ทุกครั้งที่คุณถามคำถามปัญญาประดิษฐ์หนึ่งคำถาม มีพลังงานถูกใช้ไป มีน้ำถูกระเหยเพื่อระบายความร้อน และมีคาร์บอนถูกปล่อยออกสู่ชั้นบรรยากาศ คำถามคือเราจ่ายราคานั้นคุ้มแค่ไหน และจะลดมันได้อย่างไร
กลางปี 2568 รายงานของบริษัทวิจัยพลังงานแห่งหนึ่งในสหรัฐอเมริกาเปิดเผยตัวเลขที่ทำให้หลายคนสะดุ้ง ศูนย์ข้อมูลที่ให้บริการปัญญาประดิษฐ์ทั่วโลกในปีนั้น ใช้ไฟฟ้ารวมกันมากกว่าประเทศฝรั่งเศสทั้งประเทศ และถ้าแนวโน้มยังเติบโตในอัตราเดิม ภายในปี 2573 การคำนวณด้านปัญญาประดิษฐ์เพียงอย่างเดียว จะกินไฟมากกว่าประเทศอุตสาหกรรมขนาดกลางหลายประเทศรวมกัน
ตัวเลขนั้นไม่ใช่เรื่องที่บริษัทเทคโนโลยีอยากพูดถึงในงานแถลงข่าว แต่มันก็ไม่ใช่ตัวเลขที่ซ่อนไว้ได้นานนัก เพราะผู้ถือหุ้น นักกิจกรรมด้านสิ่งแวดล้อม และรัฐบาลหลายประเทศ ต่างเริ่มถามคำถามเดียวกันในเวลาไล่เลี่ยกัน: ถ้าปัญญาประดิษฐ์จะช่วยแก้ปัญหาโลกร้อน แล้วทำไมการสร้างมันถึงทำให้โลกร้อนขึ้น?
๑. ขนาดของปัญหา ปัญญาประดิษฐ์ใช้พลังงานมากแค่ไหน?
การเข้าใจขนาดของปัญหาต้องเริ่มจากการแยกแยะว่าปัญญาประดิษฐ์ใช้พลังงานในสองช่วงหลัก ช่วงแรกคือการ ‘ฝึกสอน’ โมเดล ซึ่งเป็นกระบวนการที่ใช้พลังงานมากที่สุด และช่วงที่สองคือการ ‘ใช้งาน’ โมเดลที่ฝึกสอนแล้วเพื่อตอบคำถามหรือสร้างเนื้อหา ทั้งสองช่วงมีปัญหาที่แตกต่างกันและต้องการวิธีแก้ที่ต่างกัน
การฝึกสอนโมเดลขนาดใหญ่อย่าง GPT-4 ที่เปิดเผยมาตั้งแต่ปี 2566 ใช้ไฟฟ้าประมาณ 50,000 เมกะวัตต์ชั่วโมง ซึ่งเทียบเท่ากับไฟฟ้าที่บ้านพักอาศัยในไทยประมาณ 5,000 หลังใช้ตลอดทั้งปี โมเดลรุ่นใหม่ที่ฝึกสอนในปี 2568–2569 ที่มีความสามารถสูงขึ้นมาก คาดว่าใช้พลังงานสูงกว่านั้นอีกหลายเท่า แม้บริษัทส่วนใหญ่จะไม่เปิดเผยตัวเลขที่แน่ชัด
สิ่งที่ทำให้ปัญหานี้ซับซ้อนขึ้นคือการเติบโตที่เร็วมากของการใช้งาน ในปี 2564 ก่อนที่ ChatGPT จะเปิดตัว การใช้ปัญญาประดิษฐ์ยังจำกัดอยู่ในกลุ่มนักวิจัยและผู้เชี่ยวชาญ แต่ภายในสองปีถัดมา ผู้ใช้งานทั่วไปทั่วโลกเพิ่มขึ้นเป็นหลายร้อยล้านคน และในปี 2569 มีการสร้างเนื้อหา ตอบคำถาม และประมวลผลด้วยปัญญาประดิษฐ์ มากกว่าหลายพันล้านครั้งต่อวัน ซึ่งแปลว่าแม้จะทำให้ปัญญาประดิษฐ์แต่ละครั้งประหยัดพลังงานขึ้น ปริมาณการใช้งานทั้งหมดก็ยังเพิ่มขึ้นอย่างต่อเนื่อง
๒. วิธีแก้ปัญหา: เทคนิคที่กำลังเปลี่ยนเกม
