# Come riporto il consumo di energia della mia ricerca sull'IA?

> Che cosa inserire in un articolo su calcolo ed energia: hardware, ore-GPU di tutte le esecuzioni, energia, luogo, carbonio, costo d'inferenza e perimetro.

Source: https://greenai.guide/it/come/come-riporto-il-consumo-di-energia-della-mia-ricerca-sull-ia/  
Updated: 2026-11-19

## In breve

Riporti l'hardware, le ore-GPU di tutte le esecuzioni compresi messa a punto e fallimenti, l'energia in kWh con lo strumento usato, il luogo e l'intensità di carbonio della rete, le emissioni in kg CO₂e e l'energia di inferenza con una dimensione di batch dichiarata. Dica che cosa include il perimetro e quanto sono incerti i dati. Misurare man mano, con uno strumento come CodeCarbon, trasforma tutto questo in una tabella invece che in una ricostruzione.

## Steps

1. Tenga traccia dell'energia di ogni esecuzione fin dall'inizio del progetto, non solo di quella finale.
2. Riporti hardware, ore-GPU, energia, luogo, intensità di carbonio della rete ed emissioni in una tabella standard.
3. Indichi l'energia di inferenza ogni 1.000 richieste con una dimensione di batch e una lunghezza di sequenza dichiarate.
4. Dichiari il perimetro, compreso se sono conteggiati i costi aggiuntivi del data centre.
5. Riporti i risultati in rapporto al calcolo, come l'accuratezza per kWh, accanto al punteggio migliore.

**Riporti calcolo ed energia come risultati standard, non in una nota a piè di pagina.** Senza questi dati le
affermazioni sull'efficienza non si possono verificare, e chi legge non può capire se un piccolo guadagno di
accuratezza è costato dieci volte l'energia.

La questione è stata posta presto: nel 2019 Strubell, Ganesh e McCallum hanno quantificato il costo economico e
ambientale dell'addestramento di diversi modelli linguistici, e Schwartz e colleghi hanno sostenuto in "Green AI"
che l'efficienza va riportata accanto all'accuratezza.

## Che cosa deve includere la tabella? {#what-should-the-table-include}

| Voce | Esempio |
|---|---|
| Hardware | Modello e numero di GPU, CPU, memoria |
| Tempo di esecuzione | Ore-GPU delle esecuzioni finali **e** di tutta la messa a punto e delle esecuzioni fallite |
| Energia | kWh, misurati o stimati, con strumento e versione |
| Luogo | Paese o regione della rete, e intensità di carbonio usata |
| Emissioni | kg CO₂e |
| Inferenza | Energia ogni 1.000 richieste con dimensione di batch e lunghezza di sequenza dichiarate |
| Perimetro | Se sono inclusi raffreddamento e costi aggiuntivi del data centre (PUE) |

Se rilascia il modello, copi i dati nel campo `co2_eq_emissions` della scheda del modello su Hugging Face.

## Errori comuni {#common-mistakes}

- **Riportare solo l'esecuzione vincente.** La ricerca che l'ha preceduta di solito rappresenta la maggior parte
  dell'energia.
- **Nessuna incertezza.** Le stime basate su modelli di potenza possono differire dai valori misurati; indichi un
  intervallo.
- **Escludere i risultati negativi.** Un metodo di efficienza che non ha funzionato evita ad altri di ripeterlo.

I principi GREENER di Lannelongue e colleghi offrono un quadro più ampio per gruppi e istituzioni. Veda la
[guida per i ricercatori](/it/guide/ia-verde-per-i-ricercatori/) e [come misurare l'energia dell'IA](/it/buone-pratiche/come-misurare-l-energia-e-il-carbonio-dell-ia/).

## Fonti

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
