ယနေ့ခေတ်မှာ Artificial Intelligence (AI) နဲ့ Generative AI နည်းပညာတွေဟာ လူတွေရဲ့ နေ့စဉ်ဘဝ၊ ပညာရေး၊ စီးပွားရေး၊ ကျန်းမာရေး၊ လူမှုဖွံ့ဖြိုးရေးနဲ့ Community လုပ်ငန်းတွေမှာ အရေးပါတဲ့ နည်းပညာတစ်ခု ဖြစ်လာပါတယ်။ Chatbot တွေကို မေးခွန်းမေးတာ၊ AI နဲ့ စာရေးတာ၊ ပုံဖန်တီးတာ၊ ဘာသာပြန်တာ၊ Data တွေကို ခွဲခြမ်းစိတ်ဖြာတာ စတဲ့လုပ်ငန်းတွေကို အချိန်တိုအတွင်း လုပ်ဆောင်နိုင်လာပါတယ်။
ဒါပေမယ့် AI ကို အသုံးပြုတဲ့အခါ ကျွန်တော်တို့မြင်ရတာက ဖုန်း ဒါမှမဟုတ် ကွန်ပျူတာ Screen ပေါ်က ရလဒ်တစ်ခုပဲ ဖြစ်ပါတယ်။ အဲဒီရလဒ်ရဲ့ နောက်ကွယ်မှာတော့ ကြီးမားတဲ့ Data Center တွေ၊ Server ထောင်ပေါင်းများစွာ၊ လျှပ်စစ်စွမ်းအင်၊ ရေ၊ Semiconductor နဲ့ Battery ထုတ်လုပ်ဖို့ လိုအပ်တဲ့ သဘာဝသယံဇာတတွေ ပါဝင်နေပါတယ်။
ဒါကြောင့် AI ကို အသုံးပြုခြင်းဟာ Digital Activity တစ်ခုတည်း မဟုတ်ဘဲ ကမ္ဘာမြေရဲ့ စွမ်းအင်၊ ရေ၊ သတ္တုနဲ့ သဘာဝပတ်ဝန်းကျင်တို့နဲ့လည်း ဆက်စပ်နေပါတယ်။ Community Leader တွေအနေနဲ့ AI ကို ဘယ်လိုအသုံးချရမလဲဆိုတာ သိရှိဖို့လိုသလို၊ AI နည်းပညာတွေက ပတ်ဝန်းကျင်အပေါ် ဘယ်လိုသက်ရောက် မှုရှိနိုင်သလဲ၊ ပိုမိုရေရှည်တည်တံ့တဲ့ နည်းပညာအသုံးပြုမှုကို ဘယ်လိုဖော်ဆောင်နိုင်သလဲဆိုတာကိုလည်း နားလည်ထားဖို့ လိုအပ်ပါတယ်။
၁။ Large AI Systems & Energy Consumption
AI စနစ်ကြီးများနှင့် စွမ်းအင်သုံးစွဲမှု
Generative AI စနစ်တွေ အလုပ်လုပ်ဖို့ Computing Power အများကြီး လိုအပ်ပါတယ်။ AI Chatbot တစ်ခုကို မေးခွန်းတစ်ခု မေးလိုက်တဲ့အခါ ကျွန်တော်တို့ရဲ့ ဖုန်း ဒါမှမဟုတ် Laptop ကပဲ အဖြေကို ဖန်တီးပေးနေတာ မဟုတ်ပါဘူး။ Internet ကနေတစ်ဆင့် Data Center တစ်ခုမှာရှိတဲ့ Powerful Computer တွေဆီ မေးခွန်းပို့ပေးပြီး အဲဒီ Computer တွေက တွက်ချက်မှုတွေ လုပ်ဆောင်ပြီးမှ ရလဒ်ကို ပြန်ပို့ပေးတာ ဖြစ်ပါတယ်။
Data Center ဆိုတာ ဘာလဲ
Data Center ဆိုတာ Computer Server အမြောက်အမြားကို စုစည်းထားတဲ့ အဆောက်အအုံကြီးတစ်ခုလို့ ရိုးရှင်းစွာ နားလည်နိုင်ပါတယ်။ Google Search လုပ်တာ၊ Cloud ထဲမှာ File သိမ်းတာ၊ YouTube Video ကြည့်တာ၊ Social Media အသုံးပြုတာနဲ့ AI Chatbot အသုံးပြုတာတွေမှာ Data Center တွေက အဓိကအခန်းကဏ္ဍကနေ ပါဝင်ပါတယ်။
Data Center တစ်ခုထဲမှာ Server တွေဟာ တစ်နေ့တာအတွင်း အဆက်မပြတ် လည်ပတ်နေကြပါတယ်။ AI စနစ်ကြီးတွေမှာ GPU (Graphics Processing Unit) လို့ခေါ်တဲ့ အလွန်မြန်ဆန်တဲ့ Computing Hardware တွေကို အများအပြား အသုံးပြုကြပါတယ်။ ဒီစက်တွေကို လည်ပတ်ဖို့ လျှပ်စစ်ဓာတ်အား အများကြီး လိုအပ်ပါတယ်။
