ปัญญาประดิษฐ์การประมวลผลแบบคลาวด์การปล่อยก๊าซคาร์บอนความยั่งยืนศูนย์ข้อมูลการประมวลผล GPU

การปล่อยก๊าซเรือนกระจกจากการประมวลผล AI เทียบกับการปล่อยก๊าซเรือนกระจกจากระบบคลาวด์แบบดั้งเดิม

การปล่อยก๊าซเรือนกระจกจากการประมวลผล AI มาจากคลัสเตอร์ GPU ที่ใช้พลังงานสูงในการฝึกฝนโมเดลขนาดใหญ่ ในขณะที่การปล่อยก๊าซเรือนกระจกจากระบบคลาวด์แบบดั้งเดิมมาจากศูนย์ข้อมูลทั่วไปที่ใช้งานในชีวิตประจำวัน การประมวลผล AI ใช้พลังงานต่อภารกิจมากกว่าอย่างมาก แต่ระบบคลาวด์แบบดั้งเดิมนั้นรองรับการใช้งานในขนาดโดยรวมที่ใหญ่กว่ามาก

ไฮไลต์

การฝึกฝน AI ด้วยโมเดลขนาดใหญ่เพียงโมเดลเดียว สามารถปล่อยก๊าซคาร์บอนไดออกไซด์ได้มากเท่ากับรถยนต์กว่า 100 คันในหนึ่งปี
แร็ค AI ใช้พลังงานมากกว่าแร็คคลาวด์แบบดั้งเดิมถึง 3-5 เท่าต่อหน่วย
ระบบคลาวด์แบบดั้งเดิมได้รับประโยชน์จากการลงทุนด้านพลังงานหมุนเวียนมาหลายปี ซึ่งโครงสร้างพื้นฐานด้าน AI เพิ่งจะเริ่มตามทัน
ปัจจุบัน การอนุมาน ไม่ใช่แค่การฝึกฝน เป็นตัวขับเคลื่อนหลักของการปล่อยก๊าซเรือนกระจกอย่างต่อเนื่องของ AI

การปล่อยมลพิษจากการประมวลผล AI คืออะไร

คาร์บอนฟุตพริ้นท์ที่เกิดจากการฝึกฝนและใช้งานโมเดลปัญญาประดิษฐ์บนฮาร์ดแวร์เฉพาะทาง เช่น GPU และ TPU

มีรายงานว่าการฝึกฝนโมเดลภาษาขนาดใหญ่เพียงโมเดลเดียว เช่น GPT-3 ปล่อยก๊าซคาร์บอนไดออกไซด์เทียบเท่าประมาณ 502 เมตริกตัน ซึ่งเทียบเท่ากับรถยนต์ที่ใช้เชื้อเพลิงเบนซิน 112 คันที่ขับเป็นเวลาหนึ่งปี
งานประมวลผล AI พึ่งพา GPU NVIDIA H100 และ A100 เป็นอย่างมาก ซึ่งแต่ละตัวใช้พลังงาน 300 ถึง 700 วัตต์ขณะทำงานหนัก
ศูนย์ข้อมูลที่ใช้สำหรับงานด้าน AI โดยเฉพาะ อาจใช้พลังงานต่อแร็คมากกว่าเซิร์ฟเวอร์คลาวด์แบบดั้งเดิมถึง 10-20 เท่า
การประมวลผลแบบอนุมานในระดับใหญ่ ซึ่งหมายถึงทุกครั้งที่ผู้ใช้สอบถามโมเดล AI นั้น คิดเป็นสัดส่วนส่วนใหญ่ของการปล่อยก๊าซเรือนกระจกตลอดอายุการใช้งานของ AI ไม่ใช่แค่การฝึกฝนเพียงอย่างเดียว
การระบายความร้อนให้กับฮาร์ดแวร์ AI นั้นต้องการน้ำและไฟฟ้ามากกว่าการระบายความร้อนให้กับ CPU ทั่วไปอย่างมาก โดยบางแห่งใช้ระบบระบายความร้อนด้วยของเหลว

