High Tech, High Touch: ราคาของปัญญาประดิษฐ์กับหลักคิดเค้ก 5 ชั้น

ฤดูรับปริญญาในอเมริกาผ่านพ้นไปแล้วครับ จากบอสตันถึงพาโลอัลโต เมืองมหาวิทยาลัยกลับเข้าสู่ความเงียบอีกครั้ง ร้านกาแฟที่เคยเต็มไปด้วยครอบครัวและบัณฑิตกลับมามีโต๊ะว่าง สนามหญ้าที่เคยคลาคล่ำด้วยผู้คนเหลือเพียงนักท่องเที่ยว ผู้คนนักเรียน อาจารย์ต่าง แพ็กกระเป๋าเดินทางหลังพิธีรับปริญญาจบลง

คาดว่าท่านผู้อ่านก็คงได้ติดตามสุนทรพจน์ในพิธีรับปริญญาตามโซเชียลมีเดียกันอยู่บ้าง ในแต่ละปี สิ่งที่ถูกพูดถึงบนเวทีมักสะท้อนว่าโลกกำลังให้ความสำคัญกับอะไร ย้อนกลับไปเมื่อยี่สิบปีก่อน โลกพูดถึงโลกาภิวัตน์ ต่อมาพูดถึงผู้ประกอบการ อินเทอร์เน็ต และการเปลี่ยนแปลงสภาพภูมิอากาศ ส่วนปีนี้ ไม่ว่าจะเป็น MIT, Stanford หรือมหาวิทยาลัยอีกหลายแห่ง หัวข้อที่หลีกเลี่ยงไม่ได้คือ AI

Lisa Su พูดถึงความรับผิดชอบของมนุษย์ในวันที่เทคโนโลยีก้าวไกล Sundar Pichai พูดถึงการเลือกมองโลกด้วยความหวังในยุคแห่งการเปลี่ยนแปลง ขณะที่ Steve Wozniak ถึงกับชวนให้มอง AI ว่าเป็น 'Actual Intelligence' มากกว่า 'Artificial Intelligence' สิ่งที่น่าสนใจคือ แม้ผู้พูดจะต่างมุมมอง แต่ทุกเวทีกลับกำลังพูดถึงเรื่องเดียวกัน

แต่สิ่งที่เปลี่ยนไปในปีนี้คือบรรยากาศของผู้ฟัง เมื่อไม่กี่ปีก่อน AI เคยเป็นคำที่สร้างความตื่นเต้น เป็นเทคโนโลยีแห่งอนาคตที่ทุกคนอยากเข้าไปมีส่วนร่วม แต่ในปีนี้ ความตื่นเต้นกลับมาพร้อมกับความกังวล คนรุ่นใหม่จำนวนไม่น้อยเริ่มถามตัวเองว่า ในโลกที่ AI ทำงานได้เก่งขึ้นทุกวัน พื้นที่ของมนุษย์จะเหลืออยู่ตรงไหน จึงทำให้เราเห็นนักศึกษาจบใหม่เดินออก โห่ร้องเมื่อผู้กล่าวสุนทรพจน์พูดถึง AI กันเป็นเรื่องราวใหญ่โต

ด้วยความสนใจนี้ ผมจึงได้พูดคุยกับกลุ่มนักเคลื่อนไหวด้านสิ่งแวดล้อมในบอสตัน พวกเขาชวนคิดว่า ตลอดหลายปีที่ผ่านมา เราใช้เวลาส่วนใหญ่พูดถึงว่า AI ทำอะไรได้บ้าง แต่กลับแทบไม่เคยถามว่า AI ต้องอาศัยอะไรบ้างจึงจะทำสิ่งเหล่านั้นได้ 'ราคาของปัญญาประดิษฐ์' คืออะไร?