ဒါ့အပြင် Computer Server တွေ အလုပ်လုပ်တဲ့အခါ အပူထွက်ပါတယ်။ အပူချိန်အရမ်းမြင့်လာရင် စက်တွေ ပျက်စီးနိုင်တဲ့အတွက် Cooling System တွေနဲ့ အအေးပေးရပါတယ်။ ဒါကြောင့် Data Center တွေရဲ့ စွမ်းအင်သုံးစွဲမှုဟာ Computer တွေကို အလုပ်လုပ်စေဖို့တင်မကဘဲ Cooling System၊ Network နဲ့ အခြား Infrastructure တွေကို လည်ပတ်ဖို့အတွက်ပါ ဖြစ်ပါတယ်။
AI ကို သင်ကြားပေးခြင်းက ဘာကြောင့် စွမ်းအင်များစွာ လိုအပ်တာလဲ
Generative AI Model တစ်ခုဟာ မွေးကတည်းက မေးခွန်းတွေ ဖြေနိုင်တာ မဟုတ်ပါဘူး။ စာအုပ်တွေ၊ Website တွေ၊ ပုံတွေ၊ Code တွေနဲ့ အခြား Data အမြောက်အမြားကို အသုံးပြုပြီး Model ကို Training လုပ်ရပါတယ်။
Training ဆိုတာ AI ကို ဥပမာပေါင်းများစွာပေးပြီး Pattern တွေကို လေ့လာစေတာ ဖြစ်ပါတယ်။ Large AI Model တစ်ခုကို Training လုပ်ရာမှာ Computer တွေက အလွန်များပြားတဲ့ တွက်ချက်မှုတွေကို အချိန်ကြာမြင့်စွာ လုပ်ဆောင်ရနိုင်ပါတယ်။ ဒါကြောင့် Training အဆင့်မှာ စွမ်းအင်သုံးစွဲမှု မြင့်မားနိုင်ပါတယ်။
Training ပြီးသွားရင်တောင် စွမ်းအင်သုံးစွဲမှု ရပ်သွားတာ မဟုတ်ပါဘူး။ လူတစ်ယောက်က AI ကို မေးခွန်းတစ်ခုမေးတိုင်း Model က အဖြေတစ်ခု ဖန်တီးဖို့ Computing Resources အသုံးပြုရပါတယ်။ ဒါကို Inference လို့ ခေါ်ပါတယ်။
User တစ်ယောက်အတွက် မေးခွန်းတစ်ခုက သေးငယ်တဲ့လုပ်ဆောင်မှုတစ်ခုလို မြင်ရနိုင်ပေမယ့် ကမ္ဘာတစ်ဝန်းမှာ User သန်းပေါင်းများစွာက နေ့တိုင်း AI ကို အသုံးပြုလာတဲ့အခါ စုစုပေါင်း Computing Demand နဲ့ စွမ်းအင်လိုအပ်ချက်က ကြီးမားလာနိုင်ပါတယ်။
Real-life Scenario – AI Chatbot တစ်ခုအသုံးပြုခြင်း
Community Organization တစ်ခုမှာ လာမယ့်လ Community Awareness Campaign အတွက် AI ကို အသုံးပြုတယ်လို့ စဉ်းစားကြည့်ပါ။
အဖွဲ့ဝင်တစ်ယောက်က AI ကို “Community Awareness Campaign အတွက် Facebook Post ၂၀ ခု ရေးပေးပါ” လို့ မေးပါတယ်။ မကြိုက်လို့ ထပ်မေးပါတယ်။ ပြီးတော့ စာပိုဒ်တိုင်းကို သီးခြားစီ ပြင်ခိုင်းပါတယ်။ နောက်ထပ် Image Generation Tool ကို အသုံးပြုပြီး ပုံပေါင်းများစွာ ထုတ်ပါတယ်။
ဒီလုပ်ဆောင်မှုတွေဟာ အသုံးပြုသူအတွက် လွယ်ကူပေမယ့် Request တစ်ခုချင်းစီရဲ့ နောက်ကွယ်မှာ Data Center က Computer တွေက တွက်ချက်မှုတွေ ထပ်ခါထပ်ခါ လုပ်နေရပါတယ်။
ဒါကြောင့် AI အသုံးမပြုသင့်ဘူးလို့ ဆိုလိုတာ မဟုတ်ပါဘူး။ လိုအပ်တဲ့နေရာမှာ ထိရောက်စွာ အသုံးပြုဖို့ ဖြစ်ပါတယ်။ ဥပမာ မေးခွန်းကို အစကတည်းက ရှင်းလင်းပြီး အသေးစိတ် Prompt တစ်ခုအဖြစ် ရေးနိုင်ရင် ထပ်ခါထပ်ခါ Generate လုပ်ဖို့ လိုအပ်မှု လျော့နည်းနိုင်ပါတယ်။