การปล่อยเมฆแบบดั้งเดิม คืออะไร

ปริมาณการปล่อยก๊าซคาร์บอนจากศูนย์ข้อมูลอเนกประสงค์ที่ให้บริการเว็บไซต์ แอปพลิเคชัน ฐานข้อมูล และซอฟต์แวร์ระดับองค์กร

เวิร์กโหลดบนคลาวด์แบบดั้งเดิมส่วนใหญ่ทำงานบน CPU ที่ได้รับการปรับแต่งมาสำหรับงานหลากหลายประเภท มากกว่าที่จะใช้ตัวเร่งความเร็ว AI เฉพาะทาง
ผู้ให้บริการคลาวด์รายใหญ่ เช่น AWS, Microsoft Azure และ Google Cloud ได้ให้คำมั่นสัญญาว่าจะลดการปล่อยก๊าซคาร์บอนให้เป็นศูนย์หรือเป็นกลางทางคาร์บอน โดยบางรายตั้งเป้าหมายไว้เร็วที่สุดในปี 2030
ศูนย์ข้อมูลทั่วโลกใช้ไฟฟ้าประมาณ 1 ถึง 1.5 เปอร์เซ็นต์ของความต้องการใช้ไฟฟ้าทั่วโลก โดยระบบคลาวด์แบบดั้งเดิมเป็นส่วนสำคัญของตัวเลขดังกล่าว
อัตราการใช้งานเซิร์ฟเวอร์ในสภาพแวดล้อมคลาวด์แบบดั้งเดิมโดยทั่วไปอยู่ที่ 40 ถึง 60 เปอร์เซ็นต์ ซึ่งสูงกว่าคลัสเตอร์ฝึกอบรม AI หลายแห่งมาก
ปัจจุบันผู้ให้บริการคลาวด์แบบดั้งเดิมหลายรายใช้พลังงานหมุนเวียนในการดำเนินงานถึง 60-90 เปอร์เซ็นต์ ในภูมิภาคต่างๆ เช่น ยุโรปเหนือและแปซิฟิกตะวันตกเฉียงเหนือ

ตารางเปรียบเทียบ

ฟีเจอร์	การปล่อยมลพิษจากการประมวลผล AI	การปล่อยเมฆแบบดั้งเดิม
ฮาร์ดแวร์หลัก	GPU และ TPU (ตัวเร่งความเร็ว AI)	ซีพียูและเซิร์ฟเวอร์อเนกประสงค์
กำลังไฟต่อแร็ค	30 ถึง 80 กิโลวัตต์ต่อแร็ค	5 ถึง 15 กิโลวัตต์ต่อแร็ค
พลังงานต่อภารกิจ	สูงมาก (การฝึกโมเดล = ปล่อยก๊าซคาร์บอนไดออกไซด์หลายตัน)	ปานกลาง (ขึ้นอยู่กับปริมาณงาน)
ความต้องการการทำความเย็น	อุณหภูมิสูงมาก มักใช้ระบบระบายความร้อนด้วยของเหลว	โดยทั่วไปการระบายความร้อนด้วยอากาศก็เพียงพอแล้ว
ประเภทภาระงาน	การฝึกโมเดลและการอนุมาน	เว็บโฮสติ้ง ฐานข้อมูล แอปพลิเคชัน SaaS
อัตราการใช้ประโยชน์	โดยทั่วไปประมาณ 30 ถึง 50 เปอร์เซ็นต์	โดยทั่วไปประมาณ 40 ถึง 60 เปอร์เซ็นต์
การนำพลังงานหมุนเวียนมาใช้	เปอร์เซ็นต์ที่ต่ำลง แต่เติบโตอย่างรวดเร็ว	อัตราส่วนที่สูงขึ้น อยู่ที่ 60 ถึง 90 เปอร์เซ็นต์ในบางภูมิภาค
เส้นทางการเติบโต	เติบโตอย่างรวดเร็ว เพิ่มขึ้นเป็นสองเท่าทุกๆ สองสามเดือน	คงที่ ประมาณ 10 ถึง 20 เปอร์เซ็นต์ต่อปี
การใช้น้ำ	สูง (ระบายความร้อนชิป AI)	ระดับปานกลาง (การระบายความร้อนแบบดั้งเดิม)

