Google เปิดเผยการใช้พลังงานของ AI prompt เป็นครั้งแรก

 (technologyreview.com)
4 คะแนน โดย GN⁺ 2025-08-23 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • Google เปิดเผย การใช้ไฟฟ้า·น้ำ·การปล่อยคาร์บอน ของแอป Gemini ระหว่างประมวลผลพรอมป์ต์ พร้อมนำเสนอข้อมูลเชิงรูปธรรมครั้งแรกเกี่ยวกับการใช้พลังงานของ AI
  • พรอมป์ต์ข้อความทั่วไปโดยเฉลี่ยใช้พลังงาน 0.24Wh ใกล้เคียงกับการใช้ไมโครเวฟ 1 วินาที และก่อให้เกิดการใช้น้ำ 0.26ml กับการปล่อย คาร์บอนไดออกไซด์ 0.03g
  • ตัวเลขนี้เป็นผลจากการวิเคราะห์แบบครอบคลุมที่รวมโครงสร้างพื้นฐานทั้งหมด เช่น ชิป AI (58%), CPU·หน่วยความจำ (25%), อุปกรณ์สำรอง (10%), การดำเนินงานดาต้าเซ็นเตอร์ (8%)
  • เมื่อเทียบเดือนพฤษภาคม 2024 กับเดือนพฤษภาคม 2025 พบว่า ประสิทธิภาพการใช้พลังงานดีขึ้น 33 เท่า โดย Google ระบุว่าเป็นผลจากการปรับซอฟต์แวร์ให้เหมาะสมและการปรับปรุงโมเดล
  • การประกาศครั้งนี้มีความสำคัญในแง่ของ การเพิ่มความโปร่งใสของบริษัท AI รายใหญ่ แต่ข้อมูลสำคัญอย่างจำนวนคิวรีทั้งหมดก็ยังไม่ถูกเปิดเผย จึงเกิดการเรียกร้อง ระบบประเมินพลังงาน AI แบบมาตรฐาน

Google เปิดเผยการใช้พลังงานของพรอมป์ต์ Gemini

  • Google เป็นบริษัท AI รายใหญ่รายแรกที่เปิดเผย การใช้ไฟฟ้า·การปล่อยคาร์บอน·การใช้น้ำ ของโมเดล Gemini ระหว่างประมวลผลพรอมป์ต์ข้อความ
  • พรอมป์ต์เฉลี่ย 1 รายการก่อให้เกิด การใช้ไฟฟ้า 0.24Wh, การใช้น้ำ 0.26ml, CO₂ 0.03g ซึ่งใกล้เคียงกับ การเปิดไมโครเวฟ 1 วินาที หรือ น้ำห้าหยด
  • การประกาศครั้งนี้อธิบายข้อมูลโดยละเอียดและวิธีคำนวณผ่านการให้สัมภาษณ์กับ MIT Technology Review

โครงสร้างรายละเอียดของการใช้พลังงาน

  • ในการใช้ไฟฟ้ารวมทั้งหมด ชิป AI (TPU) คิดเป็น 58%, CPU·หน่วยความจำ 25%, อุปกรณ์สำรอง 10%, และ การดำเนินงานดาต้าเซ็นเตอร์ (การระบายความร้อน·การแปลงไฟฟ้า) 8%
  • Google อธิบายว่าได้วิเคราะห์ด้วยวิธีแบบครอบคลุมที่ รวมโครงสร้างพื้นฐานฮาร์ดแวร์ทั้งหมด
  • นี่ถือเป็นการเปิดเผยข้อมูลภายในที่นักวิจัยเข้าถึงได้ยาก และได้รับการประเมินว่าเป็น การมีส่วนช่วยต่องานวิจัยในอุตสาหกรรม

