# शोधकर्ताओं के लिए ग्रीन AI

> शोधकर्ताओं के लिए गाइड: कुशल AI तरीक़े, शोध-पत्रों में ऊर्जा का मापन और रिपोर्टिंग, कंप्यूट बजट, फ़ंडिंग, और गणित कहाँ मदद कर सकता है।

Source: https://greenai.guide/hi/गाइड/शोधकर्ताओं-के-लिए-ग्रीन-ai/  
Updated: 2026-11-19

## संक्षेप में

शोधकर्ता AI को दो तरह से ज़्यादा ग्रीन बना सकते हैं: ऐसे तरीक़े विकसित करके जिनमें कम कंप्यूटेशन लगे, और अपने काम में लगने वाली ऊर्जा को मापकर और रिपोर्ट करके। Pruning, quantisation, distillation, बेहतर संख्यात्मक (numerical) तरीक़े और हाइब्रिड physics-ML मॉडल AI की लागत घटाते हैं, जबकि CodeCarbon और Green Algorithms कैलकुलेटर जैसे टूल उस लागत को शोध-पत्रों में दिखाई देने लायक़ बनाते हैं।

## मुख्य बातें

- Patterson और साथियों ने पाया कि मॉडल, डेटा सेंटर और प्रोसेसर का चुनाव ट्रेनिंग के कार्बन फ़ुटप्रिंट को लगभग 100 से 1,000 गुना तक घटा सकता है।
- सिर्फ़ ट्रेनिंग ही नहीं, inference भी शोध के ध्यान का हक़दार है: यह हर बार चलता है जब कोई मॉडल इस्तेमाल होता है।
- हर शोध-पत्र में ऊर्जा, हार्डवेयर, रन-टाइम और स्थान की रिपोर्ट दें, CodeCarbon या Green Algorithms कैलकुलेटर जैसे किसी मुफ़्त टूल से।
- गणित का योगदान एल्गोरिदम से आगे है: मेट्रिक्स, अनिश्चितता, बेंचमार्क और यह मॉडल करने में कि AI का इस्तेमाल कैसे फैलता है।
- किसी परियोजना के लिए कंप्यूट बजट तय करें, जिसमें विफल रन और hyperparameter सर्च भी शामिल हों, सिर्फ़ अंतिम मॉडल नहीं।

## शोध के लिए ग्रीन AI क्यों मायने रखता है? {#why-does-green-ai-matter-for-research}

क्योंकि शोध वे तरीक़े तय करता है जिनकी बाक़ी सब नक़ल करते हैं, और क्योंकि शोध ख़ुद बहुत कंप्यूटिंग इस्तेमाल करता
है। जो तकनीक inference की लागत आधी कर देती है, एक बार अपना ली जाए तो वह हर बार ऊर्जा बचाती है जब उसे इस्तेमाल करने
वाला कोई भी मॉडल चलता है।

यह तर्क शुरू में ही रख दिया गया था। Strubell, Ganesh और McCallum के 2019 के शोध-पत्र ने कई भाषा मॉडलों को ट्रेन
करने की आर्थिक और पर्यावरणीय लागत को मापा और उसे घटाने के तरीक़े सुझाए। Patterson और साथियों ने बाद में पाया कि
मॉडल आर्किटेक्चर, डेटा सेंटर और प्रोसेसर का चुनाव ट्रेनिंग के कार्बन फ़ुटप्रिंट को लगभग 100 से 1,000 गुना तक घटा
सकता है। Luccioni, Jernite और Strubell ने दिखाया कि एक ही काम के लिए बहु-उद्देश्यीय जनरेटिव मॉडल चलाना
टास्क-स्पेसिफ़िक मॉडलों से कई गुना (orders of magnitude) महँगा हो सकता है।

2026 में ब्रिटेन में गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के एक ग्रीन AI सैंडपिट (गहन चर्चा
कार्यशाला) ने शोध एजेंडा को तीन चरणों में रखा, जिनमें से हर एक अलग-अलग तकनीकों के लिए खुला है: शुरू से ट्रेनिंग,
फ़ाइन-ट्यूनिंग या अनुकूलन, और तैनाती (deployment), चाहे क्लाउड में हो या कम ऊर्जा वाले डिवाइस पर। उसने यह भी
ध्यान दिलाया कि मौजूदा काम का बड़ा हिस्सा परियोजनाओं के डिलिवरेबल और कम जाने-पहचाने कोड रिपॉज़िटरी में पड़ा है,
इसलिए किसी भी परियोजना का पहला क़दम यह पता लगाना है कि पहले से क्या किया जा चुका है।

