ចម្លើយខ្លី៖ បញ្ញាសិប្បនិម្មិត (AI) ប៉ះពាល់ដល់បរិស្ថានជាចម្បងតាមរយៈការប្រើប្រាស់អគ្គិសនីនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ (ទាំងការបណ្តុះបណ្តាល និងការសន្និដ្ឋានប្រចាំថ្ងៃ) រួមជាមួយនឹងទឹកសម្រាប់ត្រជាក់ បូករួមទាំងផលប៉ះពាល់ជាក់ស្តែងនៃការផលិតផ្នែករឹង និងកាកសំណល់អេឡិចត្រូនិច។ ប្រសិនបើការប្រើប្រាស់មានទ្រង់ទ្រាយធំដល់រាប់ពាន់លានសំណួរ ការសន្និដ្ឋានអាចលើសពីការបណ្តុះបណ្តាល។ ប្រសិនបើបណ្តាញអគ្គិសនីស្អាតជាង និងប្រព័ន្ធមានប្រសិទ្ធភាព ផលប៉ះពាល់ធ្លាក់ចុះ ខណៈពេលដែលអត្ថប្រយោជន៍អាចកើនឡើង។
ចំណុចសំខាន់ៗ៖
អគ្គិសនី៖ តាមដានការប្រើប្រាស់កុំព្យូទ័រ; ការបំភាយឧស្ម័នថយចុះ នៅពេលដែលបន្ទុកការងារដំណើរការលើបណ្តាញអគ្គិសនីស្អាតជាងមុន។
ទឹក៖ ជម្រើសនៃការត្រជាក់ផ្លាស់ប្តូរផលប៉ះពាល់; វិធីសាស្រ្តដែលមានមូលដ្ឋានលើទឹកមានសារៈសំខាន់បំផុតនៅក្នុងតំបន់ដែលខ្វះខាត។
ផ្នែករឹង៖ បន្ទះឈីប និងម៉ាស៊ីនមេ មានផលប៉ះពាល់យ៉ាងសំខាន់។ ពន្យារអាយុកាលប្រើប្រាស់ និងផ្តល់អាទិភាពដល់ការជួសជុលឡើងវិញ។
ស្ទុះងើបឡើងវិញ៖ ប្រសិទ្ធភាពអាចបង្កើនតម្រូវការសរុប។ វាស់វែងលទ្ធផល មិនត្រឹមតែការកើនឡើងក្នុងមួយភារកិច្ចនោះទេ។
ចំណុចប្រតិបត្តិការ៖ វាស់ទំហំគំរូឲ្យបានត្រឹមត្រូវ បង្កើនប្រសិទ្ធភាពការសន្និដ្ឋាន និងរាយការណ៍ម៉ែត្រក្នុងមួយសំណើដោយមានតម្លាភាព។
អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖
🔗 តើ AI អាក្រក់សម្រាប់បរិស្ថានទេ?
ស្វែងយល់ពីផលប៉ះពាល់កាបូនរបស់ AI ការប្រើប្រាស់អគ្គិសនី និងតម្រូវការមជ្ឈមណ្ឌលទិន្នន័យ។.
🔗 ហេតុអ្វីបានជា AI អាក្រក់សម្រាប់សង្គម?
សូមក្រឡេកមើលភាពលំអៀង ការរំខានដល់ការងារ ព័ត៌មានមិនពិត និងវិសមភាពសង្គមកាន់តែរីករាលដាល។.
🔗 ហេតុអ្វីបានជា AI អាក្រក់? ផ្នែកងងឹតនៃ AI
យល់ដឹងពីហានិភ័យដូចជាការឃ្លាំមើល ការរៀបចំ និងការបាត់បង់ការគ្រប់គ្រងរបស់មនុស្ស។.
🔗 តើ AI បានទៅឆ្ងាយពេកហើយឬនៅ?
ការជជែកពិភាក្សាអំពីក្រមសីលធម៌ បទប្បញ្ញត្តិ និងកន្លែងដែលនវានុវត្តន៍គួរគូសបន្ទាត់។.
របៀបដែល AI ប៉ះពាល់ដល់បរិស្ថាន៖ រូបថតរហ័ស ⚡🌱
ប្រសិនបើអ្នកចាំបានតែចំណុចមួយចំនួនប៉ុណ្ណោះ សូមធ្វើវាដូចខាងក្រោម៖
-
បញ្ញាសិប្បនិម្មិត (AI) ប្រើប្រាស់ថាមពល - ភាគច្រើននៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យដែលដំណើរការ GPU/CPU សម្រាប់ការហ្វឹកហ្វឺន និងសម្រាប់ "ការសន្និដ្ឋាន" ប្រចាំថ្ងៃ (ដោយប្រើគំរូ)។ IEA៖ ថាមពល និងបញ្ញាសិប្បនិម្មិត
-
ថាមពលអាចមានន័យថាការបំភាយឧស្ម័ន - អាស្រ័យលើល្បាយបណ្តាញអគ្គិសនីក្នុងស្រុក និងកិច្ចសន្យាថាមពល។ IEA៖ ថាមពល និង AI
-
បញ្ញាសិប្បនិម្មិត (AI) អាចប្រើប្រាស់ទឹកក្នុងបរិមាណដ៏ច្រើនគួរឱ្យភ្ញាក់ផ្អើល - ជាចម្បងសម្រាប់ការត្រជាក់នៅក្នុងការរៀបចំមជ្ឈមណ្ឌលទិន្នន័យមួយចំនួន។ Li et al. (2023): ធ្វើឱ្យបញ្ញាសិប្បនិម្មិត (AI) មិនសូវ "ស្រេកទឹក" (PDF) US DOE FEMP: ឱកាសប្រសិទ្ធភាពទឹកត្រជាក់សម្រាប់មជ្ឈមណ្ឌលទិន្នន័យសហព័ន្ធ
-
បញ្ញាសិប្បនិម្មិត (AI) ពឹងផ្អែកលើវត្ថុរូបវន្ត - បន្ទះឈីប ម៉ាស៊ីនមេ ឧបករណ៍បណ្តាញ ថ្ម អគារ... ដែលមានន័យថា ការជីកយករ៉ែ ការផលិត ការដឹកជញ្ជូន និងទីបំផុតកាកសំណល់អេឡិចត្រូនិក។ US EPA៖ ឧស្សាហកម្មស៊ីមីកុងដុក ទ័រ ITU៖ ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិកសកលឆ្នាំ ២០២៤
-
បញ្ញាសិប្បនិម្មិត (AI) អាចកាត់បន្ថយផលប៉ះពាល់បរិស្ថាននៅកន្លែងផ្សេងទៀត - ដោយការបង្កើនប្រសិទ្ធភាពផ្នែកភស្តុភារកម្ម ការរកឃើញការលេចធ្លាយ ការកែលម្អប្រសិទ្ធភាព ការបង្កើនល្បឿនការស្រាវជ្រាវ និងធ្វើឱ្យប្រព័ន្ធមិនសូវខ្ជះខ្ជាយ។ IEA៖ បញ្ញាសិប្បនិម្មិតសម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍
ហើយបន្ទាប់មកមានផ្នែកដែលមនុស្សភ្លេច៖ មាត្រដ្ឋាន។ សំណួរ AI មួយអាចមានទំហំតូច ប៉ុន្តែរាប់ពាន់លាននៃពួកវាគឺជាសត្វខុសគ្នាទាំងស្រុង… ដូចជាបាល់ព្រិលតូចមួយដែលក្លាយជាការរអិលបាក់ដីទំហំដូចសាឡុង។ (ពាក្យប្រៀបធៀបនោះខុសបន្តិច ប៉ុន្តែអ្នកយល់ហើយ។) IEA៖ ថាមពល និង AI
ផលប៉ះពាល់បរិស្ថានរបស់ AI មិនមែនជារឿងតែមួយទេ - វាជាគំនរមួយ 🧱🌎
នៅពេលដែលមនុស្សឈ្លោះប្រកែកគ្នាអំពី AI និងនិរន្តរភាព ពួកគេច្រើនតែនិយាយគ្នាហួសហេតុពេក ពីព្រោះពួកគេកំពុងចង្អុលទៅស្រទាប់ផ្សេងៗគ្នា៖
១) គណនាអគ្គិសនី
-
ការហ្វឹកហ្វឺនគំរូធំៗអាចទាមទារឱ្យចង្កោមធំៗដំណើរការយ៉ាងលំបាកក្នុងរយៈពេលយូរ។ IEA៖ ថាមពល និង AI
-
ការសន្និដ្ឋាន (ការប្រើប្រាស់ប្រចាំថ្ងៃ) អាចក្លាយជាផលប៉ះពាល់ធំជាងនេះតាមពេលវេលា ពីព្រោះវាកើតឡើងឥតឈប់ឈរ គ្រប់ទីកន្លែង។ IEA៖ ថាមពល និង AI
២) ការចំណាយលើមជ្ឈមណ្ឌលទិន្នន័យ
-
ម៉ាស៊ីនត្រជាក់ ការបាត់បង់ថាមពលចែកចាយ ប្រព័ន្ធបម្រុងទុក ឧបករណ៍បណ្តាញ។ LBNL (2024): របាយការណ៍ប្រើប្រាស់ថាមពលមជ្ឈមណ្ឌលទិន្នន័យសហរដ្ឋអាមេរិក (PDF)
-
ការគណនាដូចគ្នាអាចមានផលប៉ះពាល់ខុសៗគ្នានៅនឹងកន្លែងអាស្រ័យលើប្រសិទ្ធភាព។ ក្រឡាចត្រង្គបៃតង៖ PUE—ការពិនិត្យដ៏ទូលំទូលាយនៃម៉ែត្រិច
៣) ទឹក និង កំដៅ
-
គ្រឹះស្ថានជាច្រើនប្រើប្រាស់ទឹកដោយផ្ទាល់ ឬដោយប្រយោលដើម្បីគ្រប់គ្រងកំដៅ។ US DOE FEMP៖ ឱកាសប្រសិទ្ធភាពទឹកត្រជាក់សម្រាប់មជ្ឈមណ្ឌលទិន្នន័យសហព័ន្ធ Li et al. (2023): ធ្វើឱ្យ AI មិនសូវ "ស្រេកទឹក" (PDF)
-
កំដៅខ្ជះខ្ជាយអាចយកមកប្រើប្រាស់ឡើងវិញបាន ឬវាអាច... ទុកជាខ្យល់ក្តៅ។ (មិនល្អទេ)។
៤) ខ្សែសង្វាក់ផ្គត់ផ្គង់ផ្នែករឹង
-
ការជីកយករ៉ែ និងចម្រាញ់វត្ថុធាតុដើម។.
