greenai.guide

Strona główna › Artykuły › Pomiar to wąskie gardło zielonej AI

Artykuł

Pomiar to wąskie gardło zielonej AI

Aktualizacja · Czas czytania: 4 min

W skrócie

Większość danych o zużyciu energii przez sztuczną inteligencję (AI) pochodzi od samych firm, które stosują metody nie w pełni opublikowane, albo jest szacowana na podstawie założeń, a nie mierzona na prawdziwym sprzęcie. Różne badania wyznaczają też granicę „systemu” w różnych miejscach. Dopóki pomiary nie będą spójne, deklaracje dotyczące zielonej AI trudno sprawdzić, a porównania modeli lub dostawców mogą wprowadzać w błąd.

Najważniejsze punkty

  • Najbardziej znane dane na jeden prompt (polecenie) pochodzą od samych dostawców i opierają się na różnych metodach, więc nie da się ich bezpośrednio porównać.
  • Zmiana granicy pomiaru może ponad dwukrotnie zmienić wynik; według samego Google prompt w Gemini zużywa 0,24 Wh, ale tylko 0,10 Wh, jeśli liczy się wyłącznie chipy AI.
  • Wiele narzędzi szacuje energię na podstawie specyfikacji sprzętu i średnich dla sieci elektroenergetycznej, zamiast ją mierzyć.
  • Według analizy z 2025 roku przejrzystość w sprawie kosztów środowiskowych AI maleje, a nie rośnie.
  • Dobra wartość liczbowa mówi, co zmierzono, jak, w jakich granicach, na jakim sprzęcie i dla jakiego zadania.

Nie da się zarządzać czymś, czego nie da się zmierzyć, a zużycie energii przez sztuczną inteligencję (AI) wciąż jest mierzone słabo. To nie jest szczegół: od tego zależy, czy deklaracje dotyczące zielonej AI można sprawdzić, czy kupujący mogą porównywać produkty i czy polityka publiczna trafi we właściwe cele. Bez wiarygodnych liczb każda deklaracja ekologiczna jest tylko komunikatem prasowym.

Dlaczego danym o zużyciu energii przez AI trudno ufać?

Ponieważ większość z nich pochodzi od firm, które sprzedają AI, opiera się na metodach nie w pełni opublikowanych i nie da się ich niezależnie sprawdzić. Nie oznacza to, że są błędne, ale utrudnia ich porównywanie.

Dwie najczęściej cytowane wartości dla tekstowego promptu (polecenia) pochodzą z deklaracji samych firm:

Wartość Kto Co wiadomo o metodzie
0,24 Wh dla mediany tekstowego promptu w aplikacjach Gemini Google, 2025 Opublikowany artykuł opisuje metodę, w tym narzuty centrum danych i niewykorzystaną moc. Dane z maja 2025 roku, niezweryfikowane niezależnie.
Około 0,34 Wh dla przeciętnego zapytania do ChatGPT Prezes OpenAI, 2025 Wpis na blogu; metodologii nie opublikowano.
Około 0,3 Wh dla typowego zapytania do GPT-4o Epoch AI, 2025 Niezależny szacunek oparty na publicznych informacjach o sprzęcie i wielkości modelu.

Liczby wyglądają podobnie, ale nie są porównywalne wprost: mediana to nie średnia, a granice systemu są różne. Dotyczą też wyłącznie krótkich promptów tekstowych, a nie generowania obrazów czy wideo, długiego rozumowania ani agentów.

Jak bardzo liczy się granica systemu?

Bardzo. Artykuł Google sam to pokazuje. Uwzględnienie wyłącznie aktywnych akceleratorów AI (TPU i GPU) daje 0,10 Wh na medianę promptu. Po doliczeniu serwerów hostujących, niewykorzystanej mocy utrzymywanej w gotowości na wypadek wzrostu popytu oraz narzutów centrum danych, takich jak chłodzenie, wychodzi 0,24 Wh, czyli ponad dwa razy więcej.

To, gdzie przebiega granica, przesądza o wyniku. Pełna granica dla usługi AI może obejmować:

  1. Chipy AI wykonujące pracę.
  2. Resztę serwera: procesory, pamięć, dyski.
  3. Niewykorzystaną i zapasową moc utrzymywaną na szczyty obciążenia.
  4. Chłodzenie i konwersję energii w centrum danych.
  5. Sieć przesyłającą zapytania i odpowiedzi.
  6. Urządzenie użytkownika.
  7. Trenowanie modelu, rozłożone na wszystkie jego zastosowania.
  8. Produkcję sprzętu (emisje wbudowane, czyli ślad węglowy produkcji sprzętu).

To samo dotyczy śmiałych porównań. Twierdzenie, że AI zużywa wielokrotnie więcej lub mniej energii niż człowiek wykonujący to samo zadanie, zależy od tego, co liczy się po każdej stronie: komputer i czas człowieka, trenowanie modelu, pracę potrzebną do sprawdzenia i poprawienia wyników 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, podkreślali, że granice systemu trzeba określić, zanim jakiekolwiek takie porównanie nabierze sensu.

Czym różni się szacowanie od pomiaru?

Pomiar odczytuje rzeczywistą moc ze sprzętu w trakcie pracy; szacowanie oblicza ją na podstawie założeń. Oba podejścia mają swoje miejsce, ale często się je myli.

  • Pomiar korzysta z liczników sprzętowych (takich jak te wbudowane w nowoczesne procesory i GPU), mierników mocy w serwerach lub liczników w centrum danych. Jest dokładny w zakresie tego, co obejmuje, ale wymaga dostępu do sprzętu.
  • Szacowanie mnoży założoną moc znamionową przez czas pracy i stopień wykorzystania, a następnie przez średnią emisyjność sieci elektroenergetycznej. Narzędzia takie jak CodeCarbon szacują moc procesorów, GPU i pamięci oraz stosują regionalną emisyjność sieci. Są łatwe w użyciu, ale to narzędzia szacujące, a nie mierniki.

Szacunki mogą bardzo odbiegać od rzeczywistości, zwłaszcza na współdzielonym sprzęcie w chmurze, gdzie nie widać, co jeszcze na nim działa. Proste reguły kciuka też są ryzykowne: Mytton, Lundén i Malmodin wykazali w 2024 roku, że zużycie energii przez sieć to w większości stały poziom bazowy, więc współczynniki typu „kilowatogodziny na gigabajt” źle oddają skutek przesyłania większej lub mniejszej ilości danych.

Międzynarodowy Związek Telekomunikacyjny (International Telecommunication Union) w raporcie z 2025 roku o pomiarze wpływu AI na środowisko uznał silne poleganie na pośrednich szacunkach, bez pomiarów empirycznych, za palący problem.

Czy przejrzystość się poprawia?

Według większości wskaźników nie. Luccioni, Gamazaychikov, Alves da Costa i Strubell przeanalizowali w 2025 roku ujawnianie informacji środowiskowych o modelach AI i doszli do wniosku, że przejrzystość w sprawie kosztów i wpływu tych modeli zmalała, choć korzysta się z nich coraz częściej.

Regulacje zaczynają działać w przeciwnym kierunku. Zgodnie z unijnym aktem w sprawie sztucznej inteligencji (EU AI Act) dostawcy modeli AI ogólnego przeznaczenia muszą dokumentować znane lub szacowane zużycie energii przez swoje modele (załącznik XI). Ta dokumentacja trafia do organów nadzoru i dalszych dostawców, a nie do opinii publicznej, a szacunki są dopuszczalne tam, gdzie pomiar nie jest dostępny.

Jak wyglądałby dobry pomiar?

To wartość, którą można odtworzyć: wiadomo, co zmierzono, jak, w jakich granicach, na jakim sprzęcie i dla jakiego zadania. Przydatne elementy już istnieją:

  • Otwarte benchmarki, takie jak ML.ENERGY Leaderboard, który mierzy energię inferencji (wnioskowania) otwartych modeli na znanym sprzęcie, oraz pojawiające się teraz etykiety energetyczne i benchmarki.
  • Normy, takie jak ISO/IEC 21031:2024, czyli specyfikacja Software Carbon Intensity, która definiuje emisyjność na jednostkę funkcjonalną na podstawie energii, emisyjności sieci i emisji wbudowanych.
  • Dokładność obok energii. Tania, ale błędna odpowiedź nie jest efektywna. Dane o energii należy podawać razem z jakością wyniku i informacją, ile poprawek było potrzebnych.

Pomiar musi też sięgać poziomów bardziej szczegółowych niż „centrum danych”: pojedynczego zapytania, modelu czy linii kodu. Właśnie takie przypisanie pozwala inżynierom znaleźć i naprawić najkosztowniejsze elementy.

Co dalej

Najczęściej zadawane pytania

Dlaczego nie można porównać zużycia energii przez ChatGPT i Gemini?

Ponieważ opublikowane dane pochodzą z deklaracji firm, obejmują różne rzeczy i opierają się na metodach, które nie zostały w pełni opublikowane. Jedne mogą uwzględniać narzuty centrum danych i niewykorzystaną moc, inne nie. Dopóki oba systemy nie zostaną zmierzone w ten sam sposób, bezpośrednie porównanie nie jest wiarygodne.

Czym różni się szacowanie zużycia energii przez AI od jego pomiaru?

Pomiar odczytuje moc z czujników sprzętowych lub liczników w trakcie pracy. Szacowanie oblicza energię na podstawie założeń, takich jak moc znamionowa chipów, stopień ich wykorzystania i czas pracy. Szacunki są przydatne, gdy pomiar jest niemożliwy, ale mogą bardzo odbiegać od rzeczywistości.

Czym jest granica systemu?

To linia, która decyduje, co jest liczone. Wąska granica obejmuje tylko chip AI; szersza dodaje serwer, chłodzenie, niewykorzystaną moc, sieć, urządzenie użytkownika i produkcję sprzętu.

Źródła

  1. Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
  2. The gentle singularity, Sam Altman (OpenAI) (2025)
  3. How much energy does ChatGPT use?, Epoch AI (2025)
  4. Misinformation by omission: the need for more environmental transparency in AI, Luccioni, Gamazaychikov, Alves da Costa and Strubell (2025)
  5. Measuring what matters: how to assess AI's environmental impact, International Telecommunication Union (2025)
  6. CodeCarbon, CodeCarbon project (2020)
  7. The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
  8. ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO/IEC and Green Software Foundation (2024)
  9. Network energy use not directly proportional to data volume, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
  10. Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)

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