संक्षेप में
दूर के डेटा सेंटरों के बजाय फ़ोन, सेंसर और स्थानीय सर्वरों पर AI चलाने से डेटा भेजने की ऊर्जा घट सकती है और निजता सुरक्षित रहती है। लेकिन यह कंप्यूटिंग को अरबों ऐसे डिवाइसों में फैला देता है जिनकी ऊर्जा और निर्माण के फ़ुटप्रिंट को शायद ही कभी मापा जाता है। एज AI ज़्यादा हरित है या नहीं, यह मॉडल, डिवाइस, वह कितनी बार चलता है और वह किसकी जगह लेता है, इस पर निर्भर करता है, और प्रमाण अभी कम हैं।
मुख्य बातें
- एज AI मॉडलों को किसी केंद्रीय डेटा सेंटर के बजाय उसी डिवाइस पर या उसके पास चलाता है जो डेटा इकट्ठा करता है।
- यह नेटवर्क पर डेटा भेजने से बचाता है, जिसमें ऊर्जा लगती है, और डेटा को निजी रखता है, लेकिन साझा, पूरी तरह इस्तेमाल होने वाले सर्वरों की दक्षता छोड़ देता है।
- एज और क्लाउड इन्फ़रेंस की तुलना करने वाले अध्ययन एकमत नहीं हैं; नतीजे काफ़ी हद तक मॉडल, हार्डवेयर और तुलना के आधार पर निर्भर करते हैं।
- डिवाइस बनाने की कार्बन लागत बड़ी होती है, इसलिए ऐसे AI फ़ीचर जो डिवाइस की उम्र घटाएँ या नया हार्डवेयर माँगें, ऊर्जा की बचत पर भारी पड़ सकते हैं।
- एज AI को मापना और नियंत्रित करना कठिन है, क्योंकि न कोई डेटा सेंटर मीटर है, न PUE और न रिपोर्टिंग की कोई बाध्यता।
AI के ऊर्जा उपयोग पर ज़्यादातर बहस डेटा सेंटरों को लेकर है, क्योंकि बड़े मीटर वहीं लगे हैं। लेकिन AI का बढ़ता हिस्सा कहीं और चलता है: फ़ोन, लैपटॉप, कार, कैमरे, डोरबेल और फ़ैक्टरी के सेंसरों पर। इसे "एज AI" कहते हैं। यह AI के फ़ुटप्रिंट की समस्या के हल का हिस्सा हो सकता है, या फ़ुटप्रिंट को किसी ऐसी जगह खिसकाने का तरीक़ा जहाँ कोई गिनती नहीं कर रहा।
एज AI क्या है?
एज AI डेटा को किसी दूर के डेटा सेंटर में भेजने के बजाय, मॉडल को उसी डिवाइस पर या उसके पास चलाता है जो डेटा इकट्ठा करता है। "ऑन-डिवाइस" AI इसका चरम रूप है, जिसमें मॉडल फ़ोन या सेंसर पर ही चलता है।
एज AI पहले से आम है:
- Apple की 2025 की तकनीकी रिपोर्ट लगभग तीन अरब पैरामीटर वाले एक ऑन-डिवाइस भाषा मॉडल का वर्णन करती है, जिसे 2-बिट quantisation-aware training से कंप्रेस किया गया है ताकि वह फ़ोन और लैपटॉप में समा सके और उन पर चल सके।
- Google की Android AICore सेवा ऐप्स को Gemini Nano इस्तेमाल करने देती है, जो समर्थित Pixel और Samsung फ़ोनों पर डिवाइस पर ही चलने वाला मॉडल है।
- औद्योगिक कैमरे, ड्रोन, कारें और मेडिकल डिवाइस विज़न और कंट्रोल मॉडल स्थानीय रूप से चलाते हैं, क्योंकि वे नेटवर्क कनेक्शन का इंतज़ार नहीं कर सकते या उस पर भरोसा नहीं कर सकते।
डिवाइसों की संख्या बड़ी है और बढ़ रही है। IoT Analytics ने 2024 के अंत में लगभग 18.5 अरब जुड़े हुए Internet of Things डिवाइस गिने, जिनमें फ़ोन, PC और टैबलेट शामिल नहीं थे, और 2030 तक लगभग 39 अरब का अनुमान लगाया।
एज AI ऊर्जा क्यों बचा सकता है?