-
ការផលិតបន្ទះឈីប និងម៉ាស៊ីនមេ (ប្រើប្រាស់ថាមពលច្រើន)។ US EPA៖ imec ឧស្សាហកម្មស៊ីមីកុងដុកទ័រ ៖ ការកាត់បន្ថយផលប៉ះពាល់បរិស្ថានក្នុងការផលិតបន្ទះឈីប
-
ការដឹកជញ្ជូន, ការវេចខ្ចប់, ការធ្វើឱ្យប្រសើរឡើង, ការជំនួស។.
៥) ផលប៉ះពាល់នៃឥរិយាបថ និងការស្ទុះងើបឡើងវិញ
-
បញ្ញាសិប្បនិម្មិត (AI) ធ្វើឱ្យកិច្ចការមានតម្លៃថោក និងងាយស្រួលជាងមុន ដូច្នេះមនុស្សធ្វើកិច្ចការទាំងនោះបានកាន់តែច្រើន។ OECD (2012): អត្ថប្រយោជន៍ច្រើននៃការកែលម្អប្រសិទ្ធភាពថាមពល (PDF)
-
ការកើនឡើងនៃប្រសិទ្ធភាពអាចត្រូវបានលេបត្របាក់ដោយតម្រូវការកើនឡើង។ នេះជាផ្នែកដែលធ្វើឱ្យខ្ញុំដកដង្ហើមធំបន្តិច។ OECD (2012): អត្ថប្រយោជន៍ច្រើននៃការកែលម្អប្រសិទ្ធភាពថាមពល (PDF)
ដូច្នេះនៅពេលដែលនរណាម្នាក់សួរថាតើ AI ប៉ះពាល់ដល់បរិស្ថានយ៉ាងដូចម្តេច ចម្លើយត្រង់គឺ៖ វាអាស្រ័យលើស្រទាប់ណាដែលអ្នកកំពុងវាស់ និងអ្វីដែល "AI" មានន័យនៅក្នុងស្ថានភាពនោះ។.
ការបណ្តុះបណ្តាល ទល់នឹង ការសន្និដ្ឋាន៖ ភាពខុសគ្នាដែលផ្លាស់ប្តូរអ្វីៗគ្រប់យ៉ាង 🧠⚙️
មនុស្សចូលចិត្តនិយាយអំពីការបណ្តុះបណ្តាល ពីព្រោះវាស្តាប់ទៅដូចជារឿងល្ខោន - "គំរូមួយបានប្រើថាមពល X"។ ប៉ុន្តែការសន្និដ្ឋានគឺជាយក្សស្ងាត់។ IEA: ថាមពល និង AI
ការហ្វឹកហាត់ (ការសាងសង់ដ៏ធំ)
ការបណ្តុះបណ្តាលគឺដូចជាការសាងសង់រោងចក្រមួយ។ អ្នកត្រូវចំណាយថ្លៃដើមជាមុន៖ ការគណនាច្រើន ពេលវេលាដំណើរការយូរ ការដំណើរការសាកល្បង និងកំហុសច្រើន (ហើយបាទ/ចាស៎ ការធ្វើម្តងទៀតជាច្រើននៃ "អូ៎ ដែលមិនដំណើរការ សូមព្យាយាមម្តងទៀត")។ ការបណ្តុះបណ្តាលអាចត្រូវបានធ្វើឱ្យប្រសើរឡើង ប៉ុន្តែវានៅតែអាចមានសារៈសំខាន់។ IEA៖ ថាមពល និង AI
ការសន្និដ្ឋាន (ការប្រើប្រាស់ប្រចាំថ្ងៃ)
ការសន្និដ្ឋានគឺដូចជារោងចក្រដែលដំណើរការជារៀងរាល់ថ្ងៃ សម្រាប់មនុស្សគ្រប់គ្នា ក្នុងទ្រង់ទ្រាយធំ៖
-
ឆាតបូតឆ្លើយសំណួរ
-
ការបង្កើតរូបភាព
-
ចំណាត់ថ្នាក់ស្វែងរក
-
អនុសាសន៍
-
ការបំលែងសំឡេងទៅជាអត្ថបទ
-
ការរកឃើញការក្លែងបន្លំ
-
សហអ្នកបើកយន្តហោះនៅក្នុងឯកសារ និងឧបករណ៍សរសេរកូដ
ទោះបីជាសំណើនីមួយៗមានទំហំតូចក៏ដោយ បរិមាណប្រើប្រាស់អាចធ្វើឱ្យការបណ្តុះបណ្តាលថយចុះ។ វាជាស្ថានភាពបុរាណ "ចំបើងមួយគឺគ្មានអ្វីសោះ ចំបើងមួយលានគឺជាបញ្ហា"។ IEA៖ ថាមពល និង AI
កំណត់ចំណាំតូចមួយ - កិច្ចការ AI មួយចំនួនមានទម្ងន់ធ្ងន់ជាងកិច្ចការផ្សេងទៀត។ ការបង្កើតរូបភាព ឬវីដេអូវែងៗ ច្រើនតែប្រើប្រាស់ថាមពលច្រើនជាងការចាត់ថ្នាក់អត្ថបទខ្លីៗ។ ដូច្នេះការដាក់ “AI” ចូលទៅក្នុងធុងតែមួយ គឺដូចជាការប្រៀបធៀបកង់ទៅនឹងកប៉ាល់ដឹកទំនិញ ហើយហៅវាទាំងពីរថា “ការដឹកជញ្ជូន”។ IEA៖ ថាមពល និង AI
មជ្ឈមណ្ឌលទិន្នន័យ៖ ថាមពល ម៉ាស៊ីនត្រជាក់ និងរឿងរ៉ាវទឹកស្ងប់ស្ងាត់នោះ 💧🏢
មជ្ឈមណ្ឌលទិន្នន័យមិនមែនជារឿងថ្មីទេ ប៉ុន្តែបញ្ញាសិប្បនិម្មិត (AI) ផ្លាស់ប្តូរអាំងតង់ស៊ីតេ។ ឧបករណ៍បង្កើនល្បឿនដំណើរការខ្ពស់អាចទាញថាមពលច្រើននៅក្នុងកន្លែងចង្អៀត ដែលប្រែទៅជាកំដៅ ដែលត្រូវតែគ្រប់គ្រង។ LBNL (2024): របាយការណ៍ប្រើប្រាស់ថាមពលមជ្ឈមណ្ឌលទិន្នន័យសហរដ្ឋអាមេរិក (PDF) IEA: ថាមពល និងបញ្ញាសិប្បនិម្មិត
មូលដ្ឋានគ្រឹះនៃការត្រជាក់ (សាមញ្ញ ប៉ុន្តែជាក់ស្តែង)
-
ម៉ាស៊ីនត្រជាក់៖ កង្ហារ ខ្យល់ត្រជាក់ ការរចនាផ្លូវក្តៅ/ផ្លូវត្រជាក់។ US DOE FEMP៖ ប្រសិទ្ធភាពថាមពលនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ
-
ត្រជាក់ដោយរាវ៖ មានប្រសិទ្ធភាពជាងនៅក្នុងការរៀបចំក្រាស់ៗ ប៉ុន្តែអាចពាក់ព័ន្ធនឹងហេដ្ឋារចនាសម្ព័ន្ធផ្សេងៗគ្នា។ ASHRAE (TC 9.9): ការលេចចេញ និងការពង្រីកត្រជាក់ដោយរាវនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យសំខាន់ៗ (PDF)
-
ត្រជាក់ដោយហួត៖ អាចកាត់បន្ថយការប្រើប្រាស់អគ្គិសនីនៅក្នុងអាកាសធាតុមួយចំនួន ប៉ុន្តែជារឿយៗបង្កើនការប្រើប្រាស់ទឹក។ US DOE FEMP៖ ឱកាសប្រសិទ្ធភាពទឹកត្រជាក់សម្រាប់មជ្ឈមណ្ឌលទិន្នន័យសហព័ន្ធ
នោះជាការសម្របសម្រួល៖ ពេលខ្លះអ្នកអាចបន្ថយការប្រើប្រាស់អគ្គិសនីដោយពឹងផ្អែកលើប្រព័ន្ធត្រជាក់ដែលមានមូលដ្ឋានលើទឹក។ អាស្រ័យលើការខ្វះខាតទឹកក្នុងស្រុក នោះអាចល្អ… ឬវាអាចជាបញ្ហាពិតប្រាកដ។ Li et al. (2023): ធ្វើឱ្យ AI មិនសូវ "ស្រេកទឹក" (PDF)
លើសពីនេះ ផលប៉ះពាល់បរិស្ថានអាស្រ័យយ៉ាងខ្លាំងទៅលើ៖
-
កន្លែងដែលមជ្ឈមណ្ឌលទិន្នន័យស្ថិតនៅ (ការបំភាយឧស្ម័នបណ្តាញមានភាពខុសប្លែកគ្នា) អាំងតង់ស៊ីតេកាបូន API (GB) IEA៖ ថាមពល និង AI
-
របៀបដែលវាដំណើរការប្រកបដោយប្រសិទ្ធភាព (ការប្រើប្រាស់មានសារៈសំខាន់ខ្លាំងណាស់) ក្រឡាចត្រង្គបៃតង៖ PUE—ការពិនិត្យដ៏ទូលំទូលាយនៃម៉ែត្រ
-
ថាតើកំដៅខ្ជះខ្ជាយត្រូវបានប្រើប្រាស់ឡើងវិញឬអត់
-
ជម្រើសផ្គត់ផ្គង់ថាមពល (ថាមពលកកើតឡើងវិញ កិច្ចសន្យារយៈពេលវែង។ល។)
និយាយដោយត្រង់ទៅ៖ ការសន្ទនាជាសាធារណៈច្រើនតែចាត់ទុក «មជ្ឈមណ្ឌលទិន្នន័យ» ដូចជាប្រអប់ខ្មៅមួយ។ វាមិនមែនជារឿងអាក្រក់ វាមិនមែនជារឿងវេទមន្តទេ។ វាជាហេដ្ឋារចនាសម្ព័ន្ធ។ វាមានឥរិយាបទដូចជាហេដ្ឋារចនាសម្ព័ន្ធ។.