ข่าวดีคือนักวิจัยและวิศวกรทั่วโลกไม่ได้นั่งดูปัญหานี้อยู่เฉยๆ ในช่วงสองถึงสามปีที่ผ่านมา มีความก้าวหน้าสำคัญหลายอย่าง ที่ทำให้ปัญญาประดิษฐ์ฉลาดขึ้นและประหยัดพลังงานขึ้นพร้อมกัน ซึ่งเป็นสิ่งที่นักวิทยาศาสตร์คอมพิวเตอร์หลายคนเคยคิดว่าเป็นไปไม่ได้
เทคนิคที่ 1 โมเดลขนาดเล็กที่ฉลาดขึ้น
ความเชื่อเดิมของวงการคือโมเดลที่ใหญ่กว่าย่อมฉลาดกว่าเสมอ แต่งานวิจัยในปี 2567–2568 เริ่มพิสูจน์ว่าไม่จำเป็นต้องเป็นเช่นนั้น โมเดล Llama 3 ขนาด 8 พันล้านพารามิเตอร์ของ Meta สามารถทำผลงานได้ใกล้เคียงกับ GPT-4 ในหลายงาน โดยใช้พลังงานน้อยกว่ามากเป็นสิบเท่า เทคนิคสำคัญที่ทำให้เป็นไปได้คือ ‘การกลั่นความรู้’ ซึ่งเป็นกระบวนการนำโมเดลขนาดใหญ่มาช่วยสอนโมเดลขนาดเล็ก ให้จับใจความสำคัญได้โดยไม่ต้องมีพารามิเตอร์มากเท่ากัน
เทคนิคที่ 2 การตัดทอนและบีบอัดโมเดล
โมเดลปัญญาประดิษฐ์ขนาดใหญ่มักมีส่วนที่ ‘ไม่ค่อยได้ใช้’ อยู่มาก เหมือนกับกล้ามเนื้อที่ไม่ได้ออกกำลังกายมาเป็นปี เทคนิคที่เรียกว่า ‘การตัดแต่ง’ ช่วยระบุและตัดส่วนเหล่านั้นออก โดยที่ความสามารถหลักของโมเดลแทบไม่เปลี่ยนแปลง ส่วนเทคนิค ‘การลดความละเอียด’ เปลี่ยนวิธีการจัดเก็บตัวเลขในโมเดล จากรูปแบบที่ใช้พื้นที่มากเป็นรูปแบบที่ประหยัดพื้นที่กว่า บริษัท Hugging Face รายงานว่าเทคนิคทั้งสองนี้รวมกัน สามารถลดขนาดโมเดลได้ถึง 75% โดยที่ประสิทธิภาพลดลงน้อยกว่า 5%
เราพบว่าโมเดลที่ดีที่สุดไม่ใช่โมเดลที่ใหญ่ที่สุด แต่คือโมเดลที่ ‘พอดี’ กับงานที่ต้องทำ
Yann LeCun, หัวหน้านักวิทยาศาสตร์ด้านปัญญาประดิษฐ์ Meta, ปี 2568
เทคนิคที่ 3 ปัญญาประดิษฐ์ที่ประมวลผลใกล้ตัวผู้ใช้
แทนที่จะส่งข้อมูลไปประมวลผลในศูนย์ข้อมูลขนาดยักษ์ที่อยู่ห่างออกไปหลายพันกิโลเมตร แนวคิดการประมวลผลใกล้ตัวผู้ใช้ทำให้ปัญญาประดิษฐ์ทำงานบนอุปกรณ์ที่อยู่ในมือหรือใกล้มือผู้ใช้ ไม่ว่าจะเป็นสมาร์ทโฟน แล็ปท็อป หรืออุปกรณ์ขนาดเล็กที่ติดตั้งในโรงงาน Apple Intelligence ที่เปิดตัวในปี 2567 เป็นตัวอย่างที่ชัดเจนที่สุด โดยปัญญาประดิษฐ์จำนวนมากทำงานบนชิปในตัวเครื่องโดยตรง ข้อดีคือลดการใช้พลังงานในการส่งข้อมูลและลดภาระของศูนย์ข้อมูล รวมถึงมีความเป็นส่วนตัวสูงกว่าเพราะข้อมูลไม่ต้องออกจากเครื่อง
เทคนิคที่ 4 ชิปประมวลผลรุ่นใหม่ที่ออกแบบมาเพื่อปัญญาประดิษฐ์โดยเฉพาะ