Data Center နှင့် Carbon Emissions
Data Center တစ်ခုရဲ့ ပတ်ဝန်းကျင်ဆိုင်ရာ သက်ရောက်မှုဟာ လျှပ်စစ်ဓာတ်အားကို ဘယ်ကရသလဲဆိုတာနဲ့လည်း သက်ဆိုင်ပါတယ်။
လျှပ်စစ်ကို Solar၊ Wind၊ Hydropower စတဲ့ Renewable Energy တွေကနေ အများစုရရှိတယ်ဆိုရင် Carbon Emissions ကို လျှော့ချနိုင်ပါတယ်။ ဒါပေမယ့် ကျောက်မီးသွေး၊ ရေနံ၊ သဘာဝဓာတ်ငွေ့ စတဲ့ Fossil Fuels တွေကနေ လျှပ်စစ်အများစု ထုတ်လုပ်နေတဲ့နေရာတွေမှာတော့ Data Center ရဲ့ လျှပ်စစ်သုံးစွဲမှုက Greenhouse Gas Emissions နဲ့ ပိုမိုဆက်စပ်နိုင်ပါတယ်။
ဒါကြောင့် “AI က ပတ်ဝန်းကျင်အတွက် မကောင်းဘူး” လို့ တစ်ဖက်သတ်သတ်မှတ်တာထက် AI ကို ဘယ်လိုတည်ဆောက်ထားသလဲ၊ ဘယ်လိုစွမ်းအင်နဲ့ လည်ပတ်သလဲ၊ ဘယ်လိုအသုံးပြုသလဲ ဆိုတာကို အတူတကွ ကြည့်ဖို့ လိုအပ်ပါတယ်။
၂။ Large AI Systems & Demand for Natural Resources
AI စနစ်ကြီးများနှင့် သဘာဝသယံဇာတ လိုအပ်ချက်
AI နည်းပညာတွေရဲ့ ပတ်ဝန်းကျင်ဆိုင်ရာ သက်ရောက်မှုဟာ လျှပ်စစ်စွမ်းအင်နဲ့တင် မပြီးပါဘူး။ AI အလုပ်လုပ်ဖို့ လိုအပ်တဲ့ Computer၊ GPU၊ Server၊ Battery နဲ့ Data Center Infrastructure တွေကို တည်ဆောက်ဖို့ သဘာဝသယံဇာတ အမျိုးမျိုး လိုအပ်ပါတယ်။
Digital Technology လို့ ပြောတဲ့အခါ မမြင်ရတဲ့ Software ကိုပဲ စဉ်းစားလေ့ရှိပါတယ်။ တကယ်တော့ Digital World ရဲ့ နောက်ကွယ်မှာ Physical Resources အများကြီး ရှိနေပါတယ်။
Rare Earth Elements နှင့် အရေးကြီးသတ္တုများ
Smartphone၊ Computer၊ Server၊ Battery နဲ့ အခြား Electronic Devices တွေ ထုတ်လုပ်ဖို့ Copper၊ Nickel၊ Cobalt၊ Lithium နဲ့ Rare Earth Elements အပါအဝင် သတ္တုနဲ့ Mineral အမျိုးမျိုး လိုအပ်ပါတယ်။
Rare Earth Elements ဆိုတဲ့အမည်ကြောင့် ကမ္ဘာပေါ်မှာ လုံးဝရှားပါးတဲ့သတ္တုတွေလို့ ထင်ရနိုင်ပါတယ်။ အမှန်တကယ်မှာ အချို့ဒြပ်စင်တွေကို သင့်တော်တဲ့ပမာဏနဲ့ စီးပွားဖြစ်ထုတ်ယူနိုင်တဲ့နေရာ ရှာဖွေခြင်းနဲ့ သန့်စင်ခြင်းက ခက်ခဲပြီး ပတ်ဝန်းကျင်ဆိုင်ရာ ကုန်ကျစရိတ်များ ရှိနိုင်ပါတယ်။
ဒီ Mineral တွေကို တူးဖော်ခြင်းနဲ့ ပြုပြင်ထုတ်လုပ်ခြင်းမှာ မြေယာအသုံးပြုမှု၊ ရေသုံးစွဲမှု၊ စွမ်းအင်သုံးစွဲမှု၊ ဓာတုပစ္စည်းအသုံးပြုမှုနဲ့ စွန့်ပစ်ပစ္စည်းပြဿနာတွေ ဖြစ်ပေါ်နိုင်ပါတယ်။
Lithium နှင့် Battery Demand