បន្ទះឈីប និងផ្នែករឹង៖ ផ្នែកដែលមនុស្សរំលងព្រោះវាមិនសូវទាក់ទាញ 🪨🔧
បញ្ញាសិប្បនិម្មិត (AI) រស់នៅលើផ្នែករឹង។ ផ្នែករឹងមានវដ្តជីវិត ហើយផលប៉ះពាល់នៃវដ្តជីវិតអាចមានទំហំធំ។ US EPA៖ ឧស្សាហកម្មស៊ីមីកុងដុក ITU៖ ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិចសកលឆ្នាំ ២០២៤
កន្លែងដែលផលប៉ះពាល់បរិស្ថានលេចឡើង
-
ការទាញយកសម្ភារៈ៖ ការជីកយករ៉ែ និងចម្រាញ់លោហធាតុ និងវត្ថុធាតុដើមដ៏កម្រ។
-
ការផលិត៖ ការផលិតឧបករណ៍អេឡិចត្រូនិកមានភាពស្មុគស្មាញ និងប្រើប្រាស់ថាមពលច្រើន។ US EPA៖ imec ឧស្សាហកម្មឧបករណ៍អេឡិចត្រូនិក ៖ ការកាត់បន្ថយផលប៉ះពាល់បរិស្ថានក្នុងការផលិតបន្ទះឈីប
-
ការដឹកជញ្ជូន៖ ខ្សែសង្វាក់ផ្គត់ផ្គង់សកលផ្លាស់ទីគ្រឿងបន្លាស់គ្រប់ទីកន្លែង។
-
វដ្តជំនួសខ្លីៗ៖ ការធ្វើឱ្យប្រសើរឡើងយ៉ាងឆាប់រហ័សអាចបង្កើនកាកសំណល់អេឡិចត្រូនិច និងការបំភាយឧស្ម័នដែលបង្កប់។ ITU៖ ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិចសកលឆ្នាំ ២០២៤
កាកសំណល់អេឡិចត្រូនិក និងម៉ាស៊ីនមេ "ល្អឥតខ្ចោះ"
គ្រោះថ្នាក់ជាច្រើនចំពោះបរិស្ថានមិនមែនមកពីឧបករណ៍មួយដែលមានស្រាប់នោះទេ - វាមកពីការជំនួសវាមុនអាយុ ពីព្រោះវាលែងមានប្រសិទ្ធភាពចំណាយទៀតហើយ។ បញ្ញាសិប្បនិម្មិត (AI) បង្កើនល្បឿននៃរឿងនេះ ពីព្រោះការលោតផ្លោះនៃការអនុវត្តអាចមានទំហំធំ។ ការល្បួងឱ្យធ្វើឱ្យផ្នែករឹងស្រស់ឡើងវិញគឺជាការពិត។ ITU៖ ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិចសកលឆ្នាំ ២០២៤
ចំណុចជាក់ស្តែងមួយ៖ ការពង្រីកអាយុកាលផ្នែករឹង ការកែលម្អការប្រើប្រាស់ និងការជួសជុលឡើងវិញអាចមានសារៈសំខាន់ដូចការកែប្រែម៉ូដែលទំនើបៗដែរ។ ពេលខ្លះ GPU ដែលបៃតងបំផុតគឺជា GPU ដែលអ្នកមិនគួរទិញ។ (នោះស្តាប់ទៅដូចជាពាក្យស្លោក ប៉ុន្តែវាក៏… ជាការពិតដែរ។)
របៀបដែល AI ប៉ះពាល់ដល់បរិស្ថាន៖ រង្វិលជុំអាកប្បកិរិយា "មនុស្សភ្លេចរឿងនេះ" 🔁😬
នេះជាផ្នែកសង្គមដ៏ឆ្គងមួយ៖ បញ្ញាសិប្បនិម្មិត (AI) ធ្វើឱ្យអ្វីៗកាន់តែងាយស្រួល ដូច្នេះមនុស្សធ្វើអ្វីៗបានកាន់តែច្រើន។ នោះអាចជារឿងអស្ចារ្យ - ផលិតភាពកាន់តែច្រើន ភាពច្នៃប្រឌិតកាន់តែច្រើន ការចូលប្រើប្រាស់កាន់តែច្រើន។ ប៉ុន្តែវាក៏អាចមានន័យថាការប្រើប្រាស់ធនធានកាន់តែច្រើនផងដែរ។ OECD (2012): អត្ថប្រយោជន៍ច្រើននៃការកែលម្អប្រសិទ្ធភាពថាមពល (PDF)
ឧទាហរណ៍៖
-
ប្រសិនបើ AI ធ្វើឱ្យការបង្កើតវីដេអូមានតម្លៃថោក មនុស្សនឹងបង្កើតវីដេអូបានកាន់តែច្រើន។.
-
ប្រសិនបើ AI ធ្វើឱ្យការផ្សាយពាណិជ្ជកម្មកាន់តែមានប្រសិទ្ធភាព ការផ្សាយពាណិជ្ជកម្មកាន់តែច្រើននឹងត្រូវបានបម្រើ និងរង្វិលជុំនៃការចូលរួមកាន់តែច្រើនបង្វិល។.
-
ប្រសិនបើ AI ធ្វើឱ្យការដឹកជញ្ជូនទំនិញកាន់តែមានប្រសិទ្ធភាព ពាណិជ្ជកម្មអេឡិចត្រូនិកអាចធ្វើមាត្រដ្ឋានបានកាន់តែពិបាក។.
នេះមិនមែនជាហេតុផលដើម្បីភ័យស្លន់ស្លោនោះទេ។ វាជាហេតុផលដើម្បីវាស់ស្ទង់លទ្ធផល មិនមែនគ្រាន់តែប្រសិទ្ធភាពនោះទេ។.
ពាក្យប្រៀបធៀបដ៏មិនល្អឥតខ្ចោះ ប៉ុន្តែគួរឱ្យអស់សំណើច៖ ប្រសិទ្ធភាព AI គឺដូចជាការផ្តល់ទូរទឹកកកធំជាងដល់ក្មេងជំទង់ម្នាក់ - មែនហើយ ការផ្ទុកអាហារមានភាពប្រសើរឡើង ប៉ុន្តែដូចម្ដេចខ្លះទូរទឹកកកនឹងទទេម្តងទៀតក្នុងមួយថ្ងៃ។ មិនមែនជាពាក្យប្រៀបធៀបដ៏ល្អឥតខ្ចោះទេ ប៉ុន្តែ... អ្នកបានឃើញវាកើតឡើងហើយ 😅
ចំណុចល្អ៖ បញ្ញាសិប្បនិម្មិតអាចជួយបរិស្ថានបានយ៉ាងពិតប្រាកដ (នៅពេលដែលមានគោលដៅត្រឹមត្រូវ) 🌿✨
ឥឡូវនេះសម្រាប់ផ្នែកដែលត្រូវបានគេមើលស្រាល៖ បញ្ញាសិប្បនិម្មិត (AI) អាចកាត់បន្ថយការបំភាយឧស្ម័ន និងកាកសំណល់នៅក្នុងប្រព័ន្ធដែលមានស្រាប់ដែល… និយាយឱ្យត្រង់ទៅ មិនឆើតឆាយ។ IEA៖ បញ្ញាសិប្បនិម្មិតសម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍
តំបន់ដែល AI អាចជួយបាន
-
បណ្តាញថាមពល៖ ការព្យាករណ៍បន្ទុក ការឆ្លើយតបតម្រូវការ ការរួមបញ្ចូលថាមពលកកើតឡើងវិញដែលអាចប្រែប្រួលបាន។ IEA៖ បញ្ញាសិប្បនិម្មិតសម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍
-
អគារ៖ ការគ្រប់គ្រង HVAC ដ៏ឆ្លាតវៃជាងមុន ការថែទាំព្យាករណ៍ ការប្រើប្រាស់ថាមពលផ្អែកលើការកាន់កាប់។ IEA៖ ឌីជីថលូបនីយកម្ម
-
ការដឹកជញ្ជូន៖ ការបង្កើនប្រសិទ្ធភាពផ្លូវ ការគ្រប់គ្រងកងនាវា ការកាត់បន្ថយចម្ងាយទទេ។ IEA៖ បញ្ញាសិប្បនិម្មិតសម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍
-
ការផលិត៖ ការរកឃើញកំហុស ការកែតម្រូវដំណើរការ ការកាត់បន្ថយកាកសំណល់។
-
កសិកម្ម៖ ប្រព័ន្ធធារាសាស្រ្តដ៏ជាក់លាក់ ការរកឃើញសត្វល្អិត ការបង្កើនប្រសិទ្ធភាពជី។
-
ការត្រួតពិនិត្យបរិស្ថាន៖ ការរកឃើញការលេចធ្លាយឧស្ម័នមេតាន ការតាមដានសញ្ញានៃការកាប់បំផ្លាញព្រៃឈើ ការគូសផែនទីគំរូជីវចម្រុះ។ UNEP៖ របៀបដែល MARS ដំណើរការ ការឃ្លាំមើលព្រៃឈើសកល៖ ការជូនដំណឹងអំពីការកាប់បំផ្លាញព្រៃឈើ GLAD វិទ្យាស្ថាន Alan Turing៖ បញ្ញាសិប្បនិម្មិត និងប្រព័ន្ធស្វយ័តសម្រាប់វាយតម្លៃជីវចម្រុះ
-
សេដ្ឋកិច្ចរង្វង់៖ ការតម្រៀប និងការកំណត់អត្តសញ្ញាណកាន់តែប្រសើរឡើងនៅក្នុងចរន្តកែច្នៃឡើងវិញ។
ចំណុចសំខាន់៖ ការជួយដោយ AI មិនទូទាត់ដោយស្វ័យប្រវត្តិនូវផលប៉ះពាល់របស់ AI នោះទេ។ វាអាស្រ័យលើថាតើ AI ពិតជាត្រូវបានដាក់ពង្រាយ ប្រើប្រាស់ពិតប្រាកដ និងថាតើវានាំឱ្យមានការកាត់បន្ថយពិតប្រាកដជាជាងគ្រាន់តែជាផ្ទាំងគ្រប់គ្រងកាន់តែប្រសើរឡើងឬអត់។ ប៉ុន្តែបាទ/ចាស៎ សក្តានុពលគឺពិតប្រាកដ។ IEA៖ AI សម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍
តើអ្វីទៅដែលធ្វើឱ្យ AI ជំនាន់ល្អមួយដែលមិនប៉ះពាល់ដល់បរិស្ថាន? ✅🌍
នេះជាផ្នែក “យល់ព្រម ដូច្នេះតើយើងគួរធ្វើដូចម្តេច”។ ការរៀបចំ AI ដែលមានទំនួលខុសត្រូវចំពោះបរិស្ថានល្អជាធម្មតាមាន៖
-
តម្លៃករណីប្រើប្រាស់ច្បាស់លាស់៖ ប្រសិនបើគំរូមិនផ្លាស់ប្តូរការសម្រេចចិត្ត ឬលទ្ធផលទេ វាគ្រាន់តែជាការគណនាដ៏ប្រណិតប៉ុណ្ណោះ។
-
ការវាស់វែងរួមបញ្ចូលនៅក្នុង៖ ថាមពល ការប៉ាន់ស្មានកាបូន ការប្រើប្រាស់ និងរង្វាស់ប្រសិទ្ធភាពដែលត្រូវបានតាមដានដូច KPI ផ្សេងទៀត។ CodeCarbon៖ វិធីសាស្រ្ត
-
ម៉ូដែលដែលមានទំហំត្រឹមត្រូវ៖ ប្រើម៉ូដែលតូចៗនៅពេលដែលម៉ូដែលតូចៗដំណើរការ។ វាមិនមែនជាការបរាជ័យខាងសីលធម៌ក្នុងការមានប្រសិទ្ធភាពនោះទេ។
-
ការរចនាការសន្និដ្ឋានប្រកបដោយប្រសិទ្ធភាព៖ ការរក្សាទុកក្នុងឃ្លាំងសម្ងាត់ ការចាត់ថ្នាក់ ការវាស់បរិមាណ ការទាញយកមកវិញ និងគំរូជំរុញល្អៗ។ Gholami et al. (2021): ការស្ទង់មតិវិធីសាស្រ្តវាស់បរិមាណ (PDF) Lewis et al. (2020): ការបង្កើតបន្ថែមដោយការទាញយកមកវិញ
-
ការយល់ដឹងអំពីផ្នែករឹង និងទីតាំង៖ ដំណើរការបន្ទុកការងារដែលបណ្តាញអគ្គិសនីស្អាតជាងមុន និងហេដ្ឋារចនាសម្ព័ន្ធមានប្រសិទ្ធភាព (នៅពេលដែលអាចធ្វើទៅបាន)។ API អាំងតង់ស៊ីតេកាបូន (GB)
-
អាយុកាលផ្នែករឹងយូរជាងមុន៖ បង្កើនការប្រើប្រាស់ ការប្រើប្រាស់ឡើងវិញ និងការជួសជុលឡើងវិញ។ ITU៖ ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិចសកលឆ្នាំ ២០២៤
-
ការរាយការណ៍ដោយត្រង់ៗ៖ ជៀសវាងភាសាដែលបង្ហាញពីការលាងសម្អាតបរិស្ថាន និងការអះអាងមិនច្បាស់លាស់ដូចជា “AI មិនប៉ះពាល់ដល់បរិស្ថាន” ដោយគ្មានតួលេខ។
ប្រសិនបើអ្នកនៅតែតាមដានពីរបៀបដែល AI ប៉ះពាល់ដល់បរិស្ថាន នេះជាចំណុចដែលចម្លើយឈប់មានលក្ខណៈទស្សនវិជ្ជា ហើយក្លាយជាដំណើរការ៖ វាប៉ះពាល់ដល់វាដោយផ្អែកលើជម្រើសរបស់អ្នក។.
តារាងប្រៀបធៀប៖ ឧបករណ៍ និងវិធីសាស្រ្តដែលកាត់បន្ថយផលប៉ះពាល់យ៉ាងពិតប្រាកដ 🧰⚡
ខាងក្រោមនេះគឺជាតារាងរហ័ស និងជាក់ស្តែងមួយ។ វាមិនល្អឥតខ្ចោះទេ ហើយបាទ/ចាស៎ ក្រឡាមួយចំនួនមានមតិផ្ទាល់ខ្លួនបន្តិច… ពីព្រោះនោះជារបៀបដែលការជ្រើសរើសឧបករណ៍ពិតប្រាកដដំណើរការ។.
| ឧបករណ៍ / វិធីសាស្រ្ត | ទស្សនិកជន | តម្លៃ | ហេតុអ្វីបានជាវាដំណើរការ | |
|---|---|---|---|---|
| បណ្ណាល័យតាមដានកាបូន/ថាមពល (ឧបករណ៍ប៉ាន់ស្មានពេលវេលាដំណើរការ) | ក្រុម ML | សេរី | ផ្តល់នូវភាពមើលឃើញ - ដែលជាពាក់កណ្តាលនៃសមរភូមិ ទោះបីជាការប៉ាន់ស្មានមានភាពមិនច្បាស់លាស់បន្តិចក៏ដោយ… | កូដកាបូន |
| ការត្រួតពិនិត្យថាមពលផ្នែករឹង (តេឡេម៉ែត្រី GPU/CPU) | អ៊ីនហ្វ្រា + ML | ឥតគិតថ្លៃ | វាស់ស្ទង់ការប្រើប្រាស់ពិតប្រាកដ; ល្អសម្រាប់ការវាស់ស្ទង់ដំណើរការ (មិនឆើតឆាយ ប៉ុន្តែមាស) | |
| ការចម្រាញ់គំរូ | វិស្វករ ML | ឥតគិតថ្លៃ (ចំណាយពេលវេលា 😵) | គំរូសិស្សតូចៗច្រើនតែផ្គូផ្គងការអនុវត្តជាមួយនឹងការចំណាយលើការសន្និដ្ឋានតិចជាង។ | Hinton et al. (2015): ការចម្រាញ់ចំណេះដឹងនៅក្នុងបណ្តាញសរសៃប្រសាទ |
| បរិមាណនីយកម្ម (ការសន្និដ្ឋានដែលមានភាពជាក់លាក់ទាបជាង) | ML + ផលិតផល | ឥតគិតថ្លៃ | កាត់បន្ថយភាពយឺតយ៉ាវ និងការប្រើប្រាស់ថាមពល; ពេលខ្លះមានការសម្របសម្រួលគុណភាពតិចតួច ពេលខ្លះគ្មាន | Gholami et al. (2021): ការស្ទង់មតិវិធីសាស្រ្តបរិមាណ (PDF) |
| ការរក្សាទុកក្នុងឃ្លាំងសម្ងាត់ + ការសន្និដ្ឋានជាបាច់ | ផលិតផល + វេទិកា | ឥតគិតថ្លៃ | កាត់បន្ថយការគណនាដែលលែងត្រូវការ; ជាពិសេសងាយស្រួលសម្រាប់ការណែនាំដដែលៗ ឬសំណើស្រដៀងគ្នា | |
| ការបង្កើតឡើងវិញដោយបង្កើន (RAG) | ក្រុមកម្មវិធី | លាយ | កាត់បន្ថយ "អង្គចងចាំ" សម្រាប់ការទាញយក; អាចកាត់បន្ថយតម្រូវការសម្រាប់បង្អួចបរិបទដ៏ធំ | Lewis et al. (2020): ជំនាន់ទាញយកបន្ថែម |
| ការកំណត់ពេលវេលាការងារតាមអាំងតង់ស៊ីតេកាបូន | ហេដ្ឋារចនាសម្ព័ន្ធ/ប្រតិបត្តិការ | លាយ | ប្តូរការងារដែលអាចបត់បែនបានទៅជាបង្អួចអគ្គិសនីដែលស្អាតជាង - ទាមទារការសម្របសម្រួល | API អាំងតង់ស៊ីតេកាបូន (GB) |
| ការផ្តោតលើប្រសិទ្ធភាពមជ្ឈមណ្ឌលទិន្នន័យ (ការប្រើប្រាស់ ការបង្រួបបង្រួម) | ភាពជាអ្នកដឹកនាំផ្នែកព័ត៌មានវិទ្យា | បានបង់ប្រាក់ (ជាធម្មតា) | ដងថ្លឹងដ៏ទាក់ទាញបំផុត ប៉ុន្តែជាញឹកញាប់បំផុត - ឈប់ដំណើរការប្រព័ន្ធពាក់កណ្តាលទទេ | ក្រឡាចត្រង្គបៃតង៖ PUE |
| គម្រោងប្រើប្រាស់កំដៅឡើងវិញ | សម្ភារៈបរិក្ខារ | វាអាស្រ័យ | ប្រែក្លាយកំដៅខ្ជះខ្ជាយទៅជាតម្លៃ; មិនតែងតែអាចធ្វើទៅបានទេ ប៉ុន្តែនៅពេលដែលវាអាចធ្វើទៅបាន វាពិតជាស្រស់ស្អាតណាស់។ | |
| «តើយើងត្រូវការ AI នៅទីនេះទេ?» | មនុស្សគ្រប់គ្នា | ឥតគិតថ្លៃ | ការពារការគណនាគ្មានន័យ។ ការបង្កើនប្រសិទ្ធភាពដ៏មានឥទ្ធិពលបំផុតគឺនិយាយថាទេ (ពេលខ្លះ) |
ចំណាំមើលថាបាត់អ្វី? «ទិញស្ទីគ័រពណ៌បៃតងវេទមន្តមួយ»។ មួយនោះមិនមានទេ 😬
សៀវភៅណែនាំជាក់ស្តែង៖ កាត់បន្ថយផលប៉ះពាល់នៃ AI ដោយមិនចាំបាច់បំផ្លាញផលិតផល 🛠️🌱
ប្រសិនបើអ្នកកំពុងសាងសង់ ឬទិញប្រព័ន្ធ AI នេះគឺជាលំដាប់លំដោយជាក់ស្តែងដែលដំណើរការក្នុងការអនុវត្ត៖
ជំហានទី 1: ចាប់ផ្តើមជាមួយនឹងការវាស់វែង
-
តាមដានការប្រើប្រាស់ថាមពល ឬប៉ាន់ស្មានវាជាប់លាប់។ CodeCarbon: វិធីសាស្រ្ត
-
វាស់វែងក្នុងមួយការហ្វឹកហាត់ និងក្នុងមួយសំណើសុំសន្និដ្ឋាន។.
