संक्षेप में
AI की ऊर्जा मापने के लिए जिस हार्डवेयर पर आपका नियंत्रण है उसे मीटर करें और जिन सेवाओं पर नहीं है उनका अनुमान लगाएँ, फिर स्थानीय और समय से मिलाए गए ग्रिड डेटा से दोनों को कार्बन में बदलें। हर आँकड़े के साथ सीमा, तरीका और अनिश्चितता दर्ज करें, और इसे सिर्फ़ कुल योग के रूप में नहीं, बल्कि उपयोगी काम की प्रति इकाई के हिसाब से बताएँ।
मुख्य बातें
- जहाँ हो सके मीटर करें (हार्डवेयर काउंटर, GPU टेलीमेट्री, प्लग, शेड्यूलर लॉग) और जहाँ न हो सके वहाँ अनुमान लगाएँ (होस्टेड API, पब्लिक क्लाउड)।
- हर आँकड़े की सिस्टम सीमा बताई जानी चाहिए: क्या शामिल है, क्या नहीं, और क्यों।
- ऊर्जा को उपयोगी काम की प्रति इकाई के हिसाब से बताएँ, जैसे प्रति अनुरोध या प्रति दस्तावेज़, ताकि उपयोग बढ़ने पर भी कुशलता दिखाई दे।
- जिस क्षेत्र और घंटे में काम चला, उसकी स्थान-आधारित ग्रिड कार्बन तीव्रता इस्तेमाल करें; सर्टिफ़िकेट इसे नहीं बदलते।
- माप दोहराएँ और एक दायरा (range) बताएँ। पहले और बाद का अकेला जोड़ा सिर्फ़ शोर (noise) हो सकता है।
मापें ही क्यों?
जो आपने मापा नहीं, उसे आप न घटा सकते हैं, न तुलना कर सकते हैं, न ईमानदारी से उसका दावा कर सकते हैं। माप "AI बहुत ऊर्जा खाता है" को ऐसे आँकड़ों में बदल देता है जिन पर आप कार्रवाई कर सकें: कौन-सा फ़ीचर, मॉडल या काम सबसे महँगा है, और किसी बदलाव से फ़ायदा हुआ या नहीं।
2026 में गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के UK ग्रीन AI सैंडपिट (गहन चर्चा कार्यशाला) में माप बार-बार सबसे बड़ी रुकावट के रूप में सामने आया। कई प्रकाशित आँकड़े अनुमान हैं, तरीके अक्सर दर्ज नहीं किए जाते, और एक ही काम से बहुत अलग आँकड़े निकल सकते हैं, इस पर निर्भर करते हुए कि क्या गिना गया। यह गाइड एक ऐसा तरीका बताती है जो कसौटी पर खरा उतरे।
मुझे मीटर करना चाहिए या अनुमान लगाना चाहिए?
