greenai.guide

Strona główna › Artykuły › Czym jest zielona AI?

Artykuł

Czym jest zielona AI?

Aktualizacja · Czas czytania: 5 min

W skrócie

Zielona AI oznacza korzystanie ze sztucznej inteligencji w taki sposób, aby jej koszt środowiskowy pozostawał proporcjonalny do wartości, jaką przynosi. Obejmuje dwie idee: wykorzystanie AI na rzecz środowiska („AI dla środowiska”, ang. AI for green) i zmniejszanie śladu samej AI („bardziej zielona AI”, ang. greener AI), oraz dwie drogi do celu: efektywność (wykonywanie każdego zadania mniejszym nakładem) i wystarczalność (sufficiency, czyli wykonywanie tylko tych zadań, które są tego warte).

Najważniejsze punkty

  • „AI dla środowiska” wykorzystuje AI do realizacji celów środowiskowych; „bardziej zielona AI” zmniejsza ślad samej AI. Zielona AI potrzebuje obu.
  • Ślad AI to nie tylko energia elektryczna. Obejmuje emisje dwutlenku węgla, wodę do chłodzenia i wytwarzania energii oraz materiały i odpady związane ze sprzętem.
  • Efektywność obniża koszt każdego zadania; wystarczalność pyta, czy zadanie w ogóle wymaga AI albo aż tak dużego modelu.
  • Zielona AI to nie „brak AI”. Chodzi o dobre korzystanie z AI, mierzenie jej kosztów i dobór właściwego narzędzia do zadania.
  • Ponieważ „AI” obejmuje wszystko, od małych klasyfikatorów po czołowe chatboty, każda deklaracja dotycząca zielonej AI powinna mówić, o jaki rodzaj AI chodzi.

Określenie „zielona AI” bywa używane w kilku różnych znaczeniach, co utrudnia rozmowę na ten temat. Ten artykuł przedstawia główne idee i terminy używane w całym serwisie, tak aby kolejne strony mogły się na nich opierać.

Co oznacza zielona AI?

Zielona AI oznacza korzystanie ze sztucznej inteligencji (AI) w taki sposób, aby jej koszt środowiskowy pozostawał proporcjonalny do wartości, jaką przynosi. Chodzi o dobre korzystanie z AI, a nie o rezygnację z niej.

Termin spopularyzowali Schwartz, Dodge, Smith i Etzioni w artykule z 2020 roku w Communications of the ACM. Przeciwstawili w nim „czerwoną AI” (Red AI), czyli badania kupujące niewielkie przyrosty dokładności za cenę coraz większej ilości obliczeń, „zielonej AI” (Green AI), która raportuje i nagradza efektywność obok dokładności. Ich artykuł nawiązywał do badania Strubell, Ganesha i McCalluma z 2019 roku, które pokazało, ile energii i emisji może wiązać się z opracowaniem dużego modelu językowego.

Od tamtej pory znaczenie terminu się poszerzyło. Dziś zielona AI obejmuje zwykle cały cykl życia systemu AI: sprzęt, na którym działa, centrum danych, model, otaczające go oprogramowanie i sposób, w jaki ludzie z niego korzystają.

Czym różni się „AI dla środowiska” od „bardziej zielonej AI”?

„AI dla środowiska” (AI for green) wykorzystuje AI do realizacji celów środowiskowych; „bardziej zielona AI” (greener AI) zmniejsza ślad samej AI. Zielona AI potrzebuje obu, a te dwa podejścia mogą ciągnąć w przeciwne strony.

AI dla środowiska Bardziej zielona AI
Cel Wykorzystać AI do ograniczenia emisji lub ochrony przyrody w innych obszarach Ograniczyć energię, emisje, wodę i materiały zużywane przez AI
Przykłady Prognozowanie produkcji energii odnawialnej, zarządzanie sieciami elektroenergetycznymi, wykrywanie wycieków, modelowanie klimatu Mniejsze modele, efektywny kod, czystsza energia, dłuższe życie sprzętu
Ryzyko Deklarowane korzyści, których nikt nigdy nie mierzy Oszczędności przejadane przez większe użycie (efekt odbicia, rebound effect)

Raport Międzynarodowej Agencji Energetycznej (International Energy Agency) Energy and AI z 2025 roku obejmuje obie strony: stwierdza, że szersze stosowanie istniejących zastosowań AI mogłoby ograniczyć emisje w energetyce i przemyśle, ale ostrzega, że zapotrzebowanie samej AI na energię elektryczną szybko rośnie, a efekt netto zależy od sposobu wdrażania AI.

Uczestnicy brytyjskiego sandpitu (intensywnych warsztatów badawczych, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęconego zielonej AI w 2026 roku, czyli matematycy, informatycy i przedstawiciele przemysłu, ujęli zieloną AI w ten sam dwustronny sposób, wskazując, że matematyka może przyczynić się do obu: lepszych metod rozwiązywania problemów środowiskowych i oszczędniejszych metod dla AI.

Czym są efektywność i wystarczalność?

Efektywność to wykonywanie każdego zadania mniejszym nakładem; wystarczalność (sufficiency) to wykonywanie tylko tych zadań, które są tego warte.

  • Efektywność pyta: jak ten model, prompt (polecenie) czy centrum danych może zużyć mniej energii przy tym samym wyniku? Przykłady to przycinanie (pruning) i kwantyzacja modeli, lepsze chipy i efektywniejsze chłodzenie.
  • Wystarczalność pyta: czy to zadanie w ogóle wymaga AI albo aż tak dużego modelu? Kalkulator, zapytanie do bazy danych czy klasyczna metoda numeryczna są często tańsze i bardziej niezawodne niż duży model językowy.

Sama efektywność może przynieść odwrotny skutek, bo z tańszej AI korzysta się więcej. To efekt odbicia (rebound effect), opisany w tekście efektywność to nie wystarczalność.

Co obejmuje ślad środowiskowy AI?

Cztery rzeczy: energię, emisje, wodę i materiały. Większość publicznej dyskusji dotyczy tylko dwóch pierwszych.

Energia

AI działa na energii elektrycznej, głównie w centrach danych. Międzynarodowa Agencja Energetyczna szacuje, że centra danych zużyły w 2024 roku około 415 TWh, czyli około 1,5% światowej energii elektrycznej, i spodziewa się, że do 2030 roku zużycie to wzrośnie ponad dwukrotnie, do około 945 TWh, a najważniejszym czynnikiem będzie AI. Zob. dlaczego zielona AI ma znaczenie właśnie teraz.

Energia jest zużywana w dwóch fazach:

  • Trenowanie, czyli duży, jednorazowy koszt zbudowania modelu.
  • Inferencja (wnioskowanie), czyli koszt każdego użycia modelu. W przypadku powszechnie używanych modeli to się sumuje: Google podał w 2022 roku, że inferencja odpowiadała za około trzy piąte zużycia energii przez jego uczenie maszynowe, a trenowanie za dwie piąte.

Emisje

Ślad węglowy zależy od tego, ile energii się zużywa, oraz od tego, jak czysta jest energia elektryczna. To samo zadanie może powodować wielokrotnie większe emisje w sieci opartej głównie na węglu niż w sieci zdominowanej przez energię wiatrową, wodną lub jądrową. Ślad obejmuje też emisje wbudowane, czyli ślad węglowy produkcji chipów, serwerów i budynków. Wu i współpracownicy z Meta podali w 2022 roku, że emisje wbudowane stanowiły około 30% śladu uczenia maszynowego Meta na dużą skalę, i dowodzili, że stają się one dominującym źródłem w miarę, jak energia zużywana w eksploatacji staje się czystsza.

Woda

Centra danych zużywają wodę do chłodzenia, a elektrownie zużywają wodę do wytwarzania energii elektrycznej. Li, Yang, Islam i Ren wykazali w 2023 roku, że ten „ukryty ślad wodny” AI jest znaczny i bardzo zależy od lokalizacji i pory dnia. Pomiar Google z 2025 roku dla asystenta Gemini wskazał, że mediana tekstowego promptu zużywa około 0,26 mililitra wody, obok 0,24 watogodziny energii.

Materiały

Sprzęt AI wymaga metali i minerałów i jest szybko wymieniany. Wang i współpracownicy oszacowali w 2024 roku, że duże modele językowe mogą łącznie wygenerować w latach 2020–2030 od 1,2 do 5,0 mln ton odpadów elektronicznych, zależnie od tempa wzrostu ich użycia, a ponowne użycie i recykling mogłyby to znacząco ograniczyć. Ogranicza to również dłuższe użytkowanie sprzętu i tworzenie oprogramowania, które dobrze działa na starszych urządzeniach.

Dlaczego ma znaczenie, o jaką „AI” chodzi?

Ponieważ „AI” obejmuje systemy, których ślady różnią się o wiele rzędów wielkości. Mały model sortujący e-maile, system prognozowania pogody i czołowy chatbot to wszystko „AI”.

W codziennym użyciu „AI” oznacza dziś głównie generatywną AI: chatboty oraz generatory obrazów i wideo. Duża część obaw o zużycie energii przez AI dotyczy właśnie tych dużych modeli. Jednak większość uczenia maszynowego w przemyśle i nauce jest mniejsza i bardziej wyspecjalizowana. Dobra deklaracja dotycząca zielonej AI mówi, o jaki rodzaj AI chodzi i w jakich granicach liczone są jej koszty. Zob. pomiar to wąskie gardło.

Czy zielona AI to to samo co „brak AI”?

Nie. Rezygnacja z AI bywa najbardziej zielonym wyborem i zielona AI obejmuje tę możliwość. Jednak zielona AI dotyczy przede wszystkim odpowiedzialnego korzystania z AI: mierzenia jej kosztów, doboru właściwego modelu do zadania i zwiększania jego efektywności.

Niektórzy wolą inne określenia. „Zrównoważona AI” często obejmuje oprócz zrównoważenia środowiskowego także społeczne i ekonomiczne. Inni proponują opisywać cel jako unikanie marnotrawnych obliczeń, co trudniej zbyć jako coś jedynie szlachetnego. Ten serwis używa terminu „zielona AI” w odniesieniu do strony środowiskowej i precyzuje, jakiego zasobu (energii, emisji, wody czy materiałów) dotyczy dana deklaracja.

Co dalej

Najczęściej zadawane pytania

Czym w prostych słowach jest zielona AI?

Zielona AI to sztuczna inteligencja projektowana, budowana i używana tak, aby jej koszt środowiskowy, w energii, emisjach, wodzie i materiałach, był tak niski, jak to rozsądnie możliwe w stosunku do wartości, jaką przynosi.

Kto ukuł termin zielona AI?

Termin spopularyzowali Schwartz, Dodge, Smith i Etzioni w artykule opublikowanym w 2020 roku w Communications of the ACM, w którym przeciwstawili „czerwoną AI” (Red AI), czyli badania kupujące dokładność za cenę coraz większej ilości obliczeń, „zielonej AI” (Green AI), która traktuje efektywność jako kryterium oceny obok dokładności.

Czy zielona AI to to samo co zrównoważona AI?

Terminy te nakładają się i często używa się ich zamiennie. „Zrównoważona AI” bywa rozumiana szerzej, tak aby obejmowała oprócz wpływu na środowisko także zrównoważenie społeczne i ekonomiczne.

Czy zielona AI oznacza korzystanie z mniejszej ilości AI?

Czasami. Korzystanie z AI tylko tam, gdzie wnosi wartość, jest częścią zielonej AI, ale jest nią także zwiększanie efektywności używanej AI i wykorzystywanie AI do ograniczania emisji w innych obszarach.

Źródła

  1. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  2. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  3. Energy and AI, International Energy Agency (2025)
  4. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  5. Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
  6. E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
  7. Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
  8. Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)

Dołącz do nas

Pomóżmy zmniejszyć wpływ AI na planetę

Nowe przewodniki, nabory wniosków i wpisy w katalogach e-mailem, mniej więcej raz w miesiącu. Można też dodać do katalogów swój produkt, kurs, ofertę studiów doktoranckich lub badania.

Bez śledzenia. Rezygnacja jednym kliknięciem. Inne sposoby dołączenia · Prywatność