W skrócie
Oficjalnej etykiety energetycznej dla modeli AI jeszcze nie ma, ale istnieją elementy, z których można ją zbudować. AI Energy Score ocenia otwarte modele w skali od jednej do pięciu gwiazdek, MLPerf Power testuje systemy sprzętowe, a UE wymaga dokumentacji energetycznej dla modeli AI ogólnego przeznaczenia i buduje system oceny centrów danych. UE ogłosiła też przetarg na prace nad pomiarem energooszczędnej AI, a etykieta jest przedmiotem dyskusji.
Najważniejsze punkty
- AI Energy Score, uruchomiony w lutym 2025 roku, przyznaje modelom ocenę od jednej do pięciu gwiazdek w ramach każdego zadania na podstawie zmierzonego zużycia energii przez GPU.
- MLPerf Power mierzy efektywność energetyczną całych systemów uczenia maszynowego, od maleńkich urządzeń po szafy w centrach danych.
- Zgodnie z EU AI Act (unijnym aktem w sprawie sztucznej inteligencji) dostawcy AI ogólnego przeznaczenia muszą dokumentować znane lub szacowane zużycie energii, ale ta dokumentacja trafia do regulatorów, a nie do konsumentów.
- UE buduje dla centrów danych system ocen w stylu skali A–G i ogłosiła przetarg na prace, które mogą doprowadzić do etykiety energii i emisji dla AI.
- Etykieta pozwala uszeregować porównywalne opcje, ale nie obejmie wszystkiego: sprzęt, ustawienia i rzeczywiste użycie zmieniają wynik.
Lodówki, pralki i żarówki mają etykiety energetyczne, które pozwalają kupującym porównać je jednym rzutem oka. Coraz częściej pada pytanie, dlaczego modele sztucznej inteligencji (AI) ich nie mają. Krótka odpowiedź: oznakowanie AI jest trudniejsze niż oznakowanie lodówki, ale prace w tym kierunku są mocno zaawansowane. Ten artykuł opisuje, co istnieje pod koniec 2026 roku i czego etykieta może, a czego nie może powiedzieć.
Czy istnieje oficjalna etykieta energetyczna dla AI?
Nie, jeszcze nie. Istnieją dobrowolne oceny i testy porównawcze, prawne obowiązki dokumentowania zużycia energii w UE oraz prace Komisji Europejskiej, które mogą doprowadzić do etykiety. Żadne z nich nie jest jeszcze etykietą konsumencką na wzór tej z lodówki.
Czym jest AI Energy Score?
To dobrowolna ocena gwiazdkowa modeli AI, oparta na zmierzonym zużyciu energii w standardowych zadaniach. Została uruchomiona w lutym 2025 roku przez Hugging Face wraz z partnerami, wśród których są Salesforce, Cohere i Carnegie Mellon University.
Jak to działa:
- Modele wykonują stały zestaw typowych zadań, na tym samym typie GPU dla każdego modelu.
- Mierzy się energię zużytą przez GPU na ustaloną liczbę zapytań.
- Każdy model otrzymuje od jednej do pięciu gwiazdek względem innych modeli w tym samym zadaniu i tej samej klasie wielkości. Oceny są ponownie kalibrowane w miarę dodawania nowych modeli.
Pierwsza edycja oceniła 166 modeli w 10 zadaniach. Druga wersja, wydana pod koniec 2025 roku, dodała rozumowanie jako testowane zadanie; Hugging Face podał, że modele rozumujące zużywały średnio około 30 razy więcej energii niż modele bez rozumowania lub z wyłączonym rozumowaniem, głównie dlatego, że generują znacznie więcej tokenów wyjściowych.
Mocną stroną tej oceny jest to, że opiera się na pomiarach, a nie szacunkach, i stosuje te same warunki dla każdego modelu. Jej ograniczeniem jest zasięg: zamknięte modele komercyjne mogą zostać uwzględnione tylko wtedy, gdy ich dostawcy zdecydują się wziąć udział.
Czym są MLPerf Power i ML.ENERGY Leaderboard?
To testy porównawcze mierzące energię w kontrolowanych warunkach: jeden dla systemów sprzętowych, drugi dla otwartych modeli.
- MLPerf Power, opracowany przez branżowe konsorcjum MLCommons, mierzy efektywność energetyczną kompletnych systemów uczenia maszynowego wykonujących standardowe obciążenia MLPerf. Artykuł z 2025 roku podaje 1 841 pomiarów z 60 systemów zgłoszonych przez ponad 20 organizacji, od urządzeń pobierających mikrowaty po systemy w centrach danych o mocy megawatów. Pomaga kupującym porównywać sprzęt, a nie modele.
- ML.ENERGY Leaderboard, prowadzony przez University of Michigan, mierzy energię inferencji (wnioskowania) szeroko używanych otwartych modeli na znanym sprzęcie i publikuje swoje narzędzia, aby inni mogli powtórzyć pomiary.
Obliczenia wielkiej skali mają tu precedens. Lista Green500 szereguje superkomputery według wydajności na wat w standardowym teście. To miara zgrubna, ale ponieważ wszyscy wykonują ten sam test, wyniki są porównywalne, a lista od lat napędza poprawę efektywności. Testy porównawcze AI mogą skończyć podobnie: niedoskonałe, ale użyteczne, bo wspólne.
Czego wymaga prawo UE?
Dokumentacji dla modeli AI ogólnego przeznaczenia, raportowania przez centra danych i ram dla przyszłych norm.
- AI Act, załącznik XI. Dostawcy modeli AI ogólnego przeznaczenia muszą dokumentować „znane lub szacowane zużycie energii przez model”. Jeśli nie jest znane, może być oparte na informacjach o wykorzystanych zasobach obliczeniowych. Ta dokumentacja trafia do Urzędu ds. AI UE i organów krajowych, a nie do opinii publicznej.
- AI Act, artykuł 40. Wniosek normalizacyjny Komisji obejmuje procesy raportowania i dokumentowania, które mają poprawić efektywność zasobową systemów AI, w tym energooszczędne opracowywanie modeli ogólnego przeznaczenia. Te normy wciąż są opracowywane.
- Centra danych. Zgodnie z rozporządzeniem delegowanym (UE) 2024/1364 centra danych o mocy IT co najmniej 500 kW muszą co roku raportować wskaźniki energetyczne i dotyczące zrównoważonego rozwoju. W 2026 roku Komisja zaproponowała kolejny krok: system ocen z klasami dla takich wskaźników jak efektywność wykorzystania energii (PUE) i efektywność wykorzystania wody (WUE); propozycja jest analizowana i jeszcze nie obowiązuje.
Czy UE opracowuje etykietę energetyczną dla AI?
Rozważa ją. Komisja ogłosiła w ramach AI Act przetarg na pomiar i wspieranie energooszczędnej i niskoemisyjnej AI, który obejmuje możliwość wprowadzenia etykiety energii i emisji dla AI, a w 2026 roku przeprowadziła ukierunkowane konsultacje. Nie przesądzono, czy etykieta powstanie ani czy AI Act daje dla niej podstawę prawną. Pierwsze ramy będą raczej wskazówką z szerokimi marginesami niepewności niż precyzyjną oceną.
Poza UE obraz jest w większości dobrowolny. W Wielkiej Brytanii i Stanach Zjednoczonych nie ma wymogu etykiety energetycznej dla AI; organizacje opierają się na dobrowolnych systemach, takich jak AI Energy Score, oraz na normach, takich jak ISO/IEC 21031:2024, specyfikacja Software Carbon Intensity, która definiuje emisje na jednostkę pracy, ale sama nie jest etykietą porównawczą.
Dlaczego oznakowanie AI jest trudniejsze niż oznakowanie lodówki?
Bo zużycie energii przez ten sam model zmienia się w zależności od sprzętu, ustawień i zadania. Lodówka codziennie robi to samo. Zużycie energii na zadanie przez model AI zależy od:
- Sprzętu: generacji układu, liczby układów, ustawień mocy i podkręcania.
- Oprogramowania: silnika inferencji, łączenia zapytań w paczki (batching), kwantyzacji, buforowania (caching).
- Zadania: długości promptu (polecenia), długości odpowiedzi, tego, czy włączony jest tryb rozumowania.
- Warunków: test laboratoryjny a obciążone produkcyjne centrum danych z zapasem mocy utrzymywanym na szczyty.
- Jakości: model, który zużywa mniej energii, ale częściej się myli, może ostatecznie kosztować więcej.
Etykieta musi więc ustalić warunki, co czyni ją porównywalną, ale mniej realistyczną. Ten sam kompromis dotyczy testów zużycia paliwa w samochodach.
O co kupujący powinien pytać w międzyczasie?
O zmierzone zużycie energii na zadanie, w podanych warunkach, wraz z jakością. W praktyce:
- Pytać, czy model ma AI Energy Score lub inny niezależny pomiar.
- Pytać, jaki sprzęt, region i ustawienia zakładają dane dostawcy.
- Prosić o dane o energii i jakości dla własnego zadania, a nie ogólnego testu porównawczego.
- Ostrożnie podchodzić do współczynników w rodzaju „35 razy bardziej efektywny”: mówią tyle samo o punkcie odniesienia, co o produkcie.
Więcej w tekstach zrównoważone zamówienia AI oraz pomiar jest wąskim gardłem.
Co zrobić dalej
- Sprawdzać AI Energy Score rozważanych otwartych modeli i wybierać najbardziej efektywny, który spełnia potrzeby.
- Wbudować raportowanie zużycia energii w umowy na AI: zob. zrównoważone zamówienia AI.
- Mierzyć własne obciążenia: zob. pomiar zużycia energii przez AI.
- Unikać niepopartych deklaracji efektywności we własnym marketingu: zob. uczciwe deklaracje ekologiczne.
- Ocenione narzędzia i usługi można znaleźć w katalogu produktów.
Najczęściej zadawane pytania
Czy istnieje etykieta energetyczna dla modeli AI?
Oficjalna nie. AI Energy Score to dobrowolna ocena gwiazdkowa modeli w standardowych zadaniach. Komisja Europejska zleciła prace nad pomiarem energooszczędnej AI, które mogą doprowadzić do etykiety, ale żadnej jeszcze nie przyjęto.
Czym jest AI Energy Score?
To projekt uruchomiony w lutym 2025 roku przez Hugging Face wraz z partnerami, wśród których są Salesforce, Cohere i Carnegie Mellon University. Mierzy energię zużywaną przez GPU podczas wykonywania przez modele standardowych zadań i przyznaje każdemu ocenę od jednej do pięciu gwiazdek, względem innych modeli w tym samym zadaniu.
Czym jest MLPerf Power?
To test porównawczy konsorcjum MLCommons, który mierzy efektywność energetyczną sprzętowo-programowych systemów uczenia maszynowego wykonujących standardowe obciążenia MLPerf, od urządzeń pobierających mikrowaty po systemy w centrach danych o mocy megawatów.
Źródła
- Announcing AI Energy Score ratings, Hugging Face (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (2025)
- AI Energy Score, OECD.AI catalogue of tools (2025)
- MLPerf Power: benchmarking the energy efficiency of machine learning systems from µWatts to MWatts for sustainable AI, Tschand et al., MLCommons, HPCA 2025 (2025)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
- Regulation (EU) 2024/1689 (AI Act), Article 40, European Union (2024)
- Artificial Intelligence Act: call for tenders to measure and foster energy-efficient and low-emission AI, European Commission (2025)
- Commission Delegated Regulation (EU) 2024/1364 on the first phase of the establishment of a common Union rating scheme for data centres, European Commission (2024)
- European Commission proposes mandatory sustainability label for data centres, Latham & Watkins (2026)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- TOP500 and Green500 lists, TOP500 (2026)
Powiązane
Pomiar to wąskie gardło zielonej AI
Dlaczego dane o zużyciu energii przez AI trudno sprawdzić i porównać: deklaracje firm, szacunki zamiast pomiarów, różne granice systemu i dobre praktyki.
Zrównoważone zamówienia AI
O co pytać dostawców AI w sprawie energii, emisji i wody, jakich dowodów żądać i jakie klauzule umowne czynią zobowiązania egzekwowalnymi.
Wybór właściwego modelu do zadania
Jak dobrać AI do zadania: kiedy wystarczy mały lub wyspecjalizowany model, kiedy duży model jest wart kosztów, jak działa routing i kiedy obejść się bez AI.
Uczciwe deklaracje ekologiczne dotyczące AI
Jak uniknąć greenwashingu w sprawie AI: co wolno deklarować, a czego nie, efekt odbicia, uczciwe raportowanie oraz przepisy Wielkiej Brytanii, UE i USA.