जिस हार्डवेयर पर आपका नियंत्रण है उसे मीटर करें; जिन सेवाओं पर नहीं है उनका अनुमान लगाएँ। दोनों मान्य हैं, बशर्ते हर आँकड़ा बताए कि वह कौन-सा है।
| स्थिति | तरीका | आम टूल |
|---|---|---|
| आपका अपना लैपटॉप, वर्कस्टेशन या सर्वर | हार्डवेयर काउंटर से मीटर करें | perf या powercap (Intel/AMD RAPL काउंटर), PowerJoular, Scaphandre |
| आपके अपने GPU | विक्रेता की टेलीमेट्री से, समय के साथ सैंपल लेकर मीटर करें | nvidia-smi या NVML, CodeCarbon |
| रिसर्च क्लस्टर | शेड्यूलर का ऊर्जा हिसाब पढ़ें | Slurm sacct (ConsumedEnergy फ़ील्ड), जहाँ चालू हो |
| पब्लिक क्लाउड वर्चुअल मशीनें | उपयोग और बिलिंग से अनुमान लगाएँ | Cloud Carbon Footprint, प्रदाता के कार्बन डैशबोर्ड |
| होस्टेड AI API | टोकन और मॉडल की मान्यताओं से अनुमान लगाएँ | EcoLogits |
| चुनने से पहले ओपन मॉडलों की तुलना | एक मानक बेंचमार्क इस्तेमाल करें | Hugging Face AI Energy Score |
CodeCarbon का अपना मार्गदर्शन भी यही रेखा खींचता है: जिस हार्डवेयर का प्रबंधन आप करते हैं उस पर चलने वाले कोड के लिए CodeCarbon इस्तेमाल करें, और दूर की जनरेटिव AI सेवाओं को किए गए कॉल के लिए EcoLogits, जहाँ हार्डवेयर तक आपकी पहुँच नहीं होती।
अपने मीटर की सीमाएँ जानें
- GPU टेलीमेट्री सैंपल लेती है, लगातार नज़र नहीं रखती। शोधकर्ताओं ने पाया कि A100 और H100 GPU पर
nvidia-smiबिजली के लिए चलने के समय का सिर्फ़ लगभग 25% हिस्सा सैंपल करता है, जिससे छोटे कामों में बहुत कम या बहुत ज़्यादा अनुमान हो सकते हैं। पूरे काम के दौरान सैंपल लें, इतनी देर चलाएँ कि कई सैंपलिंग अंतराल पूरे हों, और समय के साथ जोड़ें (integrate करें)। - सॉफ़्टवेयर मीटर मॉडल होते हैं। हर प्लेटफ़ॉर्म पर एक बार इसे वॉल-प्लग मीटर से जाँचें (मीटरिंग वाला स्मार्ट प्लग काफ़ी है)।
- क्लाउड के आँकड़े अनुमान हैं। पब्लिक-क्लाउड वर्चुअल मशीनों पर हार्डवेयर काउंटर आमतौर पर उपलब्ध नहीं होते, इसलिए क्लाउड के आँकड़ों पर "अनुमानित" लिखें।
सिस्टम सीमा में क्या शामिल होना चाहिए?
सीमा इतनी चौड़ी रखें कि हर अहम चीज़ उसमें आ जाए, और उसे लिख लें। बिना सीमा वाले आँकड़े की किसी से तुलना नहीं की जा सकती।
Gemini पर Google का 2025 का पेपर इसका अच्छा उदाहरण है। जब वह एक्सेलेरेटर, होस्ट मशीनें, खाली क्षमता और डेटा सेंटर का अतिरिक्त खर्च गिनता है तो औसत (median) टेक्स्ट prompt 0.24 Wh बताता है, और जब सिर्फ़ सक्रिय TPU और GPU उपयोग गिनता है तो 0.10 Wh। दोनों ईमानदार हैं; वे अलग-अलग सवालों के जवाब देते हैं। Google की सीमा बाहरी नेटवर्क, उपयोगकर्ताओं के डिवाइस और मॉडल ट्रेनिंग को भी छोड़ देती है, और इन आँकड़ों की स्वतंत्र रूप से पुष्टि नहीं हुई है।
इन परतों पर एक-एक करके विचार करें और हर एक के लिए तय करें कि वह अंदर है या बाहर:
- एक्सेलेरेटर (GPU, TPU) जो गणित करता है।
- सर्वर का बाक़ी हिस्सा: CPU, मेमोरी, स्टोरेज।
- खाली और आरक्षित क्षमता जो आपके काम के लिए तैयार रखी जाती है।
- डेटा सेंटर का अतिरिक्त खर्च: कूलिंग और बिजली का रूपांतरण, जिसे PUE पकड़ता है।
- नेटवर्क जो उपयोगकर्ताओं और सेवा के बीच है।
- उपयोगकर्ताओं के डिवाइस।
- निहित (embodied) उत्सर्जन: हार्डवेयर के निर्माण का वह हिस्सा जो आपके उपयोग के खाते में आता है।
- ट्रेनिंग और fine-tuning, मॉडल के उपयोगी जीवनकाल पर बाँटकर।
- आसपास की प्रक्रिया: दोबारा कोशिशें, असफल रन, इंसानी समीक्षा का समय।
सैंडपिट में "AI हाथ से करने के मुक़ाबले तीस गुना महँगा है" जैसे दावों के बारे में भी यही बात कही गई: जवाब इस पर निर्भर करता है कि आप व्यक्ति के काम का समय, उसके उपकरण और उसके आसपास की हर चीज़ गिनते हैं या नहीं। तुलना से पहले सीमा तय करें।
मुझे क्या दर्ज करना चाहिए?
इतना दर्ज करें कि कोई दूसरा व्यक्ति माप दोहराकर मिलता-जुलता आँकड़ा पा सके। हर आँकड़े के लिए रखें:
- क्या मापा गया: मॉडल और उसका संस्करण, काम, डेटासेट या prompt सेट, इनपुट और आउटपुट टोकन की गिनती।
- कहाँ और कब: हार्डवेयर, क्षेत्र, तारीख़ और समय (कार्बन तीव्रता के लिए ज़रूरी)।
- कैसे: टूल और उसका संस्करण, सैंपलिंग दर, मापा गया या अनुमानित, खाली (idle) बेसलाइन शामिल या बाहर।
- सीमा: ऊपर की कौन-सी परतें अंदर हैं।
- बँटवारे का नियम: साझा या खाली ऊर्जा को उपयोगकर्ताओं या सेवाओं के बीच कैसे बाँटा गया।
- फैलाव: रन की संख्या, औसत और दायरा।
- गुणवत्ता: उस समय की सटीकता या काम में सफलता की दर। सस्ता गलत जवाब बचत नहीं है।
मैं ऊर्जा को कार्बन में कैसे बदलूँ?
ऊर्जा को उस ग्रिड की कार्बन तीव्रता से गुणा करें जहाँ और जब काम चला, और अगर निहित उत्सर्जन आपकी सीमा में है तो उसे जोड़ें। Green Software Foundation का Software Carbon Intensity (SCI) विनिर्देश, जो ISO/IEC 21031:2024 के रूप में प्रकाशित है, इसे एक दर के रूप में रखता है:
SCI = ((E × I) + M) per R
जहाँ E ऊर्जा है, I स्थान-आधारित ग्रिड कार्बन तीव्रता है, M निहित उत्सर्जन है और R कार्यात्मक इकाई (functional unit) है। यह विनिर्देश स्थान-आधारित ग्रिड आँकड़े इस्तेमाल करता है और नवीकरणीय सर्टिफ़िकेट, बिजली ख़रीद अनुबंध या ऑफ़सेट जैसे बाज़ार-आधारित उपायों को स्कोर घटाने नहीं देता।
- जहाँ हो सके, क्षेत्रीय और समय से मिलाया गया डेटा इस्तेमाल करें। ग्रेट ब्रिटेन में National Energy System Operator का Carbon Intensity API क्षेत्रीय पूर्वानुमान और अनुमान देता है; Electricity Maps कई दूसरे देशों को कवर करता है।
- सालाना राष्ट्रीय औसत का सहारा तभी लें जब इससे बारीक कुछ उपलब्ध न हो, और यह बात बताएँ।
कौन-से प्रति-कार्य पैमाने सबसे अच्छे काम करते हैं?
