संक्षेप में
AI के ज़्यादातर ऊर्जा आँकड़े या तो कंपनियाँ ख़ुद बताती हैं, ऐसे तरीक़ों से जो पूरी तरह प्रकाशित नहीं हैं, या असली हार्डवेयर पर मापने के बजाय मान्यताओं के आधार पर अनुमानित होते हैं। अलग-अलग अध्ययन "सिस्टम" की सीमा भी अलग-अलग जगह खींचते हैं। जब तक माप एक जैसा नहीं होता, ग्रीन AI के दावों की जाँच कठिन है और मॉडलों या प्रदाताओं की तुलना भ्रामक हो सकती है।
मुख्य बातें
- प्रति prompt के सबसे मशहूर आँकड़े ख़ुद प्रदाताओं से आते हैं और अलग-अलग तरीक़ों पर आधारित हैं, इसलिए उनकी सीधी तुलना नहीं की जा सकती।
- माप की सीमा बदलने से नतीजा दोगुने से भी ज़्यादा बदल सकता है; अगर सिर्फ़ AI चिप गिने जाएँ, तो Gemini prompt के लिए Google का अपना आँकड़ा 0.24 Wh से घटकर 0.10 Wh रह जाता है।
- कई टूल ऊर्जा को मीटर से मापने के बजाय हार्डवेयर के विनिर्देशों और ग्रिड के औसत से अनुमानित करते हैं।
- 2025 के एक विश्लेषण के अनुसार, AI की पर्यावरणीय लागतों के बारे में पारदर्शिता बढ़ नहीं, बल्कि घट रही है।
- अच्छा आँकड़ा बताता है कि क्या मापा गया, कैसे, किस सीमा में, किस हार्डवेयर पर और किस काम के लिए।
जिसे आप माप नहीं सकते, उसे सँभाल भी नहीं सकते, और AI के ऊर्जा उपयोग का माप अब भी कमज़ोर है। यह कोई छोटी बात नहीं है: इसी से तय होता है कि ग्रीन AI के दावों की जाँच हो सकती है या नहीं, ख़रीदार उत्पादों की तुलना कर सकते हैं या नहीं, और नीतियाँ सही चीज़ों को निशाना बना सकती हैं या नहीं। भरोसेमंद आँकड़ों के बिना हर ग्रीन दावा बस एक प्रेस विज्ञप्ति है।
AI के ऊर्जा आँकड़ों पर भरोसा करना कठिन क्यों है?
क्योंकि ज़्यादातर आँकड़े AI बेचने वाली कंपनियों से ही आते हैं, ऐसे तरीक़ों पर आधारित हैं जो पूरी तरह प्रकाशित नहीं हैं, और उनकी स्वतंत्र जाँच नहीं हो सकती। इससे वे ग़लत नहीं हो जाते, पर उनकी तुलना कठिन हो जाती है।
किसी टेक्स्ट prompt के लिए सबसे ज़्यादा उद्धृत दोनों आँकड़े कंपनियों के अपने बताए हुए हैं:
| आँकड़ा | किसका | तरीक़े के बारे में हम क्या जानते हैं |
|---|---|---|
| Gemini Apps के एक मीडियन टेक्स्ट prompt के लिए 0.24 Wh | Google, 2025 | एक प्रकाशित शोध-पत्र तरीक़ा बताता है, जिसमें डेटा सेंटर का अतिरिक्त ख़र्च और ख़ाली क्षमता शामिल है। आँकड़े मई 2025 के हैं, स्वतंत्र रूप से सत्यापित नहीं। |
| एक औसत ChatGPT query के लिए लगभग 0.34 Wh | OpenAI के मुख्य कार्यकारी, 2025 | एक ब्लॉग पोस्ट; कोई कार्यप्रणाली प्रकाशित नहीं। |
| एक सामान्य GPT-4o query के लिए लगभग 0.3 Wh | Epoch AI, 2025 | हार्डवेयर और मॉडल के आकार के बारे में सार्वजनिक जानकारी से बना एक स्वतंत्र अनुमान। |
आँकड़े मिलते-जुलते दिखते हैं, पर वे एक जैसी चीज़ की तुलना नहीं हैं: मीडियन और औसत एक नहीं हैं, और सीमाएँ भी अलग हैं। ये सिर्फ़ छोटे टेक्स्ट prompt पर लागू होते हैं, इमेज या वीडियो बनाने, लंबी reasoning या agents पर नहीं।
सीमा कितना मायने रखती है?