Lithium ဟာ Rechargeable Battery အများအပြားအတွက် အရေးပါတဲ့ Mineral တစ်မျိုး ဖြစ်ပါတယ်။ Smartphone၊ Laptop၊ Electric Vehicle နဲ့ Energy Storage System တွေမှာ Lithium-ion Battery တွေကို အသုံးများပါတယ်။
AI Data Center တွေမှာလည်း လျှပ်စစ်ပြတ်တောက်မှု ဖြစ်ပေါ်လာတဲ့အခါ System တွေ ဆက်လက်အလုပ်လုပ်နိုင်ဖို့ Backup Power နဲ့ Energy Storage စနစ်တွေ လိုအပ်နိုင်ပါတယ်။ Data Center တွေ၊ Electric Vehicle တွေနဲ့ Renewable Energy Storage တွေ တိုးချဲ့လာတာနဲ့အမျှ Battery Material တွေရဲ့ လိုအပ်ချက်လည်း တိုးလာနိုင်ပါတယ်။
ဒီလို Mineral တွေကို တူးဖော်ခြင်းမှာ ပတ်ဝန်းကျင်အပြင် Local Community တွေအပေါ် သက်ရောက်မှုရှိနိုင်ပါတယ်။ ဥပမာ ရေအရင်းအမြစ်ပေါ် ဖိအားများလာခြင်း၊ မြေယာအသုံးပြုမှုပြောင်းလဲခြင်းနဲ့ ဒေသခံတွေရဲ့ အသက်မွေးဝမ်းကျောင်းအပေါ် သက်ရောက်မှုတွေ ဖြစ်နိုင်ပါတယ်။
ဒါကြောင့် Sustainable Technology ကို ဆွေးနွေးတဲ့အခါ Technology Company တွေရဲ့ အကျိုးအမြတ်နဲ့ User Experience တင်မကဘဲ သဘာဝသယံဇာတ ထွက်ရှိရာဒေသက လူမှုအသိုင်းအဝိုင်းတွေရဲ့ အခြေအနေကိုပါ ထည့်သွင်းစဉ်းစားဖို့ လိုပါတယ်။
AI နှင့် ရေသုံးစွဲမှု
AI နဲ့ Data Center တွေအတွက် မကြာခဏ မေ့လျော့နေတဲ့ Resource တစ်ခုက ရေ ဖြစ်ပါတယ်။
Server တွေ အလုပ်လုပ်တဲ့အခါ အပူထွက်တဲ့အတွက် Data Center တွေမှာ Cooling လုပ်ဖို့ လိုပါတယ်။ Cooling Technology အမျိုးအစားပေါ်မူတည်ပြီး ရေကို အသုံးပြုနိုင်ပါတယ်။ ဒါ့အပြင် Data Center အသုံးပြုတဲ့ လျှပ်စစ်ဓာတ်အား ထုတ်လုပ်မှုအဆင့်မှာလည်း ရေလိုအပ်နိုင်ပါတယ်။
ရေပေါများတဲ့ ဒေသတစ်ခုမှာ ရေသုံးစွဲမှုတိုးလာတာနဲ့ မိုးခေါင်မှု ဖြစ်နေတဲ့ဒေသမှာ ရေသုံးစွဲမှုတိုးလာတာတို့ရဲ့ သက်ရောက်မှုက မတူညီနိုင်ပါဘူး။ ဒါကြောင့် Data Center တည်နေရာ၊ ဒေသရဲ့ ရေအရင်းအမြစ်နဲ့ Local Community တွေရဲ့ လိုအပ်ချက်ကိုပါ စဉ်းစားဖို့ အရေးကြီးပါတယ်။
Hardware ထုတ်လုပ်ခြင်းနှင့် E-waste
AI နည်းပညာတွေ မြန်မြန်ဆန်ဆန် တိုးတက်လာတာနဲ့အမျှ ပိုမိုမြန်ဆန်တဲ့ GPU၊ Server နဲ့ Computer Hardware အသစ်တွေကို လိုအပ်လာပါတယ်။ Hardware အသစ်တွေကို မြန်မြန်အစားထိုးလာတဲ့အခါ Electronic Waste သို့မဟုတ် E-waste ပြဿနာလည်း တိုးလာနိုင်ပါတယ်။
အသုံးမပြုတော့တဲ့ Computer၊ Phone၊ Battery၊ Server စတဲ့ Electronic ပစ္စည်းတွေကို စနစ်တကျ ပြန်လည်အသုံးချခြင်းနဲ့ Recycling မလုပ်နိုင်ရင် မြေ၊ ရေနဲ့ လူသားကျန်းမာရေးကို ထိခိုက်စေနိုင်တဲ့ ပစ္စည်းတွေ ပတ်ဝန်းကျင်ထဲ ရောက်ရှိနိုင်ပါတယ်။