ऐसी कार्यात्मक इकाई चुनें जो आपके AI से मिलने वाले मूल्य से मेल खाए, और उसी के हिसाब से रिपोर्ट करें। कुल योग विकास के साथ बढ़ते हैं और कुशलता को छिपा देते हैं; प्रति-इकाई आँकड़े उसे दिखाते हैं।
AI के काम के लिए अच्छी कार्यात्मक इकाइयाँ:
- प्रति अनुरोध, प्रति जवाब या प्रति बातचीत
- प्रति सारांशित दस्तावेज़, वर्गीकृत टिकट या बनाई गई इमेज
- प्रति सफल काम (और भी बेहतर, क्योंकि असफल कोशिशें भी गिनी जाती हैं)
- विकास के काम के लिए प्रति ट्रेनिंग रन या प्रति fine-tuned मॉडल
फिर प्रति इकाई ऊर्जा, प्रति इकाई कार्बन, प्रति इकाई गुणवत्ता और कुल को साथ-साथ ट्रैक करें। अगर प्रति इकाई ऊर्जा घटती है जबकि कुल बढ़ता है, तो कुशलता सुधर रही है पर उपयोग उससे तेज़ बढ़ रहा है: यह रिबाउंड प्रभाव है, और आपकी रिपोर्टिंग में यह दिखना चाहिए।
मैं अनिश्चितता को कैसे सँभालूँ?
माप दोहराएँ, एक दायरा बताएँ और सिर्फ़ उन्हीं बदलावों का दावा करें जो शोर से बड़े हों। रीडिंग तापमान, पृष्ठभूमि प्रक्रियाओं और फ़्रीक्वेंसी स्केलिंग के साथ बदलती हैं।
- पहले उसी मशीन पर खाली (idle) बेसलाइन मापें।
- हर टेस्ट कई बार चलाएँ; औसत और फैलाव बताएँ।
- एक बार में एक ही चीज़ बदलें और उसी सेट-अप और लोड पर दोबारा मापें।
- अनुमानों के लिए हर मान्यता (मॉडल का आकार, हार्डवेयर, उपयोग, PUE) की सूची बनाएँ और कम व ज़्यादा दोनों स्थितियाँ दें।
- जैसे-जैसे मापे गए या आपूर्तिकर्ता द्वारा बताए गए आँकड़े मिलें, अनुमानों को उनसे बदलें।
प्रति-prompt के प्रकाशित आँकड़े उपयोगी संदर्भ हैं, आपके अपने आँकड़ों का विकल्प नहीं। एक सामान्य ChatGPT सवाल के लिए Epoch AI का नीचे-से-ऊपर (bottom-up) अनुमान लगभग 0.3 Wh है, जो 10,000-टोकन इनपुट के साथ लगभग 2.5 Wh और 100,000-टोकन इनपुट के साथ लगभग 40 Wh तक पहुँच जाता है। आपके उपयोग का तरीका किसी भी सुर्ख़ी वाले औसत से ज़्यादा मायने रखता है।
चेकलिस्ट
- [ ] हर आँकड़े पर मापा गया या अनुमानित लिखा है, टूल और उसके संस्करण के साथ
- [ ] सीमा लिखी गई है, जिसमें यह भी है कि क्या छोड़ा गया और क्यों
- [ ] खाली बेसलाइन दर्ज है; साझा ऊर्जा के बँटवारे का नियम बताया गया है
- [ ] GPU की बिजली पूरे काम के दौरान सैंपल की गई, एक झलक (snapshot) से नहीं
- [ ] ऊर्जा प्रति कार्यात्मक इकाई बताई गई है, कुल और गुणवत्ता के साथ
- [ ] कार्बन की गणना स्थान-आधारित, समय से मिलाए गए ग्रिड डेटा से की गई
- [ ] कई रन; औसत और दायरा बताया गया
- [ ] तरीका नतीजों के साथ रखा गया है ताकि दूसरे इसे दोहरा सकें
आगे क्या करें
- एक AI फ़ीचर या काम चुनें और उसकी कार्यात्मक इकाई तय करें।
- किसी ट्रेनिंग या लोकल इन्फ़रेंस स्क्रिप्ट में CodeCarbon, या अपने AI API क्लाइंट में EcoLogits जोड़ें, और हर अनुरोध या रन के साथ ऊर्जा लॉग करें।
- एक पन्ने का माप तरीका लिखें: सीमा, टूल, बँटवारे का नियम, कार्बन डेटा का स्रोत।
- मॉडल चुनने से पहले संभावित मॉडलों का बेंचमार्क करें; देखें सही मॉडल चुनें।
- कोई भी आँकड़ा प्रकाशित करने से पहले उसे ईमानदार हरित दावे से जाँचें।
- पढ़ें कि माप ही सबसे बड़ी रुकावट क्यों है, और उत्पाद निर्देशिका में माप के टूल ढूँढें या कंसल्टेंट से मदद लें।
अक्सर पूछे जाने वाले सवाल
एक AI prompt में कितनी ऊर्जा लगती है?