क्योंकि डेटा भेजने में ऊर्जा लगती है, और स्थानीय प्रोसेसिंग इससे बचा सकती है। यह संवेदनशील डेटा को भी उसी जगह रखती है जहाँ वह है।
International Energy Agency का अनुमान है कि डेटा ट्रांसमिशन नेटवर्क दुनिया की बिजली का लगभग 1–1.5% इस्तेमाल करते हैं, जो डेटा सेंटरों के हिस्से के बराबर है। डेटा को वहीं प्रोसेस करना जहाँ वह इकट्ठा होता है, और केवल नतीजे भेजना, इस बोझ को घटा सकता है।
एक शर्त है। Mytton, Lundén और Malmodin ने 2024 में दिखाया कि नेटवर्क की ऊर्जा डेटा की मात्रा के सीधे अनुपात में नहीं होती: नेटवर्क की बिजली का बड़ा हिस्सा खर्च होता है, चाहे डेटा बह रहा हो या नहीं। कम डेटा भेजने से उसी अनुपात में ऊर्जा नहीं बचती, इसलिए सरल "kWh प्रति गीगाबाइट" अनुमान बचत को बढ़ा-चढ़ाकर बताते हैं।
दूसरे संभावित फ़ायदे:
- निजता और संप्रभुता। जो डेटा कभी किसी डिवाइस, अस्पताल या ग्रिड ऑपरेटर से बाहर नहीं जाता, वह रास्ते में लीक नहीं हो सकता और न ही कोई तीसरा पक्ष उसे इस्तेमाल कर सकता है।
- लचीलापन। स्थानीय मॉडल तब भी काम करता रहता है जब नेटवर्क या क्लाउड बंद हो।
- लेटेंसी। जवाब बिना आने-जाने के चक्कर के मिलते हैं, जो वाहनों और मशीनों के लिए मायने रखता है।
एज AI ज़्यादा महँगा क्यों पड़ सकता है?
क्योंकि छोटे डिवाइस आम तौर पर बड़े, साझा, पूरी तरह इस्तेमाल होने वाले सर्वरों से कम कुशल होते हैं, और क्योंकि डिवाइस बनाने की कार्बन लागत बड़ी होती है।
- उपयोग। डेटा सेंटर का एक्सेलरेटर कई उपयोगकर्ताओं के अनुरोधों को एक साथ बैच कर सकता है और व्यस्त रह सकता है। फ़ोन या सेंसर एक उपयोगकर्ता का अनुरोध चलाता है, फिर बेकार बैठा रहता है।
- निर्माण। Meta के Wu और उनके सहयोगियों ने 2022 में बताया कि हार्डवेयर बनाने से आने वाला embodied carbon (निर्माण में निहित कार्बन) AI के कुल फ़ुटप्रिंट का मुख्य स्रोत बनता जा रहा था, और यह भी कहा कि एज की ओर खिसकने वाली कंप्यूटिंग ऐसी जगहों पर चल सकती है जहाँ नवीकरणीय ऊर्जा तक पहुँच सीमित है। ऐसे AI फ़ीचर जिनके लिए नए फ़ोन चाहिए, या जो पुराने फ़ोनों को धीमा महसूस कराते हैं, निर्माण से जुड़ा उत्सर्जन जोड़ते हैं जो बचाई गई किसी भी ऊर्जा पर भारी पड़ सकता है।
- गुणा। प्रति डिवाइस छोटी लागत, अरबों डिवाइसों से गुणा होकर, बड़ी लागत बन जाती है। लगातार मॉडल चलाने वाला डोरबेल या कैमरा कुल मिलाकर उससे ज़्यादा ऊर्जा इस्तेमाल कर सकता है जितनी कभी-कभार की क्लाउड कॉल में लगती।
प्रमाण क्या कहते हैं?
वे मिले-जुले हैं, और काफ़ी हद तक तुलना पर निर्भर हैं। Li, Islam और Ren (2025) ने क्लाउड और एज डिवाइसों पर जनरेटिव AI इन्फ़रेंस की तुलना की और कई मॉडलों के लिए एज पर तैनाती में पर्यावरणीय फ़ुटप्रिंट कम पाया, एक नए फ़ोन पर उनके टेस्ट में 90% से ज़्यादा ऊर्जा बचत के साथ। उनका क्लाउड आधार पूरी तरह ऑप्टिमाइज़ की गई प्रोडक्शन सेवा नहीं था, और यह मायने रखता है: किसी कुशल डेटा सेंटर में अच्छी तरह बैच करने वाले सर्वरों को पछाड़ना कठिन होता है।
ऐसे पूरे अध्ययन जो किसी पूरी AI सेवा को डिवाइस से नेटवर्क होते हुए डेटा सेंटर तक देखें, अब भी दुर्लभ हैं, ख़ासकर बड़े भाषा मॉडलों के लिए। गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के 2026 के एक UK ग्रीन AI सैंडपिट (गहन चर्चा कार्यशाला) ने लाखों डिवाइसों में एज AI के कुल ऊर्जा असर का मॉडल बनाने को एक खुले प्रश्न के रूप में सूचीबद्ध किया।
एज AI को मापना और नियंत्रित करना कठिन क्यों है?
क्योंकि कोई एक मीटर नहीं है। डेटा सेंटर ऊर्जा उपयोग और power usage effectiveness (PUE) की रिपोर्ट करते हैं, और EU में बड़े डेटा सेंटरों को एक साझा योजना को रिपोर्ट करना होता है। फ़ोन, सेंसर और डेस्क के पास रखे AI वर्कस्टेशनों पर ऐसी कोई बाध्यता नहीं है।
ऊर्जा अगर दिखती भी है, तो बैटरी के ख़त्म होने या लाखों घरों और कारोबारों में बँटे थोड़े ज़्यादा बिजली बिल के रूप में। इससे काम को एज पर ले जाकर बचत का दावा करना आसान हो जाता है, बिना किसी के उसकी जाँच कर पाने के। देखें माप ही असली रुकावट है।
एज AI को ज़्यादा हरित क्या बनाता है?
