Kurz gesagt
Berichten Sie Hardware, GPU-Stunden aller Läufe einschließlich Tuning und Fehlschlägen, Energie in kWh mit dem verwendeten Werkzeug, Standort und CO2-Intensität des Stromnetzes, Emissionen in kg CO₂e sowie den Energieverbrauch der Inferenz bei angegebener Batchgröße. Sagen Sie, was die Systemgrenze einschließt und wie unsicher die Werte sind. Wenn Sie laufend messen, mit einem Werkzeug wie CodeCarbon, wird daraus eine Tabelle statt einer nachträglichen Rekonstruktion.
Schritte
- Erfassen Sie den Energieverbrauch jedes Laufs von Projektbeginn an, nicht nur den des finalen.
- Berichten Sie Hardware, GPU-Stunden, Energie, Standort, CO2-Intensität des Stromnetzes und Emissionen in einer Standardtabelle.
- Geben Sie den Energieverbrauch der Inferenz pro 1.000 Anfragen bei angegebener Batchgröße und Sequenzlänge an.
- Nennen Sie die Systemgrenze, einschließlich der Frage, ob der Overhead des Rechenzentrums mitgezählt ist.
- Berichten Sie Ergebnisse im Verhältnis zum Rechenaufwand, etwa Genauigkeit pro kWh, neben dem besten Wert.
Berichten Sie Rechenaufwand und Energie als Standardergebnisse, nicht als Fußnote. Ohne sie lassen sich Effizienzaussagen nicht prüfen, und Lesende können nicht erkennen, ob ein kleiner Genauigkeitsgewinn das Zehnfache an Energie gekostet hat.
Das Argument wurde früh vorgebracht: Strubell, Ganesh und McCallum bezifferten 2019 die finanziellen und ökologischen Kosten des Trainings mehrerer Sprachmodelle, und Schwartz und Kollegen plädierten in „Green AI“ dafür, Effizienz neben Genauigkeit zu berichten.
Was sollte die Tabelle enthalten?
| Angabe | Beispiel |
|---|---|
| Hardware | GPU-Modell und -Anzahl, CPU, Speicher |
| Laufzeit | GPU-Stunden für finale Läufe und alle Tuning- und fehlgeschlagenen Läufe |
| Energie | kWh, gemessen oder geschätzt, mit Werkzeug und Version |
| Standort | Land oder Netzregion und die verwendete CO2-Intensität |
| Emissionen | kg CO₂e |
| Inferenz | Energie pro 1.000 Anfragen bei angegebener Batchgröße und Sequenzlänge |
| Systemgrenze | Ob Kühlung und Overhead des Rechenzentrums (PUE) einbezogen sind |
Wenn Sie das Modell veröffentlichen, übertragen Sie die Werte in das Feld co2_eq_emissions der Model Card auf
Hugging Face.
Häufige Fehler
- Nur den siegreichen Lauf berichten. Die Suche dahinter macht meist den größten Teil des Energieverbrauchs aus.
- Keine Unsicherheit angeben. Schätzungen aus Leistungsmodellen können von gemessenen Werten abweichen; geben Sie eine Spanne an.
- Negative Ergebnisse weglassen. Eine Effizienzmethode, die nicht funktioniert hat, erspart anderen die Wiederholung.
Die GREENER-Prinzipien von Lannelongue und Kollegen bieten einen breiteren Rahmen für Gruppen und Einrichtungen. Siehe den Leitfaden für Forschende und wie Sie den Energieverbrauch von KI messen.
Quellen
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Verwandte Themen
Wie messe ich den CO₂-Fußabdruck beim Training eines Modells?
Erfassen Sie die Energie eines Trainingslaufs mit CodeCarbon, multiplizieren Sie mit der CO₂-Intensität des Netzes und geben Sie Hardware, Zeit und Ort an.
Wie lege ich ein Rechenbudget für ein Forschungsprojekt fest?
Ein Rechenbudget für KI-Forschung festlegen und verfolgen: GPU-Stunden schätzen, klein erproben, schwache Läufe früh stoppen, Modelle wiederverwenden.
Grüne KI für Forschende
Ein Leitfaden für Forschende zu effizienten KI-Methoden, Energieangaben in Papers, Rechenbudgets, Förderung und dazu, wo Mathematik helfen kann.
So messen Sie den Energieverbrauch und CO2-Fußabdruck von KI
Ein Praxisleitfaden zum Messen oder Schätzen von Energie und CO2 bei KI-Arbeit: Werkzeuge, Systemgrenzen, Kennzahlen pro Aufgabe und ehrliche Unsicherheit.