ความท้าทายของการพัฒนา AI อย่างยั่งยืน (Sustainable AI: Environmental implications, challenges and opportunities)

กระบวนการเรียนรู้ (training) ของ AI มีการใช้พลังงานในการประมวลผลที่สูงมาก จึงมีการคาดการณ์ว่าการปล่อยก๊าซเรือนกระจก (CO2e) จากการพัฒนา AI มีแนวโน้มเพิ่มมากขึ้น จนอาจส่งผลกระทบต่อสิ่งแวดล้อม ตัวอย่างเช่น การปล่อย CO2e จากการเรียนรู้ของแบบจำลอง GPT-3 ได้ถูกประมาณการไว้ว่าสูงถึง 500 ตัน เทียบเท่ากับอายุขัยของรถน้ำมันเบนซินจำนวน 30 คัน (โดยเฉลี่ยใช้งานคันละ 1 แสนกิโลเมตร)

รูปด้านล่างแสดงให้เห็นถึงปริมาณการปล่อย CO2e ของการเรียนรู้ของแบบจำลอง AI ที่ใช้งานในบริษัท Meta และ แบบจำลอง open source อื่น ๆ (Wu et al., 2022; Dodge et al., 2022) โดยจะเห็นได้ว่า แบบจำลองที่แตกต่างกันมีปริมาณการปล่อย CO2e ที่แตกต่างกัน นอกจากนี้แล้วยังจะเห็นได้ว่าการนำแบบจำลองไปใช้งานจริง (inference) มีการปล่อย CO2e สูงเทียบเท่ากับกระบวนการเรียนรู้อีกด้วย

รูปที่ 1: ปริมาณก๊าซเรือนกระจกจากการพัฒนาและใช้งานปัญญาประดิษฐ์ขนาดใหญ่

แม้ว่าปริมาณ CO2e ที่ปล่อยออกมาจากการพัฒนา AI จะดูเล็กน้อยเมื่อเปรียบเทียบประโยชน์ที่ได้จาก AI เช่น การตรวจจับการระบาดของศัตรูพืช การวิเคราะห์ความยากจนผ่านภาพถ่ายดาวเทียม (Tomavsev et al., 2020) แต่พลังงานนั้นเป็นทรัพยากรที่มีจำกัด และควรจัดสรรการใช้งานให้เกิดประโยชน์สูงสุด (Van Wynsberghe, 2021)

ด้วยเหตุดังกล่าวนักพัฒนา AI จึงเริ่มมีการตื่นตัวเกี่ยวกับการใช้พลังงานในการประมวลผล AI ตัวอย่างจากการศึกษาของ Wu et al. (2022) ที่ได้ทำการประมาณค่า CO2e ที่เกิดขึ้นจากการพัฒนาและใช้งาน AI ภายในบริษัท Meta ซึ่งทำการพิจารณาครบวงจรการใช้งาน ตั้งแต่กระบวนการเก็บและประมวลผลข้อมูล (data) การทดลองแบบจำลอง (experimentation) การเรียนรู้ (training) และการใช้งานจริง (inference) ซึ่งในแต่ละขั้นตอนมีความท้าทายในการควบคุมการปล่อย CO2e ที่แตกต่างกันไป

โดย Wu et al. (2022) ได้สรุปไว้ว่า การพัฒนาระบบการเก็บและใช้ข้อมูลให้มีประสิทธิภาพ การเพิ่มประสิทธิภาพของหน่วยประมวลผล การลดความละเอียดของข้อมูล และการปรับวิธีการคำนวณ สามารถลดปริมาณการปล่อย CO2e จากการพัฒนาและใช้งาน AI ของบริษัท Meta ได้สูงสุดถึง 810 เท่า

เอกสารอ้างอิง

Dodge, J., Prewitt, T., Tachet des Combes, R., Odmark, E., Schwartz, R., Strubell, E., Luccioni, A. S., Smith, N. A., DeCario, N., & Buchanan, W. (2022). Measuring the carbon intensity of ai in cloud instances. 2022 ACM Conference on Fairness, Accountability, and Transparency, 1877–1894.

Tomavsev, N., Cornebise, J., Hutter, F., Mohamed, S., Picciariello, A., Connelly, B., Belgrave, D. C., Ezer, D., Haert, F. C. van der, Mugisha, F., & others. (2020). AI for social good: unlocking the opportunity for positive impact. Nature Communications, 11(1), 2468.

Van Wynsberghe, A. (2021). Sustainable AI: AI for sustainability and the sustainability of AI. AI and Ethics, 1(3), 213–218.

Wu, C.-J., Raghavendra, R., Gupta, U., Acun, B., Ardalani, N., Maeng, K., Chang, G., Aga, F., Huang, J., Bai, C., & others. (2022). Sustainable ai: Environmental implications, challenges and opportunities. Proceedings of Machine Learning and Systems, 4, 795–813.

Chonnakan Rittinon

Puey Ungphakorn Institute for Economic Research

The views expressed in this workshop do not necessarily reflect the views of the Puey Ungphakorn Institute for Economic Research or the Bank of Thailand.