## कौन-से तरीक़े मॉडलों को ज़्यादा कुशल बनाते हैं? {#which-methods-make-models-more-efficient}

मुख्य परिवार हैं: मॉडल को जिसकी ज़रूरत नहीं उसे हटाना, कम बिट इस्तेमाल करना, कम डेटा से सीखना, और जानी-पहचानी
संरचना को मॉडल में बनाना। ज़्यादातर को आपस में जोड़ा जा सकता है।

### Pruning और sparsity {#pruning-and-sparsity}

**Pruning** (छँटाई) उन weights को हटाता है जो आउटपुट में बहुत कम योगदान देते हैं। **Sparsity** (विरलता) का मतलब है
कि किसी matrix या activation के ज़्यादातर मान शून्य हैं, इसलिए कंप्यूटेशन उन्हें छोड़ सकता है। बड़े नेटवर्कों में अक्सर
अंतिम काम की ज़रूरत से कहीं ज़्यादा parameters होते हैं, क्योंकि over-parameterisation से optimisation में मदद
मिलती है, इसलिए ट्रेनिंग के बाद काफ़ी कुछ हटाया जा सकता है।

खुले सवालों में शामिल हैं: sparsity के लक्ष्य trial and error के बजाय ट्रेनिंग से पहले कैसे तय किए जाएँ, असली
हार्डवेयर पर **dynamic sparsity** (जहाँ शून्य इनपुट पर निर्भर करते हैं) को कुशल कैसे रखा जाए, और मुख्यधारा की चिप
में आर्किटेक्चर की सीमाओं को देखते हुए sparsity का अब भी कम इस्तेमाल क्यों होता है। सैद्धांतिक फ़ायदे अक्सर मापी गई
गति-वृद्धि से ज़्यादा होते हैं, इसलिए असली हार्डवेयर पर प्रायोगिक नतीजे मायने रखते हैं।

### Quantisation और mixed precision {#quantisation-and-mixed-precision}

**Quantisation** कम बिट के साथ डेटा रखता और कंप्यूट करता है, उदाहरण के लिए 32-bit floating point के बजाय 8-bit
integers। **Mixed precision** जहाँ सुरक्षित हो वहाँ कम precision और जहाँ ज़रूरी हो वहाँ ज़्यादा precision
इस्तेमाल करता है। UNESCO और UCL बताते हैं कि quantisation जैसा compression सटीकता बनाए रखते हुए 44% तक ऊर्जा बचा
सकता है। संख्यात्मक विश्लेषक (numerical analysts) यह बताने की अच्छी स्थिति में हैं कि कम precision कहाँ सुरक्षित है
और त्रुटियाँ कैसे फैलती हैं।

### Distillation और छोटे मॉडल {#distillation-and-smaller-models}

**Distillation** एक छोटे "student" मॉडल को एक बड़े "teacher" की नक़ल करने के लिए ट्रेन करता है। student हर अनुरोध
पर चलाने में सस्ता होता है। इससे जुड़ा काम, **parameter-efficient fine-tuning**, जो पूरे मॉडल के बजाय थोड़े-से
अतिरिक्त parameters को ढालता है, और continual learning पर काम, शुरू से दोबारा ट्रेनिंग से बचाता है।

### मॉडलों का दोबारा इस्तेमाल {#reusing-models}

नए मॉडल ट्रेन करने के बजाय मौजूदा मॉडलों को जोड़ें। Wortsman और साथियों ने दिखाया कि कई फ़ाइन-ट्यून किए गए मॉडलों के
weights का औसत लेना ("model soups") बिना किसी अतिरिक्त inference लागत के सटीकता बढ़ा सकता है। मॉडलों को मिलाना और
दोबारा इस्तेमाल करना दक्षता शोध का एक आशाजनक क्षेत्र है।

### डेटा दक्षता {#data-efficiency}

कम लेकिन बेहतर डेटा पर ट्रेनिंग सीधे ट्रेनिंग ऊर्जा घटाती है। तकनीकों में शामिल हैं: दोहराए गए और कम मूल्य वाले
उदाहरण हटाना, active learning (लेबल करने के लिए सबसे ज़्यादा जानकारी देने वाले उदाहरण चुनना), और ऐसे आर्किटेक्चर
जो थोड़े-से उदाहरणों से सामान्यीकरण कर लें।