การเปรียบเทียบโดยละเอียด

ความเข้มข้นของพลังงานและความต้องการด้านฮาร์ดแวร์

การประมวลผล AI ทำงานบนโปรเซสเซอร์แบบขนานขนาดใหญ่ที่ออกแบบมาสำหรับการคำนวณเมทริกซ์ และชิปเหล่านั้นใช้พลังงานสูงมาก NVIDIA H100 ตัวเดียวสามารถใช้พลังงานได้ถึง 700 วัตต์ภายใต้ภาระงานเต็มที่ และแร็คที่บรรจุชิปเหล่านี้แปดตัวอาจใช้พลังงานถึง 50 กิโลวัตต์หรือมากกว่านั้น ในทางตรงกันข้าม เซิร์ฟเวอร์คลาวด์แบบดั้งเดิมใช้พลังงานน้อยกว่ามาก โดยมักทำงานบน CPU ที่ทำงานได้อย่างมีประสิทธิภาพในโหมดสแตนด์บายและจัดการเวิร์กโหลดที่หลากหลายโดยไม่จำเป็นต้องใช้ประสิทธิภาพสูงสุดตลอดเวลา ความแตกต่างของฮาร์ดแวร์เพียงอย่างเดียวทำให้เวิร์กโหลด AI ต้องการพลังงานมากกว่าหลายเท่าต่อหน่วยงาน

ปริมาณคาร์บอนฟุตพริ้นท์ต่อภารกิจ

เมื่อนักวิจัยทำการวัดปริมาณการปล่อยก๊าซเรือนกระจกจากการฝึกโมเดลภาษาขนาดใหญ่ ตัวเลขที่ได้นั้นน่าตกใจมาก การฝึกโมเดลขนาด GPT-3 เพียงครั้งเดียวสามารถปล่อยก๊าซคาร์บอนไดออกไซด์เทียบเท่าได้หลายร้อยตัน ในขณะที่งานบนคลาวด์แบบดั้งเดิม เช่น การให้บริการเว็บเพจหรือการเรียกใช้คำสั่งค้นหาในฐานข้อมูล จะปล่อยก๊าซเรือนกระจกเพียงเศษเสี้ยวเล็กน้อยต่อคำขอ แต่เนื่องจากงานบนคลาวด์แบบดั้งเดิมมีปริมาณการใช้งานสูงกว่ามาก ดังนั้นปริมาณการปล่อยก๊าซโดยรวมจึงใกล้เคียงกันในแง่ของปริมาณสัมบูรณ์ แม้ว่าปริมาณการปล่อยก๊าซต่อภารกิจจะแตกต่างกันมากก็ตาม

การทำความเย็นและการใช้น้ำ

หน่วยประมวลผลกราฟิก (GPU) สร้างความร้อนสูงมาก ซึ่งหมายความว่าศูนย์ข้อมูล AI มักต้องการระบบระบายความร้อนด้วยของเหลว หรือแม้แต่ระบบแช่เย็น เพื่อรักษาระดับอุณหภูมิให้เหมาะสม กระบวนการระบายความร้อนนี้ใช้น้ำและไฟฟ้าจำนวนมหาศาล ในขณะที่ศูนย์ข้อมูลคลาวด์แบบดั้งเดิมส่วนใหญ่ใช้ระบบระบายความร้อนด้วยอากาศและเครื่องทำความเย็น ซึ่งใช้น้ำและพลังงานน้อยกว่า ในภูมิภาคที่ประสบภัยแล้งบ่อย เช่น รัฐแอริโซนา ความต้องการน้ำของศูนย์ข้อมูล AI ได้ก่อให้เกิดการต่อต้านจากชุมชนและการตรวจสอบจากหน่วยงานกำกับดูแลแล้ว

