# Energooszczędna AI: jak sprawić, by AI zużywała mniej energii

> Energooszczędna AI w praktyce: sposoby na największe oszczędności energii, od mniejszych modeli i kwantyzacji po routing, pamięć podręczną i lokalizację.

Source: https://greenai.guide/pl/artykuly/energooszczedna-ai-jak-sprawic-by-ai-zuzywala-mniej-energii/  
Updated: 2026-11-20

## W skrócie

Energooszczędna AI oznacza uzyskanie tego samego użytecznego wyniku przy mniejszym zużyciu energii elektrycznej. Największe oszczędności daje zwykle wybór mniejszego lub wyspecjalizowanego modelu, wyłączanie długiego rozumowania, gdy nie jest potrzebne, oraz działanie w efektywnym centrum danych zasilanym z czystej sieci; techniki takie jak kwantyzacja, destylacja, routing, pamięć podręczna i przetwarzanie wsadowe dalej zmniejszają zużycie energii przez AI. Opublikowane badania podają oszczędności od kilkudziesięciu procent do 90% lub więcej dla pojedynczych sposobów, a po ich połączeniu znacznie większe.

## Najważniejsze punkty

- UNESCO i UCL ustaliły, że małe, wyspecjalizowane modele mogą zmniejszyć zużycie energii nawet o 90%, a krótsze zapytania i odpowiedzi o ponad 50%.
- W testach AI Energy Score przeprowadzonych przez Hugging Face modele rozumujące zużywały średnio 30 razy więcej energii niż modele standardowe; włączenie rozumowania zwiększyło zużycie energii jednego modelu 150–700 razy.
- W badaniu z 2024 roku wygenerowanie 1000 obrazów zużyło około 2,9 kWh, wobec 0,002 kWh na 1000 klasyfikacji tekstu.
- Badacze Google oszacowali, że wybór modelu, centrum danych i procesora może łącznie zmniejszyć ślad węglowy trenowania mniej więcej 100–1000 razy.
- Efektywna obsługa modelu ma znaczenie: zarządzanie pamięcią w vLLM dało 2–4 razy większą przepustowość przy tym samym opóźnieniu, a dekodowanie spekulatywne przyspieszyło jeden model 2–3 razy przy identycznych wynikach.
- Uruchamianie krótkich zadań trenowania w porach niskiej emisyjności zmniejszyło emisje w jednym badaniu nawet o 80%, ale w przypadku długiego zadania o mniej niż 1,5%.

Energooszczędna AI to AI, która daje potrzebny wynik przy mniejszym zużyciu energii elektrycznej. Ta strona
przedstawia główne sposoby ograniczania zużycia energii przez AI, w przybliżeniu według tego, ile zwykle pozwalają
zaoszczędzić, wraz z opublikowanymi danymi, na których opiera się każdy z nich.

## Jaki jest najszybszy sposób, by AI zużywała mniej energii? {#what-is-the-quickest-way-to-make-ai-use-less-energy}

**Używać najmniejszego odpowiedniego modelu i nie włączać ciężkich trybów, które nie są potrzebne.** Wybór modelu
zwykle przeważa nad każdym innym sposobem, ponieważ energia rośnie wraz z ilością obliczeń potrzebnych do każdej
odpowiedzi. Raport UNESCO i University College London (UCL) z 2025 roku wykazał, że małe, wyspecjalizowane modele
mogą zmniejszyć zużycie energii nawet o 90%, a krótsze zapytania i odpowiedzi o ponad 50%. Według raportu takie
środki stosowane razem mogą zmniejszyć zużycie energii nawet o 90%.

Drugim ważnym sposobem jest lokalizacja. Badacze Google oszacowali w 2021 roku, że wybór modelu, centrum danych i
procesora może łącznie zmniejszyć ślad węglowy trenowania mniej więcej 100–1000 razy. Największy zysk dają efektywne
modele AI uruchamiane w efektywnych miejscach.

## Które sposoby oszczędzają najwięcej? Ranking {#which-levers-save-the-most-a-ranked-list}

**Poniższa kolejność odzwierciedla typową wielkość oszczędności w opublikowanych badaniach, od największej.** Własne
wyniki będą zależeć od zadania, wymaganej jakości i miejsca wykonywania pracy, dlatego warto mierzyć przed zmianą i
po niej (zob. [jak mierzyć energię i emisje AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/)).

