช้งานของฮาร์ดแวร์ที่ยาวนานขึ้น มักจะนำมาซึ่งผลลัพธ์ที่ดีเยี่ยม.

ปัญญาประดิษฐ์จะช่วยรักษาสิ่งแวดล้อมได้อย่างไร แทนที่จะทำลายสิ่งแวดล้อม?

ปัญญาประดิษฐ์ (AI) สามารถลดการปล่อยมลพิษและของเสียได้เมื่อนำไปใช้เพื่อเพิ่มประสิทธิภาพระบบจริง เช่น การพยากรณ์ระบบไฟฟ้า การตอบสนองต่อความต้องการ การควบคุมระบบปรับอากาศในอาคาร การวางแผนเส้นทางการขนส่ง การบำรุงรักษาเชิงคาดการณ์ และการตรวจจับการรั่วไหล นอกจากนี้ยังสามารถสนับสนุนการตรวจสอบด้านสิ่งแวดล้อม เช่น การแจ้งเตือนการตัดไม้ทำลายป่าและการตรวจจับก๊าซมีเทน สิ่งสำคัญคือระบบนั้นเปลี่ยนแปลงการตัดสินใจและก่อให้เกิดการลดลงที่วัดผลได้ ไม่ใช่แค่การแสดงผลข้อมูลที่ดีขึ้นเท่านั้น.

บริษัทควรรายงานตัวชี้วัดใดบ้างเพื่อหลีกเลี่ยงการ "ฟอกเขียว" การกล่าวอ้างเรื่อง AI?

การรายงานตัวชี้วัดต่อภารกิจหรือต่อคำขอมีความหมายมากกว่าการรายงานตัวเลขรวมทั้งหมด เพราะแสดงให้เห็นถึงประสิทธิภาพในระดับหน่วย การติดตามการใช้พลังงาน การประมาณการคาร์บอน การใช้ประโยชน์ และผลกระทบต่อน้ำ (หากเกี่ยวข้อง) จะช่วยสร้างความรับผิดชอบที่ชัดเจนยิ่งขึ้น นอกจากนี้ สิ่งสำคัญคือต้องกำหนดขอบเขต (สิ่งที่รวมอยู่) และหลีกเลี่ยงฉลากที่ไม่ชัดเจน เช่น "AI ที่เป็นมิตรกับสิ่งแวดล้อม" โดยไม่มีหลักฐานเชิงปริมาณ.

เอกสารอ้างอิง

  1. สำนักงานพลังงานระหว่างประเทศ (IEA) - พลังงานและปัญญาประดิษฐ์ - iea.org

  2. สำนักงานพลังงานระหว่างประเทศ (IEA) - ปัญญาประดิษฐ์เพื่อการเพิ่มประสิทธิภาพและนวัตกรรมด้านพลังงาน - iea.org

  3. สำนักงานพลังงานระหว่างประเทศ (IEA) - การเปลี่ยนผ่านสู่ระบบดิจิทัล - iea.org

  4. รายงานการใช้พลังงานของศูนย์ข้อมูลในสหรัฐอเมริกา จากห้องปฏิบัติการแห่งชาติลอว์เรนซ์เบิร์กลีย์ (LBNL) ( - lbl.gov

  5. Li et al. - การทำให้ AI “กระหาย” น้อยลง (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - การเกิดขึ้นและการขยายตัวของระบบระบายความร้อนด้วยของเหลวในศูนย์ข้อมูลกระแสหลัก (PDF) - ashrae.org

  7. The Green Grid - PUE - การตรวจสอบตัวชี้วัดอย่างครอบคลุม - thegreengrid.org

  8. กระทรวงพลังงานสหรัฐฯ (DOE) - FEMP - โอกาสในการเพิ่มประสิทธิภาพการใช้น้ำหล่อเย็นสำหรับศูนย์ข้อมูลของรัฐบาลกลาง - energy.gov

  9. กระทรวงพลังงานสหรัฐฯ (DOE) - FEMP - ประสิทธิภาพการใช้พลังงานในศูนย์ข้อมูล - energy.gov

  10. สำนักงานคุ้มครองสิ่งแวดล้อมแห่งสหรัฐอเมริกา (EPA) - อุตสาหกรรมเซมิคอนดักเตอร์ - epa.gov

  11. สหภาพโทรคมนาคมระหว่างประเทศ (ITU) - รายงานการติดตามขยะอิเล็กทรอนิกส์ทั่วโลก ปี 2024 - itu.int

  12. OECD - ประโยชน์มากมายของการปรับปรุงประสิทธิภาพการใช้พลังงาน (2012) (PDF) - oecd.org

  13. มาตรฐานการวัดความเข้มข้นของคาร์บอน API (สหราชอาณาจักร) - carbonintensity.org.uk

  14. imec - ลดผลกระทบต่อสิ่งแวดล้อมในกระบวนการผลิตชิป - imec-int.com

  15. UNEP - ดาวอังคารทำงานอย่างไร - unep.org

  16. องค์กร Global Forest Watch - GLAD ระบบแจ้งเตือนการตัดไม้ทำลายป่า - globalforestwatch.org

  17. สถาบันอลัน ทัวริง - ปัญญาประดิษฐ์และระบบอัตโนมัติสำหรับการประเมินความหลากหลายทางชีวภาพและสุขภาพของระบบนิเวศ - turing.ac.uk

  18. CodeCarbon - ระเบียบวิธี - mlco2.github.io

  19. Gholami et al. - การสำรวจวิธีการหาปริมาณ (2021) (PDF) - arxiv.org

  20. Lewis et al. - การสร้างข้อมูลที่เสริมด้วยการดึงข้อมูล (2020) - arxiv.org

  21. Hinton et al. - การกลั่นกรองความรู้ในโครงข่ายประสาทเทียม (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

ค้นหา AI รุ่นล่าสุดได้ที่ร้านค้าผู้ช่วย AI อย่างเป็นทางการ

เกี่ยวกับเรา

กลับไปที่บล็อก