"20 Dollars per month" ผมตอบไปแบบกวนประสาทว่าราคาของปัญญาประดิษฐ์ คือราคา Subscription ของ ChatGPT แต่ก็พอรู้อยู่บ้างว่านักเคลื่อนไหวกลุ่มนี้กำลังพูดถึงต้นทุนทางสิ่งแวดล้อมที่โลกและคนบางกลุ่มต้องเสียไปเพื่อให้เรามีโครงสร้างระบบนิเวศที่ทำให้เราสามารถมีปัญญาประดิษฐ์เหล่านี้ ไว้เพื่อใช้ตามความสะดวกของพวกเรา

ไม่นานหลังจากนั้น ผมนึกถึงคำอธิบายของ Jensen Huang ผู้ก่อตั้ง NVIDIA ที่เปรียบระบบนิเวศของ AI เป็น 'เค้กห้าชั้น' ไล่ตั้งแต่แร่ธาตุ โรงงานผลิตชิป ศูนย์ข้อมูล โมเดล AI ไปจนถึงแอปพลิเคชันที่เราใช้งานอยู่ทุกวัน ผมจึงอยากยืมกรอบความคิดนี้มาใช้ แต่ไม่ใช่เพื่ออธิบายว่า AI ถูกสร้างขึ้นอย่างไร หากเพื่อสำรวจว่า ในแต่ละชั้นของเค้ก โลกต้องลงทุนทรัพยากรและแบกรับต้นทุนด้านสิ่งแวดล้อมมากเพียงใด กว่าที่ AI จะตอบคำถามเราได้เพียงหนึ่งประโยค

'เค้กห้าชั้น' ประกอบด้วย

1. แร่ธาตุหายาก (Critical Minerals) ซึ่งเป็นจุดเริ่มต้นของทุกสิ่ง
2. โรงงานผลิตชิป (Chip Fabrication) ที่เปลี่ยนวัตถุดิบให้กลายเป็นสมองของ AI
3. ศูนย์ข้อมูล (Data Centers) ที่ทำหน้าที่เป็นโรงงานประมวลผลของโลกดิจิทัล
4. โมเดล AI (AI Models) ที่เรียนรู้และสร้างความสามารถในการคิด วิเคราะห์ และตอบคำถาม และสุดท้าย
5. แอปพลิเคชัน (Applications) อย่าง ChatGPT, Gemini หรือ Copilot ซึ่งเป็นเพียงชั้นบนสุดที่ผู้ใช้อย่างเราได้สัมผัส ขณะที่ต้นทุนของอีกสี่ชั้นกลับซ่อนอยู่เบื้องหลังอย่างเงียบงัน

บทความนี้จึงอยากชวนผู้อ่านค่อยๆ เดินลงไปทีละชั้น เพื่อทำความเข้าใจว่า กว่าที่เราจะได้รับคำตอบจาก AI เพียงหนึ่งประโยค โลกต้องลงทุนอะไรไปบ้าง และต้นทุนเหล่านั้นกำลังตกอยู่กับใคร

1) แร่ธาตุหายาก (Critical Minerals) -  ก่อนที่ AI จะเขียนบทความ แปลภาษา หรือช่วยเราคิดคำตอบ มันต้องอาศัยแร่ธาตุสำคัญหลายชนิดที่ถูกขุดขึ้นมาจากใต้พื้นโลก ทองแดงทำหน้าที่ลำเลียงกระแสไฟฟ้าไปยังศูนย์ข้อมูล ซิลิคอนกลายเป็นหัวใจของเซมิคอนดักเตอร์ ลิเทียม นิกเกิล และโคบอลต์ถูกใช้ในระบบกักเก็บพลังงาน ส่วนแร่หายากอย่างนีโอไดเมียม ดิสโพรเซียม และพราซีโอไดเมียม ถูกนำไปผลิตแม่เหล็กประสิทธิภาพสูงที่อยู่ในมอเตอร์ ระบบหล่อเย็น และอุปกรณ์อิเล็กทรอนิกส์ความเที่ยงตรงสูง วัตถุดิบเหล่านี้อาจมาจากทะเลทรายอาตากามาในชิลี เหมืองนิกเกิลในอินโดนีเซีย หรือเหมืองแร่หายากทางตอนใต้ของจีนและบริเวณชายแดนเมียนมา ก่อนจะเดินทางข้ามทวีปไปยังโรงงานผลิตชิปในไต้หวัน เกาหลีใต้ หรือสหรัฐอเมริกา

แต่เบื้องหลังแร่ทุกตันคือรอยแผลบนผืนดิน การทำเหมืองต้องเปิดหน้าดิน เคลื่อนย้ายหินจำนวนมหาศาล และใช้ทั้งน้ำกับสารเคมีในการแยกแร่ กว่าจะได้แร่หายาก (Rare Earth Elements) เพียง 1 ตัน อาจต้องทิ้งกากแร่และของเสียมากกว่า 2,000 ตัน หากจัดการไม่ดี ของเสียเหล่านี้สามารถปนเปื้อนสู่ดินและแหล่งน้ำไปอีกหลายสิบปี

ต้นทุนอีกด้านที่มักถูกมองข้ามคือ 'น้ำ' การผลิตลิเทียมซึ่งเป็นหัวใจของระบบกักเก็บพลังงาน ใช้น้ำในปริมาณมหาศาล โดยองค์การสหประชาชาติประเมินว่า การผลิตลิเทียมทั่วโลกในปีเดียวใช้น้ำรวมกว่า 456,000 ล้านลิตร หรือเทียบเท่าสระว่ายน้ำโอลิมปิกกว่า 180,000 สระ เลยทีเดียว

2) โรงงานผลิตชิป (Chip Fabrication) - เมื่อแร่ธาตุถูกขุดขึ้นมาจากใต้ดิน จุดหมายต่อไปคือโรงงานผลิตชิป หากข้อมูลเปรียบเสมือนหนังสือ และโมเดล AI เปรียบเสมือนสมอง ชิปก็คือระบบประสาทที่ทำให้ทุกอย่างทำงานได้ มันคือหน่วยประมวลผลที่รับข้อมูล คำนวณ และส่งผลลัพธ์ออกมา ทุกครั้งที่เราพิมพ์คำถามลงใน ChatGPT หรือสั่งให้ AI สร้างรูปภาพ ภายในเสี้ยววินาที ชิปนับหมื่นตัวในศูนย์ข้อมูลจะช่วยกันคำนวณความเป็นไปได้หลายล้านล้านครั้ง ก่อนจะเรียบเรียงออกมาเป็นคำตอบเพียงไม่กี่บรรทัด ยิ่งโมเดล AI มีขนาดใหญ่และซับซ้อนขึ้นเท่าใด ความต้องการชิปก็ยิ่งเพิ่มขึ้นตามไปด้วย จากเดิมที่ชิปถูกออกแบบมาเพื่อรันโปรแกรมหรือเล่นเกม ปัจจุบันชิปประมวลผลกราฟิก (GPU) กลายเป็นหัวใจของ AI เพราะสามารถประมวลผลจำนวนมหาศาลพร้อมกันได้ จนหลายคนเรียก GPU ว่า 'เครื่องยนต์' ของยุคปัญญาประดิษฐ์ หากไม่มีชิป AI ก็เป็นเพียงอัลกอริทึมที่อยู่บนกระดาษ และไม่มีวันตอบคำถามของเราได้

ชิปสมัยใหม่ถูกสร้างบนแผ่นซิลิคอนที่มีลวดลายระดับนาโนเมตร เล็กกว่าเส้นผมมนุษย์หลายพันเท่า ฝุ่นเพียงอนุภาคเดียว หรือไอออนที่ปะปนอยู่ในน้ำเพียงเล็กน้อย ก็อาจทำให้ชิปทั้งแผ่นต้องถูกทิ้ง ดังนั้น โรงงานผลิตชิปจึงไม่ได้ใช้น้ำดื่ม แต่ใช้น้ำบริสุทธิ์ระดับสูง (Ultrapure Water) ที่ผ่านการกรองจนสะอาดกว่าน้ำดื่มหลายพันเท่า กระบวนการผลิตน้ำชนิดนี้เองก็ต้องใช้น้ำดิบเพิ่มอีกราว 40–60% กล่าวคือ การผลิตน้ำบริสุทธิ์ 1,000 ลิตร ต้องใช้น้ำตั้งต้นประมาณ 1,400–1,600 ลิตร 

ผลลัพธ์คือ โรงงานผลิตชิปขนาดใหญ่แห่งหนึ่งอาจใช้น้ำบริสุทธิ์ได้ถึง 10 ล้านแกลลอนต่อวัน หรือเกือบ 38 ล้านลิตรต่อวัน เทียบเท่าปริมาณการใช้น้ำของครัวเรือนอเมริกันกว่า 33,000 หลังคาเรือน เมื่อไต้หวันเผชิญภัยแล้งครั้งใหญ่ในปี 2021 รัฐบาลต้องส่งรถบรรทุกน้ำเข้าไปหล่อเลี้ยงโรงงานผลิตชิป เพื่อไม่ให้สายการผลิตหยุดชะงัก เพราะหากโรงงานหยุด ไม่ใช่เพียงสมาร์ตโฟนหรือรถยนต์ที่จะได้รับผลกระทบ แต่รวมถึงห่วงโซ่อุปทานของ AI ทั้งระบบ

