ผู้เรียบเรียง
ดวงพร อรัญญพงษ์ไพศาล 
บรรณารักษ์ชำนาญการ ฝ่ายบริการ
 สำนักหอสมุด มหาวิทยาลัยเกษตรศาสตร์ 

                  ในปัจจุบันปัญญาประดิษฐ์และข้อมูลดิจิทัลได้ถูกยกระดับให้เป็นทรัพยากรเชิงยุทธศาสตร์ที่มีบทบาทสำคัญต่อการขับเคลื่อนเศรษฐกิจและสังคมในทุกด้าน จากเดิมที่ AI ทำหน้าที่เป็นเพียงเครื่องมือช่วยวิเคราะห์และประมวลผลแต่วันนี้ได้พัฒนาเป็นโครงสร้างหลักในการสร้างนวัตกรรมและเพิ่มศักยภาพการแข่งขันของประเทศทั่วโลก AI ถูกนำไปประยุกต์ใช้ครอบคลุมหลายภาคส่วนไม่ว่าจะเป็นการแพทย์ การศึกษา การคมนาคม ระบบการเงิน การเกษตรสมัยใหม่ ภาคอุตสาหกรรมการผลิตตลอดจนการบริหารงานภาครัฐ จึงพูดได้ว่า AI ได้กลายเป็นแกนกลางของสังคมดิจิทัลยุคใหม่อย่างแท้จริง อย่างไรก็ตามเบื้องหลังความก้าวหน้าดังกล่าวยังซ่อนต้นทุนที่มักถูกมองข้ามเนื่องจากการฝึกฝนโมเดล AI ขนาดใหญ่ต้องอาศัยศูนย์ข้อมูลและหน่วยประมวลผลสมรรถนะสูงซึ่งนำไปสู่การใช้พลังงานมหาศาล การปล่อยก๊าซเรือนกระจกและการสูญเสียทรัพยากรธรรมชาติอย่างต่อเนื่อง ที่ผ่านมาความสำเร็จของ AI มักถูกวัดด้วยตัวชี้วัดเพียงไม่กี่อย่างซึ่งกระตุ้นให้เกิดการแข่งขันเพื่อสร้างโมเดลขนาดใหญ่ขึ้นเรื่อยๆ โดยไม่ได้คำนึงถึงผลกระทบต่อระบบนิเวศ จุดนี้เองที่นำไปสู่การตั้งคำถามสำคัญว่าเราจะพัฒนาเทคโนโลยีให้ก้าวหน้าต่อไปอย่างไร โดยไม่ทำลายฐานทรัพยากรธรรมชาติของโลก ด้วยเหตุนี้จึงเกิดการปรับเปลี่ยนกระบวนทัศน์ครั้งใหญ่สู่แนวคิด "Green AI" ปัญญาประดิษฐ์สีเขียวที่มุ่งเน้นการสร้างนวัตกรรมควบคู่ไปกับความยั่งยืนและการใช้ทรัพยากรอย่างคุ้มค่าสูงสุด

การเปลี่ยนผ่านเชิงระบบของ AI

หากย้อนกลับไปในช่วงแรกกระบวนการพัฒนา AI ดำเนินการภายใต้แนวคิดที่เรียกว่า Red AI ซึ่งมุ่งเน้นการสร้างโมเดลที่ใหญ่และซับซ้อนที่สุด แนวทางนี้แม้จะสร้างความก้าวหน้าทางเทคนิคแต่กลับก่อให้เกิดภาระต่อสิ่งแวดล้อมและความเหลื่อมล้ำทางดิจิทัลในระยะยาว ในทางตรงกันข้าม Green AI จะพิจารณาว่าโมเดลนั้นใช้พลังงานและทรัพยากรไปมากน้อยเพียงใด การเลือกใช้โมเดลที่มีขนาดเหมาะสมกับภารกิจจะช่วยให้ AI เติบโตอย่างยั่งยืนและลดความเหลื่อมล้ำทางดิจิทัลในระยะยาว

Red AIหรือปัญญาประดิษฐ์สีแดง เป็นกรอบการพัฒนาแบบดั้งเดิมที่ให้ความสำคัญสูงสุดกับความแม่นยำและประสิทธิภาพเชิงตัวเลข โดยมุ่งสร้างโมเดลขนาดใหญ่ที่ใช้ทรัพยากรจำนวนมหาศาลเพื่อเอาชนะการทดสอบมาตรฐาน แม้จะได้ผลลัพธ์ที่โดดเด่นแต่กลับสร้างภาระต่อสิ่งแวดล้อมและความยั่งยืนในระยะยาว

Green AI ปัญญาประดิษฐ์สีเขียว เป็นกระบวนทัศน์ใหม่ที่นำเอาประสิทธิภาพเชิงนิเวศมาเป็นตัวชี้วัดความสำเร็จร่วมด้วย โดยจะไม่ถามแค่ว่าโมเดลเก่งเพียงใด แต่จะคำนึงเสมอว่าความเก่งนั้นใช้พลังงานไปมากน้อยเท่าไหร่ แนวคิดนี้สนับสนุนการเลือกขนาดโมเดลที่เล็กที่สุดแต่ให้ประสิทธิภาพที่เพียงพอต่อการใช้งานซึ่งช่วยเปิดโอกาสให้องค์กรขนาดเล็กสามารถเข้าถึงเทคโนโลยีได้และช่วยลดความเหลื่อมล้ำทางดิจิทัลได้อีกทางหนึ่ง  

แนวทางการสร้าง AI ที่เป็นมิตรต่อสิ่งแวดล้อม

                    แม้อุตสาหกรรมดิจิทัลมักถูกมองว่าเป็นภาคเศรษฐกิจที่สะอาดและไม่สร้างมลพิษแต่ในความเป็นจริงการทำงานของระบบ AI ต้องอาศัยโครงสร้างพื้นฐานขนาดใหญ่ที่ใช้ทรัพยากรจำนวนมหาศาล แม้อุตสาหกรรมดิจิทัลจะถูกมองว่าสะอาดและไม่ก่อมลพิษแต่โครงสร้างพื้นฐานเบื้องหลัง AI จะต้องพึ่งพาทรัพยากรจำนวนมหาศาล ศูนย์ข้อมูลทั่วโลกกลายเป็นผู้บริโภคพลังงานรายใหญ่เนื่องจากต้องทำงานตลอดเวลาเพื่อจัดเก็บข้อมูล ประมวลผลและฝึกฝนโมเดล AI เมื่อความต้องการใช้งานขยายตัวขึ้นทำให้ความต้องการพลังงานก็เพิ่มขึ้นตามสัดส่วน นอกจากพลังงานไฟฟ้าแล้วการผลิตฮาร์ดแวร์สำหรับระบบ AI ยังต้องอาศัยแร่ธาตุหายากซึ่งกระบวนการสกัดแร่เหล่านี้อาจก่อให้เกิดผลเสียต่อระบบนิเวศ แหล่งน้ำและความหลากหลายทางชีวภาพในพื้นที่ที่มีการขุดเจาะ ยิ่งไปกว่านั้นระบบประมวลผลประสิทธิภาพสูงยังผลิตความร้อนจำนวนมากจึงจำเป็นต้องมีระบบระบายความร้อนซึ่งใช้น้ำในปริมาณที่สูงอย่างต่อเนื่อง ปัจจัยเหล่านี้สะท้อนให้เห็นชัดเจนว่า AI มีความเชื่อมโยงกับระบบทรัพยากรธรรมชาติในทุกมิติ การทำให้ AI มีความเป็นมิตรต่อสิ่งแวดล้อมไม่ได้หมายถึงการลดทอนศักยภาพทางเทคโนโลยีแต่คือการปรับกระบวนคิดและวิธีการพัฒนาให้เกิดสมดุลระหว่างประสิทธิภาพเชิงเทคนิคกับความรับผิดชอบต่อทรัพยากรธรรมชาติ แนวทางสำคัญประกอบด้วย

การเลือกโมเดลที่เหมาะสม การใช้โมเดลที่มีขนาดสอดคล้องกับลักษณะงานช่วยลดการใช้พลังงานและทรัพยากรโดยไม่จำเป็น ในหลายกรณีโมเดลขนาดเล็กสามารถให้ผลลัพธ์ใกล้เคียงกับโมเดลขนาดใหญ่แต่ใช้ต้นทุนการประมวลผลต่ำกว่าอย่างมาก

การพัฒนาอัลกอริทึมที่มีประสิทธิภาพ การบีบอัดโมเดล การตัดแต่งพารามิเตอร์และการถ่ายทอดองค์ความรู้จากโมเดลใหญ่ไปยังโมเดลเล็กเป็นวิธีที่ช่วยลดการใช้พลังงานโดยยังคงรักษาประสิทธิภาพในการทำงานไว้ได้

