W skrócie
Zużycie energii przez AI mierzy się, opomiarowując kontrolowany sprzęt i szacując usługi, nad którymi nie ma się kontroli, a następnie przelicza obie wartości na emisje z użyciem lokalnych danych o sieci, dopasowanych w czasie. Przy każdej wartości należy zapisać granicę systemu, metodę i niepewność, a wynik raportować na jednostkę użytecznej pracy, a nie tylko jako sumę.
Najważniejsze punkty
- Mierzyć tam, gdzie to możliwe (liczniki sprzętowe, telemetria GPU, gniazdka pomiarowe, logi harmonogramu zadań), i szacować tam, gdzie nie (hostowane API, chmura publiczna).
- Każda wartość wymaga określonej granicy systemu: co obejmuje, czego nie obejmuje i dlaczego.
- Energię należy raportować na jednostkę użytecznej pracy, np. na zapytanie lub na dokument, aby efektywność była widoczna przy rosnącym użyciu.
- Należy stosować lokalizacyjną emisyjność sieci dla regionu i godziny wykonania pracy; certyfikaty jej nie zmieniają.
- Pomiary należy powtarzać i podawać zakres. Pojedyncza para pomiarów przed i po może być szumem.
Po co w ogóle mierzyć?
Nie da się ograniczyć, porównać ani uczciwie zadeklarować czegoś, czego się nie zmierzyło. Pomiar zamienia hasło „AI zużywa dużo energii” w liczby, na podstawie których można działać: która funkcja, który model lub które zadanie kosztuje najwięcej i czy zmiana pomogła.
Podczas brytyjskiego sandpitu (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęconego zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przedstawicieli przemysłu, pomiar wielokrotnie wracał jako wąskie gardło. Wiele opublikowanych wartości to szacunki, metody często nie są udokumentowane, a ta sama praca może dawać bardzo różne liczby w zależności od tego, co się liczy. Ten przewodnik przedstawia metodę, która się sprawdza.
Mierzyć czy szacować?
Kontrolowany sprzęt należy opomiarować; usługi poza kontrolą należy szacować. Oba podejścia są prawidłowe, pod warunkiem że przy każdej wartości podano, które z nich zastosowano.
| Sytuacja | Podejście | Typowe narzędzia |
|---|---|---|
| Własny laptop, stacja robocza lub serwer | Pomiar licznikami sprzętowymi | perf lub powercap (liczniki Intel/AMD RAPL), PowerJoular, Scaphandre |
| Własne GPU | Pomiar telemetrią producenta, próbkowaną w czasie | nvidia-smi lub NVML, CodeCarbon |
| Klaster badawczy | Odczyt rozliczenia energii z harmonogramu zadań | Slurm sacct (pole ConsumedEnergy), jeśli jest włączone |
| Maszyny wirtualne w chmurze publicznej | Szacunek na podstawie wykorzystania i rozliczeń | Cloud Carbon Footprint, panele emisji dostawców |
| Hostowane API AI | Szacunek na podstawie tokenów i założeń dotyczących modelu | EcoLogits |
| Porównanie otwartych modeli przed wyborem | Standardowy benchmark | Hugging Face AI Energy Score |
Wytyczne samego CodeCarbon wyznaczają tę samą granicę: CodeCarbon służy do kodu działającego na zarządzanym sprzęcie, a EcoLogits do wywołań zdalnych usług generatywnej AI, w których nie ma dostępu do sprzętu.
Ograniczenia miernika
- Telemetria GPU próbkuje, a nie obserwuje w sposób ciągły. Badacze ustalili, że na GPU A100 i H100
nvidia-smipróbkuje moc tylko przez około 25% czasu działania, co przy krótkich zadaniach może powodować duże niedoszacowania lub przeszacowania. Należy próbkować przez całe zadanie, uruchamiać je na tyle długo, by objęło wiele interwałów próbkowania, i całkować w czasie. - Mierniki programowe to modele. Raz na platformę warto porównać je z miernikiem w gniazdku (wystarczy inteligentne gniazdko z pomiarem).
- Wartości z chmury to szacunki. Liczniki sprzętowe są zwykle niedostępne na maszynach wirtualnych w chmurze publicznej, dlatego wartości z chmury należy oznaczać jako szacowane.
Co powinna obejmować granica systemu?
Granicę należy wyznaczyć na tyle szeroko, by objęła wszystko, co istotne, i ją zapisać. Wartości bez granicy nie da się z niczym porównać.