### संख्यात्मक तरीक़े और डेटा की आवाजाही {#numerical-methods-and-data-movement}

AI का बड़ा हिस्सा linear algebra है, और दशकों का संख्यात्मक विश्लेषण इस पर लागू होता है। Randomised numerical
linear algebra और sketching (किसी matrix को उसके ज़रूरी गुण बनाए रखते हुए compress करना) गणना और **डेटा की
आवाजाही (data movement)**, दोनों को घटा सकते हैं, और कई डिवाइसों पर डेटा की आवाजाही में गणना से भी ज़्यादा ऊर्जा
लगती है। Approximate attention, जो attention matrix के सिर्फ़ ज़रूरी हिस्सों की गणना करता है, बड़े भाषा मॉडलों में
इसका एक सक्रिय उदाहरण है। Automatic differentiation, backpropagation के पीछे की सामान्य तकनीक, AI को मौजूदा
वैज्ञानिक कोड से जोड़ती है।

### हाइब्रिड physics-ML {#hybrid-physics-ml}

पूरे simulation को एक neural network से बदलने के बजाय, सिर्फ़ उस हिस्से को बदलें जो इसके लायक़ हो। एक आम तरीक़ा है
किसी जलवायु या इंजीनियरिंग मॉडल के सबसे ज़्यादा ऊर्जा लेने वाले हिस्से के लिए सीखा हुआ **surrogate** (स्थानापन्न
मॉडल), जबकि बाक़ी भौतिकी वैसी ही रहे। **Physics-informed** मॉडल ज्ञात नियमों को loss function या आर्किटेक्चर में
बना देते हैं, जिससे कहीं कम parameters और कम डेटा की ज़रूरत पड़ सकती है। दूसरे संरचनात्मक साधनों में convexity,
unrolled algorithms (किसी पारंपरिक solver के चरणों को network की layers में बदलना) और symmetry शामिल हैं, जैसे
geometric deep learning में।

सैंडपिट में कुछ कम खोजे गए विचार भी उठे:

- ट्रेनिंग के उद्देश्य (objective) में ऊर्जा या "कार्बन" का एक पद जोड़ना, उदाहरण के लिए सक्रिय neurons या
  mixture-of-experts मॉडल में महँगे experts पर दंड लगाना;
- लंबी गणनाओं के दौरान त्रुटि सुधार, बीच-बीच में जाँच करना ताकि किसी रन को दोहराना न पड़े; और
- यह पहचानना कि कब multi-agent AI सिस्टम लूप में फँसे हैं और टोकन बर्बाद कर रहे हैं।

देखें [कुशल ट्रेनिंग और inference](/hi/अच्छी-प्रथाएँ/कुशल-ai-ट्रेनिंग-और-इन्फ़रेंस/) और
[कुशल AI के लिए गणित](/hi/लेख/वह-गणित-जो-ai-को-ज़्यादा-कुशल-बनाता-है/)।

## मुझे शोध-पत्रों में ऊर्जा कैसे मापनी और रिपोर्ट करनी चाहिए? {#how-should-i-measure-and-report-energy-in-papers}

काम के साथ-साथ मापें, तथ्यों का एक मानक सेट रिपोर्ट करें, और वे रन भी शामिल करें जो शोध-पत्र तक नहीं पहुँचे। इसके
बिना दक्षता के दावों को न जाँचा जा सकता है, न उनकी तुलना की जा सकती है।

मुफ़्त टूल:

- **CodeCarbon**, एक ओपन-सोर्स Python पैकेज, CPU, GPU और मेमोरी द्वारा ली गई बिजली और स्थानीय ग्रिड की कार्बन
  तीव्रता से उत्सर्जन का अनुमान लगाता है। इसे ट्रेनिंग और मूल्यांकन स्क्रिप्ट में जोड़ें।
- Lannelongue, Grealey और Inouye का **Green Algorithms** कैलकुलेटर हार्डवेयर, रन-टाइम, मेमोरी और स्थान से किसी
  गणना के फ़ुटप्रिंट का अनुमान लगाता है। यह HPC जॉब और लॉगिंग शुरू करने से पहले किए गए काम के लिए उपयुक्त है।
- हार्डवेयर काउंटर, जैसे कई CPU पर RAPL और GPU निर्माताओं के power interfaces, सीधी रीडिंग देते हैं, जिन पर ये टूल
  आधारित हैं।

