# ग्रीन AI शब्दावली

> ग्रीन AI में इस्तेमाल होने वाले शब्दों की सरल परिभाषाएँ, टोकन, इन्फ़रेंस और PUE से लेकर रिबाउंड प्रभाव, पर्याप्तता और मॉडल मर्जिंग तक।

Source: https://greenai.guide/hi/शब्दावली/  
Updated: 2026-11-20

## संक्षेप में

यह शब्दावली उन शब्दों को सरल भाषा में समझाती है जिनसे लोग AI की पर्यावरणीय क़ीमत के बारे में पढ़ना शुरू करते समय मिलते हैं। शब्द अंग्रेज़ी वर्णमाला के क्रम में हैं, ताकि हर भाषा में उनके लिंक एक जैसे रहें। हर शब्द का अपना लिंक है, ताकि साइट के दूसरे पेज सीधे उस तक पहुँचा सकें।

## मुख्य बातें

- ट्रेनिंग से मॉडल एक बार बनता है; इन्फ़रेंस उसके बाद का हर इस्तेमाल है।
- दक्षता का मतलब है कम में उतना ही करना; पर्याप्तता का मतलब है यह पूछना कि क्या यह काम AI से करना ज़रूरी भी है।
- PUE किसी डेटा सेंटर की कुल ऊर्जा की तुलना उसके कंप्यूटरों की ऊर्जा से करता है; 1.0 एकदम सही होगा।
- रिबाउंड प्रभाव तब होता है जब दक्षता किसी चीज़ को सस्ता बनाकर उसकी कुल खपत बढ़ा देती है।

ग्रीन AI में कंप्यूटर विज्ञान, गणित, इंजीनियरिंग, ऊर्जा और नीति एक साथ आते हैं, और हर क्षेत्र की अपनी शब्दावली है। "मॉडल", "दक्षता" और यहाँ तक कि "AI" जैसे शब्दों का अलग-अलग लोगों के लिए अलग मतलब होता है। 2026 में UK में गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग जगत के एक ग्रीन AI सैंडपिट (गहन चर्चा कार्यशाला) में पाया गया कि लोग सबसे ज़्यादा बुनियादी शब्दों के ही स्पष्ट अर्थ चाहते थे, इसीलिए यह शब्दावली बिल्कुल शुरुआत से चलती है। शब्द अंग्रेज़ी वर्णमाला के क्रम में रखे गए हैं (हर शब्द का अंग्रेज़ी नाम कोष्ठक में है), ताकि हर भाषा के संस्करण में उनके लिंक एक जैसे रहें। अगर आपको जिस शब्द की ज़रूरत है वह यहाँ नहीं है, तो [हमें बताएँ](/hi/संपर्क/)।

### एजेंटिक AI (Agentic AI) {#agentic-ai}

ऐसा AI जो एक जवाब देने के बजाय, कोई काम अपने आप कई चरणों में पूरा करता है, जैसे सर्च करना, कोड लिखना, उसे चलाना और ग़लतियाँ ठीक करना। हर चरण में मॉडल फिर से इस्तेमाल होता है, इसलिए एजेंटिक AI किसी चैट से कहीं ज़्यादा टोकन इस्तेमाल कर सकता है, और लूप में फँसे एजेंट बहुत कुछ बर्बाद कर सकते हैं। देखें: [एजेंटिक AI और टोकन की बर्बादी](/hi/लेख/एजेंटिक-ai-और-टोकन-की-बर्बादी/)।

### AI {#ai}

आर्टिफ़िशियल इंटेलिजेंस का संक्षिप्त रूप: ऐसे कंप्यूटर सिस्टम जो वे काम करते हैं जिन्हें हम इंसानी बुद्धि से जोड़ते हैं, जैसे इमेज पहचानना, भाषा समझना या अनुमान लगाना। 2026 की आम बोलचाल में "AI" का मतलब आम तौर पर चैटबॉट जैसे बड़े जनरेटिव मॉडल होता है, लेकिन यह शब्द स्पैम फ़िल्टर और मौसम मॉडल जैसे कहीं छोटे सिस्टम पर भी लागू होता है, इसलिए यह बताना अच्छा है कि आपका मतलब किससे है।

