ในยุคสมัยที่ปัญญาประดิษฐ์ (AI) ไม่ใช่เรื่องไกลตัวอีกต่อไป แต่ได้แทรกซึมเข้ามาเป็นส่วนหนึ่งของวิถีชีวิตและการดำเนินธุรกิจ คำถามที่ดังขึ้นเรื่อย ๆ ในแวดวงเทคโนโลยีและสิ่งแวดล้อมคือ “ราคาที่ต้องจ่าย” สำหรับความฉลาดล้ำนี้คืออะไร เมื่อทุกครั้งที่เราป้อนคำสั่งให้ AI ประมวลผล นั่นหมายถึงการดึงพลังงานไฟฟ้ามหาศาลจากโรงไฟฟ้าสักแห่งบนโลกมาใช้
ประเด็นนี้ถูกหยิบยกขึ้นมาถกเถียงอย่างเข้มข้นในหัวข้อ “AI for Sustainability” บนเวทีเสวนา AI Innovation Summit 2025 จัดโดย สถาบันวิศวกรรมปัญญาประดิษฐ์ (AI Engineering Institute – AIEI) ร่วมกับมหาวิทยาลัยซีเอ็มเคแอล (CMKL University) ซึ่งเป็นการโคจรมาพบกันของสองมุมมองที่แตกต่างแต่เติมเต็มกันอย่างลงตัว ระหว่าง ดร.อิเทียน มูลเลอ (Dr.Etienne Mueller) ผู้ช่วยศาสตราจารย์จาก CMKL University นักวิชาการผู้เชี่ยวชาญด้านคอมพิวเตอร์ที่ได้รับแรงบันดาลใจจากสมอง (Brain-inspired computing) และ พงษ์ศสิษฐ์ ทองประมูณ Data Science Solutions Architect จาก เอ็นวิเดีย (NVIDIA) บริษัทยักษ์ใหญ่ผู้อยู่เบื้องหลังขุมพลังการประมวลผลของ AI ทั่วโลก
ความเหลื่อมล้ำของประสิทธิภาพ: บทเรียนจากธรรมชาติสู่ซิลิคอน
ดร.อิเทียน เปิดประเด็นด้วยการเปรียบเทียบสถิติที่น่าตื่นตะลึงเกี่ยวกับ “ประสิทธิภาพการใช้พลังงาน” ระหว่างสิ่งมหัศจรรย์ทางชีวภาพอย่างสมองมนุษย์กับเทคโนโลยีที่ล้ำสมัยที่สุดในปัจจุบัน โดยชี้ให้เห็นว่าสมองของคนเรานั้นเปรียบเสมือนซูเปอร์คอมพิวเตอร์ชีวภาพที่ทรงพลัง สามารถประมวลผลข้อมูลที่ซับซ้อนและสั่งการร่างกายได้ ทั้งหมดนี้ใช้พลังงานเพียงแค่ประมาณ 20 วัตต์ หรือเทียบเท่ากับหลอดไฟดวงเล็ก ๆ เพียงดวงเดียวเท่านั้น
ในทางตรงกันข้าม โครงสร้างพื้นฐานของ AI ในปัจจุบันหรือดาต้าเซ็นเตอร์ (Data Center) กลับต้องการพลังงานมหาศาลในระดับกิกะวัตต์เพื่อทำงานในระดับที่ใกล้เคียงกัน ความแตกต่างนี้มีมากถึงหลักพันเท่า ดร.อิเทียน ได้ยกตัวเลขที่น่าสนใจว่า การค้นหาข้อมูลผ่านแชตบอต AI (เช่น ChatGPT) เพียงหนึ่งครั้ง ใช้พลังงานมากกว่าการค้นหาผ่าน Google Search แบบดั้งเดิมถึง 10 เท่า และหากมีการใช้งานคำสั่งถึง 1,000 ครั้ง อาจสร้างปริมาณคาร์บอนเทียบเท่ากับการขับรถยนต์เป็นระยะทางไกลถึง 400 กิโลเมตร
ตัวเลขเหล่านี้คือโจทย์หินที่นักวิจัยทั่วโลกต้องเร่งแก้ ดร.อิเทียน อธิบายว่าทิศทางการวิจัยในปัจจุบันจึงมุ่งเน้นไปที่การเลียนแบบกลไกของสมองมนุษย์ เช่น การศึกษาเรื่อง “ความเบาบางของข้อมูล” (Sparsity) ซึ่งเลียนแบบพฤติกรรมของสมองที่จะใช้พลังงานเฉพาะตอนที่มีการส่งผ่านข้อมูลหรือกระแสประสาทเท่านั้น ไม่ได้ทำงานตลอดเวลาเหมือนชิปคอมพิวเตอร์ทั่วไป เพื่อลดช่องว่างการใช้พลังงานนี้ให้แคบลง
NVIDIA กับนิยามความยั่งยืนที่ผูกติดกับ ‘ผลกำไร’
ข้ามมาที่ฝั่งของผู้พัฒนาเทคโนโลยี คุณพงษ์ศสิษฐ์ได้ขยายความนิยามของ “ความยั่งยืน” (Sustainability) ในบริบทของภาคธุรกิจไว้อย่างน่าสนใจ สำหรับ NVIDIA และองค์กรธุรกิจชั้นนำ ความยั่งยืนไม่ได้หมายถึงแค่การรักษาสิ่งแวดล้อมในเชิงอุดมคติเพียงอย่างเดียว แต่หมายถึง “ความอยู่รอดทางธุรกิจ”
ในฐานะ Solution Architect คุณพงษ์ศสิษฐ์อธิบายว่า หน้าที่ของเขาไม่ใช่แค่การติดตั้งระบบให้ทำงานได้ แต่คือการออกแบบสถาปัตยกรรมที่สร้าง “ผลลัพธ์” (Outcome) ที่คุ้มค่าที่สุด ทุกวัตต์ของพลังงานไฟฟ้าที่จ่ายให้กับการประมวลผล AI ต้องแปลเปลี่ยนเป็นรายได้ที่เพิ่มขึ้นหรือต้นทุนที่ลดลงอย่างมีนัยสำคัญ หากเทคโนโลยีนั้นกินไฟมหาศาลแต่ไม่สามารถสร้างมูลค่าเพิ่มได้ องค์กรนั้นก็ไม่อาจยั่งยืนได้จริง
แก้โจทย์ Jevons Paradox: เมื่อฮาร์ดแวร์ผนึกกำลังซอฟต์แวร์
การสนทนาเข้าสู่จุดที่ท้าทายที่สุดเมื่อมีการหยิบยกทฤษฎี “Jevons Paradox” หรือ ฏิทรรศน์ของเจวอนส์ (ความย้อนแย้งของเจวอนส์) ขึ้นมา ซึ่งระบุว่าเมื่อเทคโนโลยีมีประสิทธิภาพดีขึ้น (ประหยัดพลังงานขึ้น) มนุษย์มักจะมีแนวโน้มใช้งานสิ่งนั้นมากขึ้นจนทำให้การใช้พลังงานโดยรวม เพิ่มขึ้น แทนที่จะลดลง ซึ่งเป็นสิ่งที่กำลังเกิดขึ้นในวงการ AI ปัจจุบัน
พงษ์ศสิษฐ์ยอมรับความจริงข้อนี้ แต่ระบุทางออกว่า NVIDIA ไม่ได้หยุดอยู่แค่การผลิตชิป แต่กำลังมุ่งเน้นไปที่การเพิ่ม “ประสิทธิภาพต่อหน่วย” (Efficiency) อย่างจริงจัง ตัวอย่างที่ชัดเจนคือการเปรียบเทียบชิปรุ่นใหม่อย่างสถาปัตยกรรม Blackwell กับรุ่นก่อนหน้าอย่าง Hopper ซึ่งรุ่นใหม่สามารถให้ประสิทธิภาพที่สูงกว่าถึงประมาณ 30 เท่า ในเนื้องานปริมาณเท่ากัน ซึ่งหมายความว่าเราใช้พลังงานน้อยลงอย่างมหาศาลในการผลิต “ปัญญา” 1 หน่วย (Energy per Token)
แต่สิ่งที่คนทั่วไปมักไม่ทราบคือ เบื้องหลังความแรงของฮาร์ดแวร์ คือทีมวิศวกรซอฟต์แวร์จำนวนมหาศาลของ NVIDIA ที่ทำงานหนักเพื่อปรับจูนระบบ คุณพงษ์ศสิษฐ์เน้นย้ำว่า “ซอฟต์แวร์คือตัวแปรสำคัญ” โดย NVIDIA ได้พัฒนาเครื่องมืออย่าง NeMo และ NIMS เพื่อช่วยนักพัฒนา รวมถึงการใช้เทคนิคขั้นสูงอย่างการเทรนโมเดลด้วยความแม่นยำแบบผสมผสาน (Mixed Precision Training – เช่นการใช้ทศนิยมขนาด FP8 หรือ FP4) หรือการใช้เทคนิค Sparsity เพื่อตัดทอนการคำนวณส่วนที่ไม่จำเป็นออก ล้วนเป็นกลยุทธ์ที่ช่วยรีดประสิทธิภาพของชิปให้ถึงขีดสุด ทำให้การประมวลผลเร็วขึ้นและใช้พลังงานน้อยลง นี่คือหัวใจของสิ่งที่ NVIDIA เรียกว่า “Accelerated Computing”
อนาคตที่จับต้องได้: จาก AI บนหน้าจอ สู่ Physical AI
เมื่อถามถึงก้าวต่อไปของเทคโนโลยี พงษ์ศสิษฐ์ระบุถึงทิศทางอนาคตที่น่าตื่นเต้นว่า เรากำลังจะเปลี่ยนผ่านจากยุคของ Generative AI (AI ที่สร้างเนื้อหา) ไปสู่ยุคของ “Physical AI” หรือปัญญาประดิษฐ์ที่สัมผัสโลกกายภาพได้จริง ซึ่งก็คือ “หุ่นยนต์” (Robotics)
ปัจจุบัน AI พัฒนามาถึงจุดที่มี “ความสามารถในการใช้เหตุผล” (Reasoning) ซึ่งเป็นรากฐานสำคัญของการตัดสินใจ โมเดล AI ในปัจจุบันกำลังเปรียบเสมือนสมองที่ฉลาดขึ้นเรื่อย ๆ และพร้อมที่จะถูกนำไปใส่ในร่างของหุ่นยนต์หรือเครื่องจักร เพื่อทำงานแทนมนุษย์ในโลกความเป็นจริง ไม่ว่าจะเป็นหุ่นยนต์ฮิวแมนนอยด์ หรือรถยนต์ขับเคลื่อนอัตโนมัติ การที่เราลงทุนใช้พลังงานมหาศาลเพื่อเทรน AI ในวันนี้ คือการวางรากฐานโครงสร้างความรู้เพื่อรองรับอนาคตที่เครื่องจักรจะสามารถเข้าใจและโต้ตอบกับโลกกายภาพได้อย่างสมบูรณ์
AI ในฐานะ ‘Great Equalizer’ ของคนรุ่นใหม่
ในช่วงท้าย ดร.อิเทียน และ คุณพงษ์ศสิษฐ์ ได้ฝากแง่คิดที่ทรงพลังสำหรับนักศึกษาและคนทำงานรุ่นใหม่ พงษ์ศสิษฐ์มองว่า AI คือ “ตัวปรับสมดุลที่ยิ่งใหญ่” (Great Equalizer) ที่ทลายกำแพงความเหลื่อมล้ำของการเข้าถึงความรู้ ไม่ว่าคุณจะเป็นเด็กไทย เด็กอเมริกัน หรืออยู่ที่ใดในโลก หากมีอินเทอร์เน็ต คุณมีโอกาสเข้าถึงเทคโนโลยีระดับโลกได้เท่าเทียมกัน
คำแนะนำสำคัญคือ อย่าหยุดอยู่แค่การเป็น “ผู้ใช้งาน” (User) ที่เพียงแค่พิมพ์คำสั่งถามตอบ แต่จงเป็นผู้ที่ “เข้าใจ” (Understand) กลไกเบื้องหลัง เข้าใจโครงสร้างของระบบ และเข้าใจว่าเทคโนโลยีนี้จะสร้างความยั่งยืนทางธุรกิจได้อย่างไร เพราะในโลกยุคหน้า คนที่ประสบความสำเร็จจะไม่ใช่คนที่ใช้เครื่องมือเป็นเพียงอย่างเดียว แต่เป็นคนที่สามารถใช้เวลาและพลังงานที่มีอยู่อย่างจำกัด เพื่อสร้างสรรค์ผลลัพธ์ที่ตอบโจทย์โลกได้อย่างแท้จริง
ข่าวอื่น ๆ ที่น่าสนใจ
เด็กไทยหัวใจ Global: ก้าวข้ามขีดจำกัดยุค AI ด้วยวิธีคิดแบบ ‘ทำทันที’
6 องค์กร ผนึก THAI NSW เชื่อม ATIGA e-Form D ขับเคลื่อนการค้าไร้กระดาษ
