AI Data Center ใช้พลังงานมากแค่ไหน และส่งผลต่อสิ่งแวดล้อมอย่างไร
AI Data Center หรือศูนย์ข้อมูลที่รองรับระบบปัญญาประดิษฐ์ กำลังกลายเป็นโครงสร้างพื้นฐานสำคัญของโลกดิจิทัล ตั้งแต่ระบบสร้างข้อความและรูปภาพ การวิเคราะห์ข้อมูลธุรกิจ รถยนต์อัตโนมัติ
นอกจากการใช้พลังงานแล้ว AI Data Center ยังอาจส่งผลต่อการใช้น้ำ การปล่อยก๊าซเรือนกระจก ระบบไฟฟ้าในพื้นที่ ขยะอิเล็กทรอนิกส์ และชุมชนโดยรอบ หลายฝ่ายจึงเริ่มตั้งคำถามว่า การเติบโตของ AI จะคุ้มค่ากับต้นทุนด้านสิ่งแวดล้อมหรือไม่ บทความนี้จะอธิบายว่า AI Data Center ใช้พลังงานมากเพียงใด พลังงานถูกใช้ในส่วนใดบ้าง รวมถึงแนวทางที่ผู้ให้บริการและองค์กรสามารถนำมาใช้เพื่อลดผลกระทบและพัฒนา AI อย่างยั่งยืน
AI Data Center คืออะไร
AI Data Center คือศูนย์ข้อมูลที่ออกแบบหรือปรับปรุงเพื่อรองรับงานประมวลผลด้านปัญญาประดิษฐ์ เช่น การฝึกโมเดล AI หรือ AI Training และการให้โมเดลตอบสนองคำสั่งของผู้ใช้ หรือ AI Inference
ภายในศูนย์ข้อมูลจะประกอบด้วยอุปกรณ์หลายประเภท เช่น
- เครื่อง Server ประสิทธิภาพสูง
- ชิป GPU, TPU หรือ AI Accelerator
- ระบบจัดเก็บข้อมูลความเร็วสูง
- ระบบเครือข่ายที่มี Bandwidth สูง
- ระบบสำรองไฟฟ้าและเครื่องกำเนิดไฟฟ้า
- ระบบระบายความร้อนด้วยอากาศหรือของเหลว
- ระบบตรวจสอบความปลอดภัยและการทำงานของอุปกรณ์
งาน AI แตกต่างจากงานคอมพิวเตอร์ทั่วไปตรงที่ต้องคำนวณข้อมูลจำนวนมหาศาลพร้อมกัน ชิป GPU ภายใน Server จึงอาจทำงานเต็มกำลังเป็นเวลาหลายชั่วโมง หลายวัน หรือหลายสัปดาห์ โดยเฉพาะระหว่างการฝึกโมเดลขนาดใหญ่
AI Data Center ใช้พลังงานมากแค่ไหน
สำนักงานพลังงานระหว่างประเทศ หรือ IEA ประเมินว่า ศูนย์ข้อมูลทั่วโลกใช้ไฟฟ้าประมาณ 415–460 เทราวัตต์ชั่วโมงในปี 2024 และการใช้ไฟฟ้าอาจเพิ่มขึ้นมากกว่าสองเท่าเป็นประมาณ 945 เทราวัตต์ชั่วโมงภายในปี 2030 ซึ่งคิดเป็นเกือบ 3% ของการใช้ไฟฟ้าทั่วโลกในปีดังกล่าว โดย AI เป็นหนึ่งในปัจจัยสำคัญที่ผลักดันการเติบโตนี้
IEA ยังประเมินว่าความต้องการไฟฟ้าจากศูนย์ข้อมูลที่ได้รับการออกแบบสำหรับ AI อาจเพิ่มขึ้นมากกว่าสี่เท่าภายในปี 2030 ขณะที่การใช้ไฟฟ้าของศูนย์ข้อมูลโดยรวมอาจเติบโตเฉลี่ยประมาณ 15% ต่อปีระหว่างปี 2024–2030 ซึ่งเร็วกว่าการเติบโตของความต้องการไฟฟ้าในภาคส่วนอื่นอย่างมาก