### ग्रीन के लिए AI (AI for green) {#ai-for-green}

जलवायु और पर्यावरण के लिए कार्रवाई में AI का इस्तेमाल: उत्सर्जन घटाना, जैसे नवीकरणीय बिजली का पूर्वानुमान लगाकर या मीथेन रिसाव का पता लगाकर, और लोगों को बदलते हालात के मुताबिक़ ढलने में मदद करना, जैसे बाढ़ की चेतावनियों और मौसम पूर्वानुमानों के ज़रिए। यह ग्रीन AI से अलग है, जो ख़ुद AI का फ़ुटप्रिंट घटाता है, और यह तभी मदद करता है जब इसका फ़ायदा AI की अपनी लागत से ज़्यादा हो। देखें: [ग्रीन AI बनाम AI for green](/hi/लेख/ग्रीन-ai-बनाम-ai-फ़ॉर-ग्रीन-क्या-अंतर-है/)।

### AI साक्षरता (AI literacy) {#ai-literacy}

AI को समझदारी से समझने, इस्तेमाल करने और परखने का ज्ञान और कौशल: वह क्या कर सकता है और क्या नहीं, उसके नतीजे कैसे जाँचें, और उसकी क़ीमतें, जिनमें पर्यावरण पर पड़ने वाली क़ीमतें भी शामिल हैं।

### ऑटोमैटिक डिफ़रेंशिएशन (Automatic differentiation) {#automatic-differentiation}

एक तकनीक जिससे कंप्यूटर ठीक-ठीक पता लगा सकता है कि हर इनपुट बदलने पर किसी गणना का आउटपुट कैसे बदलता है। न्यूरल नेटवर्क इसी से सीखते हैं (जहाँ इसे बैकप्रोपेगेशन कहा जाता है), और इसका इस्तेमाल वैज्ञानिक सिमुलेशन को ऑप्टिमाइज़ करने में भी होता है।

### बेंचमार्क (Benchmark) {#benchmark}

सिस्टमों की निष्पक्ष तुलना के लिए इस्तेमाल होने वाला एक मानक परीक्षण, जैसे सवालों के एक ही सेट पर मॉडल कितने सटीक हैं, या एक ही काम पर वे कितनी ऊर्जा इस्तेमाल करते हैं। बेंचमार्क उतने ही उपयोगी होते हैं जितने उनमें शामिल काम और माप।

### कार्बन-अवेयर कंप्यूटिंग (Carbon-aware computing) {#carbon-aware-computing}

कंप्यूटिंग के काम उस समय या उस जगह चलाना जहाँ बिजली ज़्यादा साफ़ हो, जैसे किसी बड़े ट्रेनिंग रन को तब तक टालना जब तक हवा न चलने लगे। यह उन कामों के लिए ठीक है जिन्हें तुरंत जवाब की ज़रूरत नहीं।

### कार्बन इंटेंसिटी (Carbon intensity) {#carbon-intensity}

बिजली की हर इकाई पर कितनी कार्बन डाइऑक्साइड (या उसके बराबर ग्रीनहाउस गैस) निकलती है, आम तौर पर ग्राम CO₂e प्रति किलोवाट-घंटा में। यह देश और घंटे के हिसाब से बदलती है, इस पर निर्भर करते हुए कि कितनी बिजली जीवाश्म ईंधन से और कितनी नवीकरणीय स्रोतों से आती है।

### डेटा सेंटर (Data centre) {#data-centre}

कंप्यूटरों, स्टोरेज और नेटवर्क उपकरणों से भरी एक इमारत, जिसमें उन्हें चालू रखने के लिए बिजली और कूलिंग की व्यवस्था होती है। ज़्यादातर AI चैटबॉट उपयोगकर्ता के डिवाइस पर नहीं, डेटा सेंटरों में चलते हैं।

### डिफ़्यूज़न मॉडल (Diffusion model) {#diffusion-model}

एक तरह का जनरेटिव AI, जो इमेज और वीडियो के लिए बहुत इस्तेमाल होता है और रैंडम नॉइज़ को कदम-दर-कदम तस्वीर में बदलना सीखता है। इसके कई चरणों से यह समझ आता है कि इमेज बनाने में छोटे टेक्स्ट से कहीं ज़्यादा ऊर्जा क्यों लगती है।

### डिस्टिलेशन (Distillation) {#distillation}

एक छोटे "छात्र" मॉडल को एक बड़े "शिक्षक" मॉडल की नक़ल करने के लिए ट्रेन करना, ताकि छोटा मॉडल कंप्यूटिंग की लागत के एक छोटे हिस्से में लगभग उतना ही अच्छा काम कर सके।