3) ศูนย์ข้อมูล (Data Centers) - เมื่อชิปถูกผลิตเสร็จ จุดหมายต่อไปคือศูนย์ข้อมูล หรือ Data Center อาคารที่เต็มไปด้วยชิปประมวลผลหลายหมื่นตัว ทำงานตลอด 24 ชั่วโมงเพื่อรองรับ AI ทุกครั้งที่เราพิมพ์คำถามลงบนหน้าจอ ปัจจุบันศูนย์ข้อมูลทั่วโลกใช้ไฟฟ้าราว 415 เทราวัตต์ชั่วโมงต่อปี ใกล้เคียงกับการใช้ไฟฟ้าทั้งประเทศเยอรมนี และคาดว่าภายในปี 2030 ความต้องการไฟฟ้าอาจเพิ่มขึ้นเป็นประมาณ 945 เทราวัตต์ชั่วโมง หรือมากกว่าการใช้ไฟฟ้าของหลายประเทศพัฒนาแล้วรวมกัน

สำหรับชุมชนที่อยู่ข้างศูนย์ข้อมูล สิ่งที่พวกเขาสัมผัสเป็นมลพิษเสียงและทางอากาศ ศูนย์ข้อมูลต้องระบายความร้อนให้เซิร์ฟเวอร์นับหมื่นเครื่องด้วยพัดลมอุตสาหกรรม เครื่องทำความเย็น และระบบปรับอากาศขนาดใหญ่ที่ทำงานตลอดทั้งวันทั้งคืน เสียงฮัมความถี่ต่ำจึงไม่เคยหายไป แม้จะไม่ดังเหมือนสนามบิน แต่เป็นเสียงต่อเนื่องที่รบกวนการนอนหลับและคุณภาพชีวิต นอกจากนี้ ทุกแห่งยังต้องติดตั้งเครื่องกำเนิดไฟฟ้าดีเซลสำรองเพื่อรับมือกรณีไฟฟ้าดับ ซึ่งมีการทดสอบเป็นประจำและปล่อยก๊าซไนโตรเจนออกไซด์ (NOₓ) ฝุ่นละอองขนาดเล็ก PM 2.5 และก๊าซเรือนกระจกออกสู่บรรยากาศ ขณะที่บางแห่งยังต้องใช้น้ำวันละหลายล้านลิตรเพื่อหล่อเย็นระบบทั้งหมด

ตัวอย่างที่สะท้อนความขัดแย้งนี้ ที่ผมเคยเห็น อยู่ที่เมืองโลเวลล์ รัฐแมสซาชูเซตส์ ห่างจากบอสตันไม่ถึงหนึ่งชั่วโมง ชาวเมืองคัดค้านการขยายศูนย์ข้อมูลที่ตั้งอยู่ใกล้ชุมชน เพราะกังวลเรื่องเสียง มลพิษทางอากาศ การใช้พลังงาน การใช้น้ำ และผลกระทบต่อคุณภาพชีวิต เมื่อประโยชน์ของ AI กระจายไปทั่วโลก เหตุใดต้นทุนด้านสิ่งแวดล้อมจึงตกอยู่กับชุมชนเพียงไม่กี่แห่ง นี่อาจเป็นคำถามสำคัญที่สุดของยุค AI เพราะข้อมูลสามารถเดินทางข้ามโลกได้ในเสี้ยววินาที แต่เสียง มลพิษ และภาระด้านสิ่งแวดล้อมยังคงอยู่กับผู้คนที่อาศัยอยู่ข้างศูนย์ข้อมูลเสมอ

4) การเทรนโมเดล AI (AI Models)

โมเดล AI คือคลังความรู้ที่เกิดจากการนำข้อมูลมหาศาล ไม่ว่าจะเป็นหนังสือ เว็บไซต์ งานวิจัย รูปภาพ และบทสนทนา มาฝึกให้คอมพิวเตอร์เรียนรู้รูปแบบของภาษาและความสัมพันธ์ของข้อมูล จนสามารถตอบคำถาม แปลภาษา เขียนโปรแกรม หรือสร้างรูปภาพได้ในเวลาไม่กี่วินาที

คำว่า 'ฝึก' ฟังดูเหมือนกระบวนการที่เกิดขึ้นเพียงครั้งเดียว แต่ความจริงแล้ว การแข่งขันของอุตสาหกรรม AI คือการฝึกโมเดลใหม่ครั้งแล้วครั้งเล่า ทุกครั้งที่บริษัทประกาศว่าโมเดลรุ่นใหม่ “ฉลาดกว่า” “เร็วกว่า” หรือ “แม่นยำกว่า” เบื้องหลังคือการใช้ชิปประมวลผลหลายหมื่นตัวทำงานต่อเนื่องเป็นเวลาหลายเดือน ใช้ไฟฟ้า ศูนย์ข้อมูล และทรัพยากรจำนวนมหาศาล เพื่อให้โมเดลเรียนรู้จากข้อมูลเพิ่มขึ้นอีกเพียงเล็กน้อย

เหตุผลที่บริษัทต่างๆ ยอมลงทุนมหาศาลเช่นนี้ มาจากสิ่งที่วงการ AI เรียกว่า Scaling Laws หรือหลักการที่ค้นพบว่า เมื่อเพิ่มข้อมูล (Data) เพิ่มกำลังประมวลผล (Compute) และเพิ่มขนาดของโมเดล (Parameters) ความสามารถของ AI ก็จะเพิ่มขึ้นอย่างต่อเนื่อง นี่คือเหตุผลที่การแข่งขันด้าน AI กลายเป็นการแข่งขันด้านโครงสร้างพื้นฐานไปพร้อมกัน เพราะผู้ที่มีชิปมากกว่า ศูนย์ข้อมูลใหญ่กว่า และกำลังประมวลผลสูงกว่า ย่อมมีโอกาสสร้างโมเดลรุ่นถัดไปได้ก่อน การเรียนรู้ในระดับนี้ไม่สามารถทำได้ด้วยคอมพิวเตอร์เพียงเครื่องเดียว แต่ต้องอาศัย GPU Cluster หรือการเชื่อมชิปประมวลผลหลายหมื่นถึงหลายแสนตัวให้ทำงานเสมือนเป็นซูเปอร์คอมพิวเตอร์เครื่องเดียว ชิปแต่ละตัวรับผิดชอบการคำนวณเพียงส่วนเล็กๆ ของโจทย์ ก่อนส่งผลลัพธ์ให้ชิปตัวอื่นคำนวณต่อ การประสานงานทั้งหมดเกิดขึ้นหลายล้านล้านครั้งต่อวินาที จึงไม่น่าแปลกที่บริษัท AI รายใหญ่ในปัจจุบันต่างแข่งขันกันสร้างคลัสเตอร์ขนาดมหึมา เพราะขนาดของคลัสเตอร์เป็นตัวกำหนดว่า โมเดลจะเรียนรู้ได้เร็วเพียงใด และมีศักยภาพมากเพียงใด

งานวิจัยในยุคแรกประเมินว่า การฝึกโมเดลขนาดใหญ่อาจปล่อยคาร์บอนหลายร้อยตัน เทียบได้กับการปล่อยคาร์บอนจากผู้โดยสารหลายร้อยเที่ยวบินระยะไกล แต่โมเดลระดับแนวหน้าของวันนี้มีขนาดใหญ่ขึ้นหลายเท่า และบริษัทส่วนใหญ่ไม่ได้เปิดเผยตัวเลขการใช้พลังงานหรือคาร์บอนฟุตพรินต์อย่างละเอียด ทำให้เชื่อกันว่าต้นทุนที่แท้จริงย่อมสูงกว่านั้นอย่างมีนัยสำคัญ

5) แอปพลิเคชัน (Applications) เมื่อเดินผ่านทั้งห้าชั้นของเค้กแล้ว เราก็กลับมาที่จุดเดิม คือหน้าจอคอมพิวเตอร์หรือโทรศัพท์มือถือของเรา ทุกครั้งที่เราพิมพ์คำถามลงใน ChatGPT, Gemini, Claude หรือ Copilot เราเห็นเพียงกล่องข้อความเล็กๆ และคำตอบที่ปรากฏขึ้นภายในไม่กี่วินาที ความซับซ้อนทั้งหมดที่อยู่เบื้องหลัง ตั้งแต่เหมืองแร่ โรงงานผลิตชิป ศูนย์ข้อมูล และการฝึกโมเดล ถูกซ่อนอยู่หลังประสบการณ์การใช้งานที่เรียบง่ายอย่างน่าทึ่ง

ลองนึกถึงวินาทีที่เรากด Enter จากมุมมองของเรา เราเพียงส่งข้อความหนึ่งประโยคออกไป แต่ในอีกซีกหนึ่งของโลก สัญญาณกำลังวิ่งผ่านสายเคเบิลใยแก้วนำแสงข้ามเมือง ข้ามประเทศ หรือข้ามมหาสมุทร ไปยังศูนย์ข้อมูลแห่งหนึ่งที่เราไม่มีวันเห็น ที่นั่น GPU หลายหมื่นตัวกำลังทำงานพร้อมกัน ชิปที่ผลิตจากซิลิคอนซึ่งเริ่มต้นจากแร่ใต้พื้นดินกำลังคำนวณความเป็นไปได้นับล้านล้านครั้ง ระบบหล่อเย็นกำลังหมุนเวียนน้ำเพื่อดึงความร้อนออกจากเครื่องจักร พัดลมอุตสาหกรรมกำลังทำงานไม่หยุด สายส่งไฟฟ้ากำลังจ่ายพลังงานให้ทั้งอาคาร ทั้งหมดนี้เกิดขึ้นแทบจะพร้อมกัน เพื่อสร้างคำตอบเพียงไม่กี่ย่อหน้าบนหน้าจอของเรา

สำหรับผู้ใช้ส่วนใหญ่ ต้นทุนที่เรารับรู้มีเพียงค่าสมาชิกรายเดือนประมาณ 600 บาท หรืออาจไม่เสียค่าใช้จ่ายเลยหากใช้เวอร์ชันฟรี แต่ใบเสร็จที่เราจ่ายไม่ใช่ต้นทุนทั้งหมด ยังมีใบเสร็จอีกใบหนึ่งที่โลกเป็นผู้จ่ายแทนเรา ผ่านผืนป่าที่ถูกเปิดเพื่อทำเหมือง น้ำที่ถูกใช้ในโรงงานผลิตชิป ไฟฟ้าที่หล่อเลี้ยงศูนย์ข้อมูล และชุมชนที่ต้องอยู่ร่วมกับโครงสร้างพื้นฐานของ AI ทุกวัน

เป้าหมายของบทความนี้ไม่ใช่การชวนให้ต่อต้าน AI ตรงกันข้าม ผมเชื่อว่า AI คือหนึ่งในเครื่องมือที่ทรงพลังที่สุดที่มนุษยชาติเคยสร้างขึ้น มันอาจช่วยค้นพบยาใหม่ ออกแบบวัสดุที่ใช้พลังงานน้อยลง เพิ่มประสิทธิภาพของระบบไฟฟ้า ยกระดับการศึกษา ลดความเหลื่อมล้ำ และช่วยรับมือกับวิกฤตสภาพภูมิอากาศได้ในแบบที่มนุษย์ไม่เคยทำได้มาก่อน แต่หากเรากำลังลงทุนทรัพยากรของโลกจำนวนมหาศาลเพื่อสร้างปัญญาประดิษฐ์ เราก็ควรใช้ปัญญาประดิษฐ์เพื่อแก้ปัญหาที่คู่ควรกับต้นทุนนั้น ใช้มันอย่างรู้คุณค่า ไม่ใช่เพราะทรัพยากรของโลกมีไม่พอสำหรับ AI หากเพราะทรัพยากรของโลกมีไม่พอสำหรับการใช้ AI อย่างสิ้นเปลืองและไร้เป้าหมาย

คำถามจึงไม่ใช่ว่าเราควรใช้ AI หรือไม่ เพราะ AI จะกลายเป็นส่วนหนึ่งของชีวิตประจำวันของเราอย่างหลีกเลี่ยงไม่ได้

คำถามที่สำคัญกว่าคือ ทุกครั้งที่เรากด Enter เรากำลังเรียกใช้มากกว่าโปรแกรมหนึ่งโปรแกรม เรากำลังเรียกใช้ห่วงโซ่อุปทานระดับโลกที่เริ่มต้นจากใต้พื้นดิน ผ่านโรงงานผลิตชิป ศูนย์ข้อมูล และโครงสร้างพื้นฐานที่กินพลังงานมหาศาล

และหากทุกคำสั่งที่เราพิมพ์ ต้องอาศัยทั้งโลกช่วยกันตอบ เราก็ควรใช้ทุกคำสั่งนั้นให้คุ้มค่ากับโลกที่อยู่เบื้องหลังมัน