AI ใช้น้ำน้อยกว่าที่สาธารณชนคิด
(californiawaterblog.com)- ความกังวลเรื่องการใช้น้ำของ ศูนย์ข้อมูล AI ในแคลิฟอร์เนีย เมื่อลองประเมินขนาดจริงเชิงปริมาณแล้วพบว่ายังมีสัดส่วนเล็กเมื่อเทียบกับการใช้น้ำของมนุษย์ทั้งรัฐ
- แคลิฟอร์เนียมีพื้นที่ชั้นของศูนย์ข้อมูลราว 15 ล้านตารางฟุต และหากสมมติว่าทั้งหมดเดินเครื่องต่อเนื่องด้วยการทำความเย็นแบบระเหย ก็อาจทำให้น้ำระเหยปีละ 32,000–290,000 acre-ft
- ช่วงประมาณการทั้งหมดจาก AI หลายตัวกว้างที่ 2,300–400,000 acre-ft/year แต่ค่าที่แคบกว่าซึ่งประมาณการทั้งสี่ตัวสนับสนุนร่วมกันอยู่ที่ราว 20,000 acre-ft/year
- ปริมาณราว 20,000 acre-ft/year คิดเป็น 0.055% ของการใช้น้ำของมนุษย์ทั้งปีในแคลิฟอร์เนียที่ประมาณ 40 ล้าน acre-ft และแม้แต่ช่วงที่กว้างกว่าอย่าง 32,000–290,000 acre-ft/year ก็ยังอยู่ที่ราว 0.08–0.7%
- แคลิฟอร์เนียไม่ได้มีเหตุผลมากนักที่จะตื่นตระหนกกับการใช้น้ำของศูนย์ข้อมูล AI และการถกเถียงเชิงนโยบายควรอาศัย การประเมินเชิงปริมาณอย่างตรงไปตรงมา และหลักฐานทางเทคนิคที่ดีกว่าการคาดเดา
บริบทของความกังวลเรื่องการใช้น้ำของ AI
- AI ยังอยู่ในช่วงเริ่มต้นของการพัฒนา และเช่นเดียวกับเทคโนโลยีใหม่หลายอย่าง มันถูกมองทั้งด้วยความคาดหวังว่าจะช่วยมนุษย์ และความกลัวว่าจะทำลายจิตใจมนุษย์หรืออารยธรรม
- หนึ่งในความกังวลที่สื่อหยิบยกบ่อยคือ การใช้น้ำของ AI และผลกระทบต่อเนื่อง โดยมักปะปนกันระหว่างความกังวลเชิงคาดการณ์ในระยะต้นกับการใช้ความสนใจสาธารณะเพื่อสนับสนุนการรณรงค์หรือขอทุนวิจัย
- ความกลัวและความคาดหวังต่อเทคโนโลยีใหม่เกิดขึ้นซ้ำแล้วซ้ำเล่าในอดีต บางอย่างจบลงเป็นเพียงภาพฝัน บางอย่างให้ผลบวกเป็นส่วนใหญ่ และบางอย่างก็นำไปสู่ผลลัพธ์ที่ซับซ้อน
- รถยนต์บินได้เป็นตัวอย่างที่ใกล้เคียงกับภาพฝัน
- วัคซีน การฆ่าเชื้อน้ำดื่มด้วยคลอรีน และการเติมฟลูออไรด์ในน้ำดื่ม เป็นตัวอย่างที่โดยรวมถือว่าให้ผลบวก
- เทคโนโลยีเฝ้าระวังและฐานข้อมูล อินเทอร์เน็ต และรถยนต์ อาจมองได้ว่าเป็นตัวอย่างแบบผสม
- พื้นฐานของ AI คือ ศูนย์ข้อมูล ที่เก็บข้อมูลและทำการประมวลผล ซึ่งเป็นคลังคอมพิวเตอร์ขนาดใหญ่ที่เชื่อมต่อกันเป็นแร็ก และต้องใช้พลังงาน น้ำสำหรับทำความเย็น และพื้นที่ทางกายภาพ
- ความต้องการไฟฟ้าจำนวนมากของศูนย์ข้อมูลอาจส่งผลต่อค่าไฟในท้องถิ่น และการใช้น้ำส่วนใหญ่เกิดจากความต้องการระบายความร้อนที่มาจากความร้อนซึ่งเกิดจากการใช้ไฟฟ้า
- การถกเถียงเรื่องน้ำในแคลิฟอร์เนียบางครั้งถูกขับเคลื่อนด้วยความกลัวที่มีฐานทางวิทยาศาสตร์อ่อนแอ และการใช้น้ำของศูนย์ข้อมูลก็กลายเป็นหนึ่งในเป้าความกังวลดังกล่าว