ความแตกต่างตามประเภทพรอมป์ต์และข้อจำกัด

  • ตัวเลขที่เปิดเผยเป็นค่า มัธยฐาน (median) ดังนั้นบางคิวรีอาจใช้พลังงานสูงกว่านี้มาก
    • ตัวอย่าง: การสรุปหนังสือหลายสิบเล่ม หรือการคำนวณซับซ้อนโดยใช้ reasoning model
  • รายงานฉบับนี้ครอบคลุมเฉพาะ พรอมป์ต์ข้อความ และ ไม่รวมการสร้างภาพ·วิดีโอ
  • ดังนั้นจึงยังมีข้อจำกัดในการประเมินปริมาณการใช้ทั้งหมดจริงของ Gemini

การปรับปรุงประสิทธิภาพและการประเมินการปล่อยคาร์บอน

  • Google ระบุว่าเมื่อเทียบเดือนพฤษภาคม 2024 กับเดือนพฤษภาคม 2025 พบว่า การใช้พลังงานต่อพรอมป์ต์ลดลง 33 เท่า
  • อธิบายว่าเป็นผลจากการปรับปรุงสถาปัตยกรรมโมเดลและ การปรับซอฟต์แวร์ให้เหมาะสม
  • การประเมินการปล่อยคาร์บอนใช้ แนวทางแบบอิงตลาด ที่สะท้อน สัดส่วนพลังงานสะอาดที่ Google จัดซื้อ แทนการใช้อัตราเฉลี่ยของโครงข่ายไฟฟ้าในสหรัฐฯ ทำให้คำนวณออกมาต่ำกว่าระดับของโครงข่ายไฟฟ้าทั่วไปราว 1/3

ปฏิกิริยาจากนักวิจัยและอุตสาหกรรม

  • ผู้เกี่ยวข้องกับโครงการ ML.Energy ของ University of Michigan ประเมินว่าการประกาศครั้งนี้เป็น การวิเคราะห์ที่ครอบคลุมและสำคัญที่สุด
  • นักวิจัยจาก Hugging Face เน้นย้ำถึงความจำเป็นของ ระบบจัดระดับพลังงาน AI แบบมาตรฐาน และชี้ว่าปัจจุบันยังอยู่ในระดับที่บริษัทเลือกเปิดเผยเอง
  • รายงานนี้ช่วยขยายความเข้าใจเกี่ยวกับ การใช้ทรัพยากรจริง ของ AI แต่ การขาดข้อมูลสำคัญอย่างจำนวนคิวรีทั้งหมด ยังคงเป็นข้อจำกัดใหญ่

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-08-23
ความเห็นจาก Hacker News

  • หาลิงก์ไปยังข่าวประชาสัมพันธ์และรายงานที่เกี่ยวข้องจากบทความต้นฉบับไม่เจอ จึงแนบไว้เอง

    โดยรวมแล้วมีการระบุว่า พรอมป์ต์ค่ามัธยฐาน (พรอมป์ต์ที่อยู่ตรงกลางของการใช้พลังงาน) ใช้ไฟฟ้า 0.24 วัตต์ชั่วโมง
    ถ้าสมมติว่าใช้ RTX 6000 สองใบ ก็จะเป็นกำลังไฟรวม 600 วัตต์ และในทางทฤษฎีใช้เวลาตอบสนอง 1.44 วินาที
    กล่าวคือชัดเจนว่าพรอมป์ต์ค่ามัธยฐานนี้ไม่ได้ใช้โมเดล AI ระดับสูงที่ทั้งแรงและมีต้นทุนสูง
    เป็นตัวเลขที่ค่อนข้างเล็กมาก
    อ้างอิงคร่าว ๆ ถ้ารถยนต์ไฟฟ้าใช้ 82kWh เพื่อวิ่งได้ 363 ไมล์ 0.24Wh ก็ใกล้เคียงกับพลังงานที่ทำให้รถยนต์ไฟฟ้าวิ่งได้ 1.7 เมตร (5.6 ฟุต)
    ทุกครั้งที่เห็นข่าวบอกว่าความต้องการไฟฟ้าจาก AI กำลังทำให้โครงข่ายไฟฟ้ารับภาระเกิน ผมก็มักสงสัยว่า ก่อนกระแส AI บูม เราก็จำเป็นต้องเตรียมกำลังการผลิตส่วนเกินไว้สำหรับการใช้งานอย่างรถยนต์ไฟฟ้า เตาอินดักชัน และฮีตปั๊มอยู่แล้วไม่ใช่หรือ
    ดู บล็อกทางการของ Google