ตัวเลขดังกล่าวเป็นภาพรวมของศูนย์ข้อมูล ไม่ใช่การใช้พลังงานของ AI เพียงอย่างเดียว เพราะศูนย์ข้อมูลยังรองรับเว็บไซต์ ระบบ Cloud ฐานข้อมูล วิดีโอสตรีมมิง และบริการออนไลน์อื่น แต่เมื่อ AI ถูกใช้งานแพร่หลายขึ้น สัดส่วนพลังงานที่เกี่ยวข้องกับ AI ก็มีแนวโน้มเพิ่มขึ้นอย่างต่อเนื่อง
พลังงานใน AI Data Center ถูกใช้กับอะไรบ้าง
1. การประมวลผลด้วย GPU และ AI Accelerator
ส่วนที่ใช้พลังงานมากที่สุดคืออุปกรณ์ประมวลผล เช่น GPU และ AI Accelerator ชิปเหล่านี้สามารถคำนวณข้อมูลพร้อมกันจำนวนมาก แต่ก็ใช้ไฟฟ้าและสร้างความร้อนสูงกว่า Server สำหรับงานทั่วไป
AI Server หนึ่งเครื่องอาจติดตั้ง GPU หลายตัว ขณะที่ศูนย์ข้อมูลขนาดใหญ่อาจมี GPU หลายหมื่นหรือหลายแสนตัวเชื่อมต่อกัน เมื่ออุปกรณ์เหล่านี้ทำงานพร้อมกัน ความต้องการไฟฟ้าจึงอาจอยู่ในระดับหลายสิบถึงหลายร้อยเมกะวัตต์
2. ระบบระบายความร้อน
เมื่อชิปประมวลผลทำงานจะเกิดความร้อน หากไม่ควบคุมอุณหภูมิ อุปกรณ์อาจลดประสิทธิภาพ หยุดทำงาน หรือเสียหายได้ ศูนย์ข้อมูลจึงต้องใช้ระบบระบายความร้อน เช่น เครื่องปรับอากาศอุตสาหกรรม ระบบน้ำเย็น Cooling Tower และระบบระบายความร้อนด้วยของเหลว
ศูนย์ข้อมูลรุ่นใหม่เริ่มใช้ Direct-to-Chip Cooling เพื่อนำของเหลวไปถ่ายเทความร้อนบริเวณชิปโดยตรง วิธีนี้เหมาะกับ AI Server ที่มีความหนาแน่นของอุปกรณ์สูง และอาจมีประสิทธิภาพกว่าการทำความเย็นด้วยอากาศเพียงอย่างเดียว
3. ระบบเครือข่ายและการจัดเก็บข้อมูล
การฝึก AI ต้องรับส่งข้อมูลระหว่าง GPU และระบบจัดเก็บข้อมูลอย่างรวดเร็ว จึงต้องใช้ Network Switch ความเร็วสูง ระบบไฟเบอร์ และ Storage จำนวนมาก อุปกรณ์เหล่านี้ใช้ไฟฟ้าและสร้างความร้อนเพิ่มเติมเช่นกัน
4. ระบบสำรองไฟฟ้า
AI Data Center ต้องทำงานต่อเนื่องและไม่ควรหยุดชะงัก จึงต้องมีระบบ UPS แบตเตอรี่ และเครื่องกำเนิดไฟฟ้าสำรอง ซึ่งมักใช้น้ำมันดีเซลในกรณีฉุกเฉิน แม้เครื่องกำเนิดไฟฟ้าจะไม่ได้ทำงานตลอดเวลา แต่ต้องมีการทดสอบและบำรุงรักษา ซึ่งอาจทำให้เกิดมลพิษทางอากาศและเสียงในพื้นที่ได้
ค่า PUE ใช้วัดประสิทธิภาพของ Data Center อย่างไร
Power Usage Effectiveness หรือ PUE เป็นตัวชี้วัดประสิทธิภาพการใช้พลังงานของศูนย์ข้อมูล โดยคำนวณจากพลังงานทั้งหมดที่ศูนย์ข้อมูลใช้ หารด้วยพลังงานที่ส่งถึงอุปกรณ์ IT
ตัวอย่างเช่น หาก Data Center มีค่า PUE เท่ากับ 1.50 หมายความว่า เมื่ออุปกรณ์ IT ใช้ไฟฟ้า 1 กิโลวัตต์ชั่วโมง ศูนย์ข้อมูลต้องใช้ไฟฟ้ารวมประมาณ 1.50 กิโลวัตต์ชั่วโมง โดยส่วนที่เพิ่มขึ้นถูกใช้กับระบบทำความเย็น ระบบไฟฟ้า และอุปกรณ์สนับสนุนอื่น
ค่า PUE ยิ่งใกล้ 1.00 ยิ่งแสดงว่าศูนย์ข้อมูลมีประสิทธิภาพสูง ตัวอย่างเช่น Google รายงานว่าศูนย์ข้อมูลของบริษัทมีค่า PUE เฉลี่ยทั่วโลกในปี 2025 ประมาณ 1.09 อย่างไรก็ตาม ค่า PUE ไม่ได้สะท้อนว่าพลังงานมาจากเชื้อเพลิงฟอสซิลหรือพลังงานสะอาด และไม่ได้ครอบคลุมผลกระทบด้านน้ำหรือการผลิตอุปกรณ์
AI Data Center ส่งผลต่อสิ่งแวดล้อมอย่างไร
1. เพิ่มการปล่อยก๊าซเรือนกระจก
ผลกระทบด้านคาร์บอนขึ้นอยู่กับแหล่งพลังงานที่ใช้ หากศูนย์ข้อมูลได้รับไฟฟ้าจากถ่านหิน น้ำมัน หรือก๊าซธรรมชาติ การใช้งาน AI ที่เพิ่มขึ้นย่อมทำให้การปล่อยก๊าซคาร์บอนไดออกไซด์เพิ่มขึ้นตามไปด้วย
IEA คาดว่าพลังงานหมุนเวียนจะรองรับความต้องการไฟฟ้าที่เพิ่มขึ้นของศูนย์ข้อมูลได้เกือบครึ่งหนึ่งในช่วงหลายปีข้างหน้า แต่ก๊าซธรรมชาติและถ่านหินยังมีบทบาทในการผลิตไฟฟ้าเพิ่มเติม โดยเฉพาะในพื้นที่ที่ระบบไฟฟ้ายังไม่มีพลังงานสะอาดเพียงพอ
การประกาศว่าใช้พลังงานหมุนเวียน 100% ตลอดทั้งปีจึงไม่ได้หมายความว่า Data Center ใช้ไฟฟ้าสะอาดทุกชั่วโมงเสมอไป บางช่วงอาจต้องใช้ไฟฟ้าจากโครงข่ายที่ยังพึ่งพาเชื้อเพลิงฟอสซิล
2. ใช้น้ำสำหรับระบบระบายความร้อน
Data Center บางแห่งใช้น้ำเพื่อระบายความร้อนผ่าน Cooling Tower หรือระบบทำความเย็นแบบระเหย น้ำส่วนหนึ่งจะสูญเสียไปในกระบวนการระเหยและไม่สามารถนำกลับมาใช้ได้ทันที
ผลกระทบจะแตกต่างกันตามสภาพภูมิอากาศ เทคโนโลยีระบายความร้อน และแหล่งน้ำในพื้นที่ ศูนย์ข้อมูลที่ตั้งอยู่ในเขตแห้งแล้งหรือพื้นที่ที่ประชาชนมีข้อจำกัดด้านน้ำอาจสร้างความกังวลมากกว่า Data Center ที่ตั้งอยู่ในเขตอากาศเย็นหรือใช้น้ำรีไซเคิล
นอกจากนี้ยังมีการใช้น้ำทางอ้อมจากการผลิตไฟฟ้า เพราะโรงไฟฟ้าบางประเภทต้องใช้น้ำในกระบวนการหล่อเย็นด้วย ดังนั้น การประเมินผลกระทบของ AI ต่อทรัพยากรน้ำควรพิจารณาทั้งน้ำที่ใช้ภายใน Data Center และน้ำที่ใช้ในระบบผลิตไฟฟ้า
3. เพิ่มภาระต่อโครงข่ายไฟฟ้า
AI Data Center ขนาดใหญ่อาจต้องการกำลังไฟเทียบเท่าเมืองขนาดเล็ก ความต้องการไฟฟ้าที่เพิ่มขึ้นอย่างรวดเร็วอาจทำให้ระบบส่งไฟฟ้า หม้อแปลง และโรงไฟฟ้าในพื้นที่ต้องขยายกำลังการผลิต
ในบางพื้นที่ การเชื่อมต่อ Data Center ใหม่อาจต้องรอการเพิ่มกำลังของโครงข่ายหลายปี หากไม่มีการวางแผนที่ดี ความต้องการไฟฟ้าจากศูนย์ข้อมูลอาจเพิ่มความเสี่ยงต่อระบบไฟฟ้า ทำให้ค่าใช้จ่ายในการพัฒนาโครงสร้างพื้นฐานสูงขึ้น หรือเกิดการแย่งใช้ไฟฟ้ากับภาคธุรกิจและครัวเรือน
4. เกิดขยะอิเล็กทรอนิกส์
การแข่งขันด้าน AI ทำให้ผู้ให้บริการต้องเปลี่ยน GPU, Server, Storage และอุปกรณ์ Network เป็นรุ่นใหม่อย่างรวดเร็ว อุปกรณ์ที่หมดอายุหรือประสิทธิภาพไม่เพียงพอจะกลายเป็นขยะอิเล็กทรอนิกส์
หากไม่มีการนำกลับมาใช้ใหม่หรือรีไซเคิลอย่างเหมาะสม อุปกรณ์เหล่านี้อาจสร้างมลพิษจากโลหะหนัก พลาสติก แบตเตอรี่ และชิ้นส่วนอิเล็กทรอนิกส์ การผลิตชิปใหม่ยังต้องใช้พลังงาน น้ำ แร่ธาตุ และสารเคมีจำนวนมากด้วย
5. ผลกระทบต่อพื้นที่และชุมชน
การสร้างศูนย์ข้อมูลต้องใช้พื้นที่สำหรับอาคาร สถานีไฟฟ้า เครื่องกำเนิดไฟฟ้า ระบบทำความเย็น และโครงสร้างพื้นฐานเครือข่าย ชุมชนโดยรอบอาจได้รับผลกระทบจากเสียง ความร้อน การจราจรระหว่างก่อสร้าง และการใช้ทรัพยากรในท้องถิ่น
แม้ Data Center จะสร้างงานและรายได้จากภาษี แต่จำนวนงานประจำหลังเปิดดำเนินการอาจไม่สูงเมื่อเทียบกับขนาดพื้นที่และพลังงานที่ใช้ ผู้พัฒนาจึงควรเปิดเผยข้อมูล รับฟังชุมชน และประเมินผลกระทบก่อนเริ่มโครงการ
การฝึก AI กับการใช้งาน AI แบบไหนใช้พลังงานมากกว่า
การฝึกโมเดล AI ขนาดใหญ่มักใช้พลังงานสูงในช่วงเวลาหนึ่ง เพราะต้องประมวลผลข้อมูลจำนวนมากซ้ำหลายรอบด้วย GPU จำนวนมาก อย่างไรก็ตาม การฝึกอาจเกิดขึ้นเป็นครั้งคราวเมื่อสร้างหรือปรับปรุงโมเดล
ส่วน AI Inference คือการนำโมเดลไปตอบคำถาม สร้างภาพ วิเคราะห์เอกสาร หรือให้บริการผู้ใช้จริง การประมวลผลแต่ละครั้งอาจใช้พลังงานน้อยกว่าการฝึก แต่หากมีผู้ใช้หลายล้านคนส่งคำสั่งต่อเนื่อง พลังงานรวมของ Inference อาจสูงมากและอาจกลายเป็นส่วนสำคัญของการใช้พลังงานตลอดอายุของโมเดล
การเปรียบเทียบว่า AI หนึ่งคำถามใช้ไฟฟ้าเท่าใดไม่สามารถใช้ตัวเลขเดียวกับทุกบริการได้ เพราะขึ้นอยู่กับขนาดโมเดล ความยาวของคำสั่ง จำนวนคำตอบ ชนิดของชิป การจัดกลุ่มคำขอ และประสิทธิภาพของ Data Center
AI Data Center สามารถลดผลกระทบต่อสิ่งแวดล้อมได้อย่างไร
เลือกใช้พลังงานคาร์บอนต่ำ
ผู้ให้บริการควรเพิ่มการใช้พลังงานแสงอาทิตย์ พลังงานลม พลังน้ำ นิวเคลียร์ และระบบกักเก็บพลังงาน พร้อมติดตามแหล่งพลังงานตามช่วงเวลา ไม่ใช่พิจารณาเพียงยอดพลังงานสะอาดรวมตลอดปี
ปรับเวลาประมวลผลให้เหมาะกับระบบไฟฟ้า
งานที่ไม่เร่งด่วน เช่น การฝึกโมเดลหรือประมวลผลข้อมูลแบบ Batch สามารถเลื่อนไปทำในช่วงที่ระบบมีพลังงานหมุนเวียนสูงหรือมีความต้องการไฟฟ้าต่ำ วิธีนี้เรียกว่า Carbon-Aware Computing
ใช้โมเดลขนาดเหมาะสมกับงาน
ไม่ใช่ทุกงานต้องใช้โมเดลขนาดใหญ่ที่สุด งานตอบคำถามภายในองค์กร การจำแนกเอกสาร หรือการสรุปข้อความสั้นอาจใช้โมเดลขนาดเล็กที่ประหยัดพลังงานกว่าได้
องค์กรควรเลือกโมเดลตามความแม่นยำที่ต้องการ ความเร็ว ค่าใช้จ่าย ความเป็นส่วนตัว และผลกระทบด้านพลังงาน ไม่ควรเลือกจากจำนวนพารามิเตอร์เพียงอย่างเดียว
ปรับปรุงประสิทธิภาพของโมเดล
เทคนิคต่างๆ เช่น Quantization, Pruning, Distillation, Caching และการจัดกลุ่มคำสั่งแบบ Batching สามารถลดจำนวนการคำนวณและความต้องการหน่วยความจำได้ ส่งผลให้ AI ตอบสนองเร็วขึ้นและใช้พลังงานน้อยลง
ใช้ระบบระบายความร้อนที่เหมาะสม
ศูนย์ข้อมูลสามารถใช้ Liquid Cooling, Direct-to-Chip Cooling, ระบบหมุนเวียนน้ำแบบปิด หรือการนำความร้อนที่เกิดขึ้นกลับไปใช้ในอาคารและระบบทำความร้อนของชุมชน
Microsoft ระบุว่าศูนย์ข้อมูลรุ่นใหม่บางรูปแบบได้รับการออกแบบให้ไม่ใช้น้ำสำหรับการทำความเย็นแบบระเหย โดยใช้ระบบระบายความร้อนระดับชิป ซึ่งบริษัทประเมินว่าสามารถหลีกเลี่ยงการใช้น้ำได้มากกว่า 125 ล้านลิตรต่อปีต่อศูนย์ข้อมูลหนึ่งแห่ง แม้ยังคงมีการใช้น้ำสำหรับกิจกรรมทั่วไปภายในอาคาร
ยืดอายุและหมุนเวียนอุปกรณ์
อุปกรณ์ที่ยังใช้งานได้ควรถูกนำไปใช้กับงานที่ต้องการประสิทธิภาพต่ำกว่า รวมถึงซ่อมแซม ปรับปรุง และแยกชิ้นส่วนเพื่อนำวัสดุกลับมาใช้ใหม่ วิธีนี้ช่วยลดขยะอิเล็กทรอนิกส์และลดความต้องการผลิตอุปกรณ์ใหม่
เปิดเผยข้อมูลอย่างโปร่งใส
ผู้ให้บริการควรรายงานข้อมูลสำคัญ เช่น การใช้ไฟฟ้า ค่า PUE การใช้น้ำ ค่า WUE การปล่อยคาร์บอน แหล่งพลังงาน และจำนวนอุปกรณ์ที่นำกลับมาใช้ใหม่ IEA ยังสนับสนุนให้ผู้ดำเนินงาน Data Center เปิดเผยตัวชี้วัดด้านพลังงาน การปล่อยก๊าซ และการใช้น้ำอย่างสม่ำเสมอ เพื่อให้หน่วยงานกำกับดูแลและสังคมประเมินผลกระทบได้แม่นยำขึ้น
องค์กรทั่วไปช่วยลดผลกระทบจากการใช้ AI ได้อย่างไร
องค์กรไม่จำเป็นต้องหยุดใช้ AI แต่ควรใช้ให้เหมาะสมและคุ้มค่ากับทรัพยากร โดยสามารถดำเนินการได้ดังนี้
- กำหนด Use Case ที่สร้างประโยชน์ทางธุรกิจอย่างชัดเจน
- หลีกเลี่ยงการสร้างข้อความ รูปภาพ หรือวิดีโอซ้ำโดยไม่จำเป็น
- เลือกโมเดลขนาดเล็กสำหรับงานทั่วไป
- ใช้ระบบ Cache สำหรับคำถามหรือผลลัพธ์ที่เกิดซ้ำ
- กำหนดความยาวของคำตอบให้เหมาะสม
- ปิดระบบทดสอบและ GPU Instance เมื่อไม่ได้ใช้งาน
- เลือกผู้ให้บริการ Cloud ที่เปิดเผยข้อมูลด้านพลังงานและคาร์บอน
- ติดตามค่าใช้จ่ายและการใช้ทรัพยากรด้วย Cloud Monitoring
- รวมเกณฑ์ด้านสิ่งแวดล้อมไว้ในนโยบาย AI Governance
สำหรับธุรกิจโรงแรม AI สามารถสร้างประโยชน์จากการพยากรณ์จำนวนผู้เข้าพัก การจัดตารางพนักงาน การควบคุมพลังงานในห้องพัก การบำรุงรักษาเชิงคาดการณ์ และการลดอาหารเหลือทิ้งได้ หากนำ AI มาใช้กับงานเหล่านี้อย่างเหมาะสม ประโยชน์ด้านการประหยัดพลังงานและทรัพยากรอาจมากกว่าพลังงานที่ระบบ AI ใช้ในการประมวลผล
AI เป็นทั้งปัญหาและเครื่องมือแก้ปัญหาสิ่งแวดล้อม
แม้ AI Data Center จะใช้พลังงานสูง แต่ AI สามารถช่วยปรับปรุงประสิทธิภาพของระบบพลังงานได้ เช่น พยากรณ์การผลิตไฟฟ้าจากพลังงานหมุนเวียน จัดสมดุลโครงข่ายไฟฟ้า ตรวจจับความผิดปกติของเครื่องจักร วางเส้นทางขนส่ง และเพิ่มประสิทธิภาพการทำความเย็นของ Data Center
ดังนั้น คำถามสำคัญอาจไม่ใช่เพียงว่า AI ใช้พลังงานมากหรือไม่ แต่ต้องพิจารณาว่า AI ถูกนำไปใช้กับงานใด สร้างประโยชน์มากเพียงใด และสามารถออกแบบระบบให้ลดพลังงาน น้ำ และคาร์บอนได้หรือไม่
บทสรุป
AI Data Center ใช้พลังงานสูงจาก GPU ระบบจัดเก็บข้อมูล เครือข่าย และการระบายความร้อน การเติบโตอย่างรวดเร็วอาจเพิ่มการปล่อยคาร์บอน การใช้น้ำ ภาระต่อโครงข่ายไฟฟ้า และขยะอิเล็กทรอนิกส์ อย่างไรก็ตาม ผลกระทบสามารถลดลงได้ด้วยพลังงานสะอาด ระบบระบายความร้อนประสิทธิภาพสูง โมเดลขนาดเหมาะสม และการบริหารจัดการ AI อย่างรับผิดชอบ
FAQ คำถามที่พบบ่อยเกี่ยวกับ AI Data Center
การถาม AI หนึ่งครั้งใช้พลังงานเท่าใด
ไม่มีตัวเลขเดียวที่ใช้ได้กับ AI ทุกระบบ เพราะขึ้นอยู่กับขนาดโมเดล ความยาวของคำสั่ง จำนวน Token ชนิดของชิป จำนวนผู้ใช้พร้อมกัน และประสิทธิภาพของ Data Center การสร้างรูปภาพหรือวิดีโอมักต้องใช้การคำนวณมากกว่าการตอบข้อความสั้นๆ
AI Data Center ใช้น้ำเพื่ออะไร
น้ำส่วนใหญ่ถูกใช้ในระบบระบายความร้อน เช่น Cooling Tower และระบบทำความเย็นแบบระเหย นอกจากนี้ยังมีการใช้น้ำทางอ้อมจากโรงไฟฟ้าที่ผลิตไฟฟ้าให้ Data Center ปริมาณการใช้น้ำจะแตกต่างกันตามเทคโนโลยี สภาพอากาศ และสถานที่ตั้ง
การใช้ AI ส่งผลเสียต่อสิ่งแวดล้อมเสมอหรือไม่
ไม่เสมอไป ผลกระทบขึ้นอยู่กับแหล่งพลังงาน ประสิทธิภาพของโมเดล และวัตถุประสงค์การใช้งาน AI ยังสามารถช่วยลดการใช้พลังงาน ปรับปรุงโครงข่ายไฟฟ้า ลดของเสีย และเพิ่มประสิทธิภาพการดำเนินงานได้ หากประโยชน์ที่เกิดขึ้นมากกว่าทรัพยากรที่ใช้
ความคิดเห็น
แสดงความคิดเห็น