क्या रिपोर्ट करें:

| मद | उदाहरण |
|---|---|
| हार्डवेयर | GPU मॉडल और संख्या, CPU, मेमोरी |
| रन-टाइम | अंतिम रन **और** सभी ट्यूनिंग व विफल रन के GPU-घंटे |
| ऊर्जा | kWh, मापी गई या अनुमानित, टूल और उसके संस्करण के साथ |
| स्थान | देश या ग्रिड क्षेत्र, और इस्तेमाल की गई कार्बन तीव्रता |
| उत्सर्जन | kg CO₂e |
| Inference | बताए गए batch size और sequence length पर प्रति 1,000 अनुरोध ऊर्जा |
| सीमा | कूलिंग और डेटा सेंटर के ओवरहेड (PUE) शामिल हैं या नहीं |

अनिश्चितता के बारे में साफ़ रहें। पावर मॉडलों से लगाए गए अनुमान मीटर से मापे गए मानों से अलग हो सकते हैं, और
प्रदाताओं के आँकड़े, जैसे Gemini के एक मध्यिका (median) टेक्स्ट prompt के लिए Google के बताए 0.24 Wh, उनके अपने
तरीक़ों और सीमाओं पर आधारित होते हैं। हमारी [AI ऊर्जा के मापन](/hi/अच्छी-प्रथाएँ/ai-की-ऊर्जा-और-कार्बन-कैसे-मापें/) की गाइड और लेख
[मापन ही असली अड़चन है](/hi/लेख/ग्रीन-ai-की-सबसे-बड़ी-रुकावट-माप/) इसमें और आगे जाते हैं।

## मैं कंप्यूट बजट कैसे तय करूँ? {#how-do-i-set-a-compute-budget}

पहले से तय करें कि कोई परियोजना कितनी कंप्यूटिंग इस्तेमाल कर सकती है, और पैसे की तरह उसका हिसाब रखें। बजट से
समझौते (trade-offs) दिखने लगते हैं और अंतहीन ट्यूनिंग रुकती है।

- **अनुमान लगाएँ** मुख्य प्रयोगों के GPU-घंटों का, फिर खोजबीन के लिए कुछ गुंजाइश जोड़ें।
- **छोटे पैमाने के पायलट इस्तेमाल करें** ताकि बड़े पैमाने पर जाने से पहले विचारों को ख़ारिज किया जा सके।
- **Hyperparameters के लिए कुशल सर्च को प्राथमिकता दें**, जैसे कमज़ोर रन को जल्दी रोक देना (early stopping), बड़े
  grid search के बजाय।
- **Checkpoints और pretrained मॉडलों का दोबारा इस्तेमाल करें** जहाँ वे फ़िट हों।
- **लचीले जॉब शेड्यूल करें** उन समयों या क्षेत्रों के लिए जहाँ ग्रिड ज़्यादा स्वच्छ हो।
- **नतीजों को कंप्यूट के मुक़ाबले रिपोर्ट करें**, उदाहरण के लिए प्रति kWh सटीकता, सिर्फ़ सबसे अच्छी सटीकता नहीं।

Lannelongue और साथियों के GREENER सिद्धांत (Governance, Responsibility, Estimation, Energy and embodied impacts,
New collaborations, Education and Research) समूहों और संस्थानों के लिए एक ढाँचा देते हैं।

## दक्षता से पुनरुत्पादन-योग्यता (reproducibility) पर क्या असर पड़ता है? {#how-does-efficiency-affect-reproducibility}

ऊर्जा और कंप्यूट की रिपोर्टिंग से काम को दोहराना आसान होता है, और कुशल तरीक़ों से उसे दोहराना सस्ता होता है। जिस
नतीजे के लिए हज़ारों GPU-घंटे चाहिए, उसे कुछ ही समूह जाँच सकते हैं।

- कोड, configurations और seeds प्रकाशित करें, और बताएँ कि कोई नतीजा कितने रन पर आधारित है।
- अलग-अलग रन के बीच का variance बताएँ। किसी non-deterministic प्रक्रिया के एक रन से मिला सटीकता का एक आँकड़ा
  गुमराह कर सकता है।
- जहाँ संभव हो, मॉडलों के छोटे या distilled संस्करण जारी करें ताकि दूसरे उन पर काम आगे बढ़ा सकें।
- दक्षता के तरीक़ों पर नकारात्मक नतीजे भी साझा करें, जिससे दूसरे उन्हें दोहराने से बचते हैं।