คำมั่นสัญญาด้านพลังงานหมุนเวียนและความยั่งยืน

บริษัทยักษ์ใหญ่ด้านคลาวด์แบบดั้งเดิมอย่าง Google และ Microsoft ใช้เวลาหลายปีในการซื้อสัญญาพลังงานหมุนเวียนและลงนามในข้อตกลงซื้อขายไฟฟ้าเพื่อทำให้โครงข่ายไฟฟ้าของตนเป็นมิตรกับสิ่งแวดล้อม แต่การดำเนินงานที่เน้นด้าน AI ซึ่งมักจะใหม่กว่าและสร้างขึ้นโดยเฉพาะสำหรับการฝึกอบรมในระดับไฮเปอร์สเกลนั้น ยังไม่ได้เริ่มต้นอย่างรวดเร็วเช่นเดียวกัน อย่างไรก็ตาม บริษัทต่างๆ เช่น CoreWeave และ Lambda Labs กำลังย้ายสถานที่ตั้งไปยังที่ใกล้แหล่งพลังงานหมุนเวียนราคาถูก เช่น เขื่อนไฟฟ้าพลังน้ำในแปซิฟิกตะวันตกเฉียงเหนือมากขึ้นเรื่อยๆ เพื่อชดเชยการใช้พลังงานจำนวนมหาศาลของตน

แนวโน้มการเติบโตและมุมมองในอนาคต

ความต้องการการประมวลผล AI กำลังเติบโตในอัตราที่การเติบโตของคลาวด์แบบดั้งเดิมไม่เคยเทียบได้ นักวิเคราะห์บางคนคาดการณ์ว่าการใช้พลังงานที่เกี่ยวข้องกับ AI อาจเพิ่มขึ้นเป็นสามเท่าภายในปี 2030 โดยมีสาเหตุมาจากโมเดลขนาดใหญ่ขึ้นและการใช้งานการประมวลผลแบบอนุมานอย่างแพร่หลาย การเติบโตของคลาวด์แบบดั้งเดิม แม้ว่าจะยังคงอยู่ในระดับที่ดี แต่ก็เป็นไปตามเส้นโค้งที่คาดการณ์ได้มากกว่า ซึ่งเชื่อมโยงกับการใช้จ่ายด้านไอทีขององค์กร นั่นหมายความว่าการปล่อยก๊าซเรือนกระจกจาก AI อาจแซงหน้าการปล่อยก๊าซเรือนกระจกจากคลาวด์แบบดั้งเดิมในบางภูมิภาคภายในทศวรรษหน้า หากการปรับปรุงประสิทธิภาพไม่ทันต่อความต้องการ

ข้อดีและข้อเสีย

การปล่อยมลพิษจากการประมวลผล AI

ข้อดี

+ ขับเคลื่อนนวัตกรรม
+ ปรับขนาดได้สูง
+ ประสิทธิภาพเฉพาะด้าน
+ ความก้าวหน้าอย่างรวดเร็วของฮาร์ดแวร์

ยืนยัน

− ใช้พลังงานสูงมาก
− การใช้น้ำปริมาณมาก
− ลดสัดส่วนพลังงานหมุนเวียน
− ขยายฐานอย่างรวดเร็ว

การปล่อยเมฆแบบดั้งเดิม

ข้อดี

+ โครงการพลังงานหมุนเวียนที่พัฒนาเต็มที่
+ อัตราการใช้ประโยชน์ที่ดีขึ้น
+ มาตรฐานประสิทธิภาพที่กำหนดไว้
+ ลดการปล่อยมลพิษต่อกิจกรรม

ยืนยัน

− ขนาดโดยรวมมหาศาล
− โครงสร้างพื้นฐานที่เสื่อมโทรมในบางพื้นที่
− ยังคงต้องพึ่งพาโครงข่ายไฟฟ้าอยู่
− วงจรนวัตกรรมที่ช้าลง