-
ការប្រើប្រាស់ត្រួតពិនិត្យ - ធនធានដែលទំនេរមានវិធីលាក់ខ្លួននៅក្នុងការមើលឃើញយ៉ាងច្បាស់។ ក្រឡាចត្រង្គបៃតង៖ PUE
ជំហានទី 2: កំណត់ទំហំគំរូឱ្យសមស្របទៅនឹងការងារ
-
ប្រើម៉ូដែលតូចៗសម្រាប់ការចាត់ថ្នាក់ ការស្រង់ចេញ និងការបញ្ជូន។.
-
ទុកម៉ូដែលធ្ងន់សម្រាប់កាបូបរឹង។.
-
សូមពិចារណាអំពី “ការបង្កើតជាលំដាប់គំរូ”៖ គំរូតូចជាមុនសិន គំរូធំជាងនេះលុះត្រាតែចាំបាច់។.
ជំហានទី 3: បង្កើនប្រសិទ្ធភាពនៃការសន្និដ្ឋាន (នេះជាកន្លែងដែលមាត្រដ្ឋានខាំ)
-
ការរក្សាទុកក្នុងឃ្លាំងសម្ងាត់៖ រក្សាទុកចម្លើយសម្រាប់សំណួរដដែលៗ (ជាមួយនឹងការគ្រប់គ្រងភាពឯកជនដោយប្រុងប្រយ័ត្ន)។
-
ការរៀបចំជាបាច់៖ សំណើជាក្រុមដើម្បីបង្កើនប្រសិទ្ធភាពផ្នែករឹង។
-
លទ្ធផលខ្លីជាង៖ លទ្ធផលវែងជាងចំណាយច្រើនជាង - ពេលខ្លះអ្នកមិនត្រូវការអត្ថបទទេ។
-
វិន័យនៃការណែនាំ៖ ការណែនាំមិនសណ្តាប់ធ្នាប់បង្កើតផ្លូវគណនាវែងជាង… ហើយមែនហើយ ថូខឹនកាន់តែច្រើន។
ជំហានទី 4: កែលម្អអនាម័យទិន្នន័យ
នេះស្តាប់ទៅមិនទាក់ទងគ្នាទេ ប៉ុន្តែវាមិនមែនជា៖
-
សំណុំទិន្នន័យស្អាតជាងមុនអាចកាត់បន្ថយការបណ្តុះបណ្តាលឡើងវិញ។.
-
សំឡេងតិចមានន័យថា ការពិសោធន៍តិច និងការខ្ជះខ្ជាយពេលវេលាតិចជាងមុន។.
ជំហានទី 5: ចាត់ទុកផ្នែករឹងដូចជាទ្រព្យសម្បត្តិ មិនមែនជារបស់ដែលអាចចោលបាននោះទេ
-
ពង្រីកវដ្តនៃការធ្វើឱ្យស្រស់ឡើងវិញតាមដែលអាចធ្វើទៅបាន។ ITU៖ ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិចសកលឆ្នាំ ២០២៤
-
ប្រើប្រាស់ផ្នែករឹងចាស់ៗឡើងវិញសម្រាប់បន្ទុកការងារស្រាលជាងមុន។.
-
ជៀសវាងការផ្គត់ផ្គង់ "តែងតែដល់កម្រិតកំពូល"។.
ជំហានទី 6: ជ្រើសរើសការដាក់ពង្រាយដោយឈ្លាសវៃ
-
ដំណើរការការងារដែលអាចបត់បែនបាននៅកន្លែងដែលថាមពលស្អាតជាងប្រសិនបើអ្នកអាចធ្វើបាន។ Carbon Intensity API (GB)
-
កាត់បន្ថយការចម្លងដែលមិនចាំបាច់។.
-
រក្សាគោលដៅភាពយឺតយ៉ាវឱ្យមានភាពប្រាកដនិយម (ភាពយឺតយ៉ាវទាបបំផុតអាចបង្ខំឱ្យមានការដំឡើងមុខងារបើកជានិច្ចដែលគ្មានប្រសិទ្ធភាព)។.
ហើយមែនហើយ… ពេលខ្លះជំហានដ៏ល្អបំផុតគឺគ្រាន់តែ៖ កុំដំណើរការម៉ូដែលធំបំផុតដោយស្វ័យប្រវត្តិសម្រាប់រាល់សកម្មភាពរបស់អ្នកប្រើប្រាស់ម្នាក់ៗ។ ទម្លាប់នោះគឺស្មើនឹងការទុកភ្លើងទាំងអស់ឱ្យបើក ពីព្រោះការដើរទៅកុងតាក់គឺជាការរំខាន។.
ទេវកថាទូទៅ (និងអ្វីដែលនៅជិតការពិតជាង) 🧠🧯
ទេវកថា៖ «បញ្ញាសិប្បនិម្មិត (AI) តែងតែអាក្រក់ជាងកម្មវិធីប្រពៃណី»
ការពិត៖ បញ្ញាសិប្បនិម្មិត (AI) អាចប្រើប្រាស់កុំព្យូទ័រច្រើន ប៉ុន្តែវាក៏អាចជំនួសដំណើរការដោយដៃដែលគ្មានប្រសិទ្ធភាព កាត់បន្ថយកាកសំណល់ និងបង្កើនប្រសិទ្ធភាពប្រព័ន្ធផងដែរ។ វាអាស្រ័យលើស្ថានភាព។ IEA៖ បញ្ញាសិប្បនិម្មិតសម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍
ទេវកថា៖ «ការបណ្តុះបណ្តាលគឺជាបញ្ហាតែមួយគត់»
ការពិត៖ ការសន្និដ្ឋានក្នុងទ្រង់ទ្រាយធំអាចគ្របដណ្ដប់លើពេលវេលា។ ប្រសិនបើផលិតផលរបស់អ្នកផ្ទុះឡើងក្នុងការប្រើប្រាស់ នេះក្លាយជារឿងសំខាន់។ IEA៖ ថាមពល និង AI
ទេវកថា៖ «ថាមពលកកើតឡើងវិញដោះស្រាយបញ្ហាភ្លាមៗ»
ការពិត៖ អគ្គិសនីស្អាតជួយបានច្រើន ប៉ុន្តែមិនលុបបំបាត់ផលប៉ះពាល់ផ្នែករឹង ការប្រើប្រាស់ទឹក ឬផលប៉ះពាល់នៃការងើបឡើងវិញនោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ នៅតែសំខាន់។ IEA៖ ថាមពល និង AI
ទេវកថា៖ «ប្រសិនបើវាមានប្រសិទ្ធភាព វានឹងមាននិរន្តរភាព»
ការពិត៖ ប្រសិទ្ធភាពដោយគ្មានការគ្រប់គ្រងតម្រូវការនៅតែអាចបង្កើនផលប៉ះពាល់សរុប។ នោះគឺជាអន្ទាក់នៃការងើបឡើងវិញ។ OECD (2012): អត្ថប្រយោជន៍ច្រើននៃការកែលម្អប្រសិទ្ធភាពថាមពល (PDF)
អភិបាលកិច្ច តម្លាភាព និងមិនលេងសើចនឹងវា 🧾🌍
ប្រសិនបើអ្នកជាក្រុមហ៊ុនមួយ នេះជាកន្លែងដែលទំនុកចិត្តត្រូវបានបង្កើតឡើង ឬបាត់បង់។.
-
រាយការណ៍អំពីរង្វាស់ដែលមានអត្ថន័យ៖ ក្នុងមួយសំណើ ក្នុងមួយអ្នកប្រើប្រាស់ ក្នុងមួយភារកិច្ច - មិនត្រឹមតែជាចំនួនសរុបដ៏ធំគួរឲ្យខ្លាចនោះទេ។ LBNL (2024): របាយការណ៍ប្រើប្រាស់ថាមពលមជ្ឈមណ្ឌលទិន្នន័យសហរដ្ឋអាមេរិក (PDF)
-
ជៀសវាងការអះអាងមិនច្បាស់លាស់៖ “AI បៃតង” មានន័យគ្មានអ្វីសោះបើគ្មានលេខ និងព្រំដែន។
-
សូមពិចារណាអំពីទឹក និងផលប៉ះពាល់ក្នុងតំបន់៖ កាបូនមិនមែនជាអថេរបរិស្ថានតែមួយគត់នោះទេ។ Li et al. (2023): ធ្វើឱ្យ AI មិនសូវ "ស្រេកទឹក" (PDF)
-
ការរចនាសម្រាប់ការអត់ធ្មត់៖ ការឆ្លើយតបខ្លីជាងមុនលំនាំដើម របៀបចំណាយទាប ការកំណត់ "អេកូ" ដែលពិតជាធ្វើអ្វីមួយ។
-
សូមគិតអំពីសមធម៌៖ ការប្រើប្រាស់ធនធានយ៉ាងច្រើននៅកន្លែងដែលមានទឹកខ្វះខាត ឬបណ្តាញអគ្គិសនីដែលផុយស្រួយមានផលវិបាកហួសពីសៀវភៅបញ្ជីរបស់អ្នក។ ក្រសួងធនធានទឹកសហរដ្ឋអាមេរិក FEMP៖ ឱកាសប្រសិទ្ធភាពទឹកត្រជាក់សម្រាប់មជ្ឈមណ្ឌលទិន្នន័យសហព័ន្ធ
នេះជាផ្នែកមួយដែលមនុស្សបង្វិលភ្នែករបស់ពួកគេ ប៉ុន្តែវាសំខាន់។ បច្ចេកវិទ្យាដែលមានទំនួលខុសត្រូវមិនត្រឹមតែនិយាយអំពីវិស្វកម្មឆ្លាតវៃនោះទេ។ វាក៏និយាយអំពីការមិនធ្វើពុតថាការសម្របសម្រួលមិនមានដែរ។.