### एज AI (Edge AI) {#edge-ai}

ऐसा AI जो किसी दूर के डेटा सेंटर के बजाय उसी डिवाइस पर या उसके पास चलता है जहाँ डेटा है, जैसे फ़ोन, कैमरा या फ़ैक्टरी का सेंसर। इससे नेटवर्क की ऊर्जा बच सकती है और निजता सुरक्षित रह सकती है, लेकिन लाखों से गुणा होकर छोटे डिवाइस भी बहुत हो जाते हैं। देखें: [एज या क्लाउड](/hi/अच्छी-प्रथाएँ/एज-या-क्लाउड-ai-कहाँ-चलना-चाहिए/)।

### दक्षता (Efficiency) {#efficiency}

कम इनपुट में वही उपयोगी नतीजा पाना: प्रति काम कम ऊर्जा, समय, पानी या हार्डवेयर। ग्रीन AI के लिए दक्षता ज़रूरी है, लेकिन रिबाउंड प्रभाव के कारण अकेले काफ़ी नहीं।

### एम्बॉडिड कार्बन (Embodied carbon) {#embodied-carbon}

उपकरणों को चलाने के बजाय उन्हें बनाने, ढोने और आख़िर में निपटाने से होने वाला उत्सर्जन। AI के लिए इसमें चिप, सर्वर और डेटा सेंटर की इमारतों का निर्माण शामिल है।

### एनर्जी लेबल (Energy label) {#energy-label}

एक आसान रेटिंग जो बताती है कि कोई प्रोडक्ट कितनी ऊर्जा इस्तेमाल करता है, जैसे यूरोप में फ़्रिज पर लगे A से G तक के लेबल। कई समूह AI मॉडलों के लिए ऐसे ही लेबल बना रहे हैं, जैसे Hugging Face का AI Energy Score, और EU AI Act के तहत सामान्य-उद्देश्य वाले AI मॉडलों के प्रदाताओं को उनकी ज्ञात या अनुमानित ऊर्जा खपत दर्ज करनी होती है। देखें: [AI के लिए एनर्जी लेबल](/hi/लेख/ai-के-लिए-ऊर्जा-लेबल-और-बेंचमार्क/)।

### फ़ाइन-ट्यूनिंग (Fine-tuning) {#fine-tuning}

पहले से ट्रेन किए गए किसी मॉडल को विशेष डेटा पर थोड़ा और ट्रेन करना, ताकि वह किसी ख़ास काम में बेहतर करे। इसकी लागत शुरू से ट्रेनिंग करने से कहीं कम होती है।

### FLOPs {#flops}

फ़्लोटिंग-पॉइंट ऑपरेशन: वे बुनियादी अंकगणितीय चरण (दशमलव संख्याओं का जोड़ और गुणा) जो कंप्यूटर करता है। इन्हें गिनना यह अनुमान लगाने का एक आम तरीक़ा है कि किसी मॉडल को कितनी कंप्यूटिंग चाहिए। बड़े S वाले FLOPS का मतलब आम तौर पर प्रति सेकंड ऑपरेशन होता है।

### FPGA {#fpga}

फ़ील्ड-प्रोग्रामेबल गेट ऐरे: एक ऐसी चिप जिसके सर्किट बनने के बाद भी बदले जा सकते हैं। FPGA किसी ख़ास काम के लिए बहुत कुशल हो सकते हैं और मॉडल बदलने पर इन्हें दोबारा प्रोग्राम किया जा सकता है, लेकिन इन्हें प्रोग्राम करना GPU से मुश्किल है।

### जनरेटिव AI (Generative AI) {#generative-ai}

ऐसा AI जो किसी अनुरोध पर नई सामग्री बनाता है, जैसे टेक्स्ट, इमेज, ऑडियो, वीडियो या कोड। चैटबॉट और इमेज जनरेटर जनरेटिव AI हैं।

### GPU {#gpu}

ग्राफ़िक्स प्रोसेसिंग यूनिट: एक चिप जो मूल रूप से कंप्यूटर ग्राफ़िक्स के लिए बनी थी और एक साथ कई गणनाएँ कर सकती है। आधुनिक AI को ट्रेन करने और चलाने का मुख्य हार्डवेयर GPU ही है।