ความเข้าใจผิดทั่วไป

ตำนาน

เฉพาะการฝึกฝน AI เท่านั้นที่ก่อให้เกิดการปล่อยก๊าซเรือนกระจกจำนวนมาก ในขณะที่กระบวนการอนุมานนั้นแทบจะไม่มีการปล่อยก๊าซเลย

ความเป็นจริง

การประมวลผลแบบอนุมาน (Inference) เป็นสาเหตุหลักของการปล่อยก๊าซคาร์บอนไดออกไซด์ตลอดอายุการใช้งานของ AI เนื่องจากเกิดขึ้นหลายพันล้านครั้งต่อวันในโมเดลที่ใช้งานอยู่ การค้นหาข้อมูลใน ChatGPT เพียงครั้งเดียวใช้พลังงานมากกว่าการค้นหาใน Google แบบดั้งเดิมประมาณ 10 เท่า และจำนวนการค้นหาเหล่านี้ก็เพิ่มขึ้นอย่างรวดเร็ว

ตำนาน

ศูนย์ข้อมูลคลาวด์แบบดั้งเดิมนั้นเป็นมิตรต่อสิ่งแวดล้อมอยู่แล้ว

ความเป็นจริง

แม้ว่าผู้ให้บริการรายใหญ่จะให้คำมั่นว่าจะตั้งเป้าหมายการปล่อยก๊าซเรือนกระจกสุทธิเป็นศูนย์ แต่ส่วนใหญ่ยังคงพึ่งพาเชื้อเพลิงฟอสซิลอยู่บ้าง โดยเฉพาะในภูมิภาคที่มีโครงสร้างพื้นฐานด้านพลังงานหมุนเวียนจำกัด การอ้างว่าเซิร์ฟเวอร์เป็นกลางทางคาร์บอนมักอาศัยการชดเชยคาร์บอนมากกว่าพลังงานสะอาดที่ใช้ในการขับเคลื่อนเซิร์ฟเวอร์จริง ๆ

ตำนาน

การประมวลผลด้วย AI มีประสิทธิภาพมากกว่าการประมวลผลบนคลาวด์แบบดั้งเดิม เนื่องจากเป็นเทคโนโลยีที่ใหม่กว่า

ความเป็นจริง

ของใหม่กว่าไม่ได้หมายความว่าจะเป็นมิตรต่อสิ่งแวดล้อมเสมอไป ฮาร์ดแวร์ AI นั้นใช้พลังงานต่อชิปมากกว่ามาก และปริมาณการคำนวณมหาศาลที่จำเป็นสำหรับการฝึกฝนและการอนุมาน ทำให้ภาระงาน AI ปล่อยคาร์บอนต่อภารกิจมากกว่าการทำงานบนคลาวด์แบบดั้งเดิมส่วนใหญ่มาก

ตำนาน

การย้ายระบบไปใช้คลาวด์จะช่วยลดการปล่อยก๊าซเรือนกระจกของบริษัทโดยอัตโนมัติ

ความเป็นจริง

การย้ายระบบไปยังคลาวด์สามารถช่วยได้โดยการรวมปริมาณงานและเพิ่มประสิทธิภาพการใช้งาน แต่ไม่ได้กำจัดมลพิษออกไปทั้งหมด ไฟฟ้ายังคงต้องมาจากแหล่งใดแหล่งหนึ่ง และหากระบบคลาวด์ใช้ถ่านหินหรือก๊าซเป็นเชื้อเพลิง รอยเท้าคาร์บอนก็จะแค่เปลี่ยนไปอยู่ที่อื่นแทนที่จะลดลง