សេចក្តីសង្ខេបចុងក្រោយ៖ សេចក្តីសង្ខេបសង្ខេបអំពីរបៀបដែល AI ប៉ះពាល់ដល់បរិស្ថាន 🌎✅
របៀបដែល AI ប៉ះពាល់ដល់បរិស្ថាន គឺអាស្រ័យលើបន្ទុកបន្ថែម៖ អគ្គិសនី ទឹក (ពេលខ្លះ) និងតម្រូវការផ្នែករឹង។ IEA៖ ថាមពល និង AI Li et al. (2023): ធ្វើឱ្យ AI មិនសូវ "ស្រេកទឹក" (PDF) វាក៏ផ្តល់ជូននូវឧបករណ៍ដ៏មានឥទ្ធិពលដើម្បីកាត់បន្ថយការបំភាយឧស្ម័ន និងកាកសំណល់នៅក្នុងវិស័យផ្សេងទៀត។ IEA៖ AI សម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងការច្នៃប្រឌិត លទ្ធផលសុទ្ធអាស្រ័យលើមាត្រដ្ឋាន អនាម័យបណ្តាញ ជម្រើសប្រសិទ្ធភាព និងថាតើ AI កំពុងដោះស្រាយបញ្ហាពិតប្រាកដ ឬគ្រាន់តែបង្កើតភាពថ្មីថ្មោងសម្រាប់ជាប្រយោជន៍នៃភាពថ្មីថ្មោង។ IEA៖ ថាមពល និង AI
ប្រសិនបើអ្នកចង់បានអ្វីដែលសាមញ្ញបំផុត និងជាក់ស្តែងបំផុត៖
-
វាស់។.
-
ទំហំត្រឹមត្រូវ។.
-
បង្កើនប្រសិទ្ធភាពនៃការសន្និដ្ឋាន។.
-
ពង្រីកអាយុកាលផ្នែករឹង។.
-
ត្រូវនិយាយដោយត្រង់ៗអំពីការដោះដូរ។.
ហើយប្រសិនបើអ្នកមានអារម្មណ៍ថាមានសម្ពាធខ្លាំង នេះជាការពិតដែលធ្វើឱ្យអ្នកស្ងប់ចិត្ត៖ ការសម្រេចចិត្តប្រតិបត្តិការតូចៗ ដែលត្រូវបានធ្វើម្តងទៀតរាប់ពាន់ដង ជាធម្មតាយកឈ្នះលើសេចក្តីថ្លែងការណ៍ស្តីពីនិរន្តរភាពដ៏ធំមួយ។ ដូចជាការដុសធ្មេញរបស់អ្នក។ មិនមែនជារឿងអស្ចារ្យទេ ប៉ុន្តែវាដំណើរការ..
ឧទាហរណ៍ក្នុងពិភពពិត៖ ការកាត់បន្ថយចំនួនអ្នកជំនួយការ AI ផ្នែកជំនួយអតិថិជន 🌱🎧
សេណារីយ៉ូ
ស្រមៃមើលថាអ្នកលក់រាយតាមអ៊ីនធឺណិតតូចមួយចង់ប្រើបញ្ញាសិប្បនិម្មិត (AI) ដើម្បីឆ្លើយសំណួររបស់អតិថិជនទូទៅអំពីពេលវេលាដឹកជញ្ជូន ការប្រគល់ជូនវិញ កញ្ចប់ដែលខូចខាត និងទំហំផលិតផល។.
កំណែដំបូងគឺខ្ជះខ្ជាយ៖ សាររបស់អតិថិជនទាំងអស់ត្រូវបានផ្ញើទៅកាន់ម៉ូដែលធំបំផុតដែលមានដោយផ្ទាល់ សូម្បីតែពេលដែលសំណួរសាមញ្ញក៏ដោយ។ ជំនួយការក៏សរសេរការឆ្លើយតបវែងៗ ធ្វើអត្ថបទគោលការណ៍ម្តងទៀត និងឆ្លើយសំណួរដដែលៗរាប់ពាន់ដងជំនួសឱ្យការប្រើប្រាស់ចម្លើយដែលត្រូវបានអនុម័តឡើងវិញ។.
ការរៀបចំដែលសមហេតុផលជាងនេះមិនមែនជា "គ្មាន AI" ទេ។ វាគឺជា AI ដែលមានទំហំត្រឹមត្រូវ៖ ប្រើឧបករណ៍ស្រាលជាងសម្រាប់កិច្ចការងាយៗ រក្សាទុកម៉ូដែលធំជាងសម្រាប់ករណីស្មុគស្មាញ និងវាស់ស្ទង់ផលប៉ះពាល់ក្នុងមួយសំបុត្រដែលបានដោះស្រាយ។.
អ្វីដែលជំនួយការត្រូវការ
ក្រុមការងារនឹងរៀបចំ៖
គោលការណ៍ប្រគល់ទំនិញវិញបច្ចុប្បន្ន
ច្បាប់ដឹកជញ្ជូនតាមតំបន់
កំណត់ចំណាំទំហំផលិតផល
គោលការណ៍ដោះស្រាយបណ្ដឹងខ្លីមួយសម្រាប់ការសងប្រាក់វិញ ការតវ៉ា និងបញ្ហាផ្លូវច្បាប់
បញ្ជីសំណួរទូទៅចំនួន ៥០ របស់អតិថិជន
ចម្លើយខ្លីៗដែលត្រូវបានអនុម័តសម្រាប់សំណួរដដែលៗ
សន្លឹកតាមដានសាមញ្ញមួយដែលមាន៖ ប្រភេទសំណើ គំរូដែលបានប្រើ រយៈពេលឆ្លើយតប ថាតើត្រូវការការបង្កើនកម្រិតឬអត់ និងថាតើចម្លើយបានឆ្លងកាត់ការពិនិត្យឡើងវិញដោយមនុស្សឬអត់
ឧទាហរណ៍នៃការណែនាំ
សូមប្រើគំរូតូចបំផុតដែលសមរម្យ ឬចម្លើយផ្អែកលើច្បាប់ជាមុនសិន។ សូមប្រើគំរូធំជាងនេះតែនៅពេលដែលសំណួររបស់អតិថិជនមិនច្បាស់លាស់ រំជួលចិត្ត មានបញ្ហាច្រើន ឬតម្រូវឱ្យមានការផ្សំព័ត៌មានពីគោលនយោបាយច្រើនជាងមួយ។ សូមរក្សាការឆ្លើយតបឱ្យនៅក្រោម 120 ពាក្យ លុះត្រាតែអតិថិជនស្នើសុំព័ត៌មានលម្អិត។ ប្រសិនបើទំនុកចិត្តទាប សូមសួរសំណួរបញ្ជាក់មួយ ឬបញ្ជូនបន្តទៅមនុស្ស។ កុំបង្កើតកាលបរិច្ឆេទដឹកជញ្ជូន ការអនុម័តសងប្រាក់វិញ ឬករណីលើកលែងគោលនយោបាយ។.
របៀបសាកល្បងវា
ធ្វើតេស្តសំបុត្រចំនួន ៥០ មុនពេលចេញផ្សាយ៖
សំណួរចំនួន ១០ សម្រាប់ការដឹកជញ្ជូន
សំណួរចំនួន ១០ សម្រាប់ការឆ្លើយតប
សំណួរចំនួន ១០ ទាក់ទងនឹងទំហំផលិតផល
ពាក្យបណ្តឹងខូចខាតចំនួន ១០ ករណី
សារចំនួន ១០ ដែលលាយឡំ ឬមិនច្បាស់លាស់
សម្រាប់ចម្លើយនីមួយៗ សូមពិនិត្យ៖
តើគោលនយោបាយត្រឹមត្រូវត្រូវបានប្រើប្រាស់ដែរឬទេ?
តើចម្លើយដែលត្រូវបានអនុម័តដែលបានរក្សាទុកក្នុងឃ្លាំងសម្ងាត់អាចដោះស្រាយវាបានដែរឬទេ?
តើត្រូវការម៉ូដែលធំជាងនេះទេ?
តើជំនួយការបានឆ្លើយខ្លីទេ?
តើចម្លើយណាមួយបានបង្កើតព័ត៌មានទេ?
តើករណីរសើបកាន់តែធ្ងន់ធ្ងរឡើងត្រឹមត្រូវទេ?
ពិន្ទុជាប់សមរម្យមួយអាចមានដូចជា៖ ភាពត្រឹមត្រូវនៃគោលនយោបាយ ៩៥% ការសន្យាសងប្រាក់វិញដោយគ្មានការប្រឌិត និងការកើនឡើង ១០០% លើពាក្យបណ្តឹងដែលពាក់ព័ន្ធនឹងជម្លោះទូទាត់ ឬការគំរាមកំហែងផ្នែកច្បាប់។.
លទ្ធផល
លទ្ធផលបង្ហាញជាឧទាហរណ៍ ដោយផ្អែកលើពេលវេលា និងការរាប់ការធ្វើតេស្ត 50 សន្លឹកមុន និងក្រោយការបង្កើនប្រសិទ្ធភាព៖
មុនពេលការបង្កើនប្រសិទ្ធភាព សំបុត្រទាំង 50 បានប្រើប្រាស់គំរូធំជាង ដោយមានប្រវែងឆ្លើយតបជាមធ្យម 210 ពាក្យ។.
បន្ទាប់ពីការបង្កើនប្រសិទ្ធភាព សំបុត្រចំនួន 31 បានប្រើចម្លើយដែលត្រូវបានអនុម័តក្នុងឃ្លាំងសម្ងាត់ 14 បានប្រើគំរូតូចជាង និងមានតែ 5 ប៉ុណ្ណោះដែលប្រើគំរូធំជាង។.
