# AI na brzegu sieci: bardziej ekologiczna czy tylko mniej widoczna?

> AI na urządzeniu i na brzegu sieci może oszczędzać energię sieci i centrów danych, ale rozprasza obliczenia na miliardy niemierzonych urządzeń. Co wiemy, a czego nie.

Source: https://greenai.guide/pl/artykuly/ai-na-brzegu-sieci-bardziej-ekologiczna-czy-tylko-mniej-widoczna/  
Updated: 2026-11-19

## W skrócie

Uruchamianie AI na telefonach, czujnikach i lokalnych serwerach zamiast w odległych centrach danych może zmniejszyć zużycie energii na przesyłanie danych i chronić prywatność. Rozprasza jednak obliczenia na miliardy urządzeń, których zużycie energii i ślad węglowy produkcji rzadko są mierzone. To, czy AI na brzegu sieci jest bardziej ekologiczna, zależy od modelu, urządzenia, częstotliwości działania i tego, co zastępuje, a dowodów wciąż jest niewiele.

## Najważniejsze punkty

- AI na brzegu sieci (edge AI) uruchamia modele na urządzeniu, które zbiera dane, lub w jego pobliżu, zamiast w centralnym centrum danych.
- Pozwala uniknąć przesyłania danych przez sieci, które zużywają energię, i chroni prywatność danych, ale rezygnuje z efektywności współdzielonych, w pełni wykorzystanych serwerów.
- Badania porównujące inferencję na brzegu sieci i w chmurze dają sprzeczne wyniki; zależą one silnie od modelu, sprzętu i punktu odniesienia.
- Produkcja urządzeń ma duży koszt węglowy, więc funkcje AI, które skracają życie urządzeń lub wymagają nowego sprzętu, mogą przeważyć oszczędności energii.
- AI na brzegu sieci trudno mierzyć i regulować, bo nie ma licznika centrum danych, wskaźnika PUE ani obowiązku raportowania.

Większość debaty o zużyciu energii przez sztuczną inteligencję (AI) dotyczy centrów danych, bo to tam stoją wielkie
liczniki. Jednak coraz większa część AI działa gdzie indziej: w telefonach, laptopach, samochodach, kamerach,
dzwonkach do drzwi i czujnikach fabrycznych. To „AI na brzegu sieci” (edge AI). Może być częścią odpowiedzi na ślad
środowiskowy AI albo sposobem na przeniesienie go tam, gdzie nikt go nie liczy.

## Czym jest AI na brzegu sieci? {#what-is-edge-ai}

**AI na brzegu sieci uruchamia model na urządzeniu, które zbiera dane, lub w jego pobliżu, zamiast wysyłać dane do
odległego centrum danych.** AI „na urządzeniu” to przypadek skrajny: model działa w samym telefonie lub czujniku.

AI na brzegu sieci jest już powszechna:

- Raport techniczny Apple z 2025 roku opisuje działający na urządzeniu model językowy o około trzech miliardach
  parametrów, skompresowany za pomocą trenowania uwzględniającego kwantyzację 2-bitową, tak aby mieścił się i działał
  na telefonach i laptopach.
- Usługa Android AICore firmy Google pozwala aplikacjom korzystać z Gemini Nano, modelu działającego na urządzeniu, na
  obsługiwanych telefonach Pixel i Samsung.
- Kamery przemysłowe, drony, samochody i urządzenia medyczne uruchamiają modele wizyjne i sterujące lokalnie, bo nie
  mogą czekać na połączenie sieciowe ani na nim polegać.

Urządzeń jest dużo i przybywa ich. IoT Analytics naliczył pod koniec 2024 roku około 18,5 miliarda podłączonych
urządzeń Internetu rzeczy, nie licząc telefonów, komputerów i tabletów, i prognozował około 39 miliardów do 2030 roku.

## Dlaczego AI na brzegu sieci może oszczędzać energię? {#why-might-edge-ai-save-energy}

**Bo przesyłanie danych kosztuje energię, a przetwarzanie lokalne pozwala jej uniknąć.** Pozwala też zatrzymać
wrażliwe dane tam, gdzie są.

Międzynarodowa Agencja Energetyczna (IEA) szacuje, że sieci transmisji danych zużywają mniej więcej 1–1,5% światowej
energii elektrycznej, podobny udział jak centra danych. Przetwarzanie danych w miejscu ich zbierania i wysyłanie tylko
wyników może zmniejszyć to obciążenie.

Jest jednak zastrzeżenie. Mytton, Lundén i Malmodin wykazali w 2024 roku, że zużycie energii przez sieć nie jest
wprost proporcjonalne do ilości danych: znaczna część mocy sieci jest pobierana niezależnie od tego, czy dane płyną.
Wysłanie mniejszej ilości danych nie daje proporcjonalnej oszczędności energii, więc proste szacunki w „kWh na
gigabajt” zawyżają oszczędność.

Inne możliwe korzyści:

- **Prywatność i suwerenność.** Dane, które nigdy nie opuszczają urządzenia, szpitala czy operatora sieci
  elektroenergetycznej, nie mogą wyciec w trakcie przesyłu ani zostać wykorzystane przez stronę trzecią.
- **Odporność.** Lokalny model działa dalej, gdy sieć lub chmura przestają działać.
- **Opóźnienie.** Odpowiedzi przychodzą bez podróży w obie strony, co ma znaczenie dla pojazdów i maszyn.

## Dlaczego AI na brzegu sieci może kosztować więcej? {#why-might-edge-ai-cost-more}

**Bo małe urządzenia są zwykle mniej efektywne niż duże, współdzielone, w pełni wykorzystane serwery, a produkcja
urządzeń ma duży koszt węglowy.**

- **Wykorzystanie.** Akcelerator w centrum danych może łączyć w paczki zapytania wielu użytkowników i stale pracować.
  Telefon lub czujnik obsługuje zapytanie jednego użytkownika, a potem stoi bezczynnie.
- **Produkcja.** Wu i współpracownicy z Meta podali w 2022 roku, że emisje wbudowane (ślad węglowy produkcji sprzętu)
  stawały się dominującym źródłem całkowitego śladu AI, i zauważyli, że obliczenia przenoszone na brzeg sieci mogą
  odbywać się tam, gdzie dostęp do energii odnawialnej jest ograniczony. Funkcje AI, które wymagają nowych telefonów
  albo sprawiają, że starsze wydają się wolne, dokładają emisje z produkcji, które mogą przeważyć zaoszczędzoną energię.
- **Mnożenie.** Niewielki koszt na urządzenie razy miliardy urządzeń to duży koszt. Dzwonek do drzwi lub kamera, która
  nieprzerwanie uruchamia model, może łącznie zużyć więcej energii, niż zużyłyby okazjonalne wywołania w chmurze.

## Co mówią dowody? {#what-does-the-evidence-say}

**Są niejednoznaczne i silnie zależą od porównania.** Li, Islam i Ren (2025) porównali inferencję (wnioskowanie)
generatywnej AI w chmurze i na urządzeniach brzegowych i stwierdzili mniejszy ślad środowiskowy przy wdrożeniu na
brzegu sieci dla kilku modeli, z oszczędnością energii ponad 90% w testach na nowym telefonie. Ich punktem odniesienia
w chmurze nie była w pełni zoptymalizowana usługa produkcyjna, co ma znaczenie: dobrze obciążone serwery w efektywnym
centrum danych trudniej pobić.

Badania całościowe, które śledzą całą usługę AI od urządzenia przez sieć do centrum danych, są wciąż rzadkie,
zwłaszcza w przypadku dużych modeli językowych. Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i
przemysł wspólnie wypracowują pomysły na projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków,
informatyków i przedstawicieli przemysłu, wymienił modelowanie efektu energetycznego netto AI na brzegu sieci, w skali
milionów urządzeń, jako otwarte pytanie.

## Dlaczego AI na brzegu sieci trudno mierzyć i regulować? {#why-is-edge-ai-hard-to-measure-and-regulate}

**Bo nie ma jednego licznika.** Centra danych raportują zużycie energii i wskaźnik efektywności wykorzystania energii
(PUE), a w UE większe z nich muszą zgłaszać dane do wspólnego systemu. Telefony, czujniki i stacje robocze AI przy
biurkach nie mają takiego obowiązku.

Energia ujawnia się, jeśli w ogóle, jako rozładowanie baterii albo nieco wyższy rachunek za prąd rozłożony na miliony
gospodarstw domowych i firm. Dlatego łatwo jest deklarować oszczędności z przeniesienia pracy na brzeg sieci, a nikt
nie może tego sprawdzić. Więcej w tekście [pomiar jest wąskim gardłem](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).

## Co sprawia, że AI na brzegu sieci jest bardziej ekologiczna? {#what-makes-edge-ai-greener}

**Małe, efektywne modele, uruchamiane tylko wtedy, gdy są potrzebne, na sprzęcie, który ludzie już mają.** Te same
metody, które ograniczają zużycie energii w centrach danych, mają jeszcze większe znaczenie przy zasilaniu z baterii:

- Skompresowane modele: przycinanie (pruning), kwantyzacja i destylacja wiedzy. Więcej w tekście
  [matematyka, która czyni AI bardziej efektywną](/pl/artykuly/matematyka-ktora-czyni-ai-bardziej-efektywna/).
- Przetwarzanie sterowane zdarzeniami: wybudzanie modelu, gdy coś się dzieje, zamiast uruchamiania go bez przerwy.
- Wysyłanie podsumowań, a nie surowych danych, gdy potrzebna jest chmura.
- Wspieranie starszych urządzeń, aby funkcje AI nie wymuszały wymiany sprzętu.

GreenCode, europejski projekt badawczy poświęcony energooszczędnemu oprogramowaniu, zwraca uwagę na to samo: małe,
dostrojone modele, wyszukiwanie zamiast siłowego poszerzania kontekstu, kierowanie zadań do najtańszego komponentu,
który sobie z nimi poradzi, oraz harmonogramowanie to właśnie to, co czyni AI wykonalną przy zasilaniu bateryjnym i na
ograniczonym sprzęcie, gdzie nie ma możliwości zużycia większej ilości energii.

## Co zrobić dalej {#what-to-do-next}

- Wybierać między brzegiem sieci a chmurą indywidualnie dla każdego przypadku, korzystając z pytań w tekście
  [brzeg sieci czy chmura?](/pl/dobre-praktyki/brzeg-sieci-czy-chmura-gdzie-powinna-dzialac-ai/).
- Uwzględniać nie tylko energię działania, lecz także produkcję, i unikać funkcji wymagających nowego sprzętu.
- Mierzyć zużycie energii przez urządzenie podczas testów, a nie tylko trafność i szybkość.
- Uruchamiać modele w reakcji na zdarzenia, a nie bez przerwy, i wysyłać wyniki zamiast surowych danych.
- Przy zakupie produktów AI na brzegu sieci warto pytać dostawców o energię na jedną inferencję i okres wsparcia
  urządzeń. Więcej w tekście [zrównoważone zamówienia AI](/pl/dobre-praktyki/zrownowazone-zamowienia-ai/).

## Najczęściej zadawane pytania

### Czym jest AI na brzegu sieci (edge AI)?

To AI działająca na urządzeniu, które zbiera dane, lub w jego pobliżu, na przykład w telefonie, kamerze, samochodzie czy czujniku fabrycznym, a nie w odległym centrum danych.

### Czy AI na urządzeniu jest lepsza dla środowiska?

Czasami. Może oszczędzić energię potrzebną do wysyłania danych do chmury, ale małe urządzenia są mniej efektywne niż współdzielone serwery, a nowe funkcje AI mogą skłaniać ludzi do kupowania nowego sprzętu. Efekt netto zależy od przypadku.

### Czy AI na urządzeniu rozładowuje baterię telefonu?

Uruchomienie modelu na telefonie zużywa baterię jak każda inna wymagająca aplikacja. Producenci stosują małe, skompresowane modele i dedykowane układy, aby to ograniczyć, ale energia i tak jest zużywana, a nie pojawia się w żadnych statystykach centrów danych.

## Źródła

- [Data centres and data transmission networks](https://www.iea.org/energy-system/buildings/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](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Number of connected IoT devices (State of IoT 2025)](https://iot-analytics.com/number-connected-iot-devices/), IoT Analytics (2025)
- [Apple Intelligence Foundation Language Models: Tech Report 2025](https://arxiv.org/abs/2507.13575), Apple (2025)
- [Gemini Nano with Android AICore](https://developer.android.com/ai/aicore), Google, Android Developers (2024)
- [A case study of environmental footprints for generative AI inference: cloud versus edge](https://escholarship.org/uc/item/2kc978dg), Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (2026)