ตำนาน

ศูนย์ข้อมูลทุกแห่งใช้พลังงานในปริมาณที่ใกล้เคียงกัน ไม่ว่าจะใช้งานอะไรก็ตาม

ความเป็นจริง

ความหนาแน่นของพลังงานแตกต่างกันอย่างมาก ศูนย์ข้อมูลที่เน้น AI อาจใช้พลังงาน 30 ถึง 80 กิโลวัตต์ต่อแร็ค ในขณะที่ศูนย์ข้อมูลคลาวด์แบบดั้งเดิมอาจใช้เพียง 5 ถึง 15 กิโลวัตต์ต่อแร็ค ความแตกต่างถึง 5 เท่าในความหนาแน่นของพลังงานนี้ ส่งผลโดยตรงต่อความต้องการในการระบายความร้อนและรูปแบบการปล่อยมลพิษที่แตกต่างกันอย่างมาก

คำถามที่พบบ่อย

การฝึกฝนโมเดล AI ก่อให้เกิดก๊าซคาร์บอนไดออกไซด์ (CO2) ปริมาณเท่าใดกันแน่?

ปริมาณการปล่อยก๊าซเรือนกระจกขึ้นอยู่กับขนาดของโมเดลเป็นอย่างมาก แต่จากการวิจัยพบว่า การฝึกโมเดลภาษาขนาดใหญ่ เช่น GPT-3 ปล่อยก๊าซคาร์บอนไดออกไซด์เทียบเท่าประมาณ 502 เมตริกตัน โมเดลขนาดเล็กกว่าจะปล่อยก๊าซน้อยกว่ามาก แต่แนวโน้มของการสร้างโมเดลขนาดใหญ่ขึ้นเรื่อยๆ หมายความว่าปริมาณการปล่อยก๊าซจากการฝึกโมเดลจะเพิ่มขึ้นอย่างต่อเนื่อง การฝึกโมเดลขั้นสูงเพียงครั้งเดียวอาจเทียบเท่ากับปริมาณการปล่อยก๊าซประจำปีของบ้านหลายสิบหลัง

AI ส่งผลเสียต่อสิ่งแวดล้อมมากกว่าการประมวลผลแบบคลาวด์แบบดั้งเดิมจริงหรือ?

ใช่แล้ว เมื่อพิจารณาต่อภารกิจ งานด้าน AI ใช้พลังงานมากกว่างานบนคลาวด์ทั่วไปอย่างมาก เช่น การให้บริการเว็บเพจหรือการใช้งานฐานข้อมูล อย่างไรก็ตาม คลาวด์แบบดั้งเดิมนั้นมีขนาดโดยรวมที่ใหญ่กว่ามาก ดังนั้นปริมาณการปล่อยก๊าซเรือนกระจกโดยรวมจึงใกล้เคียงกันในปัจจุบัน แต่ AI กำลังเติบโตอย่างรวดเร็ว ซึ่งอาจทำให้สมดุลเปลี่ยนไปภายในหนึ่งทศวรรษ

เหตุใดศูนย์ข้อมูล AI จึงใช้น้ำมากขนาดนั้น?

GPU และ TPU สร้างความร้อนสูงมาก ซึ่งจำเป็นต้องใช้ระบบระบายความร้อนที่มีประสิทธิภาพสูง ศูนย์ข้อมูล AI หลายแห่งใช้ระบบระบายความร้อนด้วยน้ำ และปริมาณการใช้น้ำในสถานที่อาจสูงถึงหลายล้านแกลลอนต่อวัน ศูนย์ข้อมูลคลาวด์แบบดั้งเดิมมักใช้ระบบระบายความร้อนที่มีประสิทธิภาพน้อยกว่า โดยมักอาศัยอากาศภายนอกหรือเครื่องทำความเย็นแทนการระเหยของน้ำอย่างต่อเนื่อง

ระบบ AI สามารถทำงานโดยใช้พลังงานหมุนเวียนได้หรือไม่?

