11 ธันวาคม 2568 World Economic Forum เผยแพร่ Report อันใหม่ ชื่อว่า From Paradox to Progress A Net-Positive AI Energy Framework Report นี้เล่าถึง เราจะทำให้ AI โตขึ้นได้ โดยไม่ไปทำให้ระบบพลังงาน/ค่าไฟ/คาร์บอนพังลงได้ยังไง และไม่ใช่แค่ลดผลกระทบ แต่ต้องไปถึงระดับที่ ผลดีที่ AI สร้างให้ระบบพลังงานและสภาพอากาศมากกว่า พลังงานที่มันกิน

AI Paradox และทำไมต้องรีบคุยเรื่องพลังงาน

  • AI ทำให้ใช้พลังงานเพิ่ม (เพราะต้องมี Data Center/ชิป/โครงสร้างพื้นฐาน และการใช้งานมันขยายไวมาก)
  • AI ก็ช่วยประหยัดพลังงานได้จริง ถ้านำไปใช้กับงานที่ลดการสูญเสีย ในระบบพลังงานและอุตสาหกรรม และ โอกาสมันชัดมาก ถ้า deploy ให้ถูกที่ถูกทาง รายงานยกตัวอย่างประโยชน์ที่ AI ทำได้ เช่น
    • ลดพลังงานที่ใช้กับการทำความเย็น Data Center ได้
    • ทำให้ระบบปรับอากาศอาคาร (HVAC) มีประสิทธิภาพดีขึ้น (15–40%)
    • ช่วยงาน grid ให้เสถียรขึ้น ลด loss เพิ่มความแม่นยำพยากรณ์พลังงานหมุนเวียน ฯลฯ

ทำไมแค่ทำให้ AI ประหยัดขึ้น ยังไม่พอ

  • หลายองค์กรชอบเริ่มจาก คำว่า ทำโมเดลให้กินไฟน้อยลง ซึ่งดีแต่รายงานบอกว่า ยังไม่พอ เพราะมีแรงผลักที่ซ่อนอยู่ เช่น
    • พอทำให้มันถูกลง/ง่ายขึ้น คนก็ใช้มากขึ้น (ยิ่งประหยัด ยิ่งใช้ถี่ คล้าย ๆ ที่ของถูกแล้วคนใช้เยอะกว่าเดิม)
    • ผลดี จากการประหยัด อาจถูกใช้คืน ไปกับการใช้งานที่เพิ่มขึ้น ถ้าไม่มีการออกแบบ Demand และแรงจูงใจให้ดี

Stakeholders ในผลกระทบด้านพลังงานของ AI ประกอบด้วย

1. Technology providers (คนทำแพลตฟอร์ม/ชิป/ผู้ให้บริการ):

– ต้องทำ AI ให้ประหยัดขึ้น, ทำเครื่องมือให้ผู้ใช้เห็นพลังงานที่ใช้, และเปิดเผยข้อมูล/มาตรฐานด้านความยั่งยืน

2. Industry leaders (องค์กรผู้ใช้ AI):

– ต้องเอา AI ไปผูกกับแผนลดพลังงาน/ลดคาร์บอนจริง ๆ และฝึกทีมให้ใช้ AI แบบรู้ต้นทุนพลังงาน

3. Governments & regulators:

– ตั้งมาตรฐาน/กติกาเรื่องประสิทธิภาพและการรายงาน, วางนโยบายและโครงสร้างพื้นฐานให้ AI เป็น Asset ไม่ใช่ Liability

4. Academia & civil society:

– พัฒนาเครื่องมือวัด/หลักสูตร/การกำกับดูแล เพื่อให้ระบบโปร่งใสและคนพร้อม

5. Consumers & end users:

– การเลือกใช้เครื่องมือที่ประหยัดกว่า, สนับสนุนความโปร่งใส, และใช้แบบพอดี ก็มีผลต่อทิศทางตลาด

Net-positive AI Energy Framework

– ถ้าอยากให้ AI ไปทางผลดีมากกว่าผลเสีย ต้องทำพร้อมกัน 3 เรื่องหลัก และมีฐานรอง 3 เรื่อง

