Green AI คืออะไร? ลดคาร์บอนจากการใช้งาน AI ในองค์กร

Green AI คืออะไร? ลดคาร์บอนจากการใช้งาน AI ในองค์กร

ในช่วงสองปีที่ผ่านมา องค์กรทั่วโลกแข่งกันนำ AI มาใช้ในทุกกระบวนการทางธุรกิจ ตั้งแต่แชทบอทบริการลูกค้าไปจนถึงระบบวิเคราะห์ข้อมูลขนาดใหญ่ แต่สิ่งที่มักถูกมองข้ามคือ "ต้นทุนพลังงาน" ที่ซ่อนอยู่เบื้องหลังทุกคำสั่ง (prompt) ที่ส่งเข้าไปในโมเดล AI ข้อมูลล่าสุดจาก Gartner ระบุว่าการใช้ไฟฟ้าของดาต้าเซ็นเตอร์ทั่วโลกในปี 2026 จะเพิ่มขึ้นถึง 26% แตะระดับ 565 เทระวัตต์ชั่วโมง จากปัจจัยหลักคือเซิร์ฟเวอร์ที่ออกแบบมาสำหรับ AI โดยเฉพาะ ซึ่งคาดว่าจะมีสัดส่วนการใช้พลังงานเกินกว่าเซิร์ฟเวอร์ทั่วไปภายในปี 2027

นี่ไม่ใช่แค่ประเด็นด้านสิ่งแวดล้อมที่ฝ่ายความยั่งยืนต้องรับผิดชอบเพียงลำพังอีกต่อไป แต่กำลังกลายเป็นปัจจัยเชิงกลยุทธ์ที่ส่งผลต่อต้นทุนดำเนินงาน ความเสี่ยงด้านห่วงโซ่อุปทานพลังงาน และแม้แต่เกณฑ์การจัดซื้อจัดจ้างซอฟต์แวร์ AI ในองค์กรขนาดใหญ่ แนวคิด Green AI จึงเกิดขึ้นเพื่อตอบโจทย์นี้ นั่นคือการออกแบบ เลือกใช้ และดำเนินงานระบบ AI โดยคำนึงถึงประสิทธิภาพการใช้พลังงานและผลกระทบด้านคาร์บอนควบคู่ไปกับประสิทธิภาพทางธุรกิจ

Green AI คืออะไรกันแน่

Green AI ไม่ได้หมายถึงการหยุดใช้ AI หรือใช้ AI ให้น้อยลง แต่หมายถึงแนวทางการบริหารจัดการวงจรชีวิตของระบบ AI ทั้งหมด ตั้งแต่การฝึกโมเดล (training) การใช้งานจริง (inference) ไปจนถึงโครงสร้างพื้นฐานที่รองรับ โดยมีเป้าหมายเพื่อให้ได้ผลลัพธ์ทางธุรกิจสูงสุดต่อหน่วยพลังงานที่ใช้ไป แนวคิดนี้แตกต่างจากยุคแรกของ AI ที่มักวัดความสำเร็จของโมเดลด้วยความแม่นยำเพียงอย่างเดียว โดยไม่คำนึงถึงต้นทุนการคำนวณเบื้องหลัง

สามระดับของ Green AI:
งานวิจัยและกรอบการวัดผลที่เผยแพร่ในปี 2026 อย่าง Watershed Framework ได้แบ่งวิธีประเมินผลกระทบด้านคาร์บอนของ AI องค์กรออกเป็นสามระดับ ตั้งแต่การประมาณจากมูลค่าการใช้จ่ายกับผู้ให้บริการ AI ซึ่งเป็นวิธีที่หยาบที่สุด ไปจนถึงการคำนวณจากปริมาณโทเคนที่ใช้จริงร่วมกับค่าประสิทธิภาพของดาต้าเซ็นเตอร์ และวิธีที่แม่นยำที่สุดคือการรับข้อมูลพลังงานโดยตรงจากผู้ให้บริการโมเดลนั้น ๆ ซึ่งยังต้องการความโปร่งใสที่มากขึ้นจากฝั่งผู้ให้บริการ

ทำไมองค์กรต้องให้ความสำคัญตอนนี้

หลายฝ่ายอาจมองว่าเรื่องพลังงานของ AI เป็นปัญหาของผู้ให้บริการคลาวด์รายใหญ่ ไม่ใช่ขององค์กรผู้ใช้งาน แต่ในความเป็นจริงแล้วมีเหตุผลเชิงธุรกิจที่ชัดเจนหลายประการ