एक सामान्य टेक्स्ट prompt के प्रकाशित आँकड़े एक वाट-घंटे का छोटा हिस्सा हैं: Google बताता है कि Gemini के औसत (median) टेक्स्ट prompt में 0.24 Wh लगता है, और Epoch AI का अनुमान है कि एक सामान्य ChatGPT सवाल में लगभग 0.3 Wh लगता है। लंबे इनपुट, reasoning और इमेज या वीडियो बनाने में इससे कहीं ज़्यादा लग सकता है।
क्या मैं ChatGPT जैसी होस्टेड AI सेवा की ऊर्जा माप सकता/सकती हूँ?
सीधे नहीं। आप EcoLogits जैसे टूल से टोकन की गिनती और मॉडल की मान्यताओं के आधार पर इसका अनुमान लगा सकते हैं, और आपूर्तिकर्ता से उसके अपने आँकड़े और तरीका माँग सकते हैं।
क्या चलने का समय (runtime) ऊर्जा का अच्छा विकल्प है?
नहीं। गति और ऊर्जा अक्सर साथ-साथ चलते हैं पर हमेशा नहीं, इसलिए ऊर्जा को सीधे मापें और दोनों बताएँ।
सिस्टम सीमा क्या होती है?
यह उन चीज़ों की सूची है जो आपके आँकड़े में शामिल हैं: जैसे सिर्फ़ GPU, पूरा सर्वर, डेटा सेंटर का अतिरिक्त खर्च, नेटवर्क, उपयोगकर्ताओं के डिवाइस और हार्डवेयर का निर्माण। दो ईमानदार आँकड़ों में दस गुना फ़र्क हो सकता है क्योंकि उनकी सीमाएँ अलग हैं।
स्रोत
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Part-time power measurements: nvidia-smi's lack of attention, Yang et al. (arXiv 2312.02741) (2023)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO (2024)
- When to use CodeCarbon, CodeCarbon (2025)
- EcoLogits documentation, EcoLogits (2025)
- AI Energy Score, Hugging Face (2025)
- Carbon Intensity API, National Energy System Operator (2025)
- Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
संबंधित
काम के हिसाब से सही मॉडल चुनें
AI को सही आकार कैसे दें: छोटे या विशेष मॉडल कब चुनें, बड़ा फ्रंटियर मॉडल कब अपनी लागत वसूलता है, रूटिंग कैसे काम करती है और AI कब न इस्तेमाल करें।
AI के बारे में ईमानदार ग्रीन दावे
AI के बारे में ग्रीनवॉशिंग से कैसे बचें: आप क्या दावा कर सकते हैं और क्या नहीं, रिबाउंड प्रभाव, ईमानदार रिपोर्टिंग, और पर्यावरणीय दावों पर UK, EU और US के नियम।
ग्रीन AI की सबसे बड़ी रुकावट: माप
AI के ऊर्जा आँकड़ों पर भरोसा या तुलना क्यों कठिन है: कंपनियों के अपने आँकड़े, मीटर की जगह अनुमान, अलग-अलग सीमाएँ, और अच्छा माप कैसा हो।
AI के लिए ऊर्जा लेबल और बेंचमार्क
2026 में AI की ऊर्जा रेटिंग की स्थिति: AI Energy Score, MLPerf Power, EU AI Act का दस्तावेज़ीकरण और डेटा सेंटर रेटिंग, और लेबल क्या दिखा सकते हैं।