ប្រវែងឆ្លើយតបជាមធ្យមបានធ្លាក់ចុះពី 210 ពាក្យមកត្រឹម 92 ពាក្យ។.
ពេលវេលាពិនិត្យឡើងវិញរបស់មនុស្សបានធ្លាក់ចុះពី ៤ ម៉ោង ១០ នាទី មកត្រឹម ១ ម៉ោង ២៥ នាទី។.
ក្រុមការងារបានរកឃើញចម្លើយគោលនយោបាយមិនត្រឹមត្រូវចំនួន 2 នៅក្នុងការសាកល្បងលើកដំបូង បន្ទាប់មកចម្លើយគោលនយោបាយមិនត្រឹមត្រូវចំនួន 0 បន្ទាប់ពីធ្វើបច្ចុប្បន្នភាពឯកសារប្រភព និងបន្ថែមច្បាប់ស្តីពីការដោះស្រាយបណ្តឹងកាន់តែច្បាស់។.
នេះមិនបញ្ជាក់ថាជំនួយការគឺ "បៃតង" ទេ។ វាគ្រាន់តែបង្ហាញពីប្រភេទនៃការវាស់វែងដែលធ្វើឱ្យការទាមទារបរិស្ថានអាចត្រួតពិនិត្យបាន៖ ការហៅម៉ូដែលធ្ងន់តិចជាងមុន លទ្ធផលខ្លីជាង ជំនាន់ដដែលៗតិចជាងមុន និងវដ្តពិនិត្យឡើងវិញដែលអាចជៀសវាងបានតិចជាងមុន។.
អ្វីដែលអាចខុសបាន
ជំនួយការនៅតែអាចខ្ជះខ្ជាយការគណនា ប្រសិនបើសារមិនច្បាស់លាស់នីមួយៗត្រូវបានបញ្ជូនទៅកាន់ម៉ូដែលធំបំផុត "ក្នុងករណីចាំបាច់"។.
ចម្លើយដែលរក្សាទុកក្នុងឃ្លាំងសម្ងាត់អាចក្លាយជាហានិភ័យ ប្រសិនបើគោលការណ៍ប្រគល់ទំនិញវិញផ្លាស់ប្តូរ ហើយគ្មាននរណាម្នាក់ធ្វើបច្ចុប្បន្នភាពវាទេ។.
ចម្លើយខ្លីៗអាចធ្វើឱ្យអតិថិជនខកចិត្ត ប្រសិនបើពួកគេដកចេញនូវព័ត៌មានលម្អិតសំខាន់ៗ។.
ការទាមទារអំពីកាបូន ឬថាមពលអាចក្លាយជាការលាងសម្អាតបរិស្ថាន ប្រសិនបើក្រុមហ៊ុនរាយការណ៍តែការសន្សំភាគរយដោយមិនបង្ហាញវិធីសាស្ត្រវាស់វែង។.
កំហុសដ៏ធំបំផុតគឺការចាត់ទុកជម្រើសម៉ូដែលជាកត្តាជំរុញតែមួយគត់។ នៅក្នុងការអនុវត្តជាក់ស្តែង លំហូរការងារបៃតងជាងនេះកើតចេញពីការបញ្ជូនបន្ត ការរក្សាទុកទិន្នន័យក្នុងឃ្លាំងសម្ងាត់ លទ្ធផលខ្លីជាង ឯកសារប្រភពល្អជាង និងការពិនិត្យឡើងវិញដោយមនុស្សសម្រាប់ករណីដែលមានហានិភ័យខ្ពស់។.
សម្ភារៈសិក្សាជាក់ស្តែង
ប្រព័ន្ធ AI ដែលមានផលប៉ះពាល់ទាបជាធម្មតាមិនមែនជាប្រព័ន្ធដ៏អស្ចារ្យបំផុតនោះទេ។ វាគឺជាប្រព័ន្ធដែលវាស់វែងការប្រើប្រាស់ពិតប្រាកដ ជៀសវាងការសន្និដ្ឋានធ្ងន់ៗដែលមិនចាំបាច់ ប្រើប្រាស់ចម្លើយដែលត្រូវបានអនុម័តឡើងវិញតាមដែលអាចធ្វើទៅបាន និងនៅតែផ្តល់ឱ្យមនុស្សនូវការគ្រប់គ្រងលើការសម្រេចចិត្តសំខាន់ៗ។.
សំណួរដែលសួរញឹកញាប់
តើ AI ប៉ះពាល់ដល់បរិស្ថានយ៉ាងដូចម្តេចក្នុងការប្រើប្រាស់ប្រចាំថ្ងៃ មិនមែនគ្រាន់តែមន្ទីរពិសោធន៍ស្រាវជ្រាវធំៗនោះទេ?
ផលប៉ះពាល់ភាគច្រើនរបស់ AI បានមកពីអគ្គិសនីដែលផ្តល់ថាមពលដល់មជ្ឈមណ្ឌលទិន្នន័យដែលដំណើរការ GPU និង CPU ទាំងក្នុងអំឡុងពេលហ្វឹកហាត់ និង "ការសន្និដ្ឋាន" ប្រចាំថ្ងៃ។ សំណើតែមួយអាចមានលក្ខណៈមធ្យម ប៉ុន្តែក្នុងទ្រង់ទ្រាយធំ សំណើទាំងនោះប្រមូលផ្តុំយ៉ាងលឿន។ ផលប៉ះពាល់ក៏អាស្រ័យលើទីតាំងនៃមជ្ឈមណ្ឌលទិន្នន័យ ថាតើបណ្តាញអគ្គិសនីក្នុងស្រុកស្អាតប៉ុណ្ណា និងថាតើហេដ្ឋារចនាសម្ព័ន្ធត្រូវបានដំណើរការប្រកបដោយប្រសិទ្ធភាពប៉ុណ្ណា។.
តើការបណ្តុះបណ្តាលគំរូ AI អាក្រក់សម្រាប់បរិស្ថានជាងការប្រើប្រាស់វាទេ (ការសន្និដ្ឋាន)?
ការបណ្តុះបណ្តាលអាចជាការផ្ទុះឡើងដ៏ធំមួយនៃការគណនាជាមុន ប៉ុន្តែការសន្និដ្ឋានអាចក្លាយជាផលប៉ះពាល់ធំជាងតាមពេលវេលា ពីព្រោះវាដំណើរការឥតឈប់ឈរ និងក្នុងទ្រង់ទ្រាយធំ។ ប្រសិនបើឧបករណ៍មួយត្រូវបានប្រើប្រាស់ដោយមនុស្សរាប់លាននាក់ជារៀងរាល់ថ្ងៃ សំណើដដែលៗអាចលើសពីថ្លៃដើមបណ្តុះបណ្តាលម្តង។ នោះហើយជាមូលហេតុដែលការបង្កើនប្រសិទ្ធភាពជារឿយៗផ្តោតលើប្រសិទ្ធភាពនៃការសន្និដ្ឋាន។.
ហេតុអ្វីបានជា AI ប្រើប្រាស់ទឹក ហើយតើវាតែងតែជាបញ្ហាមែនទេ?
បញ្ញាសិប្បនិម្មិត (AI) អាចប្រើប្រាស់ទឹកជាចម្បង ដោយសារតែមជ្ឈមណ្ឌលទិន្នន័យមួយចំនួនពឹងផ្អែកលើការត្រជាក់ដែលមានមូលដ្ឋានលើទឹក ឬដោយសារតែទឹកត្រូវបានប្រើប្រាស់ដោយប្រយោលតាមរយៈការផលិតអគ្គិសនី។ នៅក្នុងអាកាសធាតុមួយចំនួន ការត្រជាក់ដោយហួតអាចកាត់បន្ថយការប្រើប្រាស់អគ្គិសនី ខណៈពេលដែលបង្កើនការប្រើប្រាស់ទឹក ដែលបង្កើតជាការសម្របសម្រួលពិតប្រាកដមួយ។ ថាតើវា "អាក្រក់" ដែរឬទេ គឺអាស្រ័យលើការខ្វះខាតទឹកក្នុងស្រុក ការរចនាប្រព័ន្ធត្រជាក់ និងថាតើការប្រើប្រាស់ទឹកត្រូវបានវាស់វែង និងគ្រប់គ្រងឬអត់។.
តើផ្នែកណាខ្លះនៃផលប៉ះពាល់បរិស្ថានរបស់ AI ដែលបានមកពីផ្នែករឹង និងកាកសំណល់អេឡិចត្រូនិក?
បញ្ញាសិប្បនិម្មិត (AI) ពឹងផ្អែកលើបន្ទះឈីប ម៉ាស៊ីនមេ ឧបករណ៍បណ្តាញ អគារ និងខ្សែសង្វាក់ផ្គត់ផ្គង់ - ដែលមានន័យថា ការជីកយករ៉ែ ការផលិត ការដឹកជញ្ជូន និងការចោលចោលនៅទីបំផុត។ ការផលិតឧបករណ៍អេឡិចត្រូនិកត្រូវការថាមពលច្រើន ហើយវដ្តធ្វើឱ្យប្រសើរឡើងយ៉ាងឆាប់រហ័សអាចបង្កើនការបំភាយឧស្ម័ន និងកាកសំណល់អេឡិចត្រូនិក។ ការពង្រីកអាយុកាលផ្នែករឹង ការជួសជុលឡើងវិញ និងការកែលម្អការប្រើប្រាស់អាចកាត់បន្ថយផលប៉ះពាល់យ៉ាងច្រើន ដែលជួនកាលអាចប្រកួតប្រជែងនឹងការផ្លាស់ប្តូរកម្រិតម៉ូដែល។.
តើការប្រើប្រាស់ថាមពលកកើតឡើងវិញអាចដោះស្រាយបញ្ហាផលប៉ះពាល់បរិស្ថានរបស់ AI ដែរឬទេ?