ต้นทุนที่เพิ่มขึ้นตามการใช้งาน:
เมื่อความต้องการพลังงานของดาต้าเซ็นเตอร์เพิ่มขึ้นเร็วกว่ากำลังการผลิตไฟฟ้าในหลายภูมิภาค ราคาค่าใช้จ่ายในการประมวลผล AI ก็มีแนวโน้มปรับตัวสูงขึ้นตาม รายงานระบุว่าในบางพื้นที่ เช่น ไอร์แลนด์ ดาต้าเซ็นเตอร์ใช้ไฟฟ้าเกิน 20% ของความต้องการไฟฟ้าทั้งประเทศแล้ว ขณะที่รัฐเวอร์จิเนียตอนเหนือ เท็กซัสบางส่วน และฟีนิกซ์ ต้องเผชิญต้นทุนขยายโครงข่ายไฟฟ้าที่สูงขึ้นอย่างมีนัยสำคัญ

เกณฑ์การจัดซื้อที่เปลี่ยนไป:
การเปิดเผยข้อมูลความยั่งยืนกำลังกลายเป็นเกณฑ์หนึ่งในการจัดซื้อบริการ AI ขององค์กร ผู้ให้บริการที่สามารถแสดงข้อมูลความยั่งยืนได้อย่างน่าเชื่อถือย่อมได้เปรียบในการแข่งขันประมูลงาน โดยเฉพาะกับลูกค้าองค์กรขนาดใหญ่ที่มีเป้าหมายด้าน ESG ของตนเอง

ความเสี่ยงด้านกฎระเบียบ:
หลายประเทศเริ่มพิจารณากำหนดให้ดาต้าเซ็นเตอร์ต้องพึ่งพาพลังงานหมุนเวียนบางส่วน หรือรายงานปริมาณการปล่อยคาร์บอนและการใช้น้ำ ขณะเดียวกันบางพื้นที่ที่มีดาต้าเซ็นเตอร์หนาแน่นเริ่มมีการเสนอระงับการก่อสร้างศูนย์ข้อมูลใหม่ชั่วคราว หากโครงข่ายไฟฟ้าในพื้นที่ไม่สามารถรองรับได้

กลยุทธ์ Green AI ที่นำไปใช้ได้จริงในองค์กร

การปรับองค์กรให้สอดคล้องกับแนวคิด Green AI ไม่จำเป็นต้องเริ่มจากการลงทุนโครงสร้างพื้นฐานใหม่ทั้งหมด แต่สามารถเริ่มจากการตัดสินใจเชิงสถาปัตยกรรมที่ส่งผลกระทบสูงและใช้ต้นทุนต่ำ

เลือกขนาดโมเดลให้เหมาะกับงาน:
หนึ่งในความผิดพลาดที่พบบ่อยที่สุดคือการใช้โมเดลขนาดใหญ่ที่สุดสำหรับทุกงาน ทั้งที่งานจำนวนมาก เช่น การจัดหมวดหมู่ข้อความหรือการสรุปเอกสารสั้น สามารถใช้โมเดลขนาดเล็กหรือโมเดลเฉพาะทางที่ผ่านการกลั่น (distillation) ได้ผลลัพธ์ใกล้เคียงกันแต่ใช้พลังงานน้อยกว่ามาก การจัดลำดับความต้องการของงานและจับคู่กับขนาดโมเดลที่เหมาะสมจึงเป็นจุดเริ่มต้นที่คุ้มค่าที่สุด

ลดการเรียกซ้ำด้วยการแคชและกรองคำขอ:
ระบบ AI จำนวนมากประมวลผลคำขอที่ซ้ำหรือใกล้เคียงกันซ้ำแล้วซ้ำเล่าโดยไม่จำเป็น การนำระบบแคชคำตอบ (response caching) และการกรองคำขอก่อนส่งเข้าโมเดลหลักช่วยลดจำนวนการประมวลผลที่ใช้พลังงานสูงได้อย่างมีนัยสำคัญ โดยเฉพาะในระบบที่มีผู้ใช้งานจำนวนมากพร้อมกัน

