Research
Discussion Paper
PIERspectives
aBRIDGEd
PIER Blog
Events
Conferences
Research Workshops
Policy Forums
Seminars
Exchanges
Research Briefs
Community
PIER Research Network
Visiting Fellows
Funding and Grants
About Us
Our Organization
Announcements
PIER Board
Staff
Work with Us
Contact Us
TH
EN
Research
Research
Discussion Paper
PIERspectives
aBRIDGEd
PIER Blog
Exchange Rate Effects on Firm Performance: A NICER Approach
Latest discussion Paper
Exchange Rate Effects on Firm Performance: A NICER Approach
ผลกระทบของการขึ้นค่าเล่าเรียนต่อการตัดสินใจเรียนมหาวิทยาลัย
Latest aBRIDGEd
ผลกระทบของการขึ้นค่าเล่าเรียนต่อการตัดสินใจเรียนมหาวิทยาลัย
Events
Events
Conferences
Research Workshops
Policy Forums
Seminars
Exchanges
Research Briefs
Joint NSD-PIER Applied Microeconomics Research Workshop
Upcoming workshop
Joint NSD-PIER Applied Microeconomics Research Workshop
Special Economic Zones and Firm Performance: Evidence from Vietnamese Firms
Latest PIER Economics Seminar
Special Economic Zones and Firm Performance: Evidence from Vietnamese Firms
สถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์
Puey Ungphakorn
Institute for
Economic Research
Puey Ungphakorn Institute for Economic Research
Community
Community
PIER Research Network
Visiting Fellows
Funding and Grants
PIER Research Network
PIER Research Network
Funding & Grants
Funding & Grants
About Us
About Us
Our Organization
Announcements
PIER Board
Staff
Work with Us
Contact Us
Staff
Staff
Call for Papers: PIER Research Workshop 2025
Latest announcement
Call for Papers: PIER Research Workshop 2025
PIER Blogblog
QR code
Year
2025
2024
2023
2022
...
/static/54b6b65e903143499c7ce1e80a2ce59b/e9a79/cover.png
12 April 2023
20231681257600000

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

Chonnakan Rittinon

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

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
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.

Puey Ungphakorn Institute for Economic Research

273 Samsen Rd, Phra Nakhon, Bangkok 10200

Phone: 0-2283-6066

Email: pier@bot.or.th

Terms of Service | Personal Data Privacy Policy

Copyright © 2025 by Puey Ungphakorn Institute for Economic Research.

Content on this site is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported license.

Creative Commons Attribution NonCommercial ShareAlike

Get PIER email updates

Facebook
YouTube
Email