## गणित कहाँ योगदान दे सकता है? {#where-can-mathematics-contribute}

गणित तेज़ एल्गोरिदम से आगे भी मदद करता है: यह तय करने में कि क्या मापना है, किसी मॉडल पर कितना भरोसा करना है, और
समाज में AI का इस्तेमाल कैसे फैलता है। सैंडपिट ने ज़ोर दिया कि गणितज्ञों को टूल और प्रमाण के साथ दिखाना होगा कि वे
क्या सुधार सकते हैं।

- **दक्षता का सिद्धांत:** pruning और sparsity के लिए random matrix theory, छोटे मॉडलों के लिए approximation
  theory, तेज़ ट्रेनिंग के लिए optimisation theory।
- **संख्यात्मक विश्लेषण:** AI pipelines के भीतर precision, stability, error bounds और solvers।
- **अनिश्चितता का परिमाणन (uncertainty quantification):** किसी surrogate पर कितना भरोसा किया जा सकता है, ख़ासकर
  उसके ट्रेनिंग डेटा के बाहर, जिससे तय होता है कि वह किसी महँगे भौतिक मॉडल की जगह ले सकता है या नहीं।
- **मेट्रिक्स और बेंचमार्क:** ऊर्जा और गुणवत्ता के सर्वसम्मत, तुलना-योग्य पैमाने, और ऐसे गुणवत्ता मेट्रिक्स जिनमें
  दक्षता शामिल हो।
- **परिदृश्य और सिस्टम मॉडलिंग:** दक्षता में बढ़त कुल इस्तेमाल को कैसे बदलती है
  ([रिबाउंड प्रभाव](/hi/शब्दावली/#rebound-effect)), संगठन ख़ुद को AI इस्तेमाल की ओर धकेला हुआ क्यों महसूस करते हैं
  इसकी game theory, और edge व केंद्रीय कंप्यूटिंग के बीच संतुलन।
- **तरीक़े का चुनाव:** यह तय करने के ढाँचे कि किसी समस्या को AI की ज़रूरत है भी या नहीं, और कब कोई पारंपरिक
  एल्गोरिदम उसे पहले से अच्छी तरह हल कर देता है।

## मुझे फ़ंडिंग और सहयोगी कैसे मिलें? {#how-do-i-find-funding-and-collaborators}

दक्षता से जुड़े किसी शोध प्रश्न को ऐसे असली एप्लिकेशन पार्टनर के साथ जोड़ें जिसे लागत या गति की परवाह हो। फ़ंड देने
वाले और उद्योग उन ऊर्जा बचतों पर बेहतर प्रतिक्रिया देते हैं जो साथ में तेज़, सस्ते या ज़्यादा भरोसेमंद नतीजे भी लाएँ।

- **राष्ट्रीय शोध परिषदें**, जैसे ब्रिटेन में EPSRC, अमेरिका में NSF और उनके समकक्ष, तरीक़ों पर शोध को फ़ंड करती हैं;
  AI, डिजिटल शोध इन्फ़्रास्ट्रक्चर और नेट ज़ीरो पर निकलने वाली calls देखें।
- **यूरोपीय कार्यक्रम**, जैसे Horizon Europe, और ITEA जैसे Eureka clusters उद्योग के साथ सहयोगी परियोजनाओं को फ़ंड
  करते हैं। ITEA की परियोजना GreenCode ग्रीन AI और सॉफ़्टवेयर ऊर्जा में इसका एक उदाहरण है।
- **उद्योग की छोटी परियोजनाएँ**, placements और सह-वित्तपोषित studentships सहयोग शुरू करने के कम लागत वाले तरीक़े हैं।
- **Research software engineers** और HPC केंद्रों के पास अक्सर green computing की विशेषज्ञता और प्रशिक्षण होता है।

अंतर्विषयी (interdisciplinary) टीमें सबसे अच्छा काम करती हैं: हार्डवेयर, सॉफ़्टवेयर, संख्यात्मक और क्षेत्र-विशेष
के विशेषज्ञों को एक साथ बैठाएँ। [रिसर्च डायरेक्टरी](/hi/शोध/) में ग्रीन AI के समूह और परियोजनाएँ दी गई हैं।

## PhD के कौन-से रास्ते हैं? {#what-phd-routes-are-there}

कुशल मशीन लर्निंग, संख्यात्मक विश्लेषण, टिकाऊ और कम-कार्बन कंप्यूटिंग, HPC और hardware-software co-design में PhD
परियोजनाएँ हैं। कई पर "ग्रीन AI" का लेबल नहीं होता, इसलिए इन विषयों को भी खोजें।

