อะไรคือสาเหตุหลักที่ทำให้ AI ยังไม่เป็นมิตรต่อสิ่งแวดล้อม?

สาเหตุหลักเกิดจากสองปัจจัย: การขาดมาตรฐานสากลในการวัดและรายงานการใช้พลังงานของโมเดล AI และการขาดการสนับสนุนการวิจัยและพัฒนาโมเดล AI ที่ประหยัดพลังงานมากขึ้นในระดับโลก ซึ่งเปิดโอกาสให้เกิดการฟอกเขียวจากบริษัทเทคโนโลยี

ภายในปี 2028 ปริมาณการใช้ไฟฟ้าของ AI จะส่งผลกระทบอย่างไร?

ตามรายงานของ NTT Data ภายในปี 2028 AI อาจใช้ไฟฟ้ามากกว่าครึ่งหนึ่งของความต้องการไฟฟ้าทั้งหมดของศูนย์ข้อมูล และอาจกินไฟฟ้ามากถึง 22% ของปริมาณไฟฟ้าที่ครัวเรือนสหรัฐฯ ทั้งประเทศใช้ในหนึ่งปี

AI & Innovation (เอไอและนวัตกรรม)

AI เพื่อความยั่งยืน: เส้นทางสู่การวัดมาตรฐานสากลและการลงทุนในพลังงานสีเขียว

14 พฤษภาคม 2026 Maya Chen

ในขณะที่เทคโนโลยีปัญญาประดิษฐ์ (AI) กำลังถูกนำมาใช้เพื่อขับเคลื่อนเป้าหมายด้านสิ่งแวดล้อมอย่างที่ไม่เคยมีมาก่อน ตัวมันเองกลับกลายเป็นผู้ใช้ทรัพยากรพลังงานและน้ำรายใหญ่ สถานการณ์นี้สร้างความท้าทายเชิงโครงสร้างที่สำคัญต่ออุตสาหกรรมเทคโนโลยี โดยเฉพาะในด้านการวัดผล การรายงาน และการลงทุนในโครงสร้างพื้นฐานสีเขียว

กำลังการผลิตไฟฟ้าที่ใช้ในศูนย์ข้อมูลทั่วโลกกำลังพุ่งสูงขึ้น โดยรายงานจาก NTT Data ระบุว่าภายในปี 2028 มากกว่าครึ่งหนึ่งของไฟฟ้าที่ใช้ในศูนย์ข้อมูลอาจถูกใช้ไปกับระบบ AI เท่านั้น ซึ่งเทียบเท่ากับปริมาณไฟฟ้าที่ใช้ใน 22% ของครัวเรือนทั้งหมดในสหรัฐอเมริกา การเติบโตนี้เกิดจากการฝึกฝนโมเดลขนาดใหญ่ การเคลื่อนย้ายข้อมูลปริมาณมหาศาล และการรีเฟรชฮาร์ดแวร์เฉพาะทาง ซึ่งทั้งหมดนี้ใช้ไฟฟ้า น้ำ และแร่ธาตุในระดับที่น่าตกใจ

ประเด็นหลักมีอยู่สองด้าน ได้แก่ การขาดมาตรฐานการวัดระดับโลก และการขาดการสนับสนุนการวิจัยและพัฒนา (R&D) สำหรับ AI ที่ประหยัดพลังงานมากขึ้นในระดับนานาชาติ ปัจจุบันไม่มีระบบที่ใช้ร่วมกันในการวัดและรายงานค่าใช้จ่ายด้านพลังงานของโมเดล AI ซึ่งเปิดช่องให้เกิดการฟอกเขียว (Greenwashing) จากบริษัทเทคโนโลยี

มาตรฐานและกรอบการทำงาน: กรอบการทำงานเช่น Montreal Declaration for Responsible AI และ OECD AI Principles ได้รับการยอมรับอย่างกว้างขวาง รวมถึง AI Alliance ที่เปิดตัวในเดือนธันวาคม 2023 ที่สนับสนุนการใช้ AI อย่างยั่งยืน แต่ยังคงต้องมีการบังคับใช้ในระดับสากลที่เข้มงวดมากขึ้น
แนวทางแก้ไขทางเทคนิค: การพัฒนาโมเดล AI ที่มีประสิทธิภาพไม่จำเป็นต้องใช้ข้อมูลจำนวนมหาศาล การมุ่งเน้นโมเดล AI เฉพาะด้าน (Domain-specific) แทนการเพิ่มขนาดโมเดลอย่างไม่หยุดยั้ง ช่วยลดผลกระทบต่อสิ่งแวดล้อม เทคนิคอย่าง Prompt Engineering, Prompt Tuning และ Model Fine-tuning สามารถปรับปรุงการใช้ฮาร์ดแวร์ให้เหมาะสม ลดการปล่อยคาร์บอนในการปรับใช้โมเดลพื้นฐาน
โครงสร้างพื้นฐาน: ศูนย์ข้อมูลที่รองรับ AI ต้องใช้ระบบระบายความร้อนขนาดใหญ่ ทั้งระบบ Cooling Tower และ Outside Air Cooling ซึ่งล้วนต้องใช้น้ำปริมาณมาก การลดคาร์บอนให้กับโครงข่ายไฟฟ้าที่ AI ทำงานอยู่ และการสร้างเงื่อนไขสำหรับการลงทุนในเทคโนโลยีสะอาดจึงเป็นสิ่งจำเป็น
ความโปร่งใสและความรับผิดชอบ: การเพิ่มความโปร่งใสเกี่ยวกับการใช้พลังงานและรอยเท้าคาร์บอนของโมเดล AI ทั้งในขั้นตอนการฝึกฝนและการใช้งาน เป็นกุญแจสำคัญในการป้องกันการฟอกเขียวและทำให้บริษัท AI ต้องรับผิดชอบ

ความยั่งยืนจะต้องถูกฝังเข้าไปในการออกแบบ การวัดผล และการกำกับดูแลของ AI ตั้งแต่เริ่มต้น ไม่ใช่สิ่งที่ถูกนำมาจัดการทีหลัง การทำงานข้ามห่วงโซ่คุณค่าทั้งหมดของ AI ตั้งแต่โครงข่ายไฟฟ้าไปจนถึงฮาร์ดแวร์และซอฟต์แวร์ เป็นสิ่งที่จำเป็นเพื่อให้ AI ที่ยั่งยืนกลายเป็นความจริง

Training large models consumes enormous energy for GPUs and cooling.
Moving massive datasets increases network infrastructure power draw.
Refreshing specialized hardware creates electronic waste and mineral extraction demands.

Full English Translation:
AI for Sustainability: The Path to Global Measuring Standards and Green Investment
While artificial intelligence is being used to drive environmental goals like never before, it itself has become a major consumer of energy and water resources. This creates a significant structural challenge for the tech industry, particularly in measurement, reporting, and investment in green infrastructure.
The electricity capacity used by data centers worldwide is skyrocketing. A report from NTT Data indicates that by 2028, more than half of data center electricity could be devoted to AI, equivalent to the annual electricity used by 22% of all U.S. households. This growth stems from training large models, moving massive datasets, and refreshing specialized hardware, all of which consume electricity, water, and minerals at alarming scales.
The core issue is twofold: a lack of global measuring standards and a lack of support for R&D into more energy-efficient AI on an international scale. Currently, there is no shared system to measure and report the energy expenditure of AI models, creating loopholes for greenwashing by tech companies.
– Standards and Frameworks: Frameworks like the Montreal Declaration for Responsible AI and the OECD AI Principles are widely accepted, including the AI Alliance launched in December 2023 advocating sustainable AI use. However, stricter international enforcement is still needed.
– Technical Solutions: Effective AI models can be developed without extensive data. Prioritizing domain-specific AI models over constant size increases reduces environmental impact. Techniques like Prompt Engineering, Prompt Tuning, and Model Fine-tuning can optimize hardware usage, reducing the carbon footprint of adapting foundation models.
– Infrastructure: Data centers serving AI require large-scale cooling systems, including cooling towers and outside air cooling, both of which need water. Decarbonizing the grids AI runs on and creating investment conditions for clean technologies is essential.
– Transparency and Accountability: Enhancing transparency regarding the energy use and carbon footprint of AI models, in both training and use, is key to preventing greenwashing and holding AI companies accountable.
Sustainability must be embedded into AI’s design, measurement, and governance from the outset, not treated as an afterthought.
– Training large models consumes enormous energy for GPUs and cooling.
– Moving massive datasets increases network infrastructure power draw.
– Refreshing specialized hardware creates electronic waste and mineral extraction demands.