ဒါကြောင့် Technology ရဲ့ Environmental Cost ကို လေ့လာတဲ့အခါ Device တစ်ခုကို အသုံးပြုနေချိန်က လျှပ်စစ်သုံးစွဲမှုတစ်ခုတည်းကို မကြည့်ဘဲ ထုတ်လုပ်ခြင်း → သယ်ယူပို့ဆောင်ခြင်း → အသုံးပြုခြင်း → စွန့်ပစ်ခြင်း ဆိုတဲ့ ဘဝစက်ဝန်းတစ်ခုလုံးကို စဉ်းစားသင့်ပါတယ်။
၃။ How We Can Build More Sustainable Technology
ပိုမိုရေရှည်တည်တံ့တဲ့ နည်းပညာကို ဘယ်လိုဖော်ဆောင်နိုင်မလဲ
AI နဲ့ နည်းပညာတွေကြောင့် Environmental Challenges တွေ ရှိလာနိုင်တယ်ဆိုတာကို သိရှိခြင်းရဲ့ ရည်ရွယ်ချက်က နည်းပညာအသုံးပြုမှုကို ရပ်တန့်ဖို့ မဟုတ်ပါဘူး။
အဓိကမေးခွန်းက “AI ကို ဘယ်လို ပိုမိုတာဝန်ယူမှုရှိပြီး ရေရှည်တည်တံ့စွာ အသုံးပြုနိုင်မလဲ” ဆိုတာ ဖြစ်ပါတယ်။
၃.၁ Renewable Energy အသုံးပြုမှု တိုးမြှင့်ခြင်း
Data Center တွေအတွက် လိုအပ်တဲ့ လျှပ်စစ်ဓာတ်အားကို Solar၊ Wind နဲ့ အခြား Low-carbon Energy Sources တွေကနေ ပိုမိုရရှိလာအောင် လုပ်ဆောင်နိုင်ပါတယ်။
Renewable Energy အသုံးပြုခြင်းက AI ရဲ့ Computing Demand ကို ဖယ်ရှားပေးတာ မဟုတ်ပေမယ့် အဲဒီ Computing အတွက် လိုအပ်တဲ့ လျှပ်စစ်ထုတ်လုပ်မှုကြောင့် ဖြစ်လာနိုင်တဲ့ Carbon Emissions ကို လျှော့ချဖို့ ကူညီနိုင်ပါတယ်။
၃.၂ ပိုမိုထိရောက်တဲ့ AI Models များ တည်ဆောက်ခြင်း
AI Model ဆိုတိုင်း အကြီးဆုံး Model ကို အသုံးပြုဖို့ မလိုအပ်ပါဘူး။
ရိုးရှင်းတဲ့ Task တစ်ခုကို လုပ်ဖို့ Smaller Model တစ်ခုနဲ့ လုံလောက်တယ်ဆိုရင် အလွန်ကြီးမားတဲ့ Model ကို အသုံးပြုခြင်းက Computing Resources မလိုအပ်ဘဲ ပိုသုံးစွဲစေနိုင်ပါတယ်။
ဒါကြောင့် AI Developer တွေအနေနဲ့ Model Efficiency၊ Hardware Efficiency နဲ့ Software Optimization တို့ကို တိုးတက်အောင်လုပ်ဖို့ အရေးကြီးပါတယ်။
အဓိကအယူအဆကတော့ “ပိုကြီးတာက အမြဲတမ်း ပိုကောင်းတာ မဟုတ်ပါဘူး။ လိုအပ်တဲ့အလုပ်အတွက် သင့်တော်တဲ့ AI ကို အသုံးပြုတာက ပိုအရေးကြီးပါတယ်။”
၃.၃ AI ကို ရည်ရွယ်ချက်ရှိရှိ အသုံးပြုခြင်း
AI User တွေလည်း Sustainable AI မှာ အခန်းကဏ္ဍရှိပါတယ်။
ဥပမာ Community Project တစ်ခုအတွက် Post တစ်ခုရေးမယ်ဆိုရင် AI ကို အကြောင်းအရာမရှင်းလင်းဘဲ ထပ်ခါထပ်ခါ မေးတာထက် ကိုယ်လိုချင်တဲ့ Audience၊ ရည်ရွယ်ချက်၊ စာအရှည်နဲ့ အဓိကအချက်တွေကို Prompt တစ်ခုထဲမှာ ရှင်းလင်းစွာ ထည့်ပေးနိုင်ပါတယ်။
ဒီလိုလုပ်ခြင်းက ပိုကောင်းတဲ့ Output ရရှိစေနိုင်သလို မလိုအပ်တဲ့ Generation တွေကိုလည်း လျှော့ချနိုင်ပါတယ်။