छोटे, कुशल मॉडल, जो केवल ज़रूरत पड़ने पर चलें, उस हार्डवेयर पर जो लोगों के पास पहले से है। जो तरीक़े डेटा सेंटर की ऊर्जा घटाते हैं, वे बैटरी पर और भी ज़्यादा मायने रखते हैं:
- कंप्रेस किए गए मॉडल: pruning, quantisation और distillation। देखें वह गणित जो AI को ज़्यादा कुशल बनाता है।
- घटना-आधारित प्रोसेसिंग: मॉडल को लगातार चलाने के बजाय तब जगाएँ जब कुछ हो।
- जब क्लाउड की ज़रूरत हो, तो कच्चा डेटा नहीं, सारांश भेजें।
- पुराने डिवाइसों का समर्थन करें, ताकि AI फ़ीचर डिवाइस बदलने को मजबूर न करें।
ऊर्जा-कुशल सॉफ़्टवेयर पर काम करने वाला यूरोपीय शोध प्रोजेक्ट GreenCode भी यही बात कहता है: छोटे ट्यून किए गए मॉडल, ज़बरदस्ती भरे गए कॉन्टेक्स्ट की जगह retrieval, सबसे सस्ते सक्षम घटक की ओर रूटिंग और शेड्यूलिंग ही बैटरी और सीमित हार्डवेयर पर AI को व्यावहारिक बनाते हैं, जहाँ ज़्यादा ऊर्जा खर्च करने का विकल्प ही नहीं होता।
आगे क्या करें
- एज या क्लाउड? के सवालों का इस्तेमाल करते हुए, हर मामले में अलग से एज और क्लाउड के बीच फ़ैसला करें।
- चलाने की ऊर्जा के साथ-साथ निर्माण को भी गिनें, और ऐसे फ़ीचरों से बचें जिनके लिए नया हार्डवेयर चाहिए।
- टेस्टिंग के दौरान केवल सटीकता और गति ही नहीं, डिवाइस की ऊर्जा भी मापें।
- मॉडलों को लगातार नहीं, घटनाओं पर चलाएँ, और कच्चे डेटा के बजाय नतीजे भेजें।
- अगर आप एज AI प्रोडक्ट ख़रीदते हैं, तो सप्लायरों से प्रति इन्फ़रेंस ऊर्जा और समर्थित डिवाइसों की उम्र पूछें। देखें टिकाऊ AI ख़रीद।
अक्सर पूछे जाने वाले सवाल
एज AI क्या है?
ऐसा AI जो किसी दूरस्थ डेटा सेंटर के बजाय उस डिवाइस पर या उसके पास चलता है जहाँ डेटा इकट्ठा होता है, जैसे फ़ोन, कैमरा, कार या फ़ैक्टरी का सेंसर।
क्या ऑन-डिवाइस AI पर्यावरण के लिए बेहतर है?
कभी-कभी। यह क्लाउड को डेटा भेजने की ऊर्जा बचा सकता है, लेकिन छोटे डिवाइस साझा सर्वरों से कम कुशल होते हैं, और नए AI फ़ीचर लोगों को नया हार्डवेयर ख़रीदने के लिए प्रेरित कर सकते हैं। कुल असर मामले पर निर्भर करता है।
क्या ऑन-डिवाइस AI मेरे फ़ोन की बैटरी ख़त्म करता है?
फ़ोन पर मॉडल चलाने से बैटरी वैसे ही खर्च होती है जैसे किसी भी दूसरे भारी ऐप से। निर्माता इसे कम रखने के लिए छोटे, कंप्रेस किए गए मॉडल और ख़ास चिप इस्तेमाल करते हैं, लेकिन ऊर्जा फिर भी खर्च होती है, और यह किसी डेटा सेंटर के आँकड़ों में नहीं दिखती।
स्रोत
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
- Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
- Gemini Nano with Android AICore, Google, Android Developers (2024)
- A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Green AI and energy-aware computing, GreenCode (2026)
संबंधित
एज या क्लाउड: AI कहाँ चलना चाहिए?
डिवाइस पर और एज AI को केंद्रीय डेटा सेंटरों के मुकाबले कैसे तौलें: ऊर्जा, नेटवर्क, हार्डवेयर, निजता और लचीलापन, और फ़ैसला करने का चरण-दर-चरण तरीका।
ग्रीन AI होस्टिंग और डेटा सेंटर
AI कहाँ चले, यह कैसे चुनें: ग्रिड की कार्बन तीव्रता, PUE और WUE, नवीकरणीय ऊर्जा के दावे, पानी का उपयोग और स्थान, साथ में होस्ट से पूछने के सवाल।
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।
वह गणित जो AI को ज़्यादा कुशल बनाता है
Pruning, sparsity, sketching, random matrix theory और भौतिकी-आधारित मॉडल: गणित AI के लिए ज़रूरी कंप्यूटिंग, मेमोरी और ऊर्जा को कैसे घटाता है।