ใช่ และนับวันก็ยิ่งมีคนทำเช่นนั้นมากขึ้นเรื่อยๆ บริษัทต่างๆ เช่น Google, Microsoft และ Amazon กำลังลงนามในข้อตกลงซื้อขายไฟฟ้าโดยเฉพาะเพื่อรองรับศูนย์ฝึกอบรม AI ผู้ให้บริการที่เน้น AI บางรายตั้งอยู่ใกล้เขื่อนไฟฟ้าพลังน้ำ หรือสร้างฟาร์มพลังงานแสงอาทิตย์และพลังงานลมโดยเฉพาะ ความท้าทายอยู่ที่การจับคู่ความต้องการพลังงานมหาศาลและที่เพิ่มขึ้นอย่างต่อเนื่องกับแหล่งพลังงานสะอาด

แหล่งปล่อยก๊าซเรือนกระจกที่ใหญ่ที่สุดในด้านการประมวลผล AI คืออะไร?

แหล่งปล่อยก๊าซเรือนกระจกที่ใหญ่ที่สุดคือไฟฟ้าที่ใช้ในการขับเคลื่อน GPU และ TPU เอง รองลงมาคือพลังงานที่จำเป็นสำหรับการระบายความร้อน การปล่อยก๊าซเรือนกระจกจากการผลิตชิปและการสร้างศูนย์ข้อมูลก็มีความสำคัญเช่นกัน แต่พลังงานในการใช้งานเป็นส่วนสำคัญที่สุดของผลกระทบตลอดอายุการใช้งานของระบบ AI ส่วนใหญ่

ผู้ให้บริการคลาวด์แบบดั้งเดิมใช้พลังงานหมุนเวียนจริงหรือไม่?

หลายบริษัททำเช่นนั้น อย่างน้อยก็บางส่วน Google ได้เปลี่ยนมาใช้พลังงานหมุนเวียน 100 เปอร์เซ็นต์ของปริมาณการใช้ไฟฟ้าประจำปีตั้งแต่ปี 2017 แล้ว แม้ว่านั่นไม่ได้หมายความว่าศูนย์ข้อมูลทุกแห่งจะใช้พลังงานหมุนเวียนตลอด 24 ชั่วโมงก็ตาม AWS และ Microsoft ก็มีเป้าหมายที่คล้ายกัน แต่มีระยะเวลาที่แตกต่างกัน และเปอร์เซ็นต์ของพลังงานหมุนเวียนที่ใช้จริงก็แตกต่างกันไปตามภูมิภาค

บริษัทต่างๆ จะลดการปล่อยก๊าซเรือนกระจกจากการประมวลผล AI ได้อย่างไร?

มีหลายกลยุทธ์ที่ได้ผล เช่น การเลือกใช้โมเดลขนาดเล็กที่มีประสิทธิภาพมากขึ้น การฝึกอบรมในภูมิภาคที่มีโครงข่ายไฟฟ้าที่สะอาด การใช้เทคนิคต่างๆ เช่น การตัดแต่งโมเดลและการหาปริมาณ และการเลือกผู้ให้บริการ AI ที่มีความมุ่งมั่นด้านความยั่งยืนอย่างแข็งแกร่ง แม้แต่สิ่งง่ายๆ อย่างการดำเนินการอนุมานให้ใกล้กับผู้ใช้มากขึ้นก็สามารถลดการสูญเสียในการส่งและค่าใช้จ่ายในการระบายความร้อนได้

ปริมาณการปล่อยก๊าซเรือนกระจกจากปัญญาประดิษฐ์จะเพิ่มขึ้นเรื่อย ๆ ตลอดไปหรือไม่?

ไม่จำเป็นเสมอไป ประสิทธิภาพของฮาร์ดแวร์ดีขึ้นในแต่ละรุ่น และเทคนิคใหม่ๆ เช่น โมเดลแบบผสมผสานผู้เชี่ยวชาญ และอัลกอริธึมการฝึกอบรมที่ดีขึ้น สามารถลดความต้องการด้านการประมวลผลได้อย่างมาก อย่างไรก็ตาม ความต้องการเติบโตอย่างรวดเร็วมากจนประสิทธิภาพที่เพิ่มขึ้นมักถูกบดบังด้วยขนาดที่ใหญ่ขึ้นอย่างมหาศาล ซึ่งเป็นเหตุผลว่าทำไมผู้เชี่ยวชาญจึงผลักดันให้เกิดโซลูชันพลังงานสะอาดระดับโครงข่ายควบคู่ไปกับการปรับปรุงอัลกอริธึม

การประมวลผลแบบอนุมานของ AI เทียบกับการค้นหาของ Google ในแง่ของการปล่อยมลพิษเป็นอย่างไร?