Dobrą ilustracją jest artykuł Google z 2025 roku o Gemini. Podaje on 0,24 Wh dla medianowego tekstowego promptu, gdy uwzględnia akceleratory, maszyny hosta, moce bezczynne i narzut centrum danych, oraz 0,10 Wh, gdy uwzględnia tylko aktywne użycie TPU i GPU. Obie wartości są uczciwe; odpowiadają na różne pytania. Granica przyjęta przez Google pomija też sieć zewnętrzną, urządzenia użytkowników i trenowanie modelu, a wartości nie zostały niezależnie zweryfikowane.
Należy przejść przez poniższe warstwy i dla każdej zdecydować, czy jest uwzględniona:
- Akcelerator (GPU, TPU), który wykonuje obliczenia.
- Reszta serwera: CPU, pamięć, magazyn danych.
- Moce bezczynne i zarezerwowane, utrzymywane w gotowości.
- Narzut centrum danych: chłodzenie i przetwarzanie energii, ujmowane przez PUE.
- Sieć między użytkownikami a usługą.
- Urządzenia użytkowników.
- Emisje wbudowane: część emisji z produkcji sprzętu przypadająca na dane użycie.
- Trenowanie i fine-tuning (dostrajanie), rozłożone na okres użytkowania modelu.
- Proces wokół: ponowienia, nieudane przebiegi, czas weryfikacji przez ludzi.
Na sandpicie padła ta sama uwaga w odniesieniu do twierdzeń w rodzaju „AI kosztuje trzydzieści razy więcej niż praca ręczna”: odpowiedź zależy od tego, czy liczy się czas pracy człowieka, jego sprzęt i wszystko wokół. Granicę należy określić przed porównaniem.
Co należy zapisywać?
Tyle, by ktoś inny mógł powtórzyć pomiar i uzyskać podobną liczbę. Dla każdej wartości należy zachować:
- Co zmierzono: model i wersję, zadanie, zbiór danych lub zestaw promptów, liczbę tokenów wejściowych i wyjściowych.
- Gdzie i kiedy: sprzęt, region, datę i godzinę (potrzebne do emisyjności).
- Jak: narzędzie i wersję, częstotliwość próbkowania, pomiar czy szacunek, czy uwzględniono poziom bazowy w stanie bezczynności.
- Granicę: które z powyższych warstw są uwzględnione.
- Regułę alokacji: jak podzielono energię współdzieloną lub bezczynną między użytkowników lub usługi.
- Rozrzut: liczbę przebiegów, średnią i zakres.
- Jakość: dokładność lub odsetek udanych zadań w danym momencie. Tania błędna odpowiedź nie jest oszczędnością.
Jak przeliczyć energię na emisje?
Energię należy pomnożyć przez emisyjność sieci w miejscu i czasie wykonania pracy, a następnie dodać emisje wbudowane, jeśli mieszczą się w granicy. Specyfikacja Software Carbon Intensity (SCI) organizacji Green Software Foundation, opublikowana jako ISO/IEC 21031:2024, ujmuje to jako wskaźnik:
SCI = ((E × I) + M) per R
gdzie E to energia, I to lokalizacyjna emisyjność sieci, M to emisje wbudowane, a R to jednostka funkcjonalna. Specyfikacja korzysta z lokalizacyjnych danych o sieci i nie pozwala, by środki rynkowe, takie jak certyfikaty energii odnawialnej, umowy zakupu energii (PPA) czy kompensacje, obniżały wynik.
- W miarę możliwości należy korzystać z danych regionalnych, dopasowanych w czasie. W Wielkiej Brytanii Carbon Intensity API operatora National Energy System Operator podaje regionalne prognozy i szacunki; Electricity Maps obejmuje wiele innych krajów.
- Po roczne średnie krajowe należy sięgać tylko wtedy, gdy nie ma nic dokładniejszego, i zaznaczać to.
Które wskaźniki na zadanie sprawdzają się najlepiej?
Należy wybrać jednostkę funkcjonalną odpowiadającą wartości, jaką dostarcza AI, i raportować względem niej. Sumy rosną wraz ze wzrostem i ukrywają efektywność; wartości na jednostkę ją pokazują.
Dobre jednostki funkcjonalne dla pracy AI:
- na zapytanie, na odpowiedź lub na rozmowę
- na streszczony dokument, sklasyfikowane zgłoszenie lub wygenerowany obraz
- na udane zadanie (jeszcze lepiej, bo nieudane próby też się liczą)
- na przebieg trenowania lub na dostrojony model, w przypadku prac rozwojowych
Następnie należy śledzić obok siebie energię na jednostkę, emisje na jednostkę, jakość na jednostkę i sumę. Jeśli energia na jednostkę spada, a suma rośnie, efektywność się poprawia, ale użycie rośnie szybciej: to efekt odbicia (rebound effect) i raportowanie powinno go pokazywać.