3 Action Drivers ตัวขับเคลื่อนให้เกิดผลจริง

  1. Design for efficiency = ออกแบบให้ AI และโครงสร้างพื้นฐานกินไฟน้อยตั้งแต่ต้น
  2. Deploy for impact = เอา AI ไปลงงานที่ลดพลังงาน/ลดการสูญเสีย/ทำระบบไฟฉลาดขึ้น ให้เป็นรูปธรรม
  3. Shape demand wisely = บริหาร Demand การใช้ AI ไม่ให้เด้งกลับจนกลบผลดี

3 Strategic Enablers ตัวค้ำยันให้สเกลได้

1. Consumer education & workforce upskilling = คนต้องเข้าใจและมีทักษะพอ

2. Ecosystem collaboration = ทำร่วมกันทั้งอุตสาหกรรม/รัฐ/วิชาการ

3. Transparent measurement & accountability = วัด, เทียบ, ตรวจได้

กรอบนี้ตั้งใจแก้พฤติกรรมจริงของโลก คือ

  • ถ้าไม่วัด ก็ไม่รู้ว่าดีขึ้นจริงไหม
  • ถ้าไม่ร่วมมือ ก็เกิดมาตรฐานคนละชุด โครงสร้างพื้นฐานคนละทาง
  • ถ้าไม่บริหาร Demand ต่อให้ประหยัดขึ้น สุดท้ายก็ใช้เยอะขึ้นจนเท่าเดิม

สูตรที่ 1 Design for efficiency (ออกแบบให้ประหยัดตั้งแต่ต้น)

  • Report ชี้ว่าไฟฟ้าของ Data Center มีแนวโน้มมากกว่า 2 เท่า หรือ 945 TWh ภายในปี 2030 และไต่ไปประมาณ 1,200 TWh ภายในปี 2035 เลยเสนอคันโยกหลัก ๆ ของการออกแบบให้ประหยัด เช่น
    • Hardware ที่ประหยัดพลังงาน
    • Data Center ที่เป็นมิตรต่อสิ่งแวดล้อม
    • ปรับแต่งโมเดลให้ใช้พลังงานน้อยลง
    • ติดตามผลกระทบตลอดวงจรชีวิต
    • ระบบนำความร้อนกลับมาใช้ (Heat Recovery)
  • นอกจากนี้ยังมีคำแนะนำเชิงปฏิบัติที่ตรงมากสำหรับองค์กร เช่น
    • เอาตัวชี้วัดพลังงาน ใส่เข้าไปในเกณฑ์จัดซื้อ/ออกแบบ (ไม่ใช่ดูแค่ราคา/ความแรง)
    • วางแผนการเปลี่ยนฮาร์ดแวร์ให้สอดคล้องเป้าหมายความยั่งยืน
    • ติดตามความเข้มพลังงาน/คาร์บอนตลอดวงจรชีวิตของระบบ AI

เช่น ทำ Data Center แบบ modular + liquid cooling + ใช้พลังงานหมุนเวียน และตั้งเป้าประหยัดพลังงาน ~20% พร้อม deploy ได้เร็วขึ้น

สูตรที่ 2 Deploy for impact (เอา AI ไปทำงานที่ลดพลังงานจริง)

  • Report เน้นย้ำว่า พบบ่อยสุด ในฐานเคสที่เขารีวิว: ประมาณ 83% ของเคสสะท้อนแนว deploy for Impact หลักที่เขายกมา เช่น
    • ปรับระบบกริดแบบเรียลไทม์ (dispatch, คาดการณ์ไฟดับ, balance load)
    • คุมกระบวนการอุตสาหกรรม (predictive maintenance, optimize energy)
    • จัดการพลังงานในอาคาร (HVAC/ไฟ/ตามคนอยู่จริง)
    • พยากรณ์พลังงานหมุนเวียนให้แม่นขึ้น
    • โลจิสติกส์/ขนส่ง (route, fleet electrification, planning)

และข้อเสนอเชิงยุทธศาสตร์ที่เขาอยากเห็น คือ

  • ขยายของที่พิสูจน์แล้วว่าเวิร์ก ผ่านความร่วมมือรัฐ-เอกชน
  • ใส่ AI เข้าไปในแผนลดคาร์บอนระดับประเทศ
  • ตั้งมาตรฐานเชื่อมต่อข้อมูล/ระบบในอุตสาหกรรมที่มี Impact สูง

เช่น จีนใช้แพลตฟอร์ม AIoT เป็นสมองดิจิทัล ของนิคมอุตสาหกรรม เชื่อม wind/solar/storage/โหลดโรงงาน เพื่อทำ forecasting/ dispatch/ carbon accounting และมีตัวเลขผลลัพธ์ทั้งประหยัดพลังงานและลดพีคโหลด

สูตรที่ 3 Shape demand wisely (บริหารดีมานด์การใช้ AI ไม่ให้เด้งกลับ)

  • โฟกัสว่าเราจะกำกับการใช้ AI ยังไง, จะเลือกจังหวะเวลาใช้ยังไง และจะ ตั้งแรงจูงใจแบบไหน เพื่อให้ความต้องการใช้พลังงานไปในทิศเดียวกับเป้าหมาย sustainability พอตั้งแรงจูงใจ + ทำให้การใช้ AI ยืดหยุ่นขึ้น และตอบสนองตามสถานการณ์ได้ (condition-responsive) เราจะจัดรูปดีมานด์ ได้แบบฉลาด ๆ ไม่ใช่แค่สั่งห้าม/บีบให้ลดอย่างเดียว ประกอบด้วย:
    • Use-based pricing models: ตั้งราคาให้ส่งสัญญาณชัด ๆ และทำแบบเป็นระดับ (tiered) เพื่อจูงใจให้ใช้แบบมีประสิทธิภาพ
    • Digital sobriety campaigns: ทำให้คนเข้าใจว่าแต่ละ query และแต่ละ model มีผลต่อพลังงานยังไง (สื่อสาร/ให้ความรู้แบบจริงจัง)
    • Model selection guidance: แนะนำให้เลือก model ที่เล็กพอเหมาะกับงาน (fit-for-purpose) ไม่ต้องใหญ่เกินจำเป็น
    • Consumer dashboards: ทำแดชบอร์ดให้เห็นผลกระทบด้านพลังงานแบบเรียลไทม์
    • Regulatory nudges: ตั้งค่าเริ่มต้นให้ประหยัด และมีมาตรฐานการเปิดเผยข้อมูล (disclosure standards)

ทำไมต้องทำพร้อมกัน ไม่ใช่ทำทีละชิ้น

Framework นี้ไม่ใช่ checklist แต่เป็นแบบแปลน ที่แต่ละส่วนหนุนกัน

  • Design for efficiency ต้องมีการวัดวงจรชีวิต + ทีมมีทักษะ (เลยต้องพึ่ง education + transparency)
  • Deploy for impact ต้องมีการร่วมมือ + นโยบาย (เลยต้องพึ่ง ecosystem collaboration)
  • Shape Demand ต้องมีทั้งความรู้ผู้ใช้ + แรงกระตุ้นเชิงกติกา (เลยต้องพึ่งทั้ง 3 enablers)

Next steps & call to action (สิ่งที่รายงานบอกให้ “เริ่มทำเลย”)

  • รายงานพูดชัดว่าเส้นทางมันชัดแล้ว แต่ต้องทำแบบประสานงาน และ ถึงเวลาลงมือ ด้วยแผนระยะสั้น (0–12 เดือน) ที่เขาแนะนำให้ทำทันที
  1. ประเมิน footprint ของ AI และวัสดุที่ฝังอยู่ (มองทั้งการเทรน/การใช้งาน/โครงสร้างพื้นฐาน/วัสดุ)
  2. ตั้ง benchmark และเปิดเผยข้อมูล (ร่วมสร้างมาตรฐานรายงาน + ข้อมูลเปิด)
  3. Design for Efficiency: เลือกฮาร์ดแวร์ประหยัด, ออกแบบดาต้าเซ็นเตอร์แบบ modular, optimize โมเดล
  4. Shape demand Wisely: ให้ความรู้ผู้ใช้, ทำ pricing model, ตั้งค่าเริ่มต้นให้ประหยัดพลังงาน

ข้อสรุป:

อย่าคิดแค่ว่า AI ต้องประหยัดขึ้น ต้องคิดด้วยว่าเอา AI ไปลงงานที่ประหยัดพลังงานจริง และออกแบบกติกาการใช้งานไม่ให้ดีมานด์เด้งกลับ

Source:

World Economic Forum