### ग्रीन AI (Green AI) {#green-ai}

ऐसा AI जिसे इस तरह विकसित और इस्तेमाल किया जाए कि उसकी ऊर्जा, कार्बन, पानी और सामग्री का फ़ुटप्रिंट जितना हो सके उतना कम रहे, और जिसे वहीं इस्तेमाल किया जाए जहाँ वह सच में फ़ायदा देता है। इसमें AI को ज़्यादा कुशल बनाना और उसे केवल वहीं इस्तेमाल करना, जहाँ वह सही टूल है, दोनों शामिल हैं। यह [ग्रीन के लिए AI](/hi/शब्दावली/#ai-for-green) से अलग है, जिसमें जलवायु और पर्यावरण के लिए कार्रवाई में मदद के लिए AI का इस्तेमाल होता है; यह साइट कभी-कभी "ग्रीन AI" को दोनों के लिए एक व्यापक शब्द के रूप में इस्तेमाल करती है। देखें: [ग्रीन AI क्या है?](/hi/लेख/ग्रीन-ai-क्या-है/) और [ग्रीन AI बनाम AI for green](/hi/लेख/ग्रीन-ai-बनाम-ai-फ़ॉर-ग्रीन-क्या-अंतर-है/)।

### ग्रीनवॉशिंग (Greenwashing) {#greenwashing}

यह भ्रामक दावा करना कि कोई प्रोडक्ट या संस्था पर्यावरण के लिए असल से बेहतर है। EU में Directive (EU) 2024/825 उपभोक्ताओं के सामने ऐसे सामान्य पर्यावरणीय दावों पर रोक लगाता है जिन्हें साबित नहीं किया जा सकता। देखें: [ईमानदार ग्रीन दावे](/hi/अच्छी-प्रथाएँ/ai-के-बारे-में-ईमानदार-ग्रीन-दावे/)।

### इन्फ़रेंस (Inference) {#inference}

किसी ट्रेन किए गए मॉडल से आउटपुट बनवाना, जैसे किसी सवाल का जवाब देना या इमेज बनाना। हर प्रॉम्प्ट एक इन्फ़रेंस है, इसलिए लोकप्रिय टूल के लिए इन्फ़रेंस की ऊर्जा तब तक बढ़ती रहती है जब तक मॉडल इस्तेमाल में है।

### जेवन्स विरोधाभास (Jevons paradox) {#jevons-paradox}

अर्थशास्त्री William Stanley Jevons का 1865 की अपनी किताब *The Coal Question* में किया गया यह अवलोकन कि ज़्यादा कुशल भाप इंजनों के कारण ब्रिटेन ने कम नहीं, बल्कि ज़्यादा कोयला जलाया। यह रिबाउंड प्रभाव का चरम रूप है, जिसमें दक्षता कुल खपत बढ़ा देती है। देखें: [जेवन्स विरोधाभास और AI](/hi/लेख/jevons-विरोधाभास-और-ai-सिर्फ़-दक्षता-काफ़ी-क्यों-नहीं/)।

### KV कैश (KV cache) {#kv-cache}

की–वैल्यू कैश का संक्षिप्त रूप। जब कोई लैंग्वेज मॉडल एक-एक टोकन करके जवाब लिखता है, तो वह बीच के नतीजे (अपनी अटेंशन गणना की "keys" और "values") स्टोर कर लेता है, ताकि उसे हर चरण पर उन्हें दोबारा न गिनना पड़े। इससे बहुत कंप्यूटिंग बचती है, लेकिन मेमोरी लगती है।

### लार्ज लैंग्वेज मॉडल (Large language model) {#large-language-model}

भाषा का अनुमान लगाने और उसे बनाने के लिए भारी मात्रा में टेक्स्ट पर ट्रेन किया गया जनरेटिव AI मॉडल, जिसे अक्सर संक्षेप में LLM कहा जाता है। ज़्यादातर चैटबॉट किसी LLM पर ही बने होते हैं।

### लेटेंसी (Latency) {#latency}

कुछ माँगने और जवाब मिलने के बीच की देरी। कुछ ग्रीन AI तकनीकें कम ऊर्जा के बदले थोड़ी ज़्यादा लेटेंसी स्वीकार करती हैं, जैसे अनुरोधों को बैच में भेजना या साफ़ बिजली का इंतज़ार करना।

