En resumen
En su propia máquina puede medir directamente: use CodeCarbon o una herramienta de potencia que lea los contadores del procesador y de la GPU, o ponga un enchufe inteligente con medidor entre el ordenador y la pared. Registre primero el consumo en reposo, muestree durante todo el trabajo en lugar de tomar instantáneas y repita la ejecución varias veces antes de fiarse de la cifra.
Pasos
- Mida la potencia en reposo de la máquina antes de empezar.
- Ejecute la tarea de IA con CodeCarbon, una herramienta basada en contadores o un enchufe inteligente con medidor registrando todo el tiempo.
- Muestree la potencia de la GPU durante todo el trabajo e intégrela en el tiempo.
- Repita la ejecución varias veces e informe de la media y del intervalo.
- Contraste una vez por máquina un medidor de software con un medidor de enchufe.
El hardware que es suyo puede medirse, y eso es mejor que cualquier estimación. Es la mejor forma de ver lo que consume realmente en su máquina un modelo local, un ajuste fino o una herramienta de programación con IA.
¿Qué herramientas puedo usar?
| Opción | Qué lee | Adecuado para |
|---|---|---|
| Enchufe inteligente con medidor | Toda la máquina en la toma de corriente | Cualquier persona; sirve para contrastar otras herramientas |
| CodeCarbon | Potencia del procesador, la GPU y la memoria, más el carbono de la red | Scripts de Python, entrenamiento e inferencia local |
| Contadores del procesador (RAPL en muchos chips Intel y AMD) | Energía de la CPU y la memoria | Herramientas de Linux como perf, Scaphandre, PowerJoular |
Telemetría de la GPU (nvidia-smi, NVML) |
Potencia de la GPU | Entrenamiento e inferencia de modelos en tarjetas NVIDIA |
¿Por qué muestrear a lo largo del tiempo?
Las lecturas de la GPU son muestreadas, no continuas. Yang y sus colegas hallaron que, en las GPU A100 y H100,
nvidia-smi solo muestrea la potencia durante un 25% del tiempo de ejecución, aproximadamente, lo que puede inducir a
grandes errores en trabajos cortos. Registre lecturas durante todo el trabajo, ejecútelo el tiempo suficiente para
cubrir muchos intervalos de muestreo y súmelas a lo largo del tiempo.
Errores frecuentes
- Olvidar el consumo en reposo. Un ordenador de sobremesa consume energía sin hacer nada; réstelo para ver lo que añade la IA.
- Medir una sola vez. La temperatura, las tareas en segundo plano y el escalado de frecuencia cambian las lecturas. Repita y dé un intervalo.
- Comparar solo la velocidad. Más rápido y menos energía suelen ir juntos, pero no siempre. Informe de ambos.
Para convertir la energía en carbono, consulte encontrar la intensidad de carbono de la red. El método completo está en cómo medir la energía de la IA.
Fuentes
- Part-time power measurements: nvidia-smi's lack of attention, Yang et al. (arXiv 2312.02741) (2023)
- CodeCarbon, CodeCarbon (2026)
- When to use CodeCarbon, CodeCarbon (2025)
Relacionado
¿Cómo ejecuto un modelo de IA en local?
Cómo ejecutar un modelo de IA abierto en su portátil o servidor con herramientas como Ollama o llama.cpp, elegir un modelo cuantizado que quepa y medir su energía.
¿Cómo mido la huella de carbono de entrenar un modelo?
Mida la energía de un entrenamiento con una herramienta como CodeCarbon, multiplíquela por la intensidad de carbono de la red local e indique hardware, tiempo y ubicación.
¿Cómo fijo una referencia para demostrar el ahorro de energía de la IA?
Demuestre un ahorro real de energía de la IA: mida antes de cualquier cambio con la misma configuración y carga, repita, informe por unidad de trabajo y verifique la calidad.
Cómo medir la energía y el carbono de la IA
Guía práctica para medir o estimar la energía y el carbono del trabajo con IA: herramientas, límites del sistema, métricas por tarea e incertidumbre honesta.