AI ကို ရည်ရွယ်ချက်ရှိရှိ အသုံးပြုတယ်ဆိုတာ Request တိုင်းအတွက် Energy ဘယ်လောက်ကုန်မလဲဆိုပြီး စိုးရိမ်နေဖို့ မဟုတ်ပါဘူး။ ကိုယ့်ရဲ့လုပ်ငန်းအတွက် AI က တကယ်အကျိုးရှိသလား၊ ပိုရိုးရှင်းတဲ့နည်းလမ်းနဲ့ လုပ်လို့ရသလားဆိုတာ စဉ်းစားပြီး အသုံးပြုခြင်း ဖြစ်ပါတယ်။
၃.၄ Electronic Devices တွေကို သက်တမ်းရှည်အသုံးပြုခြင်း
Sustainable Technology ဆိုတာ AI Software နဲ့ Data Center တွေအတွက်ပဲ မဟုတ်ပါဘူး။ ကျွန်တော်တို့ နေ့စဉ်အသုံးပြုနေတဲ့ Smartphone၊ Laptop၊ Tablet စတဲ့ Device တွေနဲ့လည်း သက်ဆိုင်ပါတယ်။
Device အသစ်ထွက်တိုင်း လဲလှယ်တာထက် လက်ရှိ Device ကို သင့်တော်တဲ့အချိန်အထိ အသုံးပြုခြင်း၊ ပြုပြင်လို့ရရင် ပြုပြင်အသုံးပြုခြင်းနဲ့ မလိုအပ်တော့တဲ့ Device တွေကို စနစ်တကျ Recycling လုပ်ခြင်းတို့က Natural Resources အသုံးပြုမှုနဲ့ E-waste ကို လျှော့ချရာမှာ ကူညီနိုင်ပါတယ်။
၃.၅ Circular Economy ကို အားပေးခြင်း
Traditional Economy မှာ ပစ္စည်းတစ်ခုကို ယူ → ထုတ်လုပ် → အသုံးပြု → စွန့်ပစ် ဆိုတဲ့ ပုံစံနဲ့ သွားလေ့ရှိပါတယ်။
Circular Economy မှာတော့ ပစ္စည်းတွေကို တတ်နိုင်သမျှ ကြာရှည်အသုံးပြုပြီး Repair၊ Reuse၊ Refurbish နဲ့ Recycle လုပ်ဖို့ အားပေးပါတယ်။
Technology Sector မှာလည်း Computer၊ Battery နဲ့ Electronic Components တွေထဲက အသုံးဝင်တဲ့ Material တွေကို ပြန်လည်ရယူပြီး ထုတ်လုပ်မှုထဲ ပြန်လည်အသုံးချနိုင်ရင် အသစ်ထပ်မံတူးဖော်ရတဲ့ Natural Resources ပမာဏကို လျှော့ချနိုင်ပါတယ်။
၃.၆ AI ကို Environmental Solutions အတွက် အသုံးချခြင်း
AI ကိုယ်တိုင်မှာ Environmental Footprint ရှိနိုင်ပေမယ့် AI ကို ပတ်ဝန်းကျင်ဆိုင်ရာ ပြဿနာတွေ ဖြေရှင်းဖို့လည်း အသုံးပြုနိုင်ပါတယ်။
ဥပမာ AI ကို အသုံးပြုပြီး ရာသီဥတုဆိုင်ရာ Data တွေ ခွဲခြမ်းစိတ်ဖြာခြင်း၊ သီးနှံအခြေအနေ စောင့်ကြည့်ခြင်း၊ ရေသုံးစွဲမှုကို ပိုမိုထိရောက်အောင် စီမံခြင်း၊ Energy Demand ခန့်မှန်းခြင်း၊ တောမီးနဲ့ သဘာဝဘေးအန္တရာယ်တွေကို စောစီးစွာ ရှာဖွေခြင်း၊ အမှိုက်ခွဲခြားခြင်းနဲ့ Biodiversity ကို စောင့်ကြည့်ခြင်းတို့မှာ အသုံးချနိုင်ပါတယ်။
Community Level မှာလည်း ရိုးရှင်းတဲ့ AI Tools တွေကို အသုံးပြုပြီး ရေကြီးနိုင်ခြေရှိတဲ့ နေရာတွေကို Mapping လုပ်ခြင်း၊ Community Waste Data တွေကို ခွဲခြမ်းစိတ်ဖြာခြင်း၊ ပတ်ဝန်းကျင်ထိန်းသိမ်းရေး Awareness Materials တွေ ဖန်တီးခြင်း စတာတွေ လုပ်ဆောင်နိုင်ပါတယ်။
ဒါပေမယ့် AI ကို Environmental Solution တစ်ခုအဖြစ် အသုံးပြုတိုင်း AI အသုံးပြုခြင်းကြောင့် ရရှိတဲ့ Environmental Benefit က AI ကိုယ်တိုင်သုံးစွဲတဲ့ Resources ထက် အကျိုးရှိသလား ဆိုတဲ့မေးခွန်းကို စဉ်းစားသင့်ပါတယ်။