### मैकनमारा भ्रांति (McNamara fallacy) {#mcnamara-fallacy}

यह ग़लती कि जो आसानी से मापा जा सके उसी को सब कुछ मान लिया जाए, और जो न मापा जा सके उसे अनदेखा कर दिया जाए। ग्रीन AI में यह चेतावनी है कि सिस्टमों को केवल सुविधाजनक संख्याओं से न परखें और उन नुक़सानों को नज़रअंदाज़ न करें जिन्हें गिनना मुश्किल है, जैसे पानी की खपत या सामाजिक असर।

### मिक्स्ड प्रिसिज़न (Mixed precision) {#mixed-precision}

जहाँ नतीजे पर असर न पड़े, वहाँ कुछ गणनाएँ दूसरों से कम अंकों की सटीकता के साथ करना। कम प्रिसिज़न में कम मेमोरी और ऊर्जा लगती है।

### मिक्सचर ऑफ़ एक्सपर्ट्स (Mixture of experts) {#mixture-of-experts}

एक मॉडल डिज़ाइन जो कई विशेषज्ञ सब-नेटवर्क ("एक्सपर्ट") से बना होता है, जिसमें एक राउटर हर इनपुट को उनमें से केवल कुछ के पास भेजता है। हर जवाब के लिए मॉडल का केवल एक हिस्सा इस्तेमाल होता है, जिससे कंप्यूटिंग बचती है, हालाँकि मेमोरी में और ट्रेनिंग के दौरान पूरा मॉडल चाहिए।

### मॉडल (Model) {#model}

AI में मॉडल वह ट्रेन किया गया सिस्टम है जो इनपुट को आउटपुट में बदलता है: सीखी गई संख्याओं (पैरामीटर) का सेट और उन्हें इस्तेमाल करने वाली संरचना। विज्ञान और इंजीनियरिंग में "मॉडल" का मतलब किसी सिस्टम का गणितीय वर्णन भी हो सकता है, जैसे जलवायु मॉडल, इसलिए यह बताना अच्छा है कि आपका मतलब किससे है।

### मॉडल मर्जिंग या सूपिंग (Model merging (souping)) {#model-merging-souping}

दो या ज़्यादा मॉडलों को मिलाना, अक्सर उनके पैरामीटर का औसत निकालकर, ताकि नया मॉडल शुरू से ट्रेन किए बिना एक ऐसा मॉडल मिले जिसमें हर एक की ख़ूबियाँ हों। "Model soups" नाम Wortsman और उनके साथियों ने 2022 में इस्तेमाल किया था।

### मल्टी-एजेंट सिस्टम (Multi-agent system) {#multi-agent-system}

AI एजेंटों का एक समूह जो मिलकर काम करते हैं या एक-दूसरे को काम सौंपते हैं। ये बहुत असरदार हो सकते हैं, लेकिन अगर वे आपस में बात करने में फँस जाएँ, तो बिना किसी उपयोगी नतीजे के भारी संख्या में टोकन ख़र्च कर सकते हैं।

### ओपन-वेट मॉडल (Open-weight model) {#open-weight-model}

ऐसा मॉडल जिसके ट्रेन किए गए पैरामीटर (वेट) प्रकाशित होते हैं, ताकि कोई भी उसे डाउनलोड करके चला सके, भले ही उसका ट्रेनिंग डेटा और कोड प्रकाशित न हो। ओपन-वेट मॉडल लोकल चलाए और बदले जा सकते हैं, और उनकी ऊर्जा खपत स्वतंत्र रूप से मापी जा सकती है।

### ऑर्केस्ट्रेशन (Orchestration) {#orchestration}

किसी एक बड़े मॉडल से सब कुछ जनरेट करवाने के बजाय, कोई काम पूरा करने के लिए कई मॉडलों, टूल या पहले से बने हिस्सों में तालमेल बिठाना। देखें: [जनरेशन के बजाय ऑर्केस्ट्रेशन](/hi/लेख/जनरेशन-से-पहले-ऑर्केस्ट्रेशन/)।