रास्तों में शामिल हैं:

- डॉक्टोरल ट्रेनिंग केंद्र और कार्यक्रम, जैसे ब्रिटेन में UKRI Centres for Doctoral Training;
- EU की Marie Skłodowska-Curie Actions के तहत doctoral networks;
- उद्योग द्वारा सह-वित्तपोषित या प्रायोजित studentships; और
- बड़े शोध अनुदानों से जुड़ी परियोजनाएँ।

मौजूदा अवसरों के लिए [PhD डायरेक्टरी](/hi/पीएचडी/) और कुशल AI, ग्रीन सॉफ़्टवेयर और research computing पर छोटे कोर्सों के
लिए [कोर्स डायरेक्टरी](/hi/पाठ्यक्रम/) देखें।

## आगे क्या करें {#what-to-do-next}

1. **CodeCarbon जोड़ें** या ऐसी ही लॉगिंग अपने अगले प्रयोग में, या अपनी पिछली परियोजना का अनुमान
   [Green Algorithms](https://www.green-algorithms.org/) कैलकुलेटर से लगाएँ।
2. **ऊर्जा और कंप्यूट की एक तालिका जोड़ें** अपने अगले शोध-पत्र में, जिसमें ट्यूनिंग और विफल रन भी शामिल हों।
3. **कंप्यूट बजट तय करें** अपनी मौजूदा परियोजना के लिए और हर महीने उसकी समीक्षा करें।
4. **दक्षता का एक तरीक़ा आज़माएँ**, जैसे quantisation या distillation, किसी ऐसे मॉडल पर जिसे आप पहले से इस्तेमाल
   करते हैं, और समझौते (trade-off) की रिपोर्ट दें।
5. **बनाने से पहले देखें कि क्या पहले से मौजूद है:** [रिसर्च डायरेक्टरी](/hi/शोध/) और हाल के डिलिवरेबल खोजें।
6. **कोई पार्टनर खोजें** जिसके पास कोई महँगा AI या simulation वर्कलोड हो, और एक साझा परियोजना का प्रस्ताव रखें।
7. **प्रशिक्षण खोजें** [कोर्स डायरेक्टरी](/hi/पाठ्यक्रम/) में, और छात्रों के साथ [PhD डायरेक्टरी](/hi/पीएचडी/) साझा करें।

## अक्सर पूछे जाने वाले सवाल

### मैं अपने प्रयोगों की ऊर्जा खपत की रिपोर्ट कैसे दूँ?

प्रयोग चलते समय CodeCarbon जैसे टूल से ऊर्जा दर्ज करें, या बाद में हार्डवेयर, रन-टाइम और स्थान के आधार पर Green Algorithms कैलकुलेटर से अनुमान लगाएँ। kWh, CO₂e, हार्डवेयर, घंटे और ग्रिड क्षेत्र की रिपोर्ट दें, और विफल व ट्यूनिंग वाले रन भी शामिल करें।

### क्या quantisation से सटीकता घटती है?

अक्सर थोड़ी-सी ही, लेकिन यह मॉडल और काम पर निर्भर करता है। UNESCO और UCL बताते हैं कि quantisation जैसे compression से सटीकता बनाए रखते हुए 44% तक ऊर्जा बचत हो सकती है; अपने बेंचमार्क पर जाँचें।

### क्या ग्रीन AI एक असली शोध क्षेत्र है या एक किनारे का मुद्दा?

यह एक बढ़ता हुआ क्षेत्र है जो मशीन लर्निंग, संख्यात्मक विश्लेषण, हार्डवेयर और कंप्यूटिंग सिस्टम तक फैला है। ट्रेनिंग और inference की ऊर्जा पर अध्ययन कम से कम 2019 से हो रहे हैं, और EU AI Act अब सामान्य-उद्देश्य वाले मॉडलों के प्रदाताओं से ऊर्जा खपत का दस्तावेज़ बनाने को कहता है।

### क्या मैं ग्रीन AI में PhD कर सकता/सकती हूँ?

हाँ। कुशल मशीन लर्निंग, संख्यात्मक तरीक़ों, टिकाऊ कंप्यूटिंग या HPC की परियोजनाएँ देखें। हमारी PhD डायरेक्टरी में मौजूदा अवसर दिए गए हैं।

## स्रोत

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al., ICML (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [AI Act, Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission AI Act Service Desk (2024)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (ITEA) (2026)
