greenai.guide

Strona główna › Dobre praktyki › Brzeg sieci czy chmura: gdzie powinna działać AI?

Dobre praktyki

Brzeg sieci czy chmura: gdzie powinna działać AI?

Aktualizacja · Czas czytania: 5 min

W skrócie

Ani brzeg sieci (edge), ani chmura nie są z założenia bardziej ekologiczne. Centralne centra danych zwykle wydajniej uruchamiają duże modele, natomiast AI na urządzeniu i na brzegu sieci pozwala uniknąć ruchu sieciowego, zatrzymać dane lokalnie i działać bez połączenia. Decyzję należy podejmować indywidualnie, porównując energię na użyteczny wynik w całym systemie, wraz z urządzeniami, siecią i sprzętem.

Najważniejsze punkty

  • Małe, częste lub wrażliwe na opóźnienia zadania warto uruchamiać lokalnie; duże lub rzadkie kierować do wydajnego sprzętu centralnego.
  • Według szacunków IEA sieci transmisji danych zużyły w 2022 roku 260–360 TWh, czyli około 1–1,5% światowej energii elektrycznej, z czego sieci komórkowe odpowiadały za około dwie trzecie.
  • Zużycie energii przez sieć nie rośnie proporcjonalnie do ilości danych, dlatego oszczędności liczone na gigabajt są często zawyżone.
  • Miliardy urządzeń sumują się: trzeba uwzględnić urządzenia użytkowników, ich baterie i sprzęt, który być może będą musieli wymienić.
  • Lokalna AI zatrzymuje dane na urządzeniu, co sprzyja prywatności, suwerenności i odporności.

Czy AI na brzegu sieci jest bardziej ekologiczna niż AI w chmurze?

To zależy od zadania, modelu i urządzenia, dlatego zamiast przyjmować założenia, należy porównać obie opcje w skali całego systemu. Centralne centra danych utrzymują akceleratory w wysokim stopniu wykorzystania i stosują specjalistyczne chłodzenie, więc zwykle wydajniej wykonują obliczenia dużego modelu. AI na brzegu sieci (edge), działająca na urządzeniu lub na pobliskim serwerze, nie musi przesyłać danych przez sieć i w stanie bezczynności może się całkowicie wyłączyć.

Dokładnie to pytanie postawili uczestnicy brytyjskiego sandpitu poświęconego zielonej AI w 2026 roku (sandpit to intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty), w którym udział wzięli matematycy, informatycy i przedstawiciele przemysłu. Sztuczna inteligencja (AI) trafia do czujników, kamer, dzwonków do drzwi, samochodów i asystentów w telefonach. Czy przy milionach urządzeń lokalna AI zużywa więcej czy mniej energii niż wysyłanie danych do centrum danych? Uczestnicy zauważyli, że istnieją kompleksowe badania energii dla niektórych mniejszych modeli wizyjnych wdrożonych na brzegu sieci, ale niewiele dla dużych modeli językowych. Uczciwa odpowiedź brzmi dziś: trzeba zmierzyć własny przypadek.

Jakie są kompromisy?

Każda z opcji wygrywa w innych obszarach.

Czynnik Urządzenie / brzeg sieci Centralne centrum danych
Energia na obliczenie Zwykle wyższa na układach ogólnego przeznaczenia; lepsza na dedykowanych akceleratorach neuronowych Zwykle niższa, zwłaszcza przy wysokim wykorzystaniu
Rozmiar modelu Małe, często skwantyzowane modele Dowolny rozmiar
Energia sieci Niewielka lub żadna Każde zapytanie przechodzi przez sieć
Energia w stanie bezczynności Urządzenie może się uśpić lub wyłączyć Współdzielona moc obliczeniowa utrzymywana w gotowości
Sprzęt Rozproszony na miliardach urządzeń; może wymuszać wymianę na nowszy Skoncentrowany, odnawiany co kilka lat
Opóźnienie Krótkie, działa bez połączenia Zależy od połączenia
Prywatność Dane mogą pozostać na urządzeniu Dane wychodzą spod kontroli użytkownika
Pomiar Trudny: rozproszony, nieraportowany Możliwy, jeśli dostawcy raportują
Kontrola Rozproszona Skupiona u kilku dostawców

Jak duże znaczenie ma sieć?

Sieci zużywają łącznie dużo energii, ale znaczna jej część to niemal stałe obciążenie bazowe, więc wpływ pojedynczego zapytania jest mniejszy, niż sugerują kalkulatory liczące energię na bajt.

  • Międzynarodowa Agencja Energetyczna (IEA) szacuje, że sieci transmisji danych zużyły w 2022 roku od 260 do 360 TWh, czyli około 1–1,5% światowej energii elektrycznej, z czego sieci komórkowe odpowiadały za około dwie trzecie.
  • Mytton, Lundén i Malmodin wykazali w 2024 roku, że zużycie energii przez sieć nie jest wprost proporcjonalne do ilości danych. Urządzenia sieciowe pobierają energię niezależnie od obciążenia, więc bezpośrednie przeliczanie gigabajtów na kilowatogodziny zawyża oszczędności wynikające z przesyłania mniejszej ilości danych.
  • Mimo to warto ograniczać dane: oszczędza to energię na serwerach i urządzeniach, a uniknięty ruch może pozwolić uniknąć rozbudowy sieci w przyszłości. Nie należy jednak traktować oszczędności sieciowych liczonych na gigabajt jako głównego argumentu za AI na brzegu sieci.

Wiele opublikowanych danych o zużyciu na jeden prompt (polecenie) pomija sieć i urządzenia użytkowników. Na przykład dane Google dotyczące Gemini z 2025 roku nie obejmują ani jednego, ani drugiego. Przed porównaniem liczb dla brzegu sieci i chmury należy sprawdzić granice systemu.

A co z samymi urządzeniami?

Należy uwzględnić energię, baterie i sprzęt urządzeń, na których działa AI, bo są one częścią śladu węglowego.

  • Emisje wbudowane: produkcja urządzeń wiąże się z emisjami CO2. Specyfikacja SCI uwzględnia w śladzie węglowym systemu oprogramowania część emisji wbudowanych (ślad węglowy produkcji sprzętu). Jeśli AI na urządzeniu skłania ludzi do wcześniejszej wymiany sprawnych telefonów lub laptopów, ten koszt może przewyższyć wszelkie oszczędności operacyjne.
  • Rozładowywanie baterii to ukryty koszt energii, który ponosi użytkownik. Jako przykład uczestnicy sandpitu wskazali asystentów AI w telefonach.
  • Adaptacja: Green Software Foundation sugeruje przechodzenie na mniejsze modele lub rzadsze działanie, gdy bateria jest bliska rozładowania lub urządzenie się nagrzewa.
  • Skala: niewielka oszczędność lub koszt na jednym urządzeniu staje się duży w skali milionów urządzeń działających bez przerwy.

Jaką rolę odgrywają prywatność i odporność?

Lokalna AI zatrzymuje dane na urządzeniu i działa dalej, gdy zawiedzie połączenie lub usługa centralna.

  • Prywatność: dane przetwarzane lokalnie nie muszą być przesyłane ani przechowywane przez dostawcę. Wspiera to zasadę minimalizacji danych w brytyjskim i unijnym prawie ochrony danych oraz sprawdza się w przypadku danych wrażliwych, takich jak dane medyczne lub dane infrastruktury krytycznej. Uczestnicy sandpitu zauważyli, że w sektorach infrastruktury krytycznej wrażliwe dane operacyjne często muszą pozostać wewnątrz organizacji, co wymaga efektywnych modeli lokalnych.
  • Suwerenność i kontrola: rozproszona inferencja (wnioskowanie) odbiera część kontroli kilku dużym dostawcom.
  • Odporność: podczas sandpitu poruszono też kwestię zależności: co się stanie, gdy społeczeństwo będzie polegać na AI, a połączenie lub zasilanie przestanie działać? Lokalne możliwości mogą podtrzymać działanie kluczowych funkcji.
  • Rozliczalność: AI na brzegu sieci trudniej monitorować. Przy jej wdrażaniu należy zaplanować, jak będzie mierzona i raportowana.

Jak podjąć decyzję krok po kroku?

Należy oszacować energię na użyteczny wynik dla każdej opcji, a następnie wziąć pod uwagę prywatność, opóźnienie i odporność.

  1. Określić zadanie i jego próg jakości. Co uznaje się za udany wynik?
  2. Znaleźć najmniejszy model, który spełnia próg (wybór właściwego modelu). Modele skwantyzowane potrzebują mniej pamięci: w badaniu LLM.int8() inferencja 8-bitowa zmniejszyła zapotrzebowanie na pamięć o połowę.
  3. Oszacować energię w chmurze na wynik, łącznie z narzutem centrum danych i, w miarę możliwości, siecią.
  4. Zmierzyć energię urządzenia na wynik na reprezentatywnych urządzeniach, w tym starszych i o niskim poborze mocy.
  5. Uwzględnić skutki sprzętowe: czy będą potrzebne nowe urządzenia lub dedykowane serwery brzegowe?
  6. Wziąć pod uwagę częstotliwość: częste, małe zadania często pasują do urządzenia, a rzadkie i ciężkie do chmury.
  7. Rozważyć prywatność, opóźnienie, pracę bez połączenia i odporność.
  8. Rozważyć podział: mały model lokalny obsługuje większość zapytań, a trudne przekazuje do chmury.
  9. Mierzyć po wdrożeniu i wracać do decyzji, gdy zmieniają się modele i sprzęt.

Lista kontrolna

  • [ ] Energia na użyteczny wynik porównana dla brzegu sieci, chmury i podziału
  • [ ] Granice systemu obejmują urządzenia i, w miarę możliwości, sieć
  • [ ] Wybrany najmniejszy wystarczający model, skwantyzowany dla urządzeń tam, gdzie zachowuje jakość
  • [ ] Funkcja AI nie wymusza wymiany urządzeń
  • [ ] Obsłużone kwestie baterii i temperatury, z lżejszym trybem przy niskim poziomie baterii
  • [ ] Odnotowane korzyści dla prywatności i ochrony danych
  • [ ] Zaplanowany monitoring wdrożeń na brzegu sieci

Co zrobić dalej

  1. Wybrać jedną funkcję AI i naszkicować dla niej opcję brzegową, chmurową i mieszaną.
  2. Zmierzyć energię na wynik na typowym urządzeniu i oszacować odpowiednik w chmurze; więcej w części pomiar zużycia energii przez AI.
  3. Przetestować skwantyzowany mały model na najstarszym obsługiwanym urządzeniu.
  4. Ustalić, które dane muszą pozostać lokalnie ze względu na prywatność lub suwerenność.
  5. Przeczytać artykuł AI na brzegu sieci, by poznać szerszy obraz, oraz część hosting i centra danych, by poznać stronę chmurową.
  6. Narzędzia do AI na brzegu sieci można znaleźć w katalogu produktów, a grupy badawcze w sekcji badania.

Najczęściej zadawane pytania

Czy AI na urządzeniu jest bardziej ekologiczna niż AI w chmurze?

Czasami. Mały model w telefonie pozwala uniknąć zużycia energii w centrum danych i w sieci, ale urządzenia są w przeliczeniu na obliczenie mniej wydajne niż akceleratory w centrach danych, a zakup nowego sprzętu do uruchamiania AI ma własny ślad węglowy. Należy porównać cały system.

Czy wysyłanie danych do chmury zużywa dużo energii?

Sieci zużywają znaczne ilości energii, ale duża jej część to niemal stałe obciążenie bazowe. Ograniczanie danych nadal pomaga urządzeniom i serwerom, ale oszczędności sieciowe liczone na gigabajt są zwykle zawyżone.

Czym są obliczenia na brzegu sieci (edge computing)?

To obliczenia wykonywane blisko miejsca, w którym dane powstają lub są używane: na samym urządzeniu albo na pobliskiej bramce lub małym lokalnym serwerze, a nie w odległym centrum danych.

Dlaczego ma tu znaczenie prywatność?

Dane przetwarzane na urządzeniu nie muszą go opuszczać. Zmniejsza to ich ekspozycję i może ułatwić przestrzeganie przepisów o ochronie danych, takich jak zasada minimalizacji danych.

Źródła

  1. Data centres and data transmission networks, International Energy Agency (2023)
  2. Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
  3. Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
  4. Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
  5. Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
  6. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  7. Principle (c): Data minimisation, Information Commissioner's Office (2023)
  8. LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (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