### पैरामीटर (Parameters) {#parameters}

मॉडल के अंदर की वे संख्याएँ जो ट्रेनिंग के दौरान बदली जाती हैं और मिलकर वह सब स्टोर करती हैं जो मॉडल ने सीखा है। लार्ज लैंग्वेज मॉडल में इनकी संख्या अरबों में होती है; उदाहरण के लिए, Meta का Llama 3.1 परिवार 8, 70 और 405 अरब पैरामीटर के आकारों में आता है। ज़्यादा पैरामीटर का मतलब आम तौर पर प्रति जवाब ज़्यादा कंप्यूटिंग है।

### फ़िज़िक्स-इन्फ़ॉर्म्ड न्यूरल नेटवर्क (Physics-informed neural network) {#physics-informed-neural-network}

ऐसा न्यूरल नेटवर्क जिसे डेटा पर फ़िट होने के साथ-साथ भौतिकी के ज्ञात नियमों, जैसे ऊर्जा संरक्षण, का पालन करने के लिए ट्रेन किया जाता है। यह ज्ञान पहले से शामिल करने का मतलब हो सकता है कम डेटा, कम पैरामीटर और कम ट्रेनिंग।

### प्रॉम्प्ट (Prompt) {#prompt}

वह निर्देश या सवाल जो कोई व्यक्ति किसी जनरेटिव AI मॉडल को देता है। साफ़, स्पष्ट प्रॉम्प्ट पर आम तौर पर पहली बार में ही अच्छा जवाब मिल जाता है, जिससे समय और ऊर्जा दोनों बचते हैं।

### प्रूनिंग (Pruning) {#pruning}

ट्रेन किए गए मॉडल के वे हिस्से हटाना, जैसे अलग-अलग वेट या पूरे कनेक्शन, जिनका आउटपुट में योगदान कम है। प्रून किया गया मॉडल छोटा और चलाने में सस्ता होता है, अक्सर सटीकता में थोड़े-से नुक़सान के साथ।

### PUE {#pue}

पावर यूसेज इफ़ेक्टिवनेस: किसी डेटा सेंटर की कुल ऊर्जा खपत को उसके कंप्यूटिंग उपकरणों की ऊर्जा खपत से भाग देकर निकाला गया अनुपात। 1.0 के PUE का मतलब होगा कि कोई ऊर्जा कूलिंग या बिजली के नुक़सान में नहीं जाती; जितना कम, उतना बेहतर। सामान्य मानों और उनके स्रोतों के लिए देखें: [होस्टिंग और डेटा सेंटर](/hi/अच्छी-प्रथाएँ/ग्रीन-ai-होस्टिंग-और-डेटा-सेंटर/)।

### क्वांटाइज़ेशन (Quantisation) {#quantisation}

मॉडल की संख्याओं को कम अंकों में स्टोर करना, जैसे 16- या 32-बिट के बजाय 8-बिट या 4-बिट संख्याएँ। इससे मॉडल छोटा होता है और उसे चलाने की ऊर्जा घटती है, आम तौर पर गुणवत्ता में थोड़े-से नुक़सान के साथ।

### रिबाउंड प्रभाव (Rebound effect) {#rebound-effect}

जब दक्षता में सुधार किसी चीज़ को सस्ता या आसान बना देता है, लोग उसे ज़्यादा इस्तेमाल करने लगते हैं और बचत का कुछ हिस्सा या पूरी बचत ख़त्म हो जाती है। अगर इस्तेमाल इतना बढ़ जाए कि कुल खपत बढ़ जाए, तो यह जेवन्स विरोधाभास है। देखें: [दक्षता पर्याप्तता नहीं है](/hi/लेख/दक्षता-ही-पर्याप्तता-नहीं-है-ai-में-रिबाउंड-प्रभाव/) और [जेवन्स विरोधाभास और AI](/hi/लेख/jevons-विरोधाभास-और-ai-सिर्फ़-दक्षता-काफ़ी-क्यों-नहीं/)।

### रूटिंग (Routing) {#routing}

हर अनुरोध को सबसे उपयुक्त मॉडल के पास भेजना, जैसे आसान सवालों के लिए एक छोटा, सस्ता मॉडल और केवल कठिन सवालों के लिए बड़ा मॉडल। सीमा सही तय करना ज़रूरी है: बहुत छोटा मॉडल नाकाम हो सकता है और दूसरी, बड़ी कोशिश करवा सकता है।