- การใช้น้ำของศูนย์ข้อมูลในแคลิฟอร์เนียโดยรวมถือว่าไม่มากนัก แต่ในรัฐอื่นที่มีกิจกรรมศูนย์ข้อมูลมากกว่าและโครงสร้างพื้นฐานด้านน้ำพัฒนาน้อยกว่า เรื่องนี้อาจเป็นปัญหาใหญ่กว่า
การประเมินการใช้น้ำของศูนย์ข้อมูลในแคลิฟอร์เนีย
- การอภิปรายสาธารณะ บทความ และรายงานสื่อเกี่ยวกับการใช้น้ำของอุตสาหกรรม AI สะท้อนความกังวลดังกล่าว
- คำวิจารณ์ที่ว่าบริษัทและสถานประกอบการ AI ไม่เปิดเผยการใช้พลังงาน น้ำ และทรัพยากรอื่นอย่างโปร่งใสเพียงพอ อาจเป็นเรื่องจริงเนื่องจากลักษณะการแข่งขันของอุตสาหกรรม
- แต่เพราะขาดข้อมูลการใช้น้ำที่ชัดเจน นักข่าว นักวิชาการ และนักรณรงค์จำนวนมากก็หยุดอยู่ที่ระดับ การคาดเดา มากเกินไปเช่นกัน
- การประเมินการใช้น้ำของศูนย์ข้อมูล AI ในแคลิฟอร์เนียอาศัยการคำนวณฟิสิกส์พื้นฐานเป็นหลัก โดยแปลงการใช้พลังงานให้เป็นการใช้น้ำเพื่อการทำความเย็น
- หลังจากนั้นจึงใช้โมเดล AI สี่ตัวเพื่อตรวจสอบและสำรวจค่าประมาณ
สมมติฐานและช่วงของการคำนวณ
- แคลิฟอร์เนียมีพื้นที่ชั้นของศูนย์ข้อมูลประมาณ 15 ล้านตารางฟุต หรือราว 340 เอเคอร์
- พื้นที่ทั้งหมดของสถานที่ตั้งศูนย์ข้อมูลอาจใหญ่กว่านี้ หากรวมลานจอดรถ พื้นที่ภูมิทัศน์ และอาคารสนับสนุน
- ที่มา: https://www.aterio.io/insights/us-data-centers
- ปริมาณการระบายความร้อนที่ต้องรองรับจากแร็กในศูนย์ข้อมูลอยู่ที่ประมาณ 2–12 kW/㎡
- หากมีประสิทธิภาพ 100% การระบายความร้อนนี้จะเทียบเท่ากับการทำให้น้ำระเหย 70–420 มม. ต่อวันต่อพื้นที่ชั้น 1㎡
- ประสิทธิภาพของระบบทำความเย็นอุตสาหกรรมขนาดใหญ่น่าจะอยู่ที่ 60–90% และเมื่อสะท้อนปัจจัยนี้แล้ว ช่วงการระเหยของน้ำจะอยู่ที่ 80–700 มม. ต่อวันต่อพื้นที่ชั้น 1㎡
- เมื่อคิดเป็นรายปี จะเท่ากับการระเหย 29–255 เมตร ต่อพื้นที่ชั้นศูนย์ข้อมูล 1㎡ และมากกว่าการระเหยประจำปีของเกษตรชลประทานต่อหน่วยพื้นที่ราว 25–150 เท่า
- หากสมมติว่าศูนย์ข้อมูลทั้งหมดในแคลิฟอร์เนียซึ่งมีพื้นที่ 15 ล้านตารางฟุต หรือ 1.4 ล้าน㎡ เดินเครื่องต่อเนื่องทั้งหมดและใช้เฉพาะการทำความเย็นแบบระเหยในอุตสาหกรรม ปริมาณการระเหยรวมต่อปีจะอยู่ที่ประมาณ 40 ล้าน–357 ล้าน㎥
- เมื่อนำไปแปลงเป็น acre-ft จะเท่ากับทั้งรัฐแคลิฟอร์เนียราว 32,000–290,000 acre-ft ต่อปี
- เมื่อใช้พรอมป์ต์ว่า “หากสมมติว่าศูนย์ข้อมูลในแคลิฟอร์เนียส่วนใหญ่ใช้การทำความเย็นแบบระเหย มีแนวโน้มที่น้ำจะระเหยปีละเท่าใด?” เว็บไซต์ AI ฟรีหลายแห่งก็ให้ช่วงค่าประมาณได้ พร้อมทั้งระบุช่วงของสมมติฐานการคำนวณและแหล่งที่มา
ความหมายของผลการประมาณ
- ช่วงทั้งหมดของค่าประมาณการสูญเสียน้ำจากการระเหยต่อปีที่ AI ให้มานั้นกว้างถึง 2,300–400,000 acre-ft/year