    • เวลาดูข่าวเกี่ยวกับโครงสร้างพื้นฐานไฟฟ้ารับภาระเกิน ผมรู้สึกว่ามันเหมือนกลยุทธ์แบบ “dog whistle” ที่พยายามเน้นนัยว่าบริษัทเทคทำร้ายสิ่งแวดล้อม
      มีการหยิบเรื่องการใช้น้ำและการใช้ไฟฟ้ามาเป็นปัญหา แต่ก็มักขยายให้ดูหวือหวาเกินจริง
      ตัวอย่างชัด ๆ คือกรณีวิจารณ์การใช้น้ำของดาต้าเซ็นเตอร์ใน The Dalles
      อาคารเหล่านี้ตั้งอยู่ข้างแม่น้ำโคลัมเบีย และใกล้กันก็มีเขื่อน The Dalles ที่ผลิตไฟเฉลี่ย 700 เมกะวัตต์
      พวกเขาใช้น้ำจากแม่น้ำเพื่อระบายความร้อน แล้วปล่อยกลับคืนสู่แม่น้ำโดยเพิ่มอุณหภูมิขึ้นเล็กน้อย
      พูดอีกอย่างคือเป็นการคืนความร้อนที่น้ำจะได้รับอยู่แล้วระหว่างไหลลงที่ต่ำ จึงไม่ได้สูญเปล่าไปทั้งหมด
      บทความที่เกี่ยวข้อง, ข้อมูลเขื่อน The Dalles

    • รายงานทางเทคนิค PDF อย่างเป็นทางการของ Google ดูได้ ที่นี่

    • สงสัยว่าทำไมถึงประกาศการใช้พลังงานของพรอมป์ต์ค่ามัธยฐานแทนที่จะเป็นค่าเฉลี่ย
      ค่าเฉลี่ยน่าจะทำให้เห็นการใช้จริงโดยรวมได้ตรงไปตรงมามากกว่า

    • สำหรับ EV ความคาดหวังว่ารถยนต์ไฟฟ้าจะกลายเป็นกระแสหลักภายในปี 2030 นั้นไม่สมจริงตั้งแต่แรก
      ทั้งการขยายการผลิตแบตเตอรี่และโครงสร้างพื้นฐานยังไม่ได้เตรียมพร้อมเลย

    • ดาต้าเซ็นเตอร์มีกรณีที่ต้องใช้ไฟฟ้าปริมาณมากอย่างฉับพลันในพื้นที่เล็กเฉพาะจุด
      ส่วนรถยนต์ไฟฟ้า ฮีตปั๊ม และสิ่งอื่น ๆ จะค่อย ๆ ถูกนำมาใช้ จึงรองรับได้ด้วยการเพิ่มกำลังการผลิตทีละน้อยในแต่ละปี
      ดาต้าเซ็นเตอร์กระจายตัวได้ยาก จึงสร้างภาระต่อโครงสร้างพื้นฐานมากกว่า