### स्कोप 1, 2 और 3 उत्सर्जन (Scope 1, 2 and 3 emissions) {#scope-1-2-and-3-emissions}

Greenhouse Gas Protocol की तीन श्रेणियाँ। स्कोप 1 उन स्रोतों का सीधा उत्सर्जन है जिनकी मालिक कोई संस्था है या जिन पर उसका नियंत्रण है; स्कोप 2 उसकी ख़रीदी गई बिजली, गर्मी या कूलिंग से होने वाला उत्सर्जन है; स्कोप 3 उसकी वैल्यू चेन का बाक़ी सारा अप्रत्यक्ष उत्सर्जन है, जैसे उसके ख़रीदे गए हार्डवेयर का निर्माण।

### स्मॉल लैंग्वेज मॉडल (Small language model) {#small-language-model}

अपेक्षाकृत कम पैरामीटर वाला लैंग्वेज मॉडल, जो सस्ते में चलने के लिए बनाया गया है, कभी-कभी लैपटॉप या फ़ोन पर भी। सीमित कामों के लिए सोच-समझकर चुना गया छोटा मॉडल किसी कहीं बड़े मॉडल की बराबरी कर सकता है। देखें: [सही मॉडल चुनना](/hi/अच्छी-प्रथाएँ/काम-के-हिसाब-से-सही-मॉडल-चुनें/)।

### सॉफ़्टवेयर कार्बन इंटेंसिटी (Software carbon intensity) {#software-carbon-intensity}

Green Software Foundation का एक तरीक़ा, जो ISO मानक के रूप में भी प्रकाशित है, जिससे यह गणना की जाती है कि कोई सॉफ़्टवेयर अपने काम की प्रति इकाई, जैसे प्रति उपयोगकर्ता या प्रति अनुरोध, कितना कार्बन उत्सर्जित करता है।

### सॉवरेन AI (Sovereign AI) {#sovereign-ai}

AI क्षमता, जैसे मॉडल, डेटा और कंप्यूटिंग इन्फ्रास्ट्रक्चर, जिस पर कोई देश या क्षेत्र विदेशी प्रदाताओं पर निर्भर रहने के बजाय ख़ुद नियंत्रण रखता है। इससे सस्टेनेबिलिटी के अपने सवाल उठते हैं; देखें: [सॉवरेन AI और सस्टेनेबिलिटी](/hi/लेख/संप्रभु-ai-और-टिकाऊपन/)।

### स्पार्सिटी (Sparsity) {#sparsity}

जब किसी मॉडल की बहुत-सी संख्याएँ, या किसी इनपुट पर उसके बहुत-से एक्टिवेशन, शून्य हों। कंप्यूटिंग इन शून्यों को छोड़ सकती है, इसलिए अगर हार्डवेयर और सॉफ़्टवेयर साथ दें, तो स्पार्स मॉडल चलाना बहुत सस्ता हो सकता है।

### स्पाइकिंग न्यूरल नेटवर्क (Spiking neural network) {#spiking-neural-network}

ऐसा न्यूरल नेटवर्क जो दिमाग़ की तरह जानकारी छोटे-छोटे पल्स (स्पाइक) के रूप में भेजता है और उनके बीच ज़्यादातर निष्क्रिय रहता है। उपयुक्त हार्डवेयर पर ये बहुत कम ऊर्जा खपत का वादा करते हैं, ख़ासकर एज पर।

### पर्याप्तता (Sufficiency) {#sufficiency}

किसी संसाधन का केवल उतना इस्तेमाल करना जितनी किसी ज़रूरत को सच में चाहिए, जिसमें यह पूछना भी शामिल है कि क्या AI की ज़रूरत है भी। यह दक्षता का साथी है: दक्षता पूछती है "हम इसे कम में कैसे कर सकते हैं?", पर्याप्तता पूछती है "क्या हमें यह करना ज़रूरी है?"।

### सरोगेट मॉडल (Surrogate model) {#surrogate-model}

एक तेज़, अनुमानित मॉडल जिसे किसी धीमी, महँगी गणना की जगह लेने के लिए ट्रेन किया जाता है, जैसे किसी जलवायु या इंजीनियरिंग सिमुलेशन का हिस्सा। अच्छा सरोगेट बहुत ऊर्जा बचा सकता है, बशर्ते उसकी सटीकता जाँची जाए।