- ช่วง 32,000–290,000 acre-ft/year ที่ได้จากการคำนวณแยกต่างหากยังถือว่ากว้าง แต่ก็มองได้ว่าเป็นค่าประมาณที่สมเหตุสมผล
- ค่าที่แคบกว่าซึ่งประมาณการทั้งสี่แบบสนับสนุนร่วมกันอยู่ที่ราว 20,000 acre-ft/year
- ปริมาณน้ำนี้ถือว่าเยอะในมุมมองของปัจเจก แต่เมื่อเทียบกับการใช้น้ำของมนุษย์ทั้งหมดในแคลิฟอร์เนียที่ประมาณ 40 ล้าน acre-ft ต่อปี ก็ยังน้อย
- ปริมาณราว 20,000 acre-ft/year คิดเป็นประมาณ 0.055% ของการใช้น้ำของมนุษย์ทั้งปีในแคลิฟอร์เนีย และอาจเป็นหนึ่งในการใช้น้ำที่คุ้มค่าทางเศรษฐกิจ
- หากใช้ช่วงประมาณการเริ่มต้นที่กว้างกว่า คือ 32,000–290,000 acre-ft/year ก็จะคิดเป็น 0.08–0.7% ของการใช้น้ำของมนุษย์ทั้งปีในแคลิฟอร์เนีย
- ช่วงนี้ใกล้เคียงกับปริมาณน้ำที่สามารถส่งให้พื้นที่เกษตรชลประทาน 10,000–100,000 เอเคอร์ จากพื้นที่เกษตรชลประทานรวม 7 ล้านเอเคอร์ของแคลิฟอร์เนีย
- ในบางพื้นที่นอกเขตตะวันตกแห้งแล้ง ความต้องการใช้น้ำอุตสาหกรรมรูปแบบใหม่กำลังเกิดขึ้นในช่วงที่การใช้น้ำของเมืองใหญ่ลดลงจากความพยายามอนุรักษ์ ซึ่งอาจกลายเป็นแหล่งรายได้ที่พึงประสงค์สำหรับเมืองที่มีกำลังการจ่ายน้ำส่วนเกิน
- สิ่งนี้นำไปสู่ข้อสรุปว่า ปัญหาเรื่องน้ำล้วนเป็นเรื่องเฉพาะพื้นที่
- มีการเปรียบเปรยว่าระหว่างที่เขียนบล็อกโพสต์นี้ น้ำที่ระเหยจากการหายใจของผู้เขียนอาจมากกว่าปริมาณน้ำที่ระเหยเพิ่มขึ้นจากการถาม AI ครั้งหนึ่ง ๆ ตามที่ AI ทั้งสี่ตัวประเมินไว้ เพื่อสื่อว่าการใช้น้ำเพิ่มเติมจากการถาม AI รายครั้งมีขนาดเล็ก
บทเรียนที่แคลิฟอร์เนียควรได้รับ
- ในแคลิฟอร์เนีย ไม่มีความจำเป็นต้องตื่นตระหนกกับการใช้น้ำของศูนย์ข้อมูล AI
- งานวิจัย Central Arizona ระบุว่าในพื้นที่ดังกล่าว การผลิตเบียร์ใช้น้ำมากกว่าศูนย์ข้อมูล
- พร้อมกันนั้นก็มีการกล่าวว่า AI อาจมีความกังวลที่สำคัญกว่านี้ เช่น จุดจบของอารยธรรมมนุษย์
- ค่าประมาณจาก AI ให้ช่วงที่สมเหตุสมผลและกว้างอย่างเหมาะสม
- AI มีประโยชน์ต่อการประเมินเบื้องต้นอย่างรวดเร็ว
- หากตั้งคำถามดี ๆ AI มักจะแสดงขั้นตอนการคำนวณส่วนใหญ่ให้เห็น
- ในการประเมินเชิงสาธารณะและเชิงนโยบายที่มักละทิ้งการประเมินเชิงปริมาณออกไปเพื่อความสะดวกในการถกเถียง AI อาจช่วยสร้างและทำให้การประเมินเบื้องต้นมีรูปแบบได้อย่างรวดเร็ว
- ควรระวังการอภิปรายตื้น ๆ บทความ และรายงาน “เชิงเทคนิค” ที่ไม่มีค่าประมาณที่ตรงไปตรงมาและสมเหตุสมผล
- รายงานเชิงนโยบายจำเป็นต้องมีฐานทางเทคนิคที่ดีกว่านี้