ชิปที่ใช้ประมวลผลปัญญาประดิษฐ์ในยุคแรกนั้นนำมาจากชิปที่ออกแบบมาสำหรับวิดีโอเกม ซึ่งทำงานได้แต่ไม่ได้ประหยัดพลังงาน ในปี 2568–2569 บริษัทชิปชั้นนำอย่าง NVIDIA, AMD และบริษัทเทคโนโลยีขนาดใหญ่ที่ผลิตชิปเอง เช่น Google, Amazon และ Microsoft ต่างออกชิปที่ออกแบบมาสำหรับการคำนวณด้านปัญญาประดิษฐ์โดยเฉพาะ NVIDIA รายงานว่าชิป Blackwell รุ่นล่าสุดให้ประสิทธิภาพต่อวัตต์สูงขึ้น กว่าชิปรุ่นก่อนถึง 4 เท่า ขณะที่ชิป Trainium ของ Amazon ออกแบบมาเพื่อการฝึกสอนโมเดลโดยเฉพาะและประหยัดพลังงานกว่าการใช้ชิปทั่วไปอย่างมีนัยสำคัญ
๓. พลังงานสะอาดกับศูนย์ข้อมูล: ความจริงที่ซับซ้อน
บริษัทเทคโนโลยีส่วนใหญ่ตอบสนองต่อคำวิจารณ์ด้วยการประกาศเป้าหมาย ใช้พลังงานหมุนเวียน 100% ภายในปีใดปีหนึ่ง ฟังดูดีและตอบโจทย์ได้เร็ว แต่ความจริงซับซ้อนกว่านั้นมาก
ปัญหาแรกคือความต่อเนื่องของพลังงาน ศูนย์ข้อมูลต้องการไฟฟ้าตลอด 24 ชั่วโมงทุกวัน แต่โซลาร์เซลล์ผลิตไฟได้เฉพาะตอนกลางวัน และกังหันลมผลิตได้เฉพาะตอนที่ลมพัด การซื้อใบรับรองพลังงานหมุนเวียน ซึ่งเป็นวิธีที่บริษัทหลายแห่งใช้นับว่า ‘100%’ ไม่ได้หมายความว่าไฟที่ไหลเข้าศูนย์ข้อมูลจริงๆ นั้นมาจากแหล่งสะอาด มันแค่หมายความว่าบริษัทจ่ายเงินเพื่อให้มีการผลิตพลังงานหมุนเวียนในปริมาณเดียวกัน ที่ไหนสักแห่งในโลก ซึ่งนักวิจารณ์เรียกว่าการ
‘ฟอกสีเขียว’
ปัญหาที่สองคือการตั้งศูนย์ข้อมูลในพื้นที่ที่ไฟฟ้าราคาถูก ซึ่งมักหมายถึงพื้นที่ที่พึ่งพาถ่านหินหรือก๊าซธรรมชาติเป็นหลัก ในขณะที่บริษัทซื้อใบรับรองพลังงานหมุนเวียนจากพื้นที่อื่น คาร์บอนที่ปล่อยออกมาจริงๆ ก็ยังอยู่ในชั้นบรรยากาศ ไม่ว่าจะมีใบรับรองหรือไม่ก็ตาม
ความพยายามที่เป็นจริงมากกว่า
แม้จะมีคำวิจารณ์ แต่ก็มีความพยายามที่จริงจังกว่าการซื้อใบรับรองเกิดขึ้นด้วย Microsoft ลงทุนในโรงงานนิวเคลียร์ขนาดเล็กที่เรียกว่า โรงไฟฟ้านิวเคลียร์โมดูลาร์ เพื่อสร้างพลังงานสะอาดที่ผลิตได้ต่อเนื่องตลอด 24 ชั่วโมง Google ทดลองนำไฟฟ้าจากเซลล์เชื้อเพลิงไฮโดรเจนมาใช้ในศูนย์ข้อมูล และ DeepMind ออกแบบระบบปัญญาประดิษฐ์ที่ช่วยจัดการการระบายความร้อนของศูนย์ข้อมูล Google เอง ส่งผลให้ลดพลังงานที่ใช้ในการระบายความร้อนลงได้ 40%
๔. คำถามที่ใหญ่กว่า ปัญญาประดิษฐ์คุ้มกับสิ่งที่ต้องแลกไปหรือเปล่า?