การจัดการข้อมูลเชิงคุณภาพ การคัดเลือกข้อมูลที่มีคุณภาพสูงและกำจัดข้อมูลซ้ำซ้อนจะช่วยลดภาระในการจัดเก็บและประมวลผลทำให้ระบบใช้ทรัพยากรอย่างมีประสิทธิภาพมากขึ้น

การพัฒนาศูนย์ข้อมูลสีเขียว การออกแบบศูนย์ข้อมูลให้ใช้พลังงานอย่างคุ้มค่า เช่น ระบบระบายความร้อนด้วยของเหลว การใช้พลังงานหมุนเวียนและการวัดค่าประสิทธิภาพพลังงานอย่างต่อเนื่อง 

ความโปร่งใสด้านพลังงานและคาร์บอน การเปิดเผยข้อมูลการใช้พลังงานและการปล่อยก๊าซเรือนกระจกควบคู่กับตัวชี้วัดด้านความแม่นยำ ช่วยให้ผู้ใช้งานและองค์กรสามารถตัดสินใจเลือกเทคโนโลยีที่มีความรับผิดชอบต่อสิ่งแวดล้อมมากขึ้น

การใช้พลังงานทดแทน การเปลี่ยนจากพลังงานฟอสซิลไปสู่พลังงานสะอาด เช่น พลังงานแสงอาทิตย์ ลมและน้ำ เป็นกลไกสำคัญในการลดผลกระทบต่อสิ่งแวดล้อม

การพัฒนา Carbon-aware AI ระบบที่สามารถรับรู้ปริมาณคาร์บอนจากการประมวลผลของตนเองและเลือกช่วงเวลาหรือพื้นที่ที่มีสัดส่วนพลังงานหมุนเวียนสูงในการทำงาน เพื่อช่วยลดการปล่อยก๊าซเรือนกระจกโดยไม่กระทบต่อประสิทธิภาพการทำงาน

การส่งเสริมธรรมาภิบาล AI การกำหนดหลักเกณฑ์ด้านความโปร่งใส ความรับผิดชอบ ความเป็นธรรมและการคุ้มครองข้อมูลส่วนบุคคล เป็นส่วนสำคัญที่ทำให้การพัฒนา AI สอดคล้องกับประโยชน์สาธารณะและสร้างความเชื่อมั่นต่อผู้ใช้งาน

             การสร้าง AI ที่เป็นมิตรต่อสิ่งแวดล้อมคือการบูรณาการความรู้ทางเทคนิคเข้ากับความรับผิดชอบต่อสังคมและธรรมชาติ เพื่อให้ AI สามารถเป็นพลังขับเคลื่อนการพัฒนาของมนุษยชาติได้โดยไม่สร้างภาระเกินขีดความสามารถของโลกที่จะรองรับในอนาคต

Green AI, Sustainable AI และ AI for Sustainability : การขับเคลื่อนเทคโนโลยีสู่ความยั่งยืน

             การพัฒนา AI ไม่ได้ถูกมองแค่เพียงในฐานะเครื่องมือทางเทคโนโลยีแต่ได้กลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐานที่เชื่อมโยงกับสิ่งแวดล้อม สังคมและเศรษฐกิจโลก แนวคิดที่ได้รับการกล่าวถึงอย่างแพร่หลายคือ Green AI, Sustainable AI และ AI for Sustainability ซึ่งแม้จะมีเป้าหมายร่วมกันคือการสร้างความยั่งยืนแต่มีขอบเขตและจุดเน้นที่แตกต่างกัน 

Green AI : มุ่งเน้นการลดผลกระทบด้านสิ่งแวดล้อมที่เกิดขึ้นโดยตรงจากการพัฒนาและใช้งาน AI เช่น การลดการใช้พลังงาน การบีบอัดโมเดลและการออกแบบระบบให้มีประสิทธิภาพสูงสุดภายใต้ข้อจำกัดของทรัพยากร แนวคิดนี้เน้นการทำให้กระบวนการ AI เป็นมิตรต่อสิ่งแวดล้อมตั้งแต่ต้นทาง

Sustainable AI : มีขอบเขตกว้างกว่า Green AI โดยครอบคลุมทั้งวงจรชีวิตของเทคโนโลยี ตั้งแต่การจัดหาวัตถุดิบ การพัฒนา การใช้งาน ไปจนถึงการจัดการซากอุปกรณ์ รวมถึงมิติด้านสังคม เศรษฐกิจและธรรมาภิบาล AI เพื่อให้การเติบโตของเทคโนโลยีสอดคล้องกับหลักความรับผิดชอบต่อสังคมและสิ่งแวดล้อม

AI for Sustainability : เน้นการใช้ AI เป็นเครื่องมือในการแก้ไขปัญหาความยั่งยืนของโลก เช่น การจัดการทรัพยากรธรรมชาติ การลดการปล่อยก๊าซเรือนกระจก การสนับสนุนเศรษฐกิจหมุนเวียนและการแก้ไขปัญหาสังคมที่ซับซ้อน แนวคิดนี้จึงมุ่งเน้นผลลัพธ์การประยุกต์ใช้ AI เพื่อสร้างประโยชน์ต่อโลกโดยตรง

             แม้ว่า Green AI, Sustainable AI และ AI for Sustainability จะมีจุดเน้นแตกต่างกัน แต่ทั้งสามแนวคิดไม่ได้แยกขาดออกจากกันแต่เป็นองค์ประกอบที่เชื่อมโยงและสนับสนุนซึ่งกันและกันในลักษณะของระบบนิเวศแห่งความยั่งยืน หากเปรียบเทียบในเชิงระบบ Green AI เปรียบเสมือนการสร้างเครื่องยนต์ที่ประหยัดพลังงาน ส่วน Sustainable AI เปรียบเสมือนกฎเกณฑ์และระบบบริหารจัดการ และ AI for Sustainability เปรียบเสมือนการนำเครื่องยนต์ดังกล่าวไปใช้สร้างประโยชน์ให้กับสังคมและโลก ดังนั้นการทำความเข้าใจทั้งสามแนวคิดนี้จะช่วยให้เห็นภาพรวมของการพัฒนา AI ที่ไม่เพียงตอบโจทย์ด้านเทคโนโลยี แต่ยังสอดคล้องกับเป้าหมายการพัฒนาที่ยั่งยืน (SDGs) และการสร้างอนาคตที่สมดุลระหว่างมนุษย์ นวัตกรรม และโลกธรรมชาติ  

อนาคตของ Green AI : จากเทคโนโลยีอัจฉริยะสู่ระบบนิเวศดิจิทัลที่ยั่งยืนของโลก

                  Green AI ในอนาคตจะไม่ใช่เพียงกระแสชั่วคราวแต่จะกลายเป็นรากฐานสำคัญของการขับเคลื่อนเศรษฐกิจ สังคมและสิ่งแวดล้อมในระดับโลก เมื่อความต้องการใช้พลังงานและทรัพยากรเพิ่มสูงขึ้นจนเกินขีดความสามารถของระบบนิเวศที่จะรองรับได้ ตัวชี้วัดความสำเร็จของ AI จึงไม่ได้จำกัดอยู่แค่เพียงความแม่นยำหรือความรวดเร็วแต่ต้องครอบคลุมถึงประสิทธิภาพการใช้พลังงาน ความคุ้มค่าของทรัพยากรและความสามารถในการสร้างความยั่งยืนระยะยาว นักวิจัยและผู้พัฒนาจะมุ่งเน้นการออกแบบอัลกอริทึมที่ใช้พลังงานน้อยลงแต่ยังคงประสิทธิภาพสูง ขณะเดียวกันศูนย์ข้อมูลสีเขียวจะถูกพัฒนาให้เป็นมากกว่าพื้นที่จัดเก็บและประมวลผลแต่เป็นระบบที่สามารถบริหารจัดการพลังงานอย่างชาญฉลาด โดยอาศัยพลังงานหมุนเวียน ระบบระบายความร้อนด้วยของเหลวและการจัดการพลังงานอัตโนมัติเพื่อลดการปล่อยก๊าซเรือนกระจกให้มากที่สุด นอกจากนี้ ระบบ AI จะสามารถประเมินผลกระทบด้านสิ่งแวดล้อมของตนเองและเลือกช่วงเวลา สถานที่หรือแหล่งพลังงานที่เหมาะสมที่สุดในการทำงานเพื่อช่วยลดคาร์บอนโดยไม่กระทบต่อประสิทธิภาพ ขณะเดียวกัน Edge Computing จะเข้ามามีบทบาทสำคัญเนื่องจากช่วยลดการส่งข้อมูลไปยังศูนย์กลาง ลดความหน่วงและลดการใช้พลังงานโดยรวมได้อย่างมีประสิทธิภาพ อนาคตของ Green AI ยังเชื่อมโยงกับธรรมาภิบาลและการกำกับดูแลเทคโนโลยีรวมถึงความโปร่งใส ความเป็นธรรม ความรับผิดชอบและการคุ้มครองข้อมูลส่วนบุคคลและการรายงานผลกระทบด้านพลังงานและสิ่งแวดล้อมอย่างเป็นระบบ ขณะเดียวกันสถาบันอุดมศึกษาจะมีบทบาทเป็นศูนย์กลางการเรียนรู้ด้าน Green AI Literacy เพื่อสร้างความตระหนักรู้ว่าการใช้ AI อย่างมีประสิทธิภาพต้องดำเนินควบคู่ไปกับความรับผิดชอบต่อสิ่งแวดล้อมและสังคม ดังนั้นความสำเร็จของ Green AI ในอนาคตจำเป็นต้องอาศัยความร่วมมือจากทุกภาคส่วนทั้งการลงทุนในโครงสร้างพื้นฐานสีเขียว การพัฒนาศักยภาพบุคลากร การสร้างมาตรฐานธรรมาภิบาล AI และการส่งเสริมการวิจัยด้านเทคโนโลยีอย่างรับผิดชอบเพื่อร่วมกันออกแบบระบบนิเวศดิจิทัลที่สมดุลระหว่างนวัตกรรมกับความยั่งยืน