- ดังคำกล่าวที่ว่า “ข้อเท็จจริงก็คือข้อเท็จจริง แต่การรับรู้คือความจริง” วาทกรรมสาธารณะรวมถึงเรื่องน้ำมักถูกขัดขวางด้วยคำพูดที่ยังไม่ถูกฝึกด้วยหลักฐาน ข้อมูล และการวัดเชิงปริมาณ
- ในยุคที่มี AI แล้ว แทบไม่มีข้ออ้างที่จะไม่พยายามสร้างและใช้ค่าประมาณอย่างตรงไปตรงมาในการอภิปรายที่ว่าด้วยความกลัวและความคาดหวัง
- แม้จะมีเทคโนโลยีและสถาบันสมัยใหม่ สังคมมนุษย์ เทคโนโลยี และความเข้าใจ ก็ยังต้องพึ่งพาสมองมนุษย์อายุ 50,000 ปีที่วิวัฒน์อย่างช้า ๆ และลึกลับ และเราย่อมทำงานได้ภายในข้อจำกัดของฮาร์ดแวร์ประสาททั้งในระดับบุคคลและส่วนรวมเท่านั้น
เอกสารอ้างอิง
- Large Non-Agricultural Water Uses in Central Arizona - Kyl Center for Water Policy, Arizona State University, 2026
- The Chlorine Revolution: Water Disinfection and the Fight to Save Lives - McGuire, M., American Water Works Association, 2013
- “A Retrospective Assessment of Wastewater Technology in the United States, 1800-1932” - Tarr, J., Technology and Culture, 25(2), 226-263, 1984
- Small Bottle, Big Pipe: Quantifying and Addressing the Impact of Data Centers on Public Water Systems - Han และคณะ, 2026
1 ความคิดเห็น
ความเห็นจาก Hacker News
ตอนนี้ก็ยังมีการสร้าง ระบบระบายความร้อนแบบวงจรปิด ในดาต้าเซ็นเตอร์อย่างต่อเนื่อง การทำความเย็นด้วยการระเหยเต็มรูปแบบมีข้อดีคือประหยัดพลังงานกว่าและจึงถูกกว่า เหตุผลที่ทำแบบนั้นก็เพราะน้ำมีอยู่มากและได้มาในราคาถูก
หลายคนไม่ค่อยมีภาพว่าราคาน้ำสำหรับภาคอุตสาหกรรมในประเทศนี้ถูกแค่ไหน พ่อแม่ผมทำสวนเชอร์รี ใช้น้ำได้เท่าที่ต้องการและยังจ่ายค่าน้ำแค่ปีละ 100 ดอลลาร์ต่อเอเคอร์ ดังนั้นการใช้น้ำของดาต้าเซ็นเตอร์จึงเป็นเพียงเศษเสี้ยวของน้ำที่สูญเสียไปกับการระเหยจากการชลประทานแบบพ่นซึ่งไม่มีประสิทธิภาพ
ที่แย่กว่านั้นคือเจ้าของทุ่งเหล่านั้นมักเป็นบริษัทต่างชาติ ในพื้นที่ที่แห้งแล้งที่สุดแห่งหนึ่งของโลก ท่ามกลางภัยแล้งที่กินเวลาหลายทศวรรษ มีการใช้น้ำมหาศาล และความมั่งคั่งที่ฟาร์มเหล่านั้นสร้างขึ้นก็ไหลออกนอกประเทศ
ถ้าผลลัพธ์คือถั่วของว่างหนึ่งถุงแพงขึ้นก็ช่างมัน ถ้าการระบายน้ำจากแม่น้ำเพื่อแลกกับถั่วอร่อย ๆ ไม่ใช่สิ่งที่ยอมรับได้อีกต่อไป ผมก็รับได้
การเปรียบเทียบ การใช้น้ำของ AI กับภาคเกษตรหรือกับเมืองค่อนข้างชวนให้เข้าใจผิด การใช้น้ำของเมืองจำนวนมากเป็นสิ่งจำเป็นแทบขาดไม่ได้ต่อการดำรงชีวิต เช่น สุขอนามัยและน้ำดื่ม ส่วนภาคเกษตรก็จำเป็นเพราะเราต้องกินอยู่ อย่าเอาสิ่งทางเลือกไปเทียบกับสิ่งจำเป็น
ควรเทียบกับการใช้น้ำในเมืองแบบทางเลือก เช่น ร้านล้างรถหรือสวนน้ำมากกว่า หรืออาจเทียบกับน้ำที่ต้องใช้เมื่อมนุษย์ทำงานลักษณะเดียวกัน เช่น เอางานเขียนรายงาน 15 นาทีให้ AI ทำ ไปเทียบกับน้ำที่ต้องใช้เพื่อให้มนุษย์มีชีวิตอยู่ได้หลายชั่วโมง แบบนั้นถึง AI จะยังดูไม่ได้แย่นัก แต่ก็เป็นการเปรียบเทียบที่ซื่อตรงกว่า
การรดน้ำภูมิทัศน์ใช้น้ำราว 3.5 ล้านเอเคอร์-ฟุตต่อปี ซึ่งมากกว่าการประเมินการใช้น้ำของดาต้าเซ็นเตอร์ AI ประมาณ 10 ถึง 100 เท่า
ถ้าจะนับเฉพาะน้ำที่จำเป็นต่อการให้มนุษย์มีชีวิตรอดและน้ำขั้นต่ำที่ต้องใช้ในเกษตร เราก็น่าจะพูดถึงแค่เศษเสี้ยวเล็กมากของน้ำที่เราใช้อยู่ตอนนี้ การเอาดาต้าเซ็นเตอร์ไปเทียบกับเกณฑ์การอยู่รอดขั้นต่ำจึงไม่ค่อยน่าสนใจ ประเด็นของบทความนี้คือโดยรวมแล้วการใช้น้ำไม่มีประสิทธิภาพ และ AI เป็นแหล่งของความสิ้นเปลืองทั้งหมดที่ค่อนข้างเล็ก
เมื่อไม่กี่เดือนก่อนมีบทความหนึ่ง[1] บอกว่า Google ปกปิดปริมาณความต้องการใช้น้ำจากชาวบ้านในพื้นที่ที่เรียกร้องความโปร่งใส โดยอ้างว่าเป็น ความลับทางการค้า
จากนั้นจึงมีการฟ้องร้อง และเผยออกมาว่าพวกเขาวางแผนจะใช้น้ำดื่มวันละ 2 ถึง 8 ล้านแกลลอน[2] จากคำพูดของเจ้าหน้าที่รัฐก็ดูเหมือนใกล้เพดานความสามารถในการรองรับแล้ว
“แหล่งน้ำนี้เดิมทีไม่ควรต้องใช้จนกว่าจะถึงปี 2060 หรือช่วงทศวรรษ 2060 แต่จู่ ๆ เรากลับต้องมากังวลเรื่องนี้ตั้งแต่ทศวรรษ 2030”
“ถ้าความต้องการเกิน เราก็จะต้องหาแหล่งน้ำใหม่”
เลยไม่แน่ใจนักว่ามันสอดคล้องกับข้ออ้างของโพสต์ต้นทางอย่างไร อย่างน้อยก็ดูเหมือนว่าบางสถานที่ โดยเฉพาะที่เตรียมตัวไม่พร้อม จะได้รับผลกระทบอย่างไม่สมส่วน
[1] https://pivot-to-ai.com/2026/03/06/how-much-water-do-the-dat...
[2] https://www.wsls.com/news/local/2026/02/26/google-data-cente...
และการที่ AI hyperscaler ถึงขั้นฟ้องเพื่อปกปิดปริมาณการใช้งาน ก็บอกอยู่แล้วว่าตัวเลขนั้นไม่ได้ดูดีนัก
ต้องยิง พรอมป์ตนับล้านครั้ง ถึงจะใช้น้ำพอ ๆ กับการทำ เบอร์เกอร์เนื้อวัวหนึ่งชิ้น
เรื่องการปล่อยคาร์บอนไดออกไซด์ก็ต้องใช้พรอมป์ตเป็นหมื่นครั้งถึงจะใกล้เคียง มีความกังวลที่สมเหตุสมผลเกี่ยวกับ AI อยู่มาก แต่ตอนนี้การใช้น้ำหรือการปล่อยคาร์บอนไดออกไซด์ยังไม่ใช่หนึ่งในนั้น ถ้าคุณหันไปเป็นวีแกน คุณสามารถชดเชยการใช้น้ำและการปล่อยคาร์บอนไดออกไซด์จากการใช้ AI ของตัวเองได้มากกว่าหลายพันเท่า
แต่ก็เห็นด้วยว่ามีแนวทางอื่นที่ควรทำควบคู่กันในเรื่องการปล่อยก๊าซ
เนื้อสัตว์อาจถูก “ผลิต” ในพื้นที่ที่น้ำขาดแคลนน้อยกว่า เช่น พื้นที่ชนบท ขณะที่ดาต้าเซ็นเตอร์ “ชอบ” เติบโตในเขตเมือง
ข้อมูลนี้บอกว่า 100 พรอมป์ตใช้น้ำ 0.5 ลิตร
https://www.eesi.org/articles/view/data-centers-and-water-co...