นี่คือคำถามที่ไม่มีคำตอบเดียว เพราะคำตอบขึ้นอยู่กับว่าเราใช้ปัญญาประดิษฐ์ทำอะไร มีงานที่ปัญญาประดิษฐ์ช่วยลดการปล่อยก๊าซเรือนกระจกได้จริงๆ และมีงานที่ใช้แค่เพราะสะดวกสบายโดยที่ประโยชน์ไม่คุ้มกับพลังงานที่ต้องแลกไป
DeepMind ใช้ปัญญาประดิษฐ์วิเคราะห์ภาพถ่ายดาวเทียมเพื่อหาตำแหน่งที่เหมาะสมสำหรับกังหันลม ส่งผลให้เพิ่มประสิทธิภาพการผลิตพลังงานลมได้ 20% โดยเฉลี่ย ซึ่งคุ้มค่ากับพลังงานที่ใช้ในการคำนวณอย่างชัดเจน นักวิทยาศาสตร์ใช้ปัญญาประดิษฐ์เร่งการค้นพบวัสดุใหม่สำหรับแบตเตอรี่ไฟฟ้า และแผงโซลาร์เซลล์รุ่นต่อไปซึ่งอาจประหยัดพลังงานได้มหาศาลในระยะยาว งานเหล่านี้ดูเหมือนจะคุ้มค่า
แต่ในทางกลับกัน การใช้ปัญญาประดิษฐ์สร้างภาพประกอบบทความที่มีคนอ่านไม่กี่คน หรือสร้างเนื้อหาตลาดที่โดนลบในไม่กี่วัน หรือแม้แต่การถาม AI ว่าวันนี้จะใส่เสื้อสีอะไรดี สิ่งเหล่านี้ใช้พลังงานจริง ปล่อยคาร์บอนจริง แต่ประโยชน์ที่ได้ก็อาจไม่คุ้มในสายตาของนักสิ่งแวดล้อม ปัญหาคือเราไม่มีกลไกที่บอกผู้ใช้ว่าการกระทำแต่ละอย่างมีต้นทุนทางสิ่งแวดล้อมแค่ไหน
นักวิชาการหลายคนเริ่มเสนอแนวคิด ‘ฉลากคาร์บอน’ สำหรับการใช้ปัญญาประดิษฐ์ คล้ายกับฉลากพลังงานบนเครื่องใช้ไฟฟ้า ที่บอกว่าการทำอะไรสักอย่างใช้พลังงานเท่าไหร่ แต่ยังไม่มีบริษัทไหนนำแนวคิดนี้ไปปฏิบัติจริง เพราะการเปิดเผยต้นทุนด้านสิ่งแวดล้อมอย่างโปร่งใสอาจทำให้ผู้ใช้ลังเล ซึ่งไม่ใช่สิ่งที่บริษัทที่ต้องการเติบโตอยากเห็น
เรียบเรียงโดย วุฒิภัทร ศรีสอาด
อ้างอิง
1. International Energy Agency สำนักงานพลังงานระหว่างประเทศ (2024–2026) https://www.iea.org/reports/electricity-2024
2. Microsoft Environmental Sustainability Report (2024)
https://www.microsoft.com/en-us/corporate-responsibility/sustainability
3. DeepMind (2016–2024)
https://deepmind.google/impact/data-centre-cooling/
4. Stanford HAI — สถาบันปัญญาประดิษฐ์ที่มีมนุษย์เป็นศูนย์กลาง (2024) https://aiindex.stanford.edu/report/