  • ผมเพิ่งตกใจเมื่อไม่นานมานี้ที่ได้ยินคนรุ่น Gen Z พูดว่า AI กำลัง “ทำลายน้ำ”
    ผมเคยทำงานด้านดาต้าเซ็นเตอร์ เลยรู้อยู่แล้วว่ามีการใช้น้ำเพื่อทำความเย็น แต่ไม่เคยรู้สึกว่ามันกำลังทำลายน้ำในสเกลมหาศาล
    ดูเหมือนว่าความรับรู้เรื่อง GenAI กับน้ำจะแพร่ลึกกว่าที่คิด
    บางคนถึงขั้นพูดในทำนองว่า “เพราะ AI เราจะต้องอยู่ในนรกแห่งภัยแล้ง”
    ส่วนตัวผมกลับอยากรู้มากกว่าว่าวิดีโอ TikTok 1 คลิปใช้พลังงานเท่าไร แต่ดูเหมือนการเทียบแบบนั้นจะเป็นคนละประเด็น
    เวลาผมถามว่าจริง ๆ แล้วน้ำหายไปตามกระบวนการไหน เป็นไอน้ำหรืออย่างไร หลายคนกลับมองว่าแค่ระเหยไปก็เท่ากับ “หายไปตลอดกาล” ซึ่งผมว่าน่าแปลก

    • โมเลกุลของน้ำไม่ได้ถูก “ทำลาย” แต่บ่อยครั้งมันหายไปอย่างสิ้นเชิงจากสถานที่ที่เคยนำไปใช้ประโยชน์ได้
      ทะเลอารัลเป็นตัวอย่างเด่นของการหายไปเพราะการชลประทานเพื่อเกษตรกรรม
      วิดีโอ YouTube

    • ปัญหาการขาดแคลนน้ำเป็นเรื่องเฉพาะพื้นที่อย่างยิ่ง
      ตัวอย่างเช่น ถ้ารันดาต้าเซ็นเตอร์ในแอริโซนา ก็อาจเจอปัญหาน้ำจริง ๆ แต่บรรเทาได้ด้วยการนำน้ำเสียกลับมาใช้ใหม่ เป็นต้น
      โรงไฟฟ้า Palo Verde ก็ใช้น้ำเสียใน heat exchanger เช่นกัน

    • ผมเองก็เพิ่งตกใจเหมือนกันที่ไม่นานนี้มีคนถามเรื่องการใช้น้ำของ AI
      ลองค้นแบบคร่าว ๆ ก็พบว่าดาต้าเซ็นเตอร์ใช้น้ำมากกว่าที่คิดพอสมควร ประมาณ 1 ลิตรต่อไฟฟ้า 1kWh
      เคยได้ยินว่าพวก hyperscaler ทำได้ดีกว่าตัวเลขนี้และกำลังมุ่งไปสู่ net positive แต่แทบไม่มีข้อมูลที่บอกชัดว่าค่า “1 ลิตร/kWh” นี้เป็นเรื่องแต่ง
      “1 ลิตร/kWh” อาจนึกภาพยาก แต่ถ้าเป็นดาต้าเซ็นเตอร์ขนาดใหญ่ก็เท่ากับ 278L/s ส่วนฝักบัวอยู่ที่ 0.16L/s และอุตสาหกรรมอัลมอนด์ทั้งรัฐแคลิฟอร์เนียใช้น้ำเฉลี่ย 200,000L/s
      ระดับนี้เทียบได้กับสวนอัลมอนด์ขนาด 4 ตารางไมล์ แต่ก็ไม่ได้รู้สึกว่าสุดโต่งขนาดนั้น และข้อมูลของ hyperscaler ก็น่าจะดีกว่านี้

    • ดาต้าเซ็นเตอร์ใช้การทำความเย็นแบบระเหย
      ไม่ใช่แค่อุ่นน้ำแล้วปล่อยกลับ แต่ปล่อยให้ระเหยไปในอากาศโดยสมบูรณ์
      (ตัวโมเลกุลน้ำยังอยู่ แต่ไอน้ำในบรรยากาศเป็นรูปแบบที่นำกลับมาใช้ใหม่ได้ยาก)

    • ข้อกล่าวหาว่า AI ทำลายน้ำ เริ่มจากประเด็น NIMBY (ไม่เอาไว้ในพื้นที่ตัวเอง) แล้วต่อมาก็ถูกกลุ่มใน Gen Z ที่มีแนวคิดต่อต้านทุนนิยมค่อนข้างแรงนำไปใช้เป็นตรรกะต่อต้าน AI

  • ในปี 2011 Google เคยบอกว่าใช้ 0.3Wh ต่อ search query และเมื่อต้นปีนี้ Sam Altman ก็พูดว่า query ของ OpenAI เฉลี่ยอยู่ที่ 0.3Wh
    น่าประหลาดใจที่ตัวเลขทั้งสองใกล้เคียงกัน
    ผมนึกว่า query ของ LLM จะเข้มข้นด้านพลังงานมากกว่าการค้นหา Google แบบธรรมดา แต่ก็ทำให้ตระหนักว่าการค้นหา Google เองก็เป็นโครงสร้างพื้นฐานขนาดมหาศาล
    ยกตัวอย่าง ถ้าเป็นคำถามง่าย ๆ อย่างถามความหมายของคำ แล้วมี LLM ขนาดเล็กทำงานบน iPhone ได้ 0.03Wh ก็น่าจะพอ ซึ่งน้อยกว่าการค้นหา Google ถึง 10 เท่า
    (สมมติให้ชิป A16 ทำงานที่ 5 วัตต์เป็นเวลา 20 วินาที จะได้ 0.03Wh)
    สิ่งที่ผมสงสัยคือ ต้นทุนการเทรน (โดยเฉพาะรันเทรนที่ล้มเหลว) รวมอยู่ในค่าประมาณพวกนี้ด้วยหรือไม่
    โพสต์บล็อกทางการของ Google

    • ควรคำนึงด้วยว่าพัฒนาการด้านประสิทธิภาพพลังงานตลอด 14 ปีก็มีผลมากเช่นกัน

    • ราวปี 2008 กระบวนการหลักของการค้นหาคือการ grep เอกสารทั้งหมด
      เขาเอาเอกสารขึ้นไว้ใน RAM แบบกระจาย แล้วรัน grep ข้ามเครื่อง 1000 เครื่อง
      inverted index ไม่ค่อยถูกใช้ เพราะไม่เหมาะกับ “query ที่ลำดับคำสำคัญ”
      ส่วนกระบวนการจัดอันดับและอื่น ๆ ก็ซับซ้อนกว่านั้น

    • 0.3Wh เท่ากับ 1080 จูล ส่วนเบนซิน 1 ลิตรมีพลังงานมากกว่า 30 ล้านจูล ดังนั้นจริง ๆ แล้วจึงเทียบได้กับน้ำมันเบนซินเพียง 0.034 มิลลิลิตร
      แต่ไฟฟ้ามีประสิทธิภาพสูงกว่าเครื่องยนต์สันดาปภายในมาก

    • เวลาผมป้อน query ให้ local LLM ของตัวเอง รู้สึกเหมือนไฟในออฟฟิศกะพริบ และเหมือนใช้พลังงานมากกว่าเปิดเตาอบ 1 วินาทีเสียอีก

    • ผมสงสัยว่าราวปี 2008 Google ใช้การค้นหาแบบ deep learning แล้วหรือยัง
      คิดว่าการเพิ่มฟีเจอร์ต่าง ๆ น่าจะทำให้การใช้ไฟต่อ query เปลี่ยนไปพอสมควร

  • น่าเสียดายที่ทั้งรายงานไม่ได้อธิบายว่าพรอมป์ต์แบบไหนจึงถูกนับเป็น “ค่ามัธยฐาน”
    อยากรู้ว่าจำนวนโทเคนของพรอมป์ต์ การกระจายของความยาว และรายละเอียดเหล่านี้เหมือนกันทุกปีหรือไม่
    หากไม่มีข้อมูลแบบนี้ การบอกแค่ค่ามัธยฐานอย่างเดียวก็มีความหมายเชิงปฏิบัติไม่มากนัก
    ถ้าเป็นค่าเฉลี่ย อย่างน้อยก็ยังเอาไปคูณกับจำนวน query เพื่อประมาณการใช้ทั้งหมดได้

  • Sam Altman เพิ่งเปิดเผยการใช้ไฟฟ้าเฉลี่ยต่อ query ของ ChatGPT ในบล็อกล่าสุดด้วย
    query ของ ChatGPT 1 ครั้งใช้ไฟเฉลี่ย 0.34Wh เทียบได้กับเตาอบทำงาน 1 วินาทีครึ่ง และการใช้น้ำของหลอดไฟประสิทธิภาพสูงในช่วงไม่กี่นาที
    การใช้น้ำอยู่ที่ 0.000085 แกลลอนต่อ query (ประมาณหนึ่งในสิบห้าของช้อนชา)
    บล็อกของ Altman

  • โดยส่วนตัวผมคิดว่าสิ่งที่สำคัญจริง ๆ ไม่ใช่ inference แต่เป็นการเทรน การ fine-tune และการขูดข้อมูล
    ตรรกะที่ว่า “พรอมป์ต์กำลังทำลายสิ่งแวดล้อม” ฟังดูเป็นการเล่นประเด็นเกินไป
    ผมยินดีที่ตอนนี้มีการ fact-check กันมากขึ้นเรื่อย ๆ
    แต่ในความเป็นจริง ผลกระทบของดาต้าเซ็นเตอร์ใหม่ต่อโครงข่ายส่งและจ่ายไฟก็ไม่ใช่เรื่องที่มองข้ามได้
    ถ้าเทคโนโลยีนี้มีประสิทธิภาพพลังงานโดยพื้นฐานจริง ก็คงไม่เกิดภาพที่บริษัทยักษ์ใหญ่ต้องไปลงทุนในโรงไฟฟ้านิวเคลียร์เอกชนหรือแข่งกันด้านพลังงานแบบตอนนี้

    • หากจะตั้งเกณฑ์เป้าหมายให้ถูกต้อง เราควรดูไม่ใช่แค่ปริมาณการใช้น้ำและพลังงานรวม แต่ต้องเทียบด้วยว่าทรัพยากรน้ำและพลังงานในพื้นที่นั้นเพียงพอหรือไม่
      Google รายงานการใช้น้ำรวมของดาต้าเซ็นเตอร์ทั้งหมดอย่างเป็นทางการ
      ปี 2024 อยู่ที่ประมาณ 10,000 ล้านแกลลอน (ราว 0.03% ของการใช้น้ำทั้งสหรัฐ โดยต้องคำนึงด้วยว่าดาต้าเซ็นเตอร์ไม่ได้อยู่ในสหรัฐทั้งหมด)
      ตัวเลขนี้เองอาจไม่ได้ดูมหาศาลนัก แต่ใน Council Bluffs, IA แห่งเดียวก็เกิน 1,000 ล้านแกลลอนแล้ว และจำเป็นต้องตรวจสอบว่าระบบนิเวศของพื้นที่เหล่านี้รองรับได้หรือไม่ และมีการบริหารอย่างรับผิดชอบหรือเปล่า
      Google เองก็ยอมรับว่า 28% ถูกใช้ใน “พื้นที่ที่มีความเสี่ยงด้านการหมดลงหรือความขาดแคลนน้ำระดับปานกลางขึ้นไป”
      รายงานสิ่งแวดล้อม Google 2025

    • แค่เข้าเว็บไซต์ ก็อาจมีพรอมป์ต์ถูกส่งไปยังเซิร์ฟเวอร์โดยไม่ได้ตั้งใจ
      น่าเสียดายที่ยิ่งบริการขนาดใหญ่มีต้นทุนต่ำและถูกให้ใช้อย่างง่ายดายเท่าไร ก็ยิ่งมีแนวโน้มถูกใช้อย่างเกินพอดีมากขึ้น

    • ผมไม่เห็นด้วยกับข้ออ้างที่ว่า ถ้าการใช้พลังงานต่ำจริง การแข่งขันสร้างดาต้าเซ็นเตอร์ใหม่และแย่งโครงสร้างพื้นฐานพลังงานก็คงไม่รุนแรงแบบนี้
      โครงข่ายไฟฟ้าของสหรัฐไม่มีส่วนเผื่อกำลังเพิ่มมานานแล้ว
      เพราะทั้งการปรับปรุงประสิทธิภาพพลังงานและภาวะอุตสาหกรรมซบเซา
      ปัญหาใหญ่กว่าตัวดาต้าเซ็นเตอร์คือโครงสร้างพื้นฐานด้านการกระจายไฟฟ้า
      เราสามารถผลิตไฟได้ แต่มีปัญหาอย่างมากในการส่งไปยังจุดที่ต้องการ
      ประเด็นถกเถียงเรื่องโรงไฟฟ้าเอกชนก็มักเป็นปัญหาด้านการกระจายมากกว่าการผลิต

  • ถ้าพรอมป์ต์ค่ามัธยฐานใช้ 0.24Wh

    • เท่ากับเครื่องปิ้งขนมปังทำงาน 1 วินาที
    • ชาร์จสมาร์ตโฟนได้ 1/80
    • ยกของหนัก 100 ปอนด์ขึ้นสูง 6 ฟุต
    • พลังงานจลน์ของหัวกระสุน 9mm
    • ขับ Tesla ได้ 6 ฟุต
      ประมาณนั้น
    • ถ้าเทียบกับเทคโนโลยีที่ดูเหมือนเวทมนตร์ในปี 2022 ก็รู้สึกว่ามันมีประสิทธิภาพด้านพลังงานสูงมาก

  • ถ้าผมคำนวณไม่ผิด 1kWh จะ query ได้ประมาณ 4,000 ครั้ง
    ถ้าใช้ค่าไฟอุตสาหกรรมที่ $0.04/kWh ก็จะ query ได้ 100,000 ครั้งต่อ $1
    เมื่อรวมต้นทุนสร้างดาต้าเซ็นเตอร์และอย่างอื่นแล้ว subscription เดือนละ $20 ก็ดูไม่ได้แพงเกินไปนัก
    ผมคำนวณถูกหรือเปล่า

    • คำนวณถูกแล้ว
      ความผิดพลาดพื้นฐานของมุมมองมองโลกในแง่ร้ายเรื่องพลังงานและน้ำของ AI คือ ไฟฟ้า น้ำ และที่ดินล้วนแปลงเป็นต้นทุนได้ แต่ AI กลับถูกให้บริการเหมือนของฟรี
      ถ้า AI กินไฟและกินน้ำของทั้งโลกจริง บริษัทต่าง ๆ ก็คงไม่ดำเนินธุรกิจแบบขาดทุนต่อไปหรอก

    • แต่ต้นทุนการเทรนก็ควรแยกมาคิดต่างหากไม่ใช่หรือ

  • ถ้าอยากข้ามบทความมือสาม
    สามารถดู โพสต์บล็อกของ Google และ
    PDF งานวิจัยทางการ ได้

  • ผมอยากรู้ยอดรวมมากกว่า เช่น จำนวน query ต่อวันทั้งหมดของ Gemini
    แค่ตัวเลขพรอมป์ต์ค่ามัธยฐานอย่างเดียวไม่พอจะประเมินความต้องการพลังงานรวม
    ถ้าไม่มีจำนวน query ทั้งหมด ตัวค่ามัธยฐานเองก็แทบไม่มีความหมายมากนัก

    • ผมก็คิดว่าค่าเฉลี่ยน่าจะตรงไปตรงมากว่า
      อาจเป็นไปได้ว่าค่าเฉลี่ยสูงกว่า เลยตั้งใจไม่เปิดเผยก็ได้