Community Leaders တွေရဲ့ အခန်းကဏ္ဍ
Community Leaders တွေဟာ AI System တွေကို ကိုယ်တိုင်တည်ဆောက်နေတဲ့ Engineer တွေ မဟုတ်နိုင်ပေမယ့် Sustainable Technology ကို ဖော်ဆောင်ရာမှာ အရေးပါတဲ့ အခန်းကဏ္ဍရှိပါတယ်။
Community Leaders တွေအနေနဲ့ ပထမဆုံး လုပ်နိုင်တာက အသိပညာပေးခြင်း ဖြစ်ပါတယ်။ AI ဟာ Screen ထဲမှာပဲရှိတဲ့ နည်းပညာမဟုတ်ဘဲ လျှပ်စစ်၊ ရေ၊ Data Center၊ Hardware နဲ့ Natural Resources တွေနဲ့ ဆက်စပ်နေတယ်ဆိုတာကို Community Member တွေ နားလည်လာအောင် ကူညီနိုင်ပါတယ်။
ဒုတိယအနေနဲ့ တာဝန်ယူမှုရှိတဲ့ Technology Use ကို အားပေးနိုင်ပါတယ်။ လိုအပ်တဲ့အခါ AI ကို အသုံးပြုပေမယ့် မလိုအပ်တဲ့ Generation တွေ၊ Device တွေကို မကြာခဏလဲလှယ်တာတွေ၊ Electronic Waste ကို မစနစ်တကျ စွန့်ပစ်တာတွေကို လျှော့ချဖို့ အသိပညာပေးနိုင်ပါတယ်။
တတိယအနေနဲ့ Local Environmental Problems ဖြေရှင်းဖို့ AI ကို အသုံးချနိုင်ပါတယ်။ ဥပမာ အမှိုက်စီမံခန့်ခွဲမှု၊ ရေအရင်းအမြစ်စောင့်ကြည့်မှု၊ သဘာဝဘေးအန္တရာယ်ဆိုင်ရာ သတိပေးမှုနဲ့ Environmental Education Campaign တွေမှာ AI ကို သင့်တော်စွာ အသုံးချနိုင်ပါတယ်။
နောက်ဆုံးအနေနဲ့ Community Leaders တွေဟာ Technology Provider၊ အဖွဲ့အစည်းနဲ့ Policy Maker တွေဆီက ပိုမိုပွင့်လင်းမြင်သာတဲ့ အချက်အလက်တွေကို တောင်းဆိုနိုင်ပါတယ်။ “ဒီ Technology က ဘယ်လောက်ထိ အကျိုးရှိသလဲ” ဆိုတဲ့ မေးခွန်းတစ်ခုတည်း မဟုတ်ဘဲ “ဘယ်လောက်စွမ်းအင်သုံးသလဲ၊ ဘယ်လို Resources တွေ လိုအပ်သလဲ၊ ဘယ် Community တွေအပေါ် သက်ရောက်မှုရှိသလဲ၊ ပိုမိုရေရှည်တည်တံ့အောင် ဘာတွေလုပ်ထားသလဲ” ဆိုတဲ့ မေးခွန်းတွေကိုလည်း မေးမြန်းသင့်ပါတယ်။
နိဂုံးချုပ်
AI နဲ့ Generative AI နည်းပညာတွေဟာ လူမှုအသိုင်းအဝိုင်းအတွက် အခွင့်အလမ်းများစွာ ပေးစွမ်းနိုင်ပါတယ်။ ဒါပေမယ့် Digital Technology ဖြစ်တယ်ဆိုတာကြောင့် Environmental Impact မရှိဘူးလို့ မယူဆသင့်ပါဘူး။ AI စနစ်ကြီးတွေ လည်ပတ်ဖို့ Data Center တွေ၊ လျှပ်စစ်စွမ်းအင်၊ ရေ၊ Computer Hardware နဲ့ Lithium၊ Cobalt၊ Copper နဲ့ Rare Earth Elements အပါအဝင် သဘာဝသယံဇာတတွေ လိုအပ်ပါတယ်။
အရေးကြီးဆုံးက AI ကို “ကောင်းတဲ့နည်းပညာ” ဒါမှမဟုတ် “မကောင်းတဲ့နည်းပညာ” လို့ တစ်ဖက်သတ်သတ်မှတ်ခြင်း မဟုတ်ပါဘူး။ AI ကို ဘယ်လိုတည်ဆောက်တယ်၊ ဘယ်လိုစွမ်းအင်အသုံးပြုတယ်၊ ဘာရည်ရွယ်ချက်နဲ့ အသုံးချတယ်၊ ရရှိလာတဲ့အကျိုးကျေးဇူးနဲ့ ပတ်ဝန်းကျင်ဆိုင်ရာ ကုန်ကျစရိတ်တို့ကို ဘယ်လိုချိန်ညှိတယ် ဆိုတာက ပိုအရေးကြီးပါတယ်။