### सस्टेनेबल AI (Sustainable AI) {#sustainable-ai}

ऐसे AI के लिए एक व्यापक शब्द जिसे उन संसाधनों को ख़त्म किए बिना विकसित और इस्तेमाल किया जा सके जिन पर वह निर्भर है, जिसमें अक्सर पर्यावरण के साथ-साथ सामाजिक और आर्थिक असर भी शामिल होते हैं। यह ग्रीन AI से मेल खाता है, और दोनों शब्द अक्सर एक-दूसरे की जगह इस्तेमाल होते हैं।

### टोकन (Token) {#token}

टेक्स्ट का वह टुकड़ा जिसे एक लैंग्वेज मॉडल पढ़ता और लिखता है, अक्सर किसी शब्द का हिस्सा। अंग्रेज़ी के लिए OpenAI का मोटा नियम है कि एक टोकन लगभग चार अक्षर, यानी एक शब्द का लगभग तीन-चौथाई होता है; दूसरी भाषाओं में उसी अर्थ के लिए अक्सर ज़्यादा टोकन लगते हैं। ज़्यादा टोकन का मतलब ज़्यादा कंप्यूटिंग।

### TPU {#tpu}

टेंसर प्रोसेसिंग यूनिट: Google की बनाई एक चिप, जो ख़ास तौर पर मशीन लर्निंग में इस्तेमाल होने वाली गणनाओं के लिए डिज़ाइन की गई है।

### ट्रेनिंग (Training) {#training}

किसी मॉडल को भारी मात्रा में डेटा दिखाकर और उसकी ग़लतियाँ घटाने के लिए उसके पैरामीटर बार-बार बदलकर उसे बनाना। किसी बड़े मॉडल की ट्रेनिंग में हज़ारों चिप पर महीनों लग सकते हैं; Meta के अनुसार उसके Llama 3.1 परिवार को ट्रेन करने में 3.93 करोड़ GPU घंटे लगे।

### अनिश्चितता का आकलन (Uncertainty quantification) {#uncertainty-quantification}

यह पता लगाना कि हम किसी मॉडल के आउटपुट पर कितना भरोसा कर सकते हैं, जैसे एक संख्या के बजाय एक दायरा बताना। इससे यह तय करने में मदद मिलती है कि कब कोई सस्ता मॉडल काफ़ी है और कब किसी नतीजे की जाँच ज़रूरी है।

### WUE {#wue}

वॉटर यूसेज इफ़ेक्टिवनेस: कोई डेटा सेंटर साइट पर जितना पानी (लीटर में) इस्तेमाल करता है, उसे उसके कंप्यूटिंग उपकरणों की ऊर्जा (किलोवाट-घंटे में) से भाग देकर निकाला गया अनुपात। कम होना बेहतर है, हालाँकि पानी बचाने वाला कूलिंग डिज़ाइन ज़्यादा बिजली इस्तेमाल कर सकता है, और इसका उल्टा भी।

## अक्सर पूछे जाने वाले सवाल

### ग्रीन AI और सस्टेनेबल AI में क्या फ़र्क़ है?

लोग इन शब्दों को एक-दूसरे से मिलते-जुलते अर्थों में इस्तेमाल करते हैं। ग्रीन AI आम तौर पर AI की ऊर्जा, कार्बन, पानी और सामग्री की खपत घटाने पर ध्यान देता है; सस्टेनेबल AI अक्सर ज़्यादा व्यापक होता है, जिसमें सामाजिक और आर्थिक असर भी आते हैं और यह भी कि संसाधन उतनी तेज़ी से दोबारा बन सकते हैं या नहीं जितनी तेज़ी से वे खर्च होते हैं।

### AI में टोकन क्या है?

टोकन टेक्स्ट का वह टुकड़ा है जिसे एक लैंग्वेज मॉडल पढ़ता या लिखता है, अक्सर किसी शब्द का हिस्सा। अंग्रेज़ी के लिए OpenAI का मोटा नियम है कि एक टोकन लगभग चार अक्षर, यानी एक शब्द का तीन-चौथाई होता है।

### ट्रेनिंग और इन्फ़रेंस में क्या फ़र्क़ है?

ट्रेनिंग का मतलब है डेटा से सीखकर मॉडल बनाना, आम तौर पर एक बार और भारी खर्च पर। इन्फ़रेंस का मतलब है तैयार मॉडल से किसी सवाल का जवाब देना या इमेज बनाना, जो हर बार होता है जब कोई उसे इस्तेमाल करता है।

## स्रोत

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [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)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