### 1. Nie używać generatywnej AI do zadań, które jej nie wymagają {#1-don-t-use-generative-ai-for-jobs-it-isn-t-needed-for}

**Generowanie jest znacznie droższe niż prostsze zadania.** W badaniu z 2024 roku Sasha Luccioni, Yacine Jernite i
Emma Strubell zmierzyli, że generowanie obrazów zużywa średnio około 2,9 kWh na 1000 obrazów, wobec 0,002 kWh na
1000 klasyfikacji tekstu: na jedno zapytanie znacznie ponad tysiąc razy więcej. Ustalili też, że uniwersalne modele
generatywne są w tym samym zadaniu o rzędy wielkości droższe niż systemy wyspecjalizowane.

Wideo jest jeszcze cięższe. Badanie otwartych modeli zamieniających tekst na wideo z 2025 roku zmierzyło prawie
90 Wh na krótki klip z jednego modelu i ponad 415 Wh z większego, przy czym energia rosła kwadratowo wraz z
rozmiarem i długością wideo. Zob. [jak zdecydować, czy potrzebuję AI do zadania](/pl/jak/jak-sprawdzic-czy-do-danego-zadania-w-ogole-potrzebuje-ai/) oraz
[jak wybrać klasyczne uczenie maszynowe zamiast LLM](/pl/jak/jak-ocenic-czy-zamiast-llm-wystarczy-klasyczne-uczenie-maszynowe/).

### 2. Dobrać wielkość modelu {#2-right-size-the-model}

**Wybrać najmniejszy model, który spełnia wymagania jakościowe.** Poza ustaleniem UNESCO i UCL badania nad
kaskadami pokazują, jak duży jest tu zapas: FrugalGPT, który najpierw próbuje tańszych modeli i sięga po droższe
tylko w razie potrzeby, dorównał wydajności GPT-4 przy koszcie niższym nawet o 98%. Koszt to nie energia, ale w
przypadku modeli hostowanych jest rozsądną, przybliżoną wskazówką ilości obliczeń. Zob.
[wybór właściwego modelu](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/),
[jak wybrać mniejszy model AI](/pl/jak/jak-wybrac-mniejszy-model-ai/) oraz
[jak znaleźć model wyspecjalizowany](/pl/jak/jak-znalezc-model-dedykowany-zadaniu-zamiast-ogolnego-chatbota/).

### 3. Korzystać z trybów rozumowania tylko wtedy, gdy są potrzebne {#3-use-reasoning-modes-only-when-needed}

**Tryby „myślenia” mnożą zużycie energii.** Testy AI Energy Score przeprowadzone przez Hugging Face pod koniec 2025
roku wykazały, że modele rozumujące zużywały średnio 30 razy więcej energii niż standardowe, a ten sam model z
włączonym rozumowaniem zużywał od 150 do 700 razy więcej energii niż z wyłączonym. Agenci, którzy wykonują wiele
wywołań w pętli, mogą sumować zużycie w ten sam sposób. Zob.
[jak korzystać z trybów rozumowania tylko wtedy, gdy są potrzebne](/pl/jak/kiedy-uzywac-trybu-myslenia-lub-rozumowania-w-ai/) oraz
[AI agentowa i marnowanie tokenów](/pl/artykuly/agentowa-ai-i-marnowanie-tokenow/).

### 4. Wybrać efektywny sprzęt, centra danych i lokalizacje o niskiej emisyjności {#4-choose-efficient-hardware-data-centres-and-low-carbon-locations}

**To, gdzie i na czym wykonywana jest praca, może kilkukrotnie zmienić jej emisje.** Jesse Dodge i współpracownicy
ustalili, że trenowanie tego samego modelu BERT wyemitowało około 7 kg CO₂ w najefektywniejszym regionie chmury i
około 26 kg w najmniej efektywnym, czyli prawie cztery razy więcej. Sprzęt również się poprawia: Epoch AI szacuje,
że czołowe układy do uczenia maszynowego stają się co roku o około 40% bardziej energooszczędne. Zob.
[hosting i centra danych dla zielonej AI](/pl/dobre-praktyki/hosting-zielonej-ai-i-centra-danych/),
[jak wybrać niskoemisyjny region chmury](/pl/jak/jak-wybrac-region-chmury-o-niskiej-emisyjnosci/) oraz
[jak wybrać energooszczędny sprzęt do AI](/pl/jak/jak-wybrac-energooszczedny-sprzet-do-ai/).