จำได้ว่าปีนี้ Google เคยรายงานว่าการค้นหาหนึ่งครั้งใช้น้ำประมาณหนึ่งหยด หรือราวห้าหยด
ได้เนื้อวัวมาหลายพันปอนด์โดยแทบไม่ใช้น้ำเลย แม้จะใช้น้ำบาดาลปริมาณต่ำจากบ่อที่ให้ได้แค่ 1 แกลลอนต่อนาที ก็ยังไม่รู้สึกว่ามีการใช้น้ำเพิ่มขึ้น
ในทางกลับกัน พืช “วีแกน” อย่างข้าวโพดกลับมีการชลประทานในหลายพื้นที่ของสหรัฐ ใช้น้ำมาก และมักไม่มีประสิทธิภาพอย่างยิ่ง
เรื่องแบบนี้ปกติมันโน้มน้าวใครได้จริงหรือ? รูปแบบทั่วไปคือคนมักตั้งจุดยืนก่อน แล้วค่อยไปหางานวิจัยที่มี DOI แนบอยู่หนึ่งชิ้น มาสนับสนุนจุดยืนนั้น มันเหมือนอุปมาเรื่องช้างกับคนขี่ช้าง ต่อให้คุณยกหลักฐานว่าข้ออ้างของใครสักคนผิด ก็หลายครั้งไม่ได้ทำให้เขากลับมาคิดใหม่ แต่กลับทำให้เขาปักหลักลึกกว่าเดิมแล้วไปหางาน DOI ชิ้นใหม่มาเพิ่ม
ตอนนี้เป็นช่วงเวลาที่ไม่เคยมีมาก่อน แม้อยู่ในยุคข้อมูลข่าวสาร ผู้คนสามารถใช้ Wikipedia, Google, LLM อย่างมีวิจารณญาณเพื่อสร้างพื้นฐานความรู้ในหลายสาขาได้อย่างรวดเร็ว ถ้าปัญหาคือข้อจำกัดด้านการเข้าถึงข้อมูลและการค้นหา เราควรจะเห็นฉันทามติเกี่ยวกับข้อเท็จจริงมากกว่านี้
แต่ผมคิดว่าวิธีที่ข้อมูลถูกใช้งานจริงกลับเกือบตรงข้ามกับที่เราคิด เราเชื่อว่าถ้ามีข้อมูลพอ เราจะสร้างแบบจำลองความจริงที่แม่นยำได้ แต่ดูเหมือนนักจิตวิทยาสังคมจะพูดถูก โดยทั่วไปคนเราสร้างแบบจำลองความจริงขึ้นมาก่อน แล้วค่อยหาข้อมูลมาสนับสนุนมัน ดังนั้นยิ่งเพิ่มปริมาณข้อมูล ก็ยิ่งเพิ่มความสามารถของแต่ละคนในการคัดเลือกข้อมูลที่สนับสนุนโมเดลของตนเอง
ไม่ได้หมายความว่าความพยายามแบบนี้ไม่มีค่า เพียงแต่ผมไม่คิดว่าข้อเท็จจริงจะ ขยับความเห็นสาธารณะได้มากนัก
สิ่งที่น่าสนใจของข้อมูลที่มากขึ้นและการค้นหาที่ดีขึ้นคือ มันเร่งการแยกตัวระหว่างคนที่ค้นหาความจริงกับคนที่ค้นหาการยืนยัน คนกลุ่มแรกมักพยายามหาข้อมูลที่หักล้างได้ ส่วนกลุ่มหลังหาข้อมูลที่สนับสนุน โดยทั่วไปกลุ่มแรกอาจประสบความสำเร็จมากกว่าอย่างน้อยในการสร้างแบบจำลองโลกที่ไม่รวมมนุษย์ แต่เมื่อคนอื่นเชื่อว่าสิ่งใดสิ่งหนึ่งเป็นจริง การไปปะทะกับข้อเท็จจริงที่เขายึดถือแบบตรง ๆ มักไม่ใช่วิธีที่ดีที่สุดในการได้ผลลัพธ์ที่ต้องการ
การใช้คำนี้ในความหมายที่ลึกและซับซ้อนที่สุดเชื่อมโยงกับแนวคิดสร้างนิยมในปรัชญาหลังสมัยใหม่ หรือ social constructionism ในจิตวิทยาสังคม ว่าความจริงถูกสร้างร่วมกันโดยความสัมพันธ์และผู้มีส่วนร่วมในสังคม
นี่คือปลายทางของแนวคิดหลังสมัยใหม่และสร้างนิยมที่ยกระดับเรื่องเล่าและ narrative ให้เป็นแหล่งกำเนิดของความจริง ในบางแง่มันดูเหมือนการย้อนกลับไปสู่ความคิดเชิงศาสนาและไสยศาสตร์ที่เห็นว่าถ้าเชื่อในหลักคำสอนหรือระบบของเทพเจ้ามากพอ เรื่องเล่านั้นก็จะกลายเป็นความจริงที่ผู้คนยอมรับร่วมกัน
ในทางประวัติศาสตร์ จิตวิทยาแบบยุงและศาสนาเป็นคลังร่วมของภูมิปัญญาและเทคนิคที่มนุษยชาติสะสมไว้เพื่อจัดการกับความจริงระหว่างปัจเจกและ “สุขอนามัยด้านข้อมูล” ของส่วนรวม ศาสนาเป็นจิตวิทยาเชิงต้นแบบแบบหนึ่ง และยุงก็รับทอดสิ่งนี้มาผ่านธรรมเนียมเล่นแร่แปรธาตุ ดูได้จาก Psychology and Alchemy ของ Jung แต่ในช่วงปลายศตวรรษที่ 20 และศตวรรษที่ 21 เมื่อเราเน้นเฉพาะการวัดเชิงปริมาณที่ตรวจสอบอย่างเป็นวัตถุวิสัยได้ เทคนิคที่ใช้จัดการกับปรากฏการณ์เชิงคุณภาพที่เป็นส่วนตัวและอัตวิสัย เช่น การคิดภายใน การใคร่ครวญ และชีวิตในความฝันของปัจเจก ก็กำลังเลือนหายไปกับอดีต