เลือกผู้ให้บริการโครงสร้างพื้นฐานอย่างมีข้อมูล:
เทคโนโลยีระบายความร้อนแบบของเหลว (liquid cooling) ทั้งแบบแช่และแบบสัมผัสชิปโดยตรง สามารถลดการใช้น้ำโดยตรงได้ 70-90% และช่วยปรับปรุงค่าประสิทธิภาพการใช้พลังงานของดาต้าเซ็นเตอร์สำหรับงาน AI ที่มีความหนาแน่นสูง แม้เทคโนโลยีนี้จะไม่ได้ลดความต้องการไฟฟ้าพื้นฐานลง แต่ก็ช่วยเพิ่มประสิทธิภาพโดยรวมของระบบ องค์กรที่เลือกผู้ให้บริการคลาวด์หรือดาต้าเซ็นเตอร์ควรพิจารณาข้อมูลเหล่านี้ประกอบการตัดสินใจ ไม่ใช่พิจารณาเพียงราคาต่อหน่วยการประมวลผล

กำหนดตัวชี้วัดพลังงานควบคู่กับตัวชี้วัดธุรกิจ:
องค์กรที่จริงจังกับ Green AI ควรเริ่มติดตามตัวชี้วัด เช่น พลังงานที่ใช้ต่อคำขอ (energy per query) หรือความเข้มข้นคาร์บอนของไฟฟ้าที่ใช้ ควบคู่ไปกับตัวชี้วัดผลลัพธ์ทางธุรกิจ เช่น อัตราการแปลงหรือความพึงพอใจของลูกค้า เพื่อให้ทีมงานเห็นภาพต้นทุนที่แท้จริงของทุกฟีเจอร์ที่ขับเคลื่อนด้วย AI

แนวโน้มที่ต้องจับตาในอีก 3-5 ปีข้างหน้า

ทบวงพลังงานระหว่างประเทศคาดการณ์ว่าการใช้ไฟฟ้าของดาต้าเซ็นเตอร์ทั่วโลกจะเพิ่มขึ้นเกือบสองเท่าภายในปี 2030 โดยมี AI เป็นตัวขับเคลื่อนหลักของการเติบโตนี้ ขณะที่ผู้ให้บริการคลาวด์รายใหญ่ต่างทุ่มเงินลงทุนโครงสร้างพื้นฐาน AI มูลค่ารวมกันหลายแสนล้านดอลลาร์ในปี 2025 เพียงปีเดียว ซึ่งสะท้อนว่าความต้องการพลังงานจะยังคงเป็นข้อจำกัดสำคัญของอุตสาหกรรมนี้ไปอีกหลายปี

สิ่งที่น่าสนใจคือแม้ความเข้มข้นของคาร์บอนต่อหน่วยการประมวลผลจะมีแนวโน้มลดลงเรื่อย ๆ จากการปรับปรุงประสิทธิภาพชิปและระบบทำความเย็น แต่ปริมาณการปล่อยคาร์บอนโดยรวมยังคงเพิ่มขึ้น เพราะอัตราการเติบโตของการใช้งาน AI เร็วกว่าอัตราการจัดหาพลังงานสะอาดมาทดแทน นี่คือความท้าทายเชิงโครงสร้างที่องค์กรผู้ใช้งาน AI ไม่สามารถหลีกเลี่ยงได้ แม้จะไม่ได้เป็นเจ้าของดาต้าเซ็นเตอร์เอง เพราะท้ายที่สุดแล้วต้นทุนและความเสี่ยงเหล่านี้จะสะท้อนกลับมาในรูปของราคาบริการ ความพร้อมใช้งาน และข้อกำหนดด้านการรายงานที่เข้มงวดขึ้น

สรุป

Green AI คือการปรับมุมมองในการนำ AI มาใช้งานในองค์กร จากที่เคยให้ความสำคัญกับความสามารถและความเร็วเพียงอย่างเดียว ไปสู่การพิจารณาต้นทุนพลังงานและผลกระทบด้านคาร์บอนเป็นส่วนหนึ่งของการตัดสินใจเชิงกลยุทธ์ ในขณะที่ความต้องการพลังงานของอุตสาหกรรม AI ทั่วโลกยังคงเติบโตอย่างรวดเร็วและกำลังกลายเป็นข้อจำกัดด้านโครงสร้างพื้นฐานที่แท้จริง องค์กรที่เริ่มวางกรอบการวัดผล เลือกใช้โมเดลอย่างเหมาะสม และผนวกเกณฑ์ความยั่งยืนเข้าไปในการจัดซื้อจัดจ้างตั้งแต่วันนี้ จะอยู่ในตำแหน่งที่ได้เปรียบทั้งด้านต้นทุนระยะยาวและความพร้อมรับมือกับกฎระเบียบที่กำลังจะมาถึง