### 5. Skracać zapytania, kontekst i odpowiedzi {#5-shorten-prompts-context-and-outputs}

**Energia rośnie wraz z tym, ile model czyta i pisze.** Epoch AI szacuje typowe zapytanie do ChatGPT na około
0,3 Wh, przy czym wartość ta rośnie do około 2,5 Wh przy danych wejściowych o długości 10 000 tokenów i do prawie
40 Wh przy 100 000 tokenów. Codziennymi przyczynami są ponowne wysyłanie długich rozmów i proszenie o długie
odpowiedzi. Zob. [jak pisać prompty zużywające mniej energii](/pl/jak/jak-pisac-prompty-ktore-zuzywaja-mniej-energii/),
[jak ograniczyć, ile pisze LLM](/pl/jak/jak-ograniczyc-dlugosc-odpowiedzi-llm/) oraz
[jak przestać wysyłać całą rozmowę od nowa](/pl/jak/jak-sprawic-by-chatbot-nie-wysylal-ponownie-calej-rozmowy/).

### 6. Kierować zapytania do właściwego modelu {#6-route-requests-to-the-right-model}

**Łatwe zapytania wysyłać do małego modelu, a trudne do dużego.** Badania nad routingiem podają duże oszczędności:
Hybrid LLM wykonał nawet o 40% mniej wywołań dużego modelu bez spadku jakości odpowiedzi, a RouteLLM w niektórych
przypadkach ponad dwukrotnie obniżył koszty bez utraty jakości. Zob.
[jak skonfigurować routing modeli](/pl/jak/jak-kierowac-zapytania-do-mniejszych-modeli/) oraz
[orkiestracja zamiast generowania](/pl/artykuly/orkiestracja-zamiast-generowania/).

### 7. Skwantyzować model {#7-quantise-the-model}

**Przechowywać liczby i liczyć z mniejszą liczbą bitów na liczbę.** [Kwantyzacja](/pl/slowniczek/#quantisation)
zmniejsza zapotrzebowanie na pamięć i przesyłanie danych, które w dużych modelach dominują w zużyciu energii.
LLM.int8() zmniejszyło o połowę pamięć potrzebną do inferencji przy zachowaniu wydajności pełnej precyzji, a raport
UNESCO i UCL wykazał, że kompresja, taka jak kwantyzacja, oszczędzała do 44% energii. Zob.
[jak skwantyzować model](/pl/jak/jak-skwantyzowac-model/).

### 8. Destylować duży model do małego {#8-distil-a-large-model-into-a-small-one}

**Wytrenować mały model „ucznia”, by naśladował duży model „nauczyciela”.** [Destylacja](/pl/slowniczek/#distillation)
to sposób, w jaki powstaje wiele efektywnych modeli AI. DistilBERT był o 40% mniejszy i o 60% szybszy niż BERT,
zachowując 97% jego zdolności rozumienia języka. Zob.
[jak destylować duży model do małego](/pl/jak/jak-przeprowadzic-destylacje-duzego-modelu-do-mniejszego/).

### 9. Przycinać modele i wykorzystywać rzadkość {#9-prune-and-exploit-sparsity}

**Usuwać wagi, których model nie potrzebuje.** SparseGPT pokazał, że bardzo duże modele językowe można
[przyciąć](/pl/slowniczek/#pruning) do co najmniej 50% [rzadkości](/pl/slowniczek/#sparsity) za jednym razem, bez ponownego
trenowania, przy minimalnej utracie dokładności. Oszczędność energii zależy od tego, czy oprogramowanie i sprzęt
potrafią pomijać zera, dlatego w praktyce przycinanie oszczędza mniej, niż sugeruje deklarowana rzadkość. Zob.
[jak przyciąć sieć neuronową](/pl/jak/jak-przyciac-pruning-siec-neuronowa/).

### 10. Korzystać z pamięci podręcznej, przetwarzania wsadowego i efektywnej obsługi {#10-cache-batch-and-serve-efficiently}

**Unikać powtarzania pracy i utrzymywać sprzęt w pełnym obciążeniu.** Oprogramowanie do obsługi modeli ma
znaczenie: stronicowane zarządzanie [pamięcią podręczną KV](/pl/slowniczek/#kv-cache) w vLLM zwiększyło przepustowość
2–4 razy przy tym samym opóźnieniu, a dekodowanie spekulatywne przyspieszyło T5-XXL 2–3 razy przy identycznych
wynikach. Dostawcy odpowiednio wyceniają ponowne wykorzystanie: Batch API OpenAI kosztuje o 50% mniej niż zwykłe
zapytania, a Anthropic pobiera 10% zwykłej ceny danych wejściowych za odczyt promptów z pamięci podręcznej. Zob.
[jak buforować wywołania LLM](/pl/jak/jak-uzyc-cache-aby-zmniejszyc-zuzycie-energii-przez-wywolania-llm/), [jak grupować zapytania do AI](/pl/jak/jak-grupowac-zapytania-do-ai-w-partie-aby-oszczedzac-energie/),
[jak korzystać z dekodowania spekulatywnego](/pl/jak/jak-przyspieszyc-duzy-model-dzieki-dekodowaniu-spekulatywnemu/) oraz
[jak ograniczyć energię potrzebną do obsługi modelu](/pl/jak/jak-zmniejszyc-zuzycie-energii-przy-serwowaniu-modelu-w-produkcji/).

### 11. Planować elastyczną pracę na czas czystszej energii {#11-schedule-flexible-work-for-cleaner-times}

**Planowanie uwzględniające emisje zmniejsza emisje, a nie zużycie energii, i najlepiej sprawdza się przy krótkich,
elastycznych zadaniach.** W badaniu Dodge’a i współpracowników opóźnienie startu krótkiego zadania trenowania do
pory niskiej emisyjności zmniejszyło emisje w jednym regionie Stanów Zjednoczonych nawet o 80%, ale w przypadku
długiego zadania o mniej niż 1,5%; wstrzymywanie i wznawianie długiego zadania pozwoliło zaoszczędzić do około 25%.
Zob. [jak planować trenowanie na czas, gdy sieć jest bardziej zielona](/pl/jak/jak-planowac-trenowanie-na-czas-gdy-siec-energetyczna-jest-czystsza/) oraz
[obliczenia uwzględniające emisje](/pl/slowniczek/#carbon-aware-computing).

## Sposoby na energooszczędną AI w skrócie {#energy-efficient-ai-levers-at-a-glance}

**Tabela podsumowuje sposoby, wskazuje, kto może z nich korzystać, i podaje oszczędności opisane w źródłach.**
Wartości pochodzą z różnych badań o różnych punktach odniesienia, dlatego należy je traktować jako wskazówkę skali,
a nie jako sumujące się wyniki.

| Sposób | Kto może z niego korzystać | Typowa podawana oszczędność | Źródło |
|---|---|---|---|
| Model wyspecjalizowany zamiast generatywnego | Programiści, organizacje | Rzędy wielkości w zadaniach takich jak klasyfikacja | Luccioni, Jernite i Strubell, 2024 |
| Mniejszy, wyspecjalizowany model | Użytkownicy, programiści | Do 90% energii | UNESCO i UCL, 2025 |
| Rozumowanie wyłączone, chyba że jest potrzebne | Użytkownicy, programiści | 150–700 razy mniej dla jednego modelu; średnio 30 razy w różnych modelach | Hugging Face AI Energy Score, 2025 |
| Łącznie model, centrum danych i procesor | Programiści, organizacje | Do około 100–1000 razy mniej emisji (trenowanie) | Patterson i in., Google, 2021 |
| Niskoemisyjny region chmury | Programiści, organizacje | Około 3,7 razy między najlepszym a najgorszym regionem | Dodge i in., 2022 |
| Krótsze zapytania i odpowiedzi | Użytkownicy, programiści | Ponad 50% energii | UNESCO i UCL, 2025 |
| Routing | Programiści | Do 40% mniej wywołań dużego modelu | Ding i in., 2024 |
| Kwantyzacja | Programiści | Do 44% energii; o połowę mniej pamięci | UNESCO i UCL, 2025; Dettmers i in., 2022 |
| Destylacja | Programiści | O 40% mniejszy, o 60% szybszy, zachowane 97% zdolności | Sanh i in., 2019 |
| Przycinanie | Programiści | Usunięte co najmniej 50% wag | Frantar i Alistarh, 2023 |
| Efektywna obsługa i przetwarzanie wsadowe | Programiści | 2–4 razy większa przepustowość | Kwon i in., 2023 |
| Dekodowanie spekulatywne | Programiści | 2–3 razy szybciej, te same wyniki | Leviathan i in., 2022 |
| Czas startu uwzględniający emisje | Programiści, badacze | Do 80% (krótkie zadania); poniżej 1,5% (długie zadania) | Dodge i in., 2022 |
| Fine-tuning efektywny parametrycznie (LoRA) | Programiści, badacze | 10 000 razy mniej trenowanych parametrów, 3 razy mniej pamięci GPU | Hu i in., 2021 |

## Jak użytkownicy mogą zmniejszyć zużycie energii przez AI? {#how-can-users-reduce-ai-energy}

**Wybierać lżejsze opcje i prosić o mniej.** Większość osób nie może zmienić centrum danych, ale może zmienić to, o
co prosi:

- Do codziennych zadań używać szybkiego modelu lub modelu „mini”, a największe modele i tryby rozumowania zostawić na
  trudne problemy.
- Formułować jasne prośby i prosić o krótkie odpowiedzi; zamiast kontynuować bardzo długi czat, zacząć nowy.
- Unikać wielokrotnego ponownego generowania: zamiast tego doprecyzować prośbę. Zob. [jak przestać ponownie generować odpowiedzi AI](/pl/jak/jak-przestac-w-kolko-generowac-odpowiedzi-ai-od-nowa/).
- Generować obrazy i wideo tylko wtedy, gdy są potrzebne. Zob. [jak ograniczyć wpływ generowania obrazów i wideo przez AI](/pl/jak/jak-zmniejszyc-wplyw-generowania-obrazow-i-wideo-przez-ai/).
- Wyłączyć nieużywane funkcje AI. Zob. [efektywne korzystanie z AI: codzienne nawyki](/pl/dobre-praktyki/efektywne-korzystanie-z-ai-codzienne-nawyki/).

Dla porównania: Google podało w 2025 roku, że mediana zapytania tekstowego do Gemini zużywała 0,24 Wh. Pojedyncze
zapytania tekstowe są niewielkie; łączne zużycie wynika z bardzo dużej ich liczby i z cięższych zadań opisanych
wyżej. Zob. [przewodnik dla ogółu społeczeństwa](/pl/poradniki/zielona-ai-przewodnik-prostym-jezykiem-dla-wszystkich/).

## Jak programiści mogą budować efektywne modele i systemy AI? {#how-can-developers-build-efficient-ai-models-and-systems}

**Najpierw dobrać wielkość, potem zoptymalizować obsługę, a następnie mierzyć.** Praktyczna kolejność:

1. Ustalić wymagania jakościowe na własnych danych i przetestować względem nich najmniejsze modele kandydujące.
2. Dodać routing lub kaskadę, tak aby duży model obsługiwał tylko to, czego nie potrafi mały.
3. Zastosować kwantyzację, a przy dużych wolumenach rozważyć destylację.
4. Obsługiwać model w efektywnym środowisku uruchomieniowym: przetwarzanie wsadowe, stronicowana pamięć podręczna KV,
   pamięć podręczna promptów i dekodowanie spekulatywne.
5. Ograniczyć długość odpowiedzi i pętle agentów; zob. [jak powstrzymać agentów AI przed marnowaniem tokenów](/pl/jak/jak-sprawic-by-agenci-ai-nie-marnowali-tokenow/).
6. Stosować fine-tuning z LoRA zamiast trenowania od zera; zob. [jak uniknąć trenowania modelu od zera](/pl/jak/jak-uniknac-trenowania-modelu-od-zera/).
7. Mierzyć energię na zadanie przed zmianą i po niej; zob. [jak śledzić energię AI na zadanie](/pl/jak/jak-sledzic-zuzycie-energii-przez-ai-na-zadanie-a-nie-tylko-lacznie/).

Więcej szczegółów w tekstach [efektywne trenowanie i inferencja](/pl/dobre-praktyki/efektywne-trenowanie-i-inferencja-ai/) oraz
[matematyka, która czyni AI bardziej efektywną](/pl/artykuly/matematyka-ktora-czyni-ai-bardziej-efektywna/).

## Jak organizacje mogą zmniejszać zużycie energii przez AI na dużą skalę? {#how-can-organisations-reduce-ai-energy-at-scale}

**Ustalać ustawienia domyślne, dobrze kupować i mierzyć.** Największe możliwości organizacji to wybór modelu
domyślnego, funkcji włączonych domyślnie i miejsca wykonywania obciążeń:

- Ustawić mały, szybki model jako domyślny w narzędziach wewnętrznych, z większymi modelami dostępnymi na życzenie.
- Prosić dostawców o dane o energii na zadanie i o centrach danych; zob. [zrównoważone zamówienia AI](/pl/dobre-praktyki/zrownowazone-zamowienia-ai/).
- Wybierać dostawców i regiony z czystą energią; zob. [hosting i centra danych](/pl/dobre-praktyki/hosting-zielonej-ai-i-centra-danych/).
- Przyjąć politykę i przeszkolić pracowników; zob. [jak napisać politykę zielonej AI](/pl/dobre-praktyki/jak-napisac-polityke-zielonej-ai/) oraz
  [jak przeszkolić pracowników w efektywnym korzystaniu z AI](/pl/jak/jak-przeszkolic-pracownikow-w-wydajnym-korzystaniu-z-ai/).
- Ustalić punkt odniesienia i cele; zob. [jak ustalić punkt odniesienia dla oszczędności energii AI](/pl/jak/jak-ustalic-punkt-odniesienia-aby-udowodnic-oszczednosc-energii-w-ai/).

## Czy energooszczędna AI zmniejsza łączne zużycie energii? {#does-energy-efficient-ai-reduce-total-energy-use}

**Tylko jeśli łączne użycie nie rośnie szybciej, niż poprawia się efektywność.** Google podało, że energia mediany
zapytania do Gemini spadła w ciągu roku 33-krotnie, a mimo to zużycie energii elektrycznej przez centra danych na
świecie wciąż rośnie, ponieważ użycie rośnie szybciej. To [efekt odbicia](/pl/slowniczek/#rebound-effect). Efektywność
obniża koszt każdego zadania; wystarczalność pyta, czy zadanie trzeba wykonać. Potrzebne są obie, jak wyjaśnia
tekst [efektywność to nie wystarczalność](/pl/artykuly/efektywnosc-to-nie-wystarczalnosc-efekt-odbicia-w-ai/), a
[jak nie dopuścić do zniwelowania zysków z efektywności](/pl/jak/jak-nie-dopuscic-by-wzrost-wydajnosci-ai-zniwelowal-wiekszy-poziom/)
podaje praktyczne kroki. Szerszy obraz przedstawiają teksty
[AI a zapotrzebowanie centrów danych na energię elektryczną](/pl/artykuly/ai-a-zuzycie-energii-elektrycznej-przez-centra-danych/) oraz
[statystyki zużycia energii przez AI](/pl/artykuly/zuzycie-energii-przez-ai-statystyki-stan-na-listopad-2026/).

## Co dalej {#what-to-do-next}

- Sprawdzić, czy mniejszy model spełnia wymagania jakościowe, i jeśli tak, przejść na niego.
- Domyślnie wyłączyć tryby rozumowania, obrazu i wideo tam, gdzie nie są potrzebne.
- Dodać pamięć podręczną, przetwarzanie wsadowe i routing do każdej funkcji AI o realnym wolumenie.
- Dla nowych obciążeń wybrać niskoemisyjny region i efektywnego dostawcę.
- Mierzyć energię na zadanie przed każdą zmianą i po niej oraz raportować wynik.
- Pomoc można znaleźć w [katalogu konsultantów](/pl/konsultanci/), a więcej wiedzy na [kursach](/pl/kursy/).

## Najczęściej zadawane pytania

### Czym jest energooszczędna AI?

To AI, która daje potrzebny wynik przy mniejszym zużyciu energii elektrycznej, dzięki mniejszym lub lepiej dopasowanym modelom, oszczędniejszemu oprogramowaniu, efektywnemu sprzętowi i centrom danych oraz korzystaniu z AI tylko tam, gdzie wnosi wartość. To część zielonej AI, która pyta też, czy łączna skala użycia jest rozsądna.

### Jak zmniejszyć zużycie energii przez AI?

Jako użytkownik: wybierać mniejszy lub szybszy model, pisać krótkie zapytania i prosić o krótkie odpowiedzi, unikać ponownego generowania i korzystać z rozumowania oraz trybów obrazu i wideo tylko wtedy, gdy są potrzebne. Jako programista: dobrać wielkość modelu, a następnie dodać kwantyzację, routing, pamięć podręczną i przetwarzanie wsadowe oraz uruchamiać pracę w regionie o niskiej emisyjności.

### Czy mniejsze modele AI są bardziej energooszczędne?

Zwykle tak, w zadaniach, z którymi dobrze sobie radzą. UNESCO i UCL podają, że małe, wyspecjalizowane modele mogą w odpowiednich zadaniach zmniejszyć zużycie energii nawet o 90%. Warto sprawdzić jakość na własnych zadaniach: mały model, który trzeba uruchamiać kilka razy, może nic nie zaoszczędzić.

### Czy kwantyzacja oszczędza energię?

Zwykle tak, ponieważ model przesyła mniej danych i potrzebuje mniej pamięci. UNESCO i UCL podają oszczędności do 44% dzięki kompresji modeli, takiej jak kwantyzacja, a LLM.int8() zmniejszyło o połowę pamięć potrzebną do inferencji. Oszczędność zależy od tego, czy sprzęt obsługuje niższą precyzję.

### Która AI zużywa najwięcej energii?

Generowanie wideo, następnie generowanie obrazów oraz długie zadania z rozumowaniem lub z udziałem agentów. W badaniu z 2025 roku jeden model otwarty zużył prawie 90 Wh na krótki klip wideo, a większy ponad 415 Wh, a modele rozumujące zużywały średnio około 30 razy więcej energii niż standardowe.

### Czy efektywność rzeczywiście zmniejsza łączne zużycie energii przez AI?

Nie automatycznie. Tańsza i szybsza AI jest zwykle używana częściej; to efekt odbicia. Efektywność zmniejsza energię na zadanie; utrzymanie niskiego zużycia łącznego wymaga też wystarczalności, czyli korzystania z AI tam, gdzie jest to warte zachodu.

### Czy dostawcy AI oszczędzają energię dzięki pamięci podręcznej promptów i przetwarzaniu wsadowemu?

Unikają powtarzania pracy, dlatego pobierają za nią mniej: OpenAI daje 50% zniżki na zadania wsadowe, a dane wejściowe z pamięci podręcznej kosztują u kilku dostawców około jednej dziesiątej zwykłej stawki. Ceny są przybliżoną wskazówką zaoszczędzonych obliczeń, a nie pomiarem energii.

## Źródła

- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Hugging Face (Luccioni and Gamazaychikov) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al., Google (2021)
- [Good news about the carbon footprint of machine learning training](https://research.google/blog/good-news-about-the-carbon-footprint-of-machine-learning-training/), Google Research (2022)
- [Measuring the carbon intensity of AI in cloud instances](https://arxiv.org/abs/2206.05229), Dodge et al. (FAccT 2022) (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [DistilBERT, a distilled version of BERT](https://arxiv.org/abs/1910.01108), Sanh et al., Hugging Face (2019)
- [LLM.int8(): 8-bit matrix multiplication for transformers at scale](https://arxiv.org/abs/2208.07339), Dettmers et al. (2022)
- [SparseGPT: massive language models can be accurately pruned in one-shot](https://arxiv.org/abs/2301.00774), Frantar and Alistarh (2023)
- [FrugalGPT: how to use large language models while reducing cost and improving performance](https://arxiv.org/abs/2305.05176), Chen, Zaharia and Zou (2023)
- [Hybrid LLM: cost-efficient and quality-aware query routing](https://arxiv.org/abs/2404.14618), Ding et al. (2024)
- [RouteLLM: learning to route LLMs with preference data](https://arxiv.org/abs/2406.18665), Ong et al. (2024)
- [Efficient memory management for large language model serving with PagedAttention](https://arxiv.org/abs/2309.06180), Kwon et al. (2023)
- [Fast inference from transformers via speculative decoding](https://arxiv.org/abs/2211.17192), Leviathan, Kalman and Matias (2022)
- [LoRA: low-rank adaptation of large language models](https://arxiv.org/abs/2106.09685), Hu et al. (2021)
- [Batch API](https://developers.openai.com/api/docs/guides/batch), OpenAI (2026)
- [Prompt caching](https://platform.claude.com/docs/en/build-with-claude/prompt-caching), Anthropic (2026)
- [Leading ML hardware becomes 40% more energy-efficient each year](https://epoch.ai/data-insights/ml-hardware-energy-efficiency), Epoch AI (2024)