Jak radzić sobie z niepewnością?
Powtarzać, podawać zakres i deklarować tylko zmiany większe niż szum. Odczyty zmieniają się wraz z temperaturą, procesami w tle i skalowaniem częstotliwości.
- Najpierw należy zmierzyć poziom bazowy w stanie bezczynności na tej samej maszynie.
- Każdy test należy uruchomić kilka razy; podać średnią i rozrzut.
- Należy zmieniać jedną rzecz naraz i mierzyć ponownie w tej samej konfiguracji i przy tym samym obciążeniu.
- W przypadku szacunków należy wymienić każde założenie (rozmiar modelu, sprzęt, wykorzystanie, PUE) i podać wariant niski i wysoki.
- Szacunki należy zastępować wartościami zmierzonymi lub podanymi przez dostawcę, gdy tylko staną się dostępne.
Opublikowane wartości na prompt to użyteczny kontekst, a nie zamiennik własnych liczb. Oddolny szacunek Epoch AI, wynoszący około 0,3 Wh dla typowego zapytania do ChatGPT, rośnie do około 2,5 Wh przy danych wejściowych o długości 10 000 tokenów i do prawie 40 Wh przy 100 000 tokenów. Własny wzorzec użycia ma większe znaczenie niż jakakolwiek medialna średnia.
Lista kontrolna
- [ ] Każda wartość oznaczona jako zmierzona lub szacowana, z narzędziem i wersją
- [ ] Granica zapisana, łącznie z tym, co pominięto i dlaczego
- [ ] Zapisany poziom bazowy w stanie bezczynności; określona reguła alokacji energii współdzielonej
- [ ] Moc GPU próbkowana przez całe zadanie, a nie jednorazowym odczytem
- [ ] Energia raportowana na jednostkę funkcjonalną, obok sumy i jakości
- [ ] Emisje obliczone z lokalizacyjnymi danymi o sieci, dopasowanymi w czasie
- [ ] Kilka przebiegów; podana średnia i zakres
- [ ] Metoda zapisana razem z wynikami, aby inni mogli ją powtórzyć
Co dalej
- Wybrać jedną funkcję lub jedno obciążenie AI i określić jego jednostkę funkcjonalną.
- Dodać CodeCarbon do skryptu trenowania lub lokalnej inferencji (wnioskowania) albo EcoLogits do klienta API AI i zapisywać zużycie energii przy każdym zapytaniu lub przebiegu.
- Spisać jednostronicową metodę pomiaru: granica, narzędzia, reguła alokacji, źródło danych o emisjach.
- Przed wyborem modelu przeprowadzić benchmark kandydatów; zob. wybór właściwego modelu.
- Przed opublikowaniem jakiejkolwiek wartości sprawdzić ją pod kątem zasad ze strony uczciwe deklaracje ekologiczne.
- Przeczytać, dlaczego pomiar jest wąskim gardłem, a narzędzia pomiarowe znaleźć w katalogu produktów lub poszukać pomocy u konsultantów.
Najczęściej zadawane pytania
Ile energii zużywa jeden prompt AI?
Opublikowane wartości dla typowego tekstowego promptu (polecenia) to ułamek watogodziny: Google podaje 0,24 Wh dla medianowego tekstowego promptu w Gemini, a Epoch AI szacuje około 0,3 Wh dla typowego zapytania do ChatGPT. Długie dane wejściowe, rozumowanie oraz generowanie obrazów lub wideo mogą kosztować znacznie więcej.
Czy można zmierzyć zużycie energii hostowanej usługi AI, takiej jak ChatGPT?
Nie bezpośrednio. Można je oszacować na podstawie liczby tokenów i założeń dotyczących modelu za pomocą narzędzia takiego jak EcoLogits oraz poprosić dostawcę o jego własne dane i metodę.
Czy czas działania dobrze zastępuje pomiar energii?
Nie. Szybkość i zużycie energii często idą w parze, ale nie zawsze, dlatego energię należy mierzyć bezpośrednio i raportować obie wartości.
Czym jest granica systemu?
To lista tego, co obejmuje dana wartość: na przykład tylko GPU, cały serwer, narzut centrum danych, sieć, urządzenia użytkowników i produkcję sprzętu. Dwie uczciwe wartości mogą różnić się dziesięciokrotnie, bo mają różne granice.
Źródła
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- Part-time power measurements: nvidia-smi's lack of attention, Yang et al. (arXiv 2312.02741) (2023)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification, ISO (2024)
- When to use CodeCarbon, CodeCarbon (2025)
- EcoLogits documentation, EcoLