‘พลังงานไม่เพียงพอ’ โจทย์ใหญ่ สกัดขีดความสามารถ ‘AI Data Center’

‘พลังงานไม่เพียงพอ’ โจทย์ใหญ่ สกัดขีดความสามารถ ‘AI Data Center’

"การ์ทเนอร์" ระบุ AI และ Generative AI (GenAI) กำลังผลักดันการใช้พลังงานไฟฟ้าให้พุ่งสูงขึ้นรวดเร็ว คาดการณ์ว่าอีกสองปีข้างหน้าตลาดดาต้าเซนเตอร์อาจเติบโตสูงถึง 160% และในปี 2570 AI ดาต้าเซ็นเตอร์ถึง 40% จะถูกจำกัดประสิทธิภาพการดำเนินงานจากขีดจำกัดด้านพลังงาน

บ็อบ จอห์นสัน รองประธานนักวิเคราะห์ของการ์ทเนอร์ กล่าวว่า “การเติบโตอย่างรวดเร็วของดาต้าเซ็นเตอร์ ระดับไฮเปอร์สเกลใหม่ๆ เพื่อรองรับ GenAI ทำให้เกิดความต้องการการใช้พลังงานอย่างไม่มีที่สิ้นสุดและนำไปสู่การถึงขีดจำกัดของความสามารถในการขยายกำลังการผลิตของผู้ให้บริการสาธารณูปโภค ส่งผลให้เกิดปัญหาพลังงานไม่เพียงพอและจำกัดการเติบโตของดาต้าเซ็นเตอร์ใหม่ ๆ ที่รองรับ GenAI รวมถึงการใช้งานอื่น ๆ ตั้งแต่ปี 2569”

การ์ทเนอร์ ประเมินว่า ในปี 2570 ปริมาณพลังงานที่ดาต้าเซ็นเตอร์ต้องใช้เพื่อขับเคลื่อนเซิร์ฟเวอร์ที่เพิ่มขึ้นและปรับแต่งสำหรับ AI จะทะยานไปถึง 500 เทราวัตต์ต่อชั่วโมง (TWh) ต่อปี ซึ่งมากกว่าปี 2566 ถึง 2.6 เท่า

ดาต้าเซ็นเตอร์ขนาดใหญ่ใหม่ๆ ออกแบบมาเพื่อรองรับปริมาณข้อมูลมหาศาลที่จำเป็นสำหรับการฝึกฝนและปรับใช้ของ Large Language Models (LLMs) อันเป็นพื้นฐานแอปพลิเคชัน GenAI ที่กำลังขยายตัวรวดเร็ว อย่างไรก็ตามการขาดแคลนพลังงานระยะสั้นมีแนวโน้มดำเนินต่อไปอีกหลายปี จากการจัดส่งพลังงาน การจัดจำหน่ายและการผลิตพลังงานใหม่อาจใช้เวลาหลายปีกว่าจะเริ่มใช้งานได้ ซึ่งไม่สามารถบรรเทาปัญหาในปัจจุบันลงได้ 

ในอนาคตอันใกล้จำนวนดาต้าเซ็นเตอร์แห่งใหม่และการเติบโตของ GenAI จะถูกควบคุมด้วยความพร้อมด้านพลังงาน การ์ทเนอร์แนะนำให้องค์กรต่างๆ ประเมินความเสี่ยงที่อาจเกิดจากการขาดแคลนพลังงานที่จะมีผลต่อผลิตภัณฑ์และบริการทั้งหมด ‘พลังงานไม่เพียงพอ’ โจทย์ใหญ่ สกัดขีดความสามารถ ‘AI Data Center’

ราคาไฟฟ้าเพิ่มสูงขึ้น

ตามรายงานของการ์ทเนอร์ ระบุว่า ราคาพลังงานที่เพิ่มขึ้น คือ ผลลัพธ์ที่หลีกเลี่ยงไม่ได้จากปัญหาการขาดแคลนพลังงานที่กำลังจะเกิดขึ้น ซึ่งจะเพิ่มต้นทุนการดำเนินการด้าน LLMs

ผู้บริโภคพลังงานรายใหญ่ กำลังทำงานร่วมกับผู้ผลิตพลังงานขนาดใหญ่ เพื่อสร้างแหล่งพลังงานระยะยาวที่มีความเป็นอิสระจากความต้องการอื่นของระบบไฟฟ้า ระหว่างนี้ ต้นทุนพลังงานสำหรับดำเนินการดาต้าเซนเตอร์จะเพิ่มขึ้นอย่างมีนัยสำคัญ จากผู้ประกอบการใช้อำนาจต่อรองทางเศรษฐกิจเพื่อให้ได้พลังงานที่ต้องการ โดยค่าใช้จ่ายเหล่านี้จะถูกผลักภาระไปยังผู้ให้บริการผลิตภัณฑ์และบริการของ AI และ GenAI อีกด้วย” จอห์นสัน กล่าวเสริม

องค์กรต่างๆ ต้องประเมินแผนอนาคต คำนึงถึงต้นทุนพลังงานที่สูงขึ้น และเจรจาสัญญาระยะยาวสำหรับบริการดาต้า เซนเตอร์ ในอัตราค่าพลังงานที่สมเหตุสมผล องค์กรควรคำนึงถึงการเพิ่มขึ้นของต้นทุนอย่างมีนัยสำคัญ เมื่อพัฒนาแผนผลิตภัณฑ์และบริการใหม่ พร้อมทั้งมองหาแนวทางหรือทางเลือกที่ใช้พลังงานน้อยลง

เป้ายั่งยืนจะได้รับผลกระทบ

เป้าหมายความยั่งยืน เพื่อลดคาร์บอนสุทธิเป็นศูนย์ จะได้รับผลกระทบทางลบจากการแก้ปัญหาระยะสั้น ในการจัดหาพลังงานเพิ่มเติม เนื่องจากความต้องการที่เพิ่มขึ้นรวดเร็วกำลังบีบบังคับให้ผู้ผลิตต้องเพิ่มการผลิตด้วยทุกวิธีทางที่ทำได้ นั่นหมายถึงการปลดระวางการทำงานโรงไฟฟ้าเชื้อเพลิงฟอสซิล ที่ยังต้องยืดระยะการดำเนินงานต่อไปเกินจากที่กำหนดไว้ ‘พลังงานไม่เพียงพอ’ โจทย์ใหญ่ สกัดขีดความสามารถ ‘AI Data Center’

ความเป็นจริงคือการใช้ ดาต้าเซนเตอร์ เพิ่มขึ้นนำไปสู่การปล่อยก๊าซคาร์บอนที่เพิ่มขึ้นตาม ส่งผลให้เกิดการผลิตพลังงานที่จำเป็นในระยะสั้น ทำให้ผู้ประกอบการ ดาต้าเซนเตอร์ และลูกค้าของพวกเขาพบความยากลำบากมากขึ้นในการบรรลุเป้าหมายความยั่งยืนที่เข้มงวดด้านการปล่อยก๊าซคาร์บอน

ตามรายงานของการ์ทเนอร์ ชี้ว่า ดาต้า เซนเตอร์ ต้องการพลังงานที่พร้อมใช้งานตลอด 24/7 ซึ่งพลังงานหมุนเวียน อาทิ พลังงานลมหรือพลังงานแสงอาทิตย์ ไม่สามารถจัดหาให้ได้โดยไม่มีแหล่งพลังงานทางเลือกในช่วงที่ไม่สามารถผลิตพลังงานได้

 การ์ทเนอร์ ยังระบุว่า พลังงานที่เชื่อถือได้ตลอด 24/7 สามารถผลิตได้จากโรงไฟฟ้าพลังน้ำ เชื้อเพลิงฟอสซิล หรือนิวเคลียร์เท่านั้น ซึ่งในระยะยาว เทคโนโลยีใหม่สำหรับการกักเก็บพลังงานแบตเตอรี่ที่ดีขึ้น เช่น แบตเตอรี่โซเดียมไอออน หรือพลังงานสะอาด เช่น เครื่องปฏิกรณ์นิวเคลียร์ขนาดเล็ก จะพร้อมใช้งานและช่วยให้บรรลุเป้าหมายด้านความยั่งยืน

อย่างไรก็ตาม องค์กรต้องประเมินเป้าหมายด้านความยั่งยืน ที่เกี่ยวกับการปล่อยก๊าซคาร์บอนใหม่ โดยพิจารณาถึงความต้องการดาต้าเซ็นเตอร์ และแหล่งพลังงานในอนาคตเมื่อพัฒนาแอปพลิเคชัน GenAI องค์กรควรมุ่งเน้นใช้พลังงานการประมวลผลให้น้อยที่สุด และพิจารณาความเป็นไปได้ของทางเลือกอื่น ๆ เช่น เอดจ์ คอมพิวติ้ง และโมเดลภาษาขนาดเล็กกว่า