White Rose: คุณเคยคิดไหมว่า ถ้าจินตนาการหรือเชื่อในบางสิ่ง มันอาจกลายเป็นจริงได้ แค่ด้วยเจตจำนงล้วน ๆ
Angela: เคย จริง ๆ ฉันเคยเชื่อแบบนั้น แต่ฉันก็กำลังค่อย ๆ ยอมรับว่ามันไม่ใช่โลกความจริง แม้ว่าฉันจะอยากให้มันเป็นแบบนั้นก็ตาม
White Rose: ก็ขึ้นอยู่กับว่าท้ายที่สุดคุณนิยามความจริงว่าอย่างไร
https://vimeo.com/387207936
เรื่องนี้พูดกันมาเยอะแล้ว แต่ผมก็ยังประหลาดใจอยู่เรื่อย ๆ ว่าการรับรู้ของสาธารณะมันคลาดเคลื่อนไปไกลแค่ไหน Pete Buttigieg จัดงานทาวน์ฮอลล์ที่ Tulsa เมื่อประมาณสัปดาห์ก่อน แล้วมีคนอ้างว่า การสร้างภาพหนึ่งภาพใช้น้ำ 10,000 แกลลอน[0]
[0]: https://www.youtube.com/watch?v=MCc-ipWVShY&t=1h5m43s
ฝ่ายต่อต้านดาต้าเซ็นเตอร์ประเมินการใช้น้ำสูงเกินจริง แต่ฝ่ายที่คิดว่าต้องสร้างให้มากที่สุดและเร็วที่สุดก็ดูเหมือนจะคิดว่า การพูดว่า “จริง ๆ แล้วมันไม่ได้ใช้น้ำมากขนาดนั้น” somehow ทำให้ปัญหาที่เป็นจริงกว่าอื่น ๆ ของดาต้าเซ็นเตอร์หมดความสำคัญไป
บางคนได้ ความโกรธ มา แล้วก็รักมัน และจะไม่ยอมให้ใครแย่งมันไป
ขณะเดียวกันจีนกับอินเดียกำลังให้ไฟฟ้าฟรี เงินอุดหนุนลงทุนอุปกรณ์แบบ 1 ดอลลาร์ต่อ 1 ดอลลาร์ และยกเว้นภาษี 25 ปีเพื่อให้มีการสร้างดาต้าเซ็นเตอร์[0][1]
น่าสนใจที่ HN อยากบีบโครงสร้างพื้นฐานซึ่งเป็นฐานรองรับทั้งอุตสาหกรรมของเรา และเป็นเหตุผลที่ผู้ใช้ HN ได้รับค่าจ้างกันด้วย มันแสดงให้เห็นดีว่าแรงต้าน AI จำนวนมากมาจาก “ชนชั้นช่างคุย” และแรงงานปกขาวประเภทอื่น ๆ ตามที่ผลสำรวจชี้ซ้ำ ๆ[2][3]
แม้แต่ในพรรคของผมเอง ก็ขำที่ได้เห็นคนกลุ่มเดียวกับที่เคยบอกคนงานเหมือง คนงานรถยนต์ว่า “ไปหัดเขียนโค้ดสิ” และเคยดูถูกแรงงานปกน้ำเงิน รวมทั้งเมินความกังวลของคนทำงานภาคการผลิตและงานช่างฝีมือจนผลักพวกเขาไปทางขวา ตอนนี้กลับทำแบบเดียวกันเป๊ะ
แก้ไข: ตอบกลับไม่ได้
“ดาต้าเซ็นเตอร์ AI ไม่ใช่วิธีที่ผู้ใช้ HN ทุกคน หรือแม้แต่ส่วนใหญ่ หาเงิน”
ดาต้าเซ็นเตอร์ส่วนใหญ่ไม่ได้ให้เช่าพื้นที่เพื่อ inference หรือฝึกโมเดลอย่างเดียว แต่รองรับงานประมวลผลหลายชนิดปะปนกันด้วย และถ้าคุณบีบความคุ้มค่าทางเศรษฐกิจของชั้นโครงสร้างพื้นฐาน ระบบนิเวศทั้งหมดก็จะย้ายออกไปต่างประเทศ
ในช่วงต้นทศวรรษ 2010 สหรัฐก็มีแรงต้านโรงงาน fab เซมิคอนดักเตอร์ในลักษณะคล้ายกัน และใช้เวลาไม่ถึง 10 ปี ระบบนิเวศแทบทั้งชุดก็ไหลออกไป จนกระทั่งมีการลงนามและบังคับใช้ CHIPS Act
พลังงานนิวเคลียร์ในเยอรมนีและเทคโนโลยีสีเขียวในหลายพื้นที่ของสหรัฐก็คล้ายกัน
[0] - https://www.reuters.com/world/asia-pacific/china-offers-tech...
[1] - https://www.reuters.com/world/india/india-gives-20-year-tax-...
[2] - https://www.cnbc.com/amp/2026/02/25/top-earners-are-more-afr...
[3] - https://www.pewresearch.org/social-trends/2023/07/26/which-u...
ปกติพอเอาการใช้น้ำของดาต้าเซ็นเตอร์ไปเทียบกับการใช้น้ำของสนามกอล์ฟ ผมก็รู้สึกสบายใจกับประเด็นนี้ขึ้นมาก
อัลฟัลฟาที่ปลูกตลอดปีในแคลิฟอร์เนียเพียงประมาณ 340 เอเคอร์ ใช้น้ำพอ ๆ กับดาต้าเซ็นเตอร์ The Dalles ของ Google ที่ใช้ทั้งปี
ดาต้าเซ็นเตอร์นั้นใช้น้ำ 550 ล้านแกลลอนในปี 2025 สำหรับการทำความเย็นแบบระเหย คิดเป็น 1,687 เอเคอร์-ฟุต
อัลฟัลฟา 1 เอเคอร์ในแคลิฟอร์เนียใช้น้ำราว 5 เอเคอร์-ฟุตต่อปี แคลิฟอร์เนียมีพื้นที่ปลูกอัลฟัลฟาประมาณ 1 ล้านเอเคอร์ และอัลฟัลฟาใช้น้ำราว 5 ล้านเอเคอร์-ฟุตต่อปี และสุดท้ายมันก็ถูกใช้เป็นอาหารวัว
คนที่อาศัยอยู่ในเขตบริการน้ำประปาที่มีสนามกอล์ฟ มีโอกาสเป็นพาร์กินสันเกือบสองเท่าของคนที่อยู่ในเขตบริการน้ำประปาที่ไม่มีสนามกอล์ฟ
https://jamanetwork.com/journals/jamanetworkopen/fullarticle...
ผมไม่ค่อยเข้าใจความกังวลเรื่องน้ำสำหรับระบายความร้อนของดาต้าเซ็นเตอร์ ต่อให้มีการใช้น้ำมากต่อหนึ่งพรอมป์ตก็ตาม ที่นี่บทความบอกว่าไม่มาก แต่สมมติว่าใช่ น้ำที่ “ใช้” ไปกับการระบายความร้อนก็แค่ออกมาร้อนขึ้นนิดหน่อยไม่ใช่หรือ? หรืออาจระเหยไป แล้วก็คงกลับมาเป็นฝนอีก
นี่ไม่ใช่กระบวนการเคมีอุตสาหกรรมที่ทิ้งของเสียเป็นพิษลงในน้ำ และไม่ใช่เกษตรที่เอาน้ำไปใส่พืชแล้วขนย้ายผลผลิตไปอีกภูมิภาค มันก็แค่เป็นอีกเส้นทางหนึ่งของ วัฏจักรน้ำ
ผมเลยไม่แน่ใจจริง ๆ ว่านี่เป็นเรื่องที่คนควรกังวลหรือเปล่า หรือมีการปั่นกระแสอยู่เบื้องหลัง? หรืออาจเป็นความพยายามทำให้นักสิ่งแวดล้อมกับคนที่สงสัย AI ดูโง่?
แน่นอนว่าทางออกง่าย ๆ คือให้ดาต้าเซ็นเตอร์ดึงน้ำที่ไม่ใช่น้ำดื่มมาแล้วบำบัดเอง หรือไม่ก็ให้ผู้ให้บริการสาธารณูปโภคตั้งราคาที่สะท้อนต้นทุนภายนอกของการต้องหาแหล่งน้ำดื่มเพิ่ม ถึงดาต้าเซ็นเตอร์จะต้องบำบัดน้ำเอง ความคุ้มค่าทางเศรษฐกิจก็ยังอยู่ ปัญหารากคือสาธารณูปโภคตั้งราคาน้ำดื่มต่ำเกินไป จนเมื่อปัจจัยอื่นเท่ากัน ดาต้าเซ็นเตอร์จึงชอบใช้น้ำดื่ม
https://www.theguardian.com/global-development/2024/sep/25/m...
https://www.bbc.com/news/articles/cx2ngz7ep1eo
ถึงอย่างนั้น ในแคลิฟอร์เนียการใช้น้ำของภาคเกษตรก็ยังเป็นปัญหาใหญ่กว่ามาก
ถึงอย่างนั้นมันก็คงไม่ได้แย่นัก แต่ก็ชัดเจนว่ามีงานบางอย่างที่ “ใช้สิ้นเปลือง” น้ำประปาหรือน้ำจืดที่ผ่านการแยกเกลือออกแล้วด้วยการระเหยทิ้งเพื่อการระบายความร้อน
เท่าที่ผมเข้าใจมา การใช้น้ำของดาต้าเซ็นเตอร์ LLM มีตั้งแต่แทบไม่มีเลยไปจนถึงมากกว่าเมืองขนาดกลาง สุดท้ายแล้วมันขึ้นอยู่กับเสมอว่าคุณเลือกวิธีคำนวณแบบไหน และในระดับที่ลึกกว่านั้นคือคุณอยากเล่าเรื่องแบบไหน
สถิตินี่ช่างน่ารักจริง ๆ