Sustainable AI Group: สตาร์ทอัปผลักดันองค์กรใช้พลังจัดซื้อ ลดรอยเท้าพลังงานของ AI

ปัญหา: เราไม่เห็นต้นทุนด้านสิ่งแวดล้อมของ AI

การลงทุนในโครงสร้างพื้นฐานของ AI กำลังมหาศาล ศูนย์ข้อมูลขนาดยักษ์ถูกสร้างขึ้นพร้อมกับชิปประมวลผลเฉพาะทางเพื่อรองรับเวิร์กโหลดของ AI ที่เพิ่มขึ้น

แต่ SAIG ให้เหตุผลว่า องค์กรส่วนใหญ่ที่นำ AI มาใช้ แทบไม่มีข้อมูลที่ชัดเจนเกี่ยวกับผลกระทบทางสิ่งแวดล้อมของโมเดลและบริการที่พวกเขาจ่ายเงินซื้อเลย หากไม่มีการวัดผลหรือรายงานที่เป็นมาตรฐานเดียวกัน บริษัทต่างๆ จึงประสบปัญหาในการประเมินสิ่งเหล่านี้:

• การใช้พลังงานของโมเดล AI
• การปล่อยมลพิษที่เกี่ยวเนื่องกับไฟฟ้าในศูนย์ข้อมูล
• การใช้น้ำและความต้องการระบบหล่อเย็น
• การเลือกใช้แหล่งพลังงานของโครงสร้างพื้นฐาน

อีกหนึ่งความท้าทายคือ ระบบ AI ที่แตกต่างกันอาจมีรอยเท้าทางสิ่งแวดล้อมที่ต่างกันอย่างสิ้นเชิง โมเดลขนาดเล็กที่ผ่านการปรับแต่งมาอย่างดีอาจทำงานได้เทียบเท่า โดยใช้ทรัพยากรการคำนวณน้อยกว่าโมเดลระดับแนวหน้าขนาดใหญ่มหาศาล ขึ้นอยู่กับรูปแบบการใช้งาน

ทว่าในปัจจุบัน ผู้ซื้อมักจะเลือกใช้โมเดลที่ใหญ่ที่สุดและเป็นที่รู้จักมากที่สุด โดยไม่มีข้อมูลที่ช่วยให้มองเห็นถึงความคุ้มค่าหรือผลกระทบทางสิ่งแวดล้อมเลย

ข้อเสนอหลัก: อำนาจต่อรองอยู่ในมือผู้ซื้อ

หนึ่งในข้อโต้แย้งที่น่าสนใจที่สุดของ SAIG คือ บริษัทส่วนใหญ่ไม่ได้สร้างโมเดลหรือศูนย์ข้อมูลของตัวเอง พวกเขาใช้บริการจากผู้ให้บริการคลาวด์และผู้ขาย AI รายใหญ่

แต่ถึงกระนั้น SAIG ก็เชื่อว่า ลูกค้าระดับองค์กรคือผู้ที่มีอิทธิพลในการกำหนดทิศทางของระบบนิเวศโครงสร้างพื้นฐานทั้งหมด

เหตุผลก็คือ งบประมาณขององค์กรเหล่านี้เองที่เป็นแหล่งเงินทุนให้กับการขยายโครงสร้างพื้นฐานของ AI ดังนั้น ทุกการตัดสินใจจัดซื้อ ไม่ว่าจะเป็นข้อกำหนดใน RFP (Request for Proposal - เอกสารขอเสนอราคาหรือข้อเสนอ) หรือสัญญากับผู้ขาย ล้วนเป็นการส่งสัญญาณความต้องการที่เดินทางไปทั่วทั้งห่วงโซ่มูลค่าของ AI

พูดง่ายๆ ก็คือ ในขณะที่สายส่งไฟฟ้าและศูนย์ข้อมูลคือ "ด้านอุปทาน" ที่เรามองเห็น "ความต้องการของลูกค้า" ต่างหากที่เป็นตัวกำหนดว่าผู้ให้บริการจะสร้างอะไรออกมา

พลวัตนี้ทำให้องค์กรขนาดใหญ่มีอำนาจในการกำหนดทิศทางในเรื่อง:

• มาตรฐานประสิทธิภาพของโมเดล
• มาตรฐานการรายงานการใช้พลังงาน
• ความโปร่งใสของโครงสร้างพื้นฐาน
• สถานที่และวิธีการทำงานของระบบ AI

เปลี่ยนกระบวนการจัดซื้อให้เป็นเครื่องมือกดดัน

SAIG เสนอว่าองค์กรสามารถเริ่มสร้างแรงกดดันเรื่องความยั่งยืนของ AI ได้ผ่านกระบวนการจัดซื้อในชีวิตประจำวัน ซึ่งรวมถึง:

1. ข้อกำหนดใน RFP

บริษัทสามารถใส่เงื่อนไขด้านสิ่งแวดล้อมไปในการประเมินผู้ขาย AI ได้ ด้วยการขอข้อมูลเกี่ยวกับประสิทธิภาพของโมเดล การใช้พลังงาน และแนวทางการจัดการโครงสร้างพื้นฐาน

กรอบการจัดซื้อในปัจจุบันเริ่มให้ความสำคัญกับคำถามเกี่ยวกับ แนวทางการปรับแต่งโมเดลให้มีประสิทธิภาพและการรายงานผลกระทบทางสิ่งแวดล้อม ซึ่งจะช่วยให้ผู้ซื้อสามารถแยกแยะผู้ขายที่มีความมุ่งมั่นเรื่องความยั่งยืนได้ชัดเจนขึ้น

2. การคัดเลือกผู้ขาย

องค์กรสามารถเลือกใช้ผู้ให้บริการ AI ที่แสดงให้เห็นถึงการใช้พลังงานที่ต่ำกว่า หรือมีความโปร่งใสเกี่ยวกับโครงสร้างพื้นฐานมากกว่า

หากผู้ซื้อระดับองค์กรจำนวนมากให้ความสำคัญกับปัจจัยเหล่านี้ ผู้ขายอาจต้องแข่งขันกัน ไม่ใช่แค่เรื่องประสิทธิภาพและราคา แต่รวมถึงเรื่องประสิทธิภาพด้านพลังงานและความยั่งยืนด้วย

3. เงื่อนไขในสัญญา

สัญญาระดับองค์กร (Master Service Agreements) สามารถกำหนดให้ผู้ขายต้องเปิดเผยข้อมูลผลกระทบทางสิ่งแวดล้อมได้

ตัวอย่างเช่น สัญญาอาจกำหนดให้ต้องมีการรายงานเรื่อง:

• แหล่งพลังงานที่ใช้ในศูนย์ข้อมูล
• การพึ่งพาการผลิตไฟฟ้าจากเชื้อเพลิงฟอสซิลนอกระบบของการไฟฟ้าหลัก
• ตัวชี้วัดประสิทธิภาพการใช้พลังงานสำหรับเวิร์กโหลด AI

ข้อกำหนดเหล่านี้จะสร้างแรงจูงใจโดยตรงให้ผู้ให้บริการปรับปรุงความโปร่งใสและแนวทางสร้างโครงสร้างพื้นฐาน

SAIG จะให้บริการอะไรบ้าง?

SAIG วางตำแหน่งตัวเองเป็นทั้งองค์กรวิจัยและที่ปรึกษาเชิงกลยุทธ์ที่จะช่วยให้บริษัทต่างๆ สามารถนำแนวปฏิบัติ AI ที่ยั่งยืนไปใช้ได้จริง

งานวิจัยแบบเปิด

บริษัทมีแผนจะเผยแพร่งานวิจัยที่วิเคราะห์ผลกระทบทางสิ่งแวดล้อมของ AI รวมถึงการใช้พลังงานจากการเทรนและรันโมเดล ตลอดจนผลกระทบในภาพกว้างของโครงสร้างพื้นฐาน

ที่ปรึกษาระดับองค์กร

SAIG จะช่วยองค์กรผนวกความยั่งยืนเข้ากับกลยุทธ์ AI ผ่าน:

• การให้คำแนะนำด้านการจัดซื้อ
• การจัดเวิร์คช็อปและเซสชั่นกลยุทธ์ภายในองค์กร
• กรอบการวัดผลต่างๆ
• เครื่องมือสนับสนุนการตัดสินใจ
• การประสานความร่วมมือระหว่างทีมเทคนิคและทีม Sustainability

นอกจากนี้ บริษัทยังวางแผนที่จะช่วยองค์กร ทำแผนที่การใช้งาน AI ภายในทั้งหมด และสร้างตัวชี้วัดด้านสิ่งแวดล้อมขั้นพื้นฐาน (Baseline) สำหรับการใช้งานเหล่านั้น

เครื่องมือวัดผลและเปรียบเทียบ

หนึ่งในเป้าหมายหลักคือการทำให้ประสิทธิภาพการใช้พลังงานของ AI สามารถวัดและเปรียบเทียบข้ามระบบกันได้

ตัวอย่างที่ชัดเจนคือโครงการ AI Energy Score ซึ่งเป็นโครงการริเริ่มในการให้คะแนนการใช้พลังงานของโมเดล AI ในงานทั่วไปต่างๆ

ระบบนี้จะให้คะแนนพลังงานที่เป็นมาตรฐานและการเปรียบเทียบโมเดลต่อสาธารณะ ซึ่งช่วยให้นักพัฒนาและผู้ซื้อสามารถระบุตัวเลือกที่มีประสิทธิภาพมากกว่าได้ การใช้งานระบบนี้ก่อนหน้านี้ได้เคยประเมินโมเดลนับร้อยที่ใช้กันอย่างแพร่หลายในงาน AI หลายประเภท ไปแล้ว ซึ่งเป็นการสร้างจุดอ้างอิงด้านประสิทธิภาพการใช้พลังงานในระบบ AI

การเลือกใช้โมเดลให้เหมาะกับงาน

อีกหนึ่งขีดความสามารถที่กำลังวางแผนไว้คือเครื่องมือที่จะช่วยให้องค์กรส่งต่องานไปยังโมเดลที่เหมาะสมที่สุด แทนที่จะใช้โมเดลแนวหน้าขนาดใหญ่สำหรับทุกกรณีการใช้งาน

การเลือกใช้โมเดลที่เล็กกว่าหรือเฉพาะทางเมื่อทำได้ สามารถลดความต้องการด้านการคำนวณลงได้อย่างมาก ในขณะที่ยังคงได้ผลลัพธ์ตามที่ต้องการ

ทำไมช่วงเวลานี้ถึงสำคัญ

ผู้ก่อตั้ง SAIG ให้ความเห็นว่า ช่วงเวลานี้มีความสำคัญอย่างยิ่งยวด เพราะ การลงทุนในโครงสร้างพื้นฐานด้าน AI กำลังเร่งตัวอย่างรวดเร็ว

SAIG ประมาณการว่าค่าใช้จ่ายด้านโครงสร้างพื้นฐาน AI อาจสูงถึง 5 ล้านล้านดอลลาร์สหรัฐภายในสิ้นทศวรรษนี้ ซึ่งนั่นหมายความว่าเรามีเวลาเพียงน้อยนิดในการกำหนดทิศทางว่าโครงสร้างพื้นฐานนี้จะถูกสร้างขึ้นมาอย่างไร

เมื่อศูนย์ข้อมูล สัญญาพลังงาน และห่วงโซ่อุปทานฮาร์ดแวร์ถูกล็อกอินไว้แล้ว การเปลี่ยนแปลงแนวทางด้านสิ่งแวดล้อมของ AI จะกลายเป็นเรื่องที่ยากขึ้นอย่างมาก

กลยุทธ์ของพวกเขาจึงมุ่งเน้นไปที่การมีอิทธิพลต่อระบบก่อนที่การล็อกอินนั้นจะเกิดขึ้น ด้วยการสนับสนุนให้องค์กรต่างๆ มองว่าความยั่งยืนคือเกณฑ์หลักในการซื้อ ไม่ใช่แค่ความคิดที่ตามมาทีหลัง

แนวคิดที่ใหญ่กว่า: ให้ "ความยั่งยืน" เป็นสัญญาณตลาด

วิสัยทัศน์เบื้องหลัง Sustainable AI Group นั้นเรียบง่ายแต่ทะเยอทะยาน: เปลี่ยนอุปสงค์ขององค์กรให้กลายเป็นสัญญาณตลาดที่จะให้รางวัลกับระบบ AI ที่มีประสิทธิภาพ

ถ้าผู้ซื้อเริ่มเรียกร้องความโปร่งใสและประสิทธิภาพในการใช้พลังงาน ผู้ขายก็จะเริ่มแข่งขันกันในมิติเหล่านี้ อย่างเข้มข้นไม่ต่างจากการแข่งขันเรื่องความเร็ว ความสามารถ และราคา

การเปลี่ยนแปลงนั้นจะเกิดขึ้นหรือไม่ ขึ้นอยู่กับว่าองค์กรต่างๆ จะเลือกใช้อำนาจต่อรองที่พวกเขามีอยู่แล้วในห่วงโซ่อุปทานของ AI หรือไม่