แหล่งข้อมูลอ้างอิง

AlgorithmWatch. (2024). Sustainable AI: A contradiction in terms? 
         https://algorithmwatch.org/en/sustainable-ai-explained/

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic 
         parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on 
         Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing 
         Machinery. https://doi.org/10.1145/3442188.3445922 

European Commission. (2026). Living guidelines on the responsible use of generative AI in 
         research. Publications Office of the European Union. https://research-and-
         innovation.ec.europa.eu/document/download/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en?
         filename=ec_rtd_ai-guidelines.pdf

EY. (2025). Sustainable AI in action: How your organization can reduce environmental impact. 
         Ernst & Young. https://www.ey.com/en_us/services/sustainability/sustainable-ai-in-action-how-
         your-organization-can-reduce-environmental-impact

IE New York College. (2025). The role of AI in advancing sustainability & social impact. The 
         Blueprint. https://www.ienyc.edu/the-blueprint/role-ai-advancing-sustainability/

INCIT. (2024). Less waste, more efficiency: How AI enables sustainable manufacturing practices. 
         International Centre for Industrial Transformation. https://incit.org/thought-leadership/less-
         waste-more-efficiency-how-ai-enables-sustainable-manufacturing-practices/

Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L. M., Rothchild, D., So, D., Texier, M., & 
         Dean, J. (2021). Carbon emissions and large neural network training. arXiv. 
         https://doi.org/10.48550/arXiv.2104.10350

Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 
          63(12), 54–63. https://doi.org/10.1145/3381831

UNESCO. (2022). Recommendation on the ethics of artificial intelligence. 
          https://www.unesco.org/en/articles/recommendation-ethics-artificial-intelligence

United Nations. (2015). Transforming our world: The 2030 agenda for sustainable development. 
          https://sdgs.un.org/2030agenda

United Nations Environment Programme. (2024). AI has an environmental problem. Here’s what 
          the world can do about that. https://www.unep.org/news-and-stories/story/ai-has-
          environmental-problem-heres-what-world-can-do-about

United Nations Global Compact. (2025). Artificial intelligence and the Sustainable Development 
           Goals: Operationalizing technology for a sustainable
           future. https://unglobalcompact.org/compactjournal/artificial-intelligence-and-sustainable-
           development-goals-operationalizing

Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Fellländer, A., Langhans, 
           S. D., Morgan, M., & Fuso Nerini, F. (2020). The role of artificial intelligence in achieving the 
           Sustainable Development Goals. Nature Communications, 11, Article 233. 
           https://doi.org/10.1038/s41467-019-14108-y

Zewe, A. (2025). Explained: Generative AI’s environmental impact. MIT News. 
           https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117

CAI Engineering. (ม.ป.ป.). การประยุกต์ใช้เทคโนโลยี AI เพื่อเป้าหมายการลดคาร์บอนอย่างยั่งยืน. 
           https://caiengineering.com/เทคโนโลยี-ai-ลดคาร์บอน/

ICHI Media. (2567). การพัฒนา AI ที่เป็นมิตรกับสิ่งแวดล้อม. 
           https://ichi-media.com/cutting/2024/09/02/2692/