អគ្គិសនីស្អាតជាងមុនអាចកាត់បន្ថយការបំភាយឧស្ម័នពីកុំព្យូទ័រ ប៉ុន្តែវាមិនលុបបំបាត់ផលប៉ះពាល់ផ្សេងទៀតដូចជាការប្រើប្រាស់ទឹក ការផលិតផ្នែករឹង និងកាកសំណល់អេឡិចត្រូនិចទេ។ វាក៏មិនដោះស្រាយដោយស្វ័យប្រវត្តិនូវ "ផលប៉ះពាល់នៃការស្ទុះងើបឡើងវិញ" ដែលការគណនាតម្លៃទាបនាំឱ្យមានការប្រើប្រាស់កាន់តែច្រើនជារួម។ ថាមពលកកើតឡើងវិញគឺជាកម្លាំងជំរុញដ៏សំខាន់មួយ ប៉ុន្តែវាគ្រាន់តែជាផ្នែកមួយនៃផលប៉ះពាល់ប៉ុណ្ណោះ។.
តើឥទ្ធិពលស្ទុះងើបឡើងវិញជាអ្វី ហើយហេតុអ្វីបានជាវាសំខាន់ចំពោះ AI និងនិរន្តរភាព?
ផលប៉ះពាល់នៃការស្ទុះងើបឡើងវិញគឺនៅពេលដែលការកើនឡើងនៃប្រសិទ្ធភាពធ្វើឱ្យអ្វីមួយមានតម្លៃថោកជាង ឬងាយស្រួលជាង ដូច្នេះមនុស្សធ្វើវាបានកាន់តែច្រើន - ជួនកាលលុបបំបាត់ការសន្សំ។ ជាមួយនឹង AI ការបង្កើត ឬស្វ័យប្រវត្តិកម្មដែលមានតម្លៃថោកជាងអាចបង្កើនតម្រូវការសរុបសម្រាប់ខ្លឹមសារ ការគណនា និងសេវាកម្ម។ នោះហើយជាមូលហេតុដែលការវាស់វែងលទ្ធផលនៅក្នុងការអនុវត្តមានសារៈសំខាន់ជាងការអបអរសាទរប្រសិទ្ធភាពដោយឡែកពីគ្នា។.
តើមានវិធីជាក់ស្តែងអ្វីខ្លះដើម្បីកាត់បន្ថយផលប៉ះពាល់នៃបញ្ញាសិប្បនិម្មិត (AI) ដោយមិនធ្វើឲ្យខូចផលិតផល?
វិធីសាស្រ្តទូទៅមួយគឺចាប់ផ្តើមជាមួយនឹងការវាស់វែង (ការប៉ាន់ស្មានថាមពល និងកាបូន ការប្រើប្រាស់) បន្ទាប់មកធ្វើគំរូទំហំត្រឹមត្រូវទៅនឹងភារកិច្ច និងបង្កើនប្រសិទ្ធភាពការសន្និដ្ឋានជាមួយនឹងការរក្សាទុកក្នុងឃ្លាំងសម្ងាត់ ការចាត់ថ្នាក់ និងលទ្ធផលខ្លីជាង។ បច្ចេកទេសដូចជាការធ្វើបរិមាណ ការចម្រាញ់ និងការបង្កើតដែលបង្កើនការទាញយកអាចកាត់បន្ថយតម្រូវការកុំព្យូទ័រ។ ជម្រើសប្រតិបត្តិការ - ដូចជាការកំណត់ពេលវេលាបន្ទុកការងារតាមអាំងតង់ស៊ីតេកាបូន និងអាយុកាលផ្នែករឹងយូរជាងនេះ - ជារឿយៗផ្តល់នូវជ័យជម្នះដ៏ធំ។.
តើបញ្ញាសិប្បនិម្មិត (AI) អាចជួយបរិស្ថានយ៉ាងដូចម្តេចជាជាងធ្វើឲ្យប៉ះពាល់ដល់វា?
បញ្ញាសិប្បនិម្មិត (AI) អាចកាត់បន្ថយការបំភាយឧស្ម័ន និងកាកសំណល់នៅពេលដាក់ពង្រាយដើម្បីបង្កើនប្រសិទ្ធភាពប្រព័ន្ធពិតប្រាកដ៖ ការព្យាករណ៍បណ្តាញអគ្គិសនី ការឆ្លើយតបតម្រូវការ ការគ្រប់គ្រង HVAC អគារ ការបញ្ជូនផ្លូវដឹកជញ្ជូន ការថែទាំព្យាករណ៍ និងការរកឃើញការលេចធ្លាយ។ វាក៏អាចគាំទ្រដល់ការត្រួតពិនិត្យបរិស្ថានដូចជាការជូនដំណឹងអំពីការកាប់បំផ្លាញព្រៃឈើ និងការរកឃើញមេតានផងដែរ។ ចំណុចសំខាន់គឺថាតើប្រព័ន្ធផ្លាស់ប្តូរការសម្រេចចិត្ត និងបង្កើតការកាត់បន្ថយដែលអាចវាស់វែងបាន មិនមែនគ្រាន់តែផ្ទាំងគ្រប់គ្រងកាន់តែប្រសើរនោះទេ។.
តើក្រុមហ៊ុនគួររាយការណ៍ពីរង្វាស់អ្វីខ្លះដើម្បីជៀសវាងការអះអាងអំពី AI ដែលមានលក្ខណៈ «បៃតង»?
ការរាយការណ៍អំពីរង្វាស់ក្នុងមួយកិច្ចការ ឬក្នុងមួយសំណើ មានអត្ថន័យជាងការរាយការណ៍តែចំនួនសរុបធំៗ ពីព្រោះវាបង្ហាញពីប្រសិទ្ធភាពនៅកម្រិតអង្គភាព។ ការតាមដានការប្រើប្រាស់ថាមពល ការប៉ាន់ស្មានកាបូន ការប្រើប្រាស់ និង - ក្នុងករណីពាក់ព័ន្ធ - ផលប៉ះពាល់ទឹកបង្កើតការទទួលខុសត្រូវកាន់តែច្បាស់។ ក៏សំខាន់ផងដែរ៖ កំណត់ព្រំដែន (អ្វីដែលរួមបញ្ចូល) និងជៀសវាងស្លាកមិនច្បាស់លាស់ដូចជា "AI មិនប៉ះពាល់ដល់បរិស្ថាន" ដោយគ្មានភស្តុតាងវាស់វែង។.
ឯកសារយោង
-
ទីភ្នាក់ងារថាមពលអន្តរជាតិ (IEA) - ថាមពល និងបញ្ញាសិប្បនិម្មិត - iea.org
-
ទីភ្នាក់ងារថាមពលអន្តរជាតិ (IEA) - បញ្ញាសិប្បនិម្មិតសម្រាប់ការបង្កើនប្រសិទ្ធភាពថាមពល និងនវានុវត្តន៍ - iea.org
-
ទីភ្នាក់ងារថាមពលអន្តរជាតិ (IEA) - ឌីជីថលូបនីយកម្ម - iea.org
-
មន្ទីរពិសោធន៍ជាតិ Lawrence Berkeley (LBNL) - របាយការណ៍ប្រើប្រាស់ថាមពលមជ្ឈមណ្ឌលទិន្នន័យសហរដ្ឋអាមេរិក (ឆ្នាំ២០២៤) (PDF) - lbl.gov
-
Li et al. - ធ្វើឱ្យ AI មិនសូវ "ស្រេកទឹក" (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - ការលេចចេញ និងការពង្រីកប្រព័ន្ធត្រជាក់រាវនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យសំខាន់ៗ (PDF) - ashrae.org
-
ក្រឡាចត្រង្គបៃតង - ការពិនិត្យដ៏ទូលំទូលាយនៃ PUE-A នៃម៉ែត្រ - thegreengrid.org
-
ក្រសួងថាមពលសហរដ្ឋអាមេរិក (DOE) - FEMP - ឱកាសប្រសិទ្ធភាពទឹកត្រជាក់សម្រាប់មជ្ឈមណ្ឌលទិន្នន័យសហព័ន្ធ - energy.gov
-
ក្រសួងថាមពលសហរដ្ឋអាមេរិក (DOE) - FEMP - ប្រសិទ្ធភាពថាមពលនៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ - energy.gov
-
ទីភ្នាក់ងារការពារបរិស្ថានសហរដ្ឋអាមេរិក (EPA) - ឧស្សាហកម្មស៊ីមីកុងដុកទ័រ - epa.gov
-
សហភាពទូរគមនាគមន៍អន្តរជាតិ (ITU) - ការត្រួតពិនិត្យកាកសំណល់អេឡិចត្រូនិចសកលឆ្នាំ ២០២៤ - itu.int
-
OECD - អត្ថប្រយោជន៍ច្រើននៃការកែលម្អប្រសិទ្ធភាពថាមពល (២០១២) (PDF) - oecd.org
-
API អាំងតង់ស៊ីតេកាបូន (GB) - carbonintensity.org.uk
-
imec - ការកាត់បន្ថយផលប៉ះពាល់បរិស្ថានក្នុងការផលិតបន្ទះឈីប - imec-int.com
-
UNEP - របៀបដែល MARS ដំណើរការ - unep.org
-
អង្គការឃ្លាំមើលព្រៃឈើសកល - ការជូនដំណឹងអំពីការកាប់បំផ្លាញព្រៃឈើដោយរីករាយ - globalforestwatch.org
-
វិទ្យាស្ថាន Alan Turing - បញ្ញាសិប្បនិម្មិត និងប្រព័ន្ធស្វយ័តសម្រាប់វាយតម្លៃជីវៈចម្រុះ និងសុខភាពប្រព័ន្ធអេកូឡូស៊ី - turing.ac.uk
-
CodeCarbon - វិធីសាស្រ្ត - mlco2.github.io
-
Gholami et al. - ការស្ទង់មតិវិធីសាស្រ្តបរិមាណ (2021) (PDF) - arxiv.org
-
Lewis និងអ្នកដទៃ - ជំនាន់ដែលបានទាញយកបន្ថែម (2020) - arxiv.org
-
Hinton និងអ្នកដទៃ - ការចម្រាញ់ចំណេះដឹងក្នុងបណ្តាញសរសៃប្រសាទ (2015) - arxiv.org
-
កូដកាបូន - codecarbon.io