बहुत ज़्यादा। Google का शोध-पत्र ख़ुद यह बात कहता है। सिर्फ़ सक्रिय AI accelerators (TPU और GPU) गिनने पर प्रति मीडियन prompt 0.10 Wh आता है। होस्ट सर्वर, माँग के लिए तैयार रखी ख़ाली क्षमता, और कूलिंग जैसे डेटा सेंटर के अतिरिक्त ख़र्च जोड़ने पर यह 0.24 Wh हो जाता है, यानी दोगुने से भी ज़्यादा।
आप रेखा कहाँ खींचते हैं, उसी से जवाब तय होता है। किसी AI सेवा की पूरी सीमा में ये चीज़ें शामिल हो सकती हैं:
- काम करने वाले AI चिप।
- सर्वर का बाक़ी हिस्सा: प्रोसेसर, मेमोरी, स्टोरेज।
- माँग के चरम समय के लिए रखी ख़ाली और अतिरिक्त क्षमता।
- डेटा सेंटर की कूलिंग और बिजली का रूपांतरण।
- अनुरोध और जवाब ले जाने वाला नेटवर्क।
- उपयोगकर्ता का डिवाइस।
- मॉडल का प्रशिक्षण (training), जो उसके सभी उपयोगों में बँटता है।
- हार्डवेयर का निर्माण (embodied carbon)।
यही बात बड़े-बड़े तुलनात्मक दावों पर भी लागू होती है। यह दावा कि AI किसी काम को करने वाले इंसान से कई गुना ज़्यादा, या कम, ऊर्जा लेता है, इस पर निर्भर करता है कि दोनों तरफ़ क्या गिना गया: इंसान का कंप्यूटर और समय, मॉडल का प्रशिक्षण, और AI के आउटपुट को जाँचने और सुधारने में लगी मेहनत। गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के 2026 के एक UK ग्रीन AI सैंडपिट (गहन चर्चा कार्यशाला) ने ज़ोर दिया कि ऐसी किसी भी तुलना का अर्थ तभी है जब पहले सिस्टम की सीमाएँ बताई जाएँ।
अनुमान लगाने और मीटर से मापने में क्या अंतर है?
मीटर से मापने में काम चलते समय हार्डवेयर से असली बिजली पढ़ी जाती है; अनुमान में उसकी गणना मान्यताओं से की जाती है। दोनों की अपनी जगह है, पर अक्सर दोनों को एक समझ लिया जाता है।
- मीटर से मापना हार्डवेयर काउंटर (जैसे आधुनिक प्रोसेसर और GPU में बने काउंटर), सर्वरों पर लगे पावर मीटर, या डेटा सेंटर के मीटरों का उपयोग करता है। जो चीज़ें यह कवर करता है, उनके लिए यह सटीक है, पर इसके लिए हार्डवेयर तक पहुँच चाहिए।
- अनुमान लगाना मानी गई पावर रेटिंग को चलने के समय और उपयोग के स्तर से गुणा करता है, फिर ग्रिड की औसत कार्बन तीव्रता से। CodeCarbon जैसे टूल प्रोसेसर, GPU और मेमोरी की बिजली का अनुमान लगाते हैं और क्षेत्रीय ग्रिड की तीव्रता लागू करते हैं। ये इस्तेमाल में आसान हैं, पर ये अनुमान लगाने वाले टूल हैं, मीटर नहीं।
अनुमान बहुत ग़लत हो सकते हैं, ख़ासकर साझा क्लाउड हार्डवेयर पर, जहाँ आप नहीं देख सकते कि और क्या चल रहा है। सीधे-सादे अंगूठा-नियम भी जोखिम भरे हैं: Mytton, Lundén और Malmodin ने 2024 में दिखाया कि नेटवर्क की ऊर्जा ज़्यादातर एक स्थिर आधार-स्तर होती है, इसलिए "किलोवाट-घंटे प्रति गीगाबाइट" वाले गुणक कम या ज़्यादा डेटा भेजने के असर को ग़लत दिखाते हैं।
International Telecommunication Union ने AI के पर्यावरणीय प्रभाव को मापने पर अपनी 2025 की रिपोर्ट में अप्रत्यक्ष अनुमानों पर भारी निर्भरता को, बिना वास्तविक माप के, एक गंभीर समस्या बताया।
क्या पारदर्शिता बेहतर हो रही है?
ज़्यादातर पैमानों पर नहीं। Luccioni, Gamazaychikov, Alves da Costa और Strubell ने 2025 में AI मॉडलों के पर्यावरणीय खुलासों का विश्लेषण किया और निष्कर्ष निकाला कि इन मॉडलों की लागतों और प्रभावों के बारे में पारदर्शिता घटी है, जबकि उनका उपयोग बढ़ा है।
नियमन (regulation) अब दूसरी दिशा में धकेलने लगा है। EU AI Act के तहत, सामान्य-उद्देश्य AI मॉडलों के प्रदाताओं को अपने मॉडलों की ज्ञात या अनुमानित ऊर्जा खपत का दस्तावेज़ बनाना होता है (Annex XI)। यह दस्तावेज़ नियामकों और आगे के प्रदाताओं को जाता है, जनता को नहीं, और जहाँ माप उपलब्ध न हो वहाँ अनुमान की अनुमति है।
अच्छा माप कैसा दिखेगा?
ऐसा आँकड़ा जिसे दोहराया जा सके: क्या मापा गया, कैसे, किस सीमा में, किस हार्डवेयर पर और किस काम के लिए। काम के बुनियादी हिस्से पहले से मौजूद हैं:
- खुले benchmarks, जैसे ML.ENERGY Leaderboard, जो ज्ञात हार्डवेयर पर खुले मॉडलों की inference ऊर्जा मापता है, और अब उभर रहे ऊर्जा लेबल और benchmarks।
- मानक, जैसे ISO/IEC 21031:2024, यानी Software Carbon Intensity विनिर्देश, जो ऊर्जा, ग्रिड की तीव्रता और embodied उत्सर्जन से प्रति कार्यात्मक इकाई (functional unit) कार्बन दर तय करता है।
- ऊर्जा के साथ सटीकता। ग़लत जवाब सस्ता हो तब भी कुशल नहीं है। ऊर्जा के आँकड़े नतीजे की गुणवत्ता के साथ, और यह बताते हुए दिए जाने चाहिए कि दोबारा कितना काम करना पड़ा।
माप को "डेटा सेंटर" से भी बारीक स्तरों तक पहुँचना होगा: एक अनुरोध, एक मॉडल, या कोड की एक पंक्ति। इसी तरह का बँटवारा इंजीनियरों को महँगे हिस्से ढूँढने और ठीक करने देता है।
आगे क्या करें
- जब आप AI ऊर्जा का कोई आँकड़ा देखें, तो पूछें: इसे किसने मापा, किस सीमा में, और यह मीटर से मापा गया या अनुमानित है?
- अपने काम के बोझ (workloads) को अपने इस्तेमाल वाले हार्डवेयर पर मापें; देखें AI ऊर्जा मापना।
- जो भी आँकड़ा प्रकाशित करें, उसके साथ सीमा और तरीक़ा बताएँ; देखें ईमानदार ग्रीन दावे करना।
- आपूर्तिकर्ताओं से मार्केटिंग अनुपात नहीं, प्रति काम मापी गई ऊर्जा माँगें; देखें टिकाऊ AI ख़रीद।
- मददगार टूल उत्पाद निर्देशिका में और विशेषज्ञ मदद सलाहकार निर्देशिका में खोजें।
अक्सर पूछे जाने वाले सवाल
मैं ChatGPT और Gemini की ऊर्जा की तुलना क्यों नहीं कर सकता?
क्योंकि प्रकाशित आँकड़े कंपनियों के अपने बताए हुए हैं, अलग-अलग चीज़ें गिनते हैं और ऐसे तरीक़ों पर आधारित हैं जो पूरी तरह प्रकाशित नहीं हैं। एक में डेटा सेंटर का अतिरिक्त ख़र्च और ख़ाली पड़ी क्षमता शामिल हो सकती है, दूसरे में नहीं। जब तक दोनों को एक ही तरीक़े से न मापा जाए, सीधी तुलना भरोसेमंद नहीं है।
AI ऊर्जा का अनुमान लगाने और उसे मापने में क्या अंतर है?
मापने में काम चलते समय हार्डवेयर के सेंसर या मीटर से बिजली पढ़ी जाती है। अनुमान लगाने में ऊर्जा की गणना चिप की पावर रेटिंग, उपयोग के स्तर और चलने के समय जैसी मान्यताओं से की जाती है। जब मापना संभव न हो तब अनुमान काम के होते हैं, लेकिन वे बहुत ग़लत भी हो सकते हैं।
सिस्टम सीमा (system boundary) क्या है?
वह रेखा जो तय करती है कि क्या गिना जाएगा। संकरी सीमा सिर्फ़ AI चिप गिनती है; चौड़ी सीमा में सर्वर, कूलिंग, ख़ाली क्षमता, नेटवर्क, उपयोगकर्ता का डिवाइस और हार्डवेयर का निर्माण भी जुड़ जाते हैं।
स्रोत
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
- Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
- CodeCarbon, CodeCarbon project (2020)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
- Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
संबंधित
AI की ऊर्जा और कार्बन कैसे मापें
AI के काम की ऊर्जा और कार्बन को मापने या अनुमान लगाने की व्यावहारिक गाइड: टूल, सिस्टम सीमाएँ, प्रति-कार्य पैमाने और अनिश्चितता का ईमानदार हिसाब।
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।
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 अभी क्यों मायने रखता है
AI डेटा सेंटरों की बिजली की माँग तेज़ी से बढ़ा रहा है, ग्रिडों पर दबाव डाल रहा है और लागत बढ़ा रहा है। 2026 में पैमाने, ऊर्जा, लागत और नीति के सबूत।