Google เพิ่งประกาศการลดการใช้พลังงานที่น่าทึ่งถึง 33 เท่าสำหรับการสืบค้น AI ในเวลาเพียงหนึ่งปี แต่ชุมชนเทคโนโลยีกำลังตั้งคำถามว่าตัวเลขที่น่าประทับใจเหล่านี้เล่าเรื่องราวทั้งหมดหรือไม่ การอ้างดังกlaวได้จุดประกายการถกเถียงอย่างเข้มข้นเกี่ยวกับวิธีที่บริษัทนำเสนอข้อมูลผลกระทบต่อสิ่งแวดล้อม และว่าวิธีการของ Google สร้างภาพที่ทำให้เข้าใจผิดเกี่ยวกับต้นทุนพลังงานที่แท้จริงของ AI หรือไม่
ตัวเลขการใช้พลังงาน AI ที่ Google รายงาน:
- ข้อความ prompt เฉลี่ยของ Gemini Apps : 0.24 วัตต์ชั่วโมงของพลังงาน
- การปล่อยคาร์บอน: 0.03 กรัม CO2 เทียบเท่าต่อ prompt หนึ่งครั้ง
- การใช้น้ำ: 0.26 มิลลิลิตรต่อ prompt หนึ่งครั้ง
- เทียบเท่ากับการดูทีวีประมาณ 9 วินาทีต่อการค้นหาหนึ่งครั้ง
ความขัดแย้งระหว่าง Median กับ Mean
หัวใจของความขัดแย้งอยู่ที่การเลือกของ Google ที่จะรายงานการใช้พลังงานแบบ median แทนที่จะเป็นการใช้พลังงานเฉลี่ย นักวิจารณ์โต้แย้งว่าแนวทางทางสถิตินี้ช่วยให้ Google สามารถนำเสนอตัวเลขที่ต่ำกว่าอย่างมากโดยรวมการดำเนินงาน AI ขนาดเล็กนับไม่ถ้วนจากสรุปการค้นหาเข้ากับงานที่ใช้พลังงานมากกว่า เมื่อ Google ใช้โมเดล AI ขนาดเล็กสำหรับทุกการสืบค้นเพื่อสร้างภาพรวม AI ที่ปรากฏที่ด้านบนของผลการค้นหา การดำเนินงานเบาๆ เหล่านี้สามารถดึงค่า median ลงได้อย่างมีนัยสำคัญ
มันเหมือนกับการเพิ่มอาหาร 8 มื้อพิเศษที่มีใบผักกาดหอมใบเดียว แล้วอ้างว่าคุณลดการบริโภคแคลอรี่ median ของอาหารของคุณ
การหลอกลวงทางสถิตินี้หมายความว่าในขณะที่โมเดลที่ทรงพลังที่สุดของ Google เช่น Gemini 2.5 Pro อาจยังคงใช้พลังงานจำนวนมาก การคำนวณ median จะมุ่งเน้นไปที่โมเดลที่เล็กกว่ามากที่จัดการกับงานค้นหาประจำ ชุมชนชี้ให้เห็นว่าเมื่อบริษัททั่วไปรายงานการเพิ่มประสิทธิภาพ พวกเขาใช้ค่าเฉลี่ยเพราะสะท้อนผลกระทบโดยรวมในทุกการดำเนินงานได้ดีกว่า
การขาดรายละเอียดโมเดลเฉพาะเป็นสัญญาณเตือน
ความกังวลหลักอีกประการหนึ่งคือความไม่เต็มใจของ Google ที่จะให้ข้อมูลการใช้พลังงานเฉพาะสำหรับแต่ละโมเดล รายงานกล่าวถึง Gemini Apps และใช้คำศัพท์กว้างๆ เช่น median Gemini โดยไม่ระบุอย่างชัดเจนว่าโมเดล AI เฉพาะใดบ้างที่รวมอยู่ในการคำนวณ ความคลุมเครือนี้ทำให้นักวิจัยและคู่แข่งไม่สามารถตรวจสอบการอ้างหรือเข้าใจว่าการปรับปรุงใดที่เกิดขึ้นจริง
ชุมชนเทคนิคสังเกตว่ารายงานของ Google หลีกเลี่ยงอย่างระมัดระวังการระบุเวอร์ชันโมเดลเฉพาะเมื่อพูดถึงการลดพลังงาน ซึ่งแตกต่างจากเอกสารการตลาดทั่วไปที่จะเน้นการปรับปรุงผลิตภัณฑ์เรือธง การละเว้นนี้บ่งชี้ว่าการเพิ่มประสิทธิภาพที่น่าประทับใจอาจไม่ใช้กับโมเดลขนาดใหญ่ที่มีความสามารถซึ่งผู้ใช้ส่วนใหญ่คิดถึงเมื่อพูดถึงประสิทธิภาพ AI
สิ่งที่ไม่รวมอยู่ในการวิเคราะห์ของ Google :
- ต้นทุนพลังงานในการฝึกโมเดล AI
- การใช้พลังงานของโครงสร้างพื้นฐานเครือข่าย
- ภาระการประมวลผลของอุปกรณ์ผู้ใช้งาน
- พลังงานจากการฝึกที่ล้มเหลว/ไม่ได้ใช้งาน
การปรับปรุงที่แท้จริงถูกฝังอยู่ในการตลาด
แม้จะมีความกังวลทางสถิติ Google ได้ทำความก้าวหน้าทางเทคนิคที่แท้จริงซึ่งมีส่วนช่วยในประสิทธิภาพพลังงาน บริษัทได้ใช้เทคนิคการเพิ่มประสิทธิภาพหลายอย่างรวมถึงสถาปัตยกรรม Mixture-of-Experts ซึ่งเปิดใช้งานเฉพาะส่วนของโมเดล AI ที่จำเป็นสำหรับคำขอเฉพาะ พวกเขายังพัฒนาเวอร์ชันโมเดลที่กะทัดรัดมากขึ้นและปรับปรุงการจัดการศูนย์ข้อมูลเพื่อให้แน่ใจว่าฮาร์ดแวร์ทำงานที่ประสิทธิภาพสูงสุด
ตัวเร่ง AI แบบกำหนดเองของ Google และ software stack ที่เพิ่มประสิทธิภาพให้ข้อได้เปรียบเพิ่มเติม ช่วยให้บริษัทสามารถปรับแต่งทั้งฮาร์ดแวร์และซอฟต์แวร์เพื่อประสิทธิภาพสูงสุด การปรับปรุงทางเทคนิคเหล่านี้แสดงถึงความก้าวหน้าที่แท้จริงในการทำให้การดำเนินงาน AI ยั่งยืนมากขึ้น แม้ว่าตัวเลขหัวข้อข่าวอาจทำให้เข้าใจผิด
การปรับปรุงด้านเทคนิคที่ได้นำมาใช้:
- Mixture-of-Experts (MoE): ลดความต้องการในการประมวลผลลง 10-100 เท่า โดยการเปิดใช้งานเฉพาะส่วนของโมเดลที่เกี่ยวข้อง
- Model Quantization: บีบอัดโมเดลในขณะที่ยังคงรักษาประสิทธิภาพไว้
- การปรับปรุงฮาร์ดแวร์: ตัวเร่งความเร็ว AI แบบกำหนดเองที่ออกแบบมาโดยเฉพาะสำหรับซอฟต์แวร์ของ Google
- ประสิทธิภาพของศูนย์ข้อมูล: อัตราการใช้งานที่ดีขึ้นและสถานะไม่ทำงานที่ใช้พลังงานต่ำ
 |
|---|
| สิ่งอำนวยความสะดวกสมัยใหม่แห่งนี้เน้นย้ำถึงความก้าวหน้าในด้านประสิทธิภาพพลังงานและความยั่งยืนในเทคโนโลยี ซึ่งสะท้อนถึงความพยายามของ Google ในการเพิ่มประสิทธิภาพการใช้พลังงานของ AI |
ภาพใหญ่เกี่ยวกับการใช้พลังงาน AI
การถกเถียงเน้นย้ำถึงความท้าทายที่กว้างขึ้นในการวัดผลกระทบต่อสิ่งแวดล้อมของ AI ในขณะที่ประสิทธิภาพการสืบค้นแต่ละครั้งได้ดีขึ้น ปริมาณการดำเนินงาน AI ทั้งหมดได้ระเบิดขึ้นเมื่อบริษัทต่างๆ รวมฟีเจอร์ AI เข้าในทุกผลิตภัณฑ์และบริการ Google ตอนนี้ใช้การดำเนินงาน AI สำหรับทุกการสืบค้น สร้างความต้องการการคำนวณจำนวนมากที่ไม่เคยมีมาก่อนเมื่อไม่กี่ปีที่ผ่านมา
การอภิปรายยังเผยให้เห็นความซับซ้อนของการวัดการใช้พลังงาน AI การวิเคราะห์ของ Google รวมถึงการใช้โปรเซสเซอร์ หน่วยความจำ การระบายความร้อน และการปล่อยก๊าซจากการผลิตฮาร์ดแวร์ แต่ไม่รวมต้นทุนการฝึกและโครงสร้างพื้นฐานเครือข่าย การละเว้นเหล่านี้หมายความว่าต้นทุนสิ่งแวดล้อมที่แท้จริงของ AI ยังคงยากที่จะหาปริมาณ ทำให้บริษัทต่างๆ นำเสนอสถิติที่เอื้ออำนวยได้ง่ายขึ้นในขณะที่หลีกเลี่ยงภาพรวมทั้งหมด
ความขัดแย้งเน้นย้ำถึงความจำเป็นในการมีวิธีการรายงานที่เป็นมาตรฐานและโปร่งใสสำหรับการใช้พลังงาน AI เมื่อ AI กลายเป็นที่แพร่หลายมากขึ้นในบริการดิจิทัลทั้งหมด การวัดที่แม่นยำและการรายงานที่ซื่อสัตย์จะมีความสำคัญอย่างยิ่งสำหรับการตัดสินใจอย่างมีข้อมูลเกี่ยวกับการแลกเปลี่ยนด้านสิ่งแวดล้อมของเทคโนโลยี
อ้างอิง: Google says it dropped the energy cost of AI queries by 33x in one year