การเรียกใช้ฟังก์ชันการอนุมานของ AI เพียงครั้งเดียว เช่น การถามคำถามกับ ChatGPT นั้น ใช้พลังงานมากกว่าการค้นหาแบบปกติของ Google ประมาณ 10 เท่า นั่นหมายความว่า จะใช้พลังงานประมาณ 2.9 ถึง 4.1 วัตต์-ชั่วโมงต่อการเรียกใช้ AI หนึ่งครั้ง เทียบกับ 0.3 วัตต์-ชั่วโมงสำหรับการค้นหาแบบมาตรฐาน หากคูณด้วยจำนวนการเรียกใช้หลายพันล้านครั้งต่อวัน ความแตกต่างก็จะมหาศาล

มีกฎระเบียบเกี่ยวกับการปล่อยมลพิษของศูนย์ข้อมูล AI หรือไม่?

กฎระเบียบต่างๆ กำลังเริ่มเป็นรูปเป็นร่างขึ้น แต่ยังไม่ครอบคลุมทั่วถึง ปัจจุบันคำสั่งด้านประสิทธิภาพการใช้พลังงานของสหภาพยุโรปกำหนดให้ศูนย์ข้อมูลที่เกินเกณฑ์ที่กำหนดต้องรายงานการใช้พลังงานและการปล่อยมลพิษ บางรัฐในสหรัฐอเมริกาได้ออกกฎหมายที่มุ่งเป้าไปที่การใช้น้ำของศูนย์ข้อมูล และหลายประเทศกำลังถกเถียงกันถึงข้อกำหนดการรายงานคาร์บอนโดยเฉพาะสำหรับโครงสร้างพื้นฐานด้านปัญญาประดิษฐ์ (AI)

คำตัดสิน

หากคุณต้องเลือกระหว่างสองอย่างนี้โดยพิจารณาจากผลกระทบต่อสิ่งแวดล้อม ปัจจุบันคลาวด์แบบดั้งเดิมได้เปรียบในเรื่องประสิทธิภาพต่อภารกิจและการใช้พลังงานหมุนเวียน แต่การประมวลผล AI กำลังตามมาอย่างรวดเร็ว เนื่องจากผู้ให้บริการต่างเร่งพัฒนา GPU ให้เป็นมิตรกับสิ่งแวดล้อมมากขึ้น สำหรับองค์กรที่ใช้งาน AI การเลือกภูมิภาคที่มีโครงข่ายพลังงานสะอาดและการใช้โมเดลที่มีประสิทธิภาพสามารถลดผลกระทบต่อสิ่งแวดล้อมได้อย่างมาก สำหรับผู้ใช้คลาวด์แบบดั้งเดิม เส้นทางสู่การลดการปล่อยมลพิษนั้นขึ้นอยู่กับการเพิ่มประสิทธิภาพการทำงานและการเลือกผู้ให้บริการที่มีความมุ่งมั่นด้านความยั่งยืนอย่างแข็งแกร่ง

การเปรียบเทียบที่เกี่ยวข้อง

AI ที่ทำงานแบบไม่เป็นระบบ เทียบกับ AI ที่ควบคุมโดยมนุษย์

AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่

AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง กับ AI ที่ทำงานอัตโนมัติอย่างสมบูรณ์

AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ

AI ที่รับรู้บริบท เทียบกับ AI ที่ไม่รับรู้บริบท

การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น

AI ที่เสริมด้วยการค้นหาเทียบกับการฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียว

AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม

AI แบบกระจายศูนย์ เทียบกับ ระบบ AI ขององค์กร

ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม