เกณฑ์มาตรฐานใหม่สำหรับการประเมินผลกระทบต่อสิ่งแวดล้อม
ในการแสวงหาเพื่อวัดผลกระทบต่อสิ่งแวดล้อมของ AI ทีมงานนักวิจัยจาก University of Rhode Island, Providence College และ University of Tunis ได้แนะนำเกณฑ์มาตรฐานที่คำนึงถึงโครงสร้างพื้นฐานสำหรับการ推论 AI งานวิจัยชิ้นนี้ซึ่งมีอยู่ในเซิร์ฟเวอร์พิมพ์ล่วงหน้า arXiv ของ Cornell University นำเสนอการประเมินผลกระทบทางนิเวศวิทยาของ AI ที่แม่นยำยิ่งขึ้น เกณฑ์มาตรฐานนี้รวมข้อมูลเวลาแฝงของ API สาธารณะเข้ากับข้อมูลเกี่ยวกับ GPU พื้นฐานและองค์ประกอบของโครงข่ายไฟฟ้าในภูมิภาคเพื่อคำนวณรอยเท้าทางนิเวศน์ต่อการกระตุ้นเตือนสำหรับ模型 AI หลัก 30 แบบ แนวทางที่ครอบคลุมนี้พิจารณาถึงการใช้พลังงาน การใช้น้ำ และการปล่อยก๊าซคาร์บอนไดออกไซด์ ซึ่งส่งผลให้เกิดคะแนน "ประสิทธิภาพเชิงนิเวศน์"
Abdeltawab Hendawi ผู้ช่วยศาสตราจารย์ที่ University of Rhode Island อธิบายถึงแรงจูงใจเบื้องหลังการศึกษาว่า "เราเริ่มคิดถึงการเปรียบเทียบแบบจำลองเหล่านี้ในแง่ของทรัพยากรสิ่งแวดล้อม น้ำ พลังงาน และรอยเท้าคาร์บอน" ผลการวิจัยเผยให้เห็นความแตกต่างอย่างมากในผลกระทบต่อสิ่งแวดล้อมของ模型 AI ที่แตกต่างกัน
ความแตกต่างในการใช้พลังงาน: OpenAI, DeepSeek และ Anthropic
การศึกษาเน้นย้ำถึงความแตกต่างอย่างมากในการใช้พลังงานระหว่าง模型 AI ชั้นนำ o3 model ของ OpenAI และ模型ให้เหตุผลหลักของ DeepSeek ใช้พลังงานมากกว่า 33 วัตต์-ชั่วโมง (Wh) สำหรับการตอบสนองที่ยาวนานเพียงครั้งเดียว สิ่งนี้แตกต่างอย่างมากกับ GPT-4.1 nano ที่เล็กกว่าของ OpenAI ซึ่งต้องการพลังงานน้อยกว่าถึง 70 เท่า Claude-3.7 Sonnet ของ Anthropic กลายเป็น模型ที่มีประสิทธิภาพเชิงนิเวศน์มากที่สุดในการศึกษา
นักวิจัยเน้นย้ำถึงบทบาทสำคัญของฮาร์ดแวร์ในการกำหนดผลกระทบต่อสิ่งแวดล้อมของ模型 AI ตัวอย่างเช่น GPT-4o mini ซึ่งใช้ GPU A100 รุ่นเก่า ใช้พลังงานต่อการสืบค้นมากกว่า GPT-4o ที่ใหญ่กว่า ซึ่งทำงานบนชิป H100 ที่ทันสมัยกว่า สิ่งนี้เน้นย้ำถึงความสำคัญของการใช้ประโยชน์จากฮาร์ดแวร์ที่ล้ำสมัยเพื่อลดรอยเท้าด้านสิ่งแวดล้อมของ AI ให้เหลือน้อยที่สุด
ผลกระทบต่อสิ่งแวดล้อมของความยาวของการสืบค้น
การศึกษาเผยให้เห็นความสัมพันธ์โดยตรงระหว่างความยาวของการสืบค้นและผลกระทบต่อสิ่งแวดล้อม การสืบค้นที่ยาวขึ้นจะนำไปสู่การใช้ทรัพยากรมากขึ้นอย่างหลีกเลี่ยงไม่ได้ แม้แต่การกระตุ้นเตือนสั้นๆ ที่ดูเหมือนไม่มีนัยสำคัญก็มีส่วนช่วยในภาระด้านสิ่งแวดล้อมโดยรวม การกระตุ้นเตือน GPT-4o สั้นๆ เพียงครั้งเดียวใช้พลังงานประมาณ 0.43 Wh นักวิจัยประเมินว่าที่ OpenAI คาดการณ์ว่ามีการโทร GPT-4o 700 ล้านครั้งต่อวัน ปริมาณการใช้พลังงานประจำปีทั้งหมดอาจอยู่ที่ 392 ถึง 463 กิกะวัตต์-ชั่วโมง (GWh) เพื่อให้เห็นภาพ นี่คือพลังงานที่เพียงพอต่อการจ่ายไฟให้กับบ้านชาวอเมริกันระหว่าง 35,000 หลังต่อปี
ผลกระทบสะสมของการนำ AI มาใช้
การศึกษาเน้นย้ำว่าการนำ AI มาใช้ของผู้ใช้แต่ละรายสามารถเพิ่มขึ้นอย่างรวดเร็วเป็นต้นทุนด้านสิ่งแวดล้อมที่สำคัญ Nidhal Jegham นักวิจัยที่ University of Rhode Island และหัวหน้าผู้เขียนการศึกษา อธิบายว่า "การใช้ ChatGPT-4o ต่อปีใช้ปริมาณน้ำมากเท่ากับความต้องการดื่มของคน 1.2 ล้านคนต่อปี" Jegham เตือนว่าในขณะที่ผลกระทบต่อสิ่งแวดล้อมของข้อความหรือการกระตุ้นเตือนเพียงครั้งเดียวดูเหมือนเล็กน้อย "เมื่อคุณปรับขนาดมัน โดยเฉพาะอย่างยิ่ง AI กำลังขยายตัวไปทั่วดัชนีมากแค่ไหน มันกำลังกลายเป็นปัญหาที่เพิ่มขึ้นอย่างแท้จริง"
เจาะลึกลงไปในตัวชี้วัดผลกระทบต่อสิ่งแวดล้อม
เพื่อให้เห็นคุณค่าอย่างเต็มที่ถึงผลกระทบของผลการศึกษา จำเป็นต้องมีการตรวจสอบตัวชี้วัดด้านสิ่งแวดล้อมที่ใช้ในการประเมิน模型 AI โดยละเอียดมากขึ้น ส่วนต่อไปนี้จะแสดงรายละเอียดของตัวชี้วัดที่สำคัญ:
การใช้พลังงาน
การใช้พลังงานเป็นตัวชี้วัดพื้นฐานของพลังงานไฟฟ้าที่จำเป็นในการดำเนินงาน模型 AI การศึกษา量化การใช้พลังงานเป็นวัตต์-ชั่วโมง (Wh) ต่อการสืบค้น ช่วยให้สามารถเปรียบเทียบประสิทธิภาพการใช้พลังงานของ模型ต่างๆ ได้โดยตรง การลดการใช้พลังงานให้เหลือน้อยที่สุดเป็นสิ่งสำคัญสำหรับการลดรอยเท้าคาร์บอนและผลกระทบต่อสิ่งแวดล้อมโดยรวมของ AI
ปัจจัยที่มีอิทธิพลต่อการใช้พลังงาน:
- ขนาดและความซับซ้อนของ模型: โดยทั่วไปแล้ว模型的ที่มีขนาดใหญ่และซับซ้อนกว่าจะต้องใช้พลังงานในการทำงานมากกว่า模型的ที่มีขนาดเล็กและเรียบง่ายกว่า
- ประสิทธิภาพของฮาร์ดแวร์: GPU และส่วนประกอบฮาร์ดแวร์อื่นๆ ที่ใช้ในการรัน模型 AI มีบทบาทสำคัญในการใช้พลังงาน ฮาร์ดแวร์ที่ทันสมัยและประหยัดพลังงานกว่าสามารถลดรอยเท้าพลังงานของ AI ได้อย่างมาก
- ความยาวและความซับซ้อนของการสืบค้น: โดยทั่วไปแล้วการสืบค้นที่ยาวและซับซ้อนกว่าจะต้องใช้ทรัพยากรการคำนวณมากขึ้นและใช้พลังงานมากขึ้น
- เทคนิคการเพิ่มประสิทธิภาพ: เทคนิคการเพิ่มประสิทธิภาพต่างๆ เช่น การบีบอัดและการ量化模型 สามารถลดการใช้พลังงานของ模型 AI ได้โดยไม่ลดทอนความแม่นยำ
การใช้น้ำ
การใช้น้ำเป็นอีกแง่มุมหนึ่งที่มักถูกมองข้ามของผลกระทบต่อสิ่งแวดล้อมของ AI ศูนย์ข้อมูลซึ่งเป็นที่ตั้งของเซิร์ฟเวอร์ที่รัน模型 AI ต้องใช้น้ำในปริมาณมากสำหรับการระบายความร้อน การศึกษาประมาณการการใช้น้ำโดยอิงตามการใช้พลังงานของศูนย์ข้อมูลและความเข้มข้นของน้ำของโครงข่ายไฟฟ้าในภูมิภาคที่จ่ายไฟฟ้าให้กับศูนย์ข้อมูลเหล่านั้น
ปัจจัยที่มีอิทธิพลต่อการใช้น้ำ:
- ข้อกำหนดในการระบายความร้อน: ศูนย์ข้อมูลสร้างความร้อนจำนวนมากและต้องการระบบระบายความร้อนเพื่อรักษาอุณหภูมิการทำงานที่เหมาะสม โดยทั่วไปแล้วน้ำจะใช้เป็นสารหล่อเย็น ไม่ว่าจะโดยตรงหรือโดยอ้อมผ่านหอทำความเย็น
- ความเข้มข้นของน้ำในโครงข่ายไฟฟ้า: ความเข้มข้นของน้ำในโครงข่ายไฟฟ้าหมายถึงปริมาณน้ำที่ต้องใช้ในการผลิตไฟฟ้าหนึ่งหน่วย โครงข่ายไฟฟ้าที่พึ่งพาโรงไฟฟ้าพลังงานความร้อนเป็นอย่างมาก ซึ่งใช้น้ำในการระบายความร้อน มีความเข้มข้นของน้ำสูงกว่า
- ที่ตั้งศูนย์ข้อมูล: ศูนย์ข้อมูลที่ตั้งอยู่ในภูมิภาคที่แห้งแล้งหรือภูมิภาคที่มีปัญหาการขาดแคลนน้ำสามารถทำให้ผลกระทบต่อสิ่งแวดล้อมของ AI เลวร้ายลงได้
การปล่อยก๊าซคาร์บอนไดออกไซด์
การปล่อยก๊าซคาร์บอนไดออกไซด์เป็นปัจจัยหลักที่ขับเคลื่อนการเปลี่ยนแปลงสภาพภูมิอากาศ การศึกษาคำนวณการปล่อยก๊าซคาร์บอนไดออกไซด์โดยอิงตามการใช้พลังงานของ模型 AI และความเข้มข้นของคาร์บอนของโครงข่ายไฟฟ้าในภูมิภาค ความเข้มข้นของคาร์บอนหมายถึงปริมาณก๊าซคาร์บอนไดออกไซด์ที่ปล่อยออกมาต่อหน่วยไฟฟ้าที่ผลิต
ปัจจัยที่มีอิทธิพลต่อการปล่อยก๊าซคาร์บอนไดออกไซด์:
- แหล่งพลังงาน: ประเภทของพลังงานที่ใช้ในการจ่ายไฟให้กับศูนย์ข้อมูลมีผลกระทบอย่างมากต่อการปล่อยก๊าซคาร์บอนไดออกไซด์ แหล่งพลังงานหมุนเวียน เช่น พลังงานแสงอาทิตย์และพลังงานลม มีความเข้มข้นของคาร์บอนต่ำกว่าเชื้อเพลิงฟอสซิล เช่น ถ่านหินและก๊าซธรรมชาติมาก
- ความเข้มข้นของคาร์บอนในโครงข่ายไฟฟ้า: ความเข้มข้นของคาร์บอนในโครงข่ายไฟฟ้าแตกต่างกันไปขึ้นอยู่กับส่วนผสมของแหล่งพลังงานที่ใช้ในการผลิตไฟฟ้า ภูมิภาคที่มีสัดส่วนของแหล่งพลังงานหมุนเวียนสูงกว่ามีความเข้มข้นของคาร์บอนต่ำกว่า
- ประสิทธิภาพการใช้พลังงาน: การลดการใช้พลังงานเป็นวิธีที่มีประสิทธิภาพมากที่สุดในการลดการปล่อยก๊าซคาร์บอนไดออกไซด์
ผลกระทบและข้อเสนอแนะ
ผลการศึกษาดังกล่าวมีผลกระทบอย่างมากต่อนักพัฒนา AI ผู้กำหนดนโยบาย และผู้ใช้ปลายทาง ผลกระทบต่อสิ่งแวดล้อมของ AI ไม่ได้เล็กน้อยและจำเป็นต้องพิจารณาอย่างรอบคอบเนื่องจากเทคโนโลยี AI ยังคงพัฒนาและแพร่หลายต่อไป
ข้อเสนอแนะสำหรับนักพัฒนา AI:
- ให้ความสำคัญกับประสิทธิภาพการใช้พลังงาน: นักพัฒนา AI ควรให้ความสำคัญกับประสิทธิภาพการใช้พลังงานเมื่อออกแบบและฝึกอบรม模型 AI ซึ่งรวมถึงการใช้模型的ที่มีขนาดเล็กลง การเพิ่มประสิทธิภาพโค้ด และการใช้ประโยชน์จากฮาร์ดแวร์ที่มีประสิทธิภาพ
- สำรวจแหล่งพลังงานหมุนเวียน: บริษัท AI ควรสำรวจโอกาสในการจ่ายไฟให้กับศูนย์ข้อมูลของตนด้วยแหล่งพลังงานหมุนเวียน สิ่งนี้สามารถลดรอยเท้าคาร์บอนของ AI ได้อย่างมาก
- ลงทุนในการอนุรักษ์น้ำ: ศูนย์ข้อมูลควรลงทุนในเทคโนโลยีการอนุรักษ์น้ำเพื่อลดการใช้น้ำให้เหลือน้อยที่สุด ซึ่งรวมถึงการใช้ระบบระบายความร้อนแบบวงปิดและการเก็บเกี่ยวน้ำฝน
- ความโปร่งใสและการรายงาน: บริษัท AI ควรมีความโปร่งใสเกี่ยวกับผลกระทบต่อสิ่งแวดล้อมของ模型ของตนและรายงานตัวชี้วัดที่สำคัญ เช่น การใช้พลังงาน การใช้น้ำ และการปล่อยก๊าซคาร์บอนไดออกไซด์
ข้อเสนอแนะสำหรับผู้กำหนดนโยบาย:
- สร้างแรงจูงใจให้กับ AI สีเขียว: ผู้กำหนดนโยบายควรสร้างแรงจูงใจในการพัฒนาและใช้งานเทคโนโลยี AI สีเขียวผ่านเครดิตภาษี เงินอุดหนุน และสิ่งจูงใจอื่นๆ
- ควบคุมการใช้พลังงานของศูนย์ข้อมูล: ผู้กำหนดนโยบายควรควบคุมการใช้พลังงานของศูนย์ข้อมูลเพื่อให้แน่ใจว่าศูนย์ข้อมูลกำลังทำงานอย่างมีประสิทธิภาพมากที่สุด
- ส่งเสริมการนำพลังงานหมุนเวียนมาใช้: ผู้กำหนดนโยบายควรส่งเสริมการนำแหล่งพลังงานหมุนเวียนมาใช้เพื่อลดความเข้มข้นของคาร์บอนของโครงข่ายไฟฟ้า
- สนับสนุนการวิจัยและพัฒนา: ผู้กำหนดนโยบายควรสนับสนุนการวิจัยและพัฒนาเทคโนโลยีใหม่ๆ ที่สามารถลดผลกระทบต่อสิ่งแวดล้อมของ AI ได้
ข้อเสนอแนะสำหรับผู้ใช้ปลายทาง:
- ใส่ใจในการใช้ AI: ผู้ใช้ปลายทางควรใส่ใจในการใช้ AI ของตนและหลีกเลี่ยงการสืบค้นที่ไม่จำเป็นหรือไม่สำคัญ
- เลือก模型 AI ที่เป็นมิตรต่อสิ่งแวดล้อม: เมื่อเป็นไปได้ ผู้ใช้ปลายทางควรเลือก模型 AI ที่ทราบกันดีว่าประหยัดพลังงานมากกว่า
- สนับสนุนแนวทางปฏิบัติ AI ที่ยั่งยืน: ผู้ใช้ปลายทางสามารถสนับสนุนแนวทางปฏิบัติ AI ที่ยั่งยืนได้โดยการเลือกผลิตภัณฑ์และบริการ AI จากบริษัทที่มุ่งมั่นต่อความรับผิดชอบต่อสิ่งแวดล้อม
ทิศทางการวิจัยในอนาคต
การศึกษาเน้นย้ำถึงความจำเป็นในการวิจัยเพิ่มเติมเกี่ยวกับผลกระทบต่อสิ่งแวดล้อมของ AI การวิจัยในอนาคตควรเน้นที่ประเด็นต่อไปนี้:
- การประเมินวงจรชีวิต: ดำเนินการประเมินวงจรชีวิตที่ครอบคลุมของ模型 AI ตั้งแต่การพัฒนาจนถึงการกำจัด เพื่อระบุผลกระทบต่อสิ่งแวดล้อมที่อาจเกิดขึ้นทั้งหมด
- ผลกระทบของการฝึกอบรม: ตรวจสอบผลกระทบต่อสิ่งแวดล้อมของการฝึกอบรม模型 AI ซึ่งอาจสูงกว่าผลกระทบของการ推論อย่างมาก
- ผลกระทบของ AI ต่อภาคส่วนอื่นๆ: ตรวจสอบผลกระทบของ AI ต่อภาคส่วนอื่นๆ ของเศรษฐกิจ เช่น การขนส่งและการผลิต เพื่อทำความเข้าใจผลกระทบต่อสิ่งแวดล้อมโดยรวมของการนำ AI มาใช้
- การพัฒนาตัวชี้วัดใหม่: พัฒนาตัวชี้วัดใหม่เพื่อประเมินผลกระทบต่อสิ่งแวดล้อมของ AI เช่น ตัวชี้วัดที่คำนึงถึงพลังงานและวัสดุที่ฝังอยู่ในฮาร์ดแวร์ AI
สรุป
ผลกระทบต่อสิ่งแวดล้อมของ LLMs เป็นปัญหาที่ซับซ้อนและมีหลายแง่มุมซึ่งต้องพิจารณาอย่างรอบคอบ ผลการศึกษาครั้งนี้ให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับต้นทุนด้านพลังงาน น้ำ และคาร์บอนที่เกี่ยวข้องกับเครื่องมือ AI ที่ได้รับความนิยม การทำความเข้าใจต้นทุนเหล่านี้ นักพัฒนา AI ผู้กำหนดนโยบาย และผู้ใช้ปลายทางสามารถดำเนินการเพื่อลดรอยเท้าด้านสิ่งแวดล้อมของ AI และตรวจสอบให้แน่ใจว่าเทคโนโลยี AI ได้รับการพัฒนาและนำไปใช้อย่างยั่งยืน เมื่อ AI ถูกรวมเข้ากับชีวิตของเรามากขึ้น การให้ความสำคัญกับความยั่งยืนและการทำงานร่วมกันเพื่อสร้างอนาคตที่ AI เป็นประโยชน์ต่อสังคมโดยไม่ทำร้ายสิ่งแวดล้อมเป็นสิ่งสำคัญ