Intel Corporation. (2569). ปัญญาประดิษฐ์ (AI) เพื่อความยั่งยืน. Intel ประเทศไทย. 
          https://www.thailand.intel.com/content/www/th/th/learn/ai-for-sustainability.html

ธนชาติ นุ่มนนท์. (2569). ส่องแนวโน้มเทคโนโลยีปี’69 กับก้าวต่อไปของ AI. มติชนออนไลน์. 
          https://www.matichon.co.th/lifestyle/tech/news_5530764

นุชนารถ ไกรสุวรรณสาร. (2569). AI และข้อมูลภูมิอากาศ: เข็มทิศใหม่เพื่อประเทศไทยที่ยืดหยุ่นต่อการ
          เปลี่ยนแปลงสภาพภูมิอากาศ. ศูนย์องค์ความรู้ด้านทรัพยากรธรรมชาติและสิ่งแวดล้อม. 
          https://hub.mnre.go.th/th/knowledge/detail/66419

ประพัณห์ ลีน้อย. (2567). Sustainable AI: พัฒนา AI อย่างไรให้เป็นมิตรกับสิ่งแวดล้อม. Krungsri Research 
          Intelligence. https://www.krungsri.com/th/research/research-intelligence/sustainable-ai-2024

วริยา คำชนะ. (2569). ไมโครซอฟท์ เปิด 7 เทรนด์เทคโนโลยี AI พลิกโลก ปี 2569. กรุงเทพ
          ธุรกิจ. https://www.bangkokbiznews.com/tech/ai/1212036

แหล่งข้อมูลที่เกี่ยวข้อง

Alhasan, K., & Chen, L. (2024). AI in sustainability: Assessing its functions and environmental 
          impact. In 2024 IEEE Smart World Congress (SWC) (pp. 35–39). IEEE. 
           https://doi.org/10.1109/SWC62898.2024.00035

Bush, A., Aksoy, M., Pauly, M., & Ontrup, G. (2025). Choosing a model, shaping a future: 
          Comparing LLM perspectives on sustainability and its relationship with AI. arXiv. 
           https://doi.org/10.48550/arXiv.2505.14435

Gonçalves de Oliveira Foz, F. T., Martins, M. S., de Souza Neves, A. K. C., de Carvalho Mansur, E. 
           C., & Eliel, O. (2026). Automatic classification of subjects and Sustainable Development 
           Goals (SDGs) in documents with generative AI: An experience from the Unicamp Library 
           System. Information Technology & Libraries, 45(1), 1–24. 
           https://doi.org/10.5860/ital.v45i1.17510

Kausar, Z., Latif, S., Shahzad, R. K., & Fatima, M. (2025). Quantifying the climate risk of generative 
           AI: Region-aware carbon accounting with G-TRACE and the AI sustainability pyramid. 
           arXiv. https://doi.org/10.48550/arXiv.2511.04776

Kocak, B., Ponsiglione, A., Romeo, V., Ugga, L., Huisman, M., & Cuocolo, R. (2025). Radiology AI 
           and sustainability paradox: Environmental, economic, and social dimensions. Insights into 
           Imaging, 16(1), 1–18. https://link.springer.com/article/10.1186/s13244-025-01962-2

Sadek, A., & Gowette, S. (2026). Ethically integrating AI in occupational therapy education: 
           Enhancing learning and practice for the future. Open Journal of Occupational Therapy 
           (OJOT), 14(2), 1–9. https://scholarworks.wmich.edu/ojot/vol14/iss2/9/

Sun, Q., & Hsiao, I.-H. (2026). Lessons learned from an AI-assisted educational technology for 
           environmental sustainability and waste management. Educational Technology & 
           Society, 29(1), 388–407. https://www.jstor.org/stable/pdf/48853596.pdf

Tathavadekar, V. P., & Mahankale, N. R. (2025). AI and green IT practices for optimizing IT supply 
           chains, enhancing sustainability, and reducing carbon footprint. Advances in Consumer 
           Research, 2(4), 61–72. DOI : 10.61336/acr/25-04-04 

Thomforde D. W. (2025). Generative artificial intelligence and sustainability - The 
           challenges. Work (Reading, Mass.), 82(3), 712–714.   
           https://doi.org/10.1177/10519815251353456

Wang, Q., Qi, Y., & Li, R. (2026). Artificial intelligence and corporate sustainability: Shaping the 
           future of ESG in the age of industry 5.0. Sustainable Development, 34(1), 1–26. 
           https://doi.org/10.1002/sd.70200