Community Leaders တွေအနေနဲ့လည်း AI နည်းပညာတွေကို ရှောင်ရှားဖို့မဟုတ်ဘဲ ပိုမိုသိရှိနားလည်ပြီး ရည်ရွယ်ချက်ရှိရှိ၊ တာဝန်ယူမှုရှိရှိနဲ့ ရေရှည်တည်တံ့စွာ အသုံးပြုနိုင်ဖို့ ဦးဆောင်သင့်ပါတယ်။ AI က ကမ္ဘာမြေရဲ့ အရင်းအမြစ်တွေကို သုံးစွဲတဲ့ နည်းပညာတစ်ခုဖြစ်သလို၊ မှန်ကန်စွာ အသုံးချနိုင်ရင် ပတ်ဝန်းကျင်ဆိုင်ရာ ပြဿနာတွေကို ဖြေရှင်းဖို့ ကူညီပေးနိုင်တဲ့ Tool တစ်ခုလည်း ဖြစ်ပါတယ်။
ဒါကြောင့် အနာဂတ်အတွက် အရေးကြီးတဲ့ မေးခွန်းက “AI ကို အသုံးပြုမလား၊ မသုံးဘူးလား” ဆိုတာမဟုတ်ပါဘူး။ “လူမှုအသိုင်းအဝိုင်းနဲ့ ကမ္ဘာမြေနှစ်ခုစလုံးအတွက် အကျိုးရှိစေမယ့် AI ကို ဘယ်လိုတာဝန်ယူစွာ အသုံးပြုကြမလဲ” ဆိုတာပဲ ဖြစ်ပါတယ်။
References
Baldé, C. P., Kuehr, R., Yamamoto, T., McDonald, R., D’Angelo, E., Althaf, S., Bel, G., Deubzer, O., Fernandez-Cubillo, E., Forti, V., Gray, V., Herat, S., Honda, S., Iattoni, G., Khetriwal, D. S., Luda di Cortemiglia, V., Lobuntsova, Y., Nnorom, I., Pralat, N., & Wagner, M. (2024). The global e-waste monitor 2024. International Telecommunication Union & United Nations Institute for Training and Research.
Global E-waste Monitor 2024
International Energy Agency. (2024). Recycling of critical minerals: Strategies to scale up recycling and urban mining. IEA.
IEA – Recycling of Critical Minerals
International Energy Agency. (2025). Energy and AI. IEA.
IEA – Energy and AI
International Energy Agency. (2025). Global critical minerals outlook 2025. IEA.
IEA – Global Critical Minerals Outlook 2025
International Energy Agency. (2025). Rare earth elements 2025. IEA.
IEA – Rare Earth Elements 2025
International Energy Agency. (2026). Key questions on energy and AI. IEA.
IEA – Key Questions on Energy and AI
United Nations Conference on Trade and Development. (2024). Digital economy report 2024: Shaping an environmentally sustainable and inclusive digital future. United Nations.
UNCTAD – Digital Economy Report 2024
U.S. Department of Energy. (2024, December 20). DOE releases new report evaluating increase in electricity demand from data centers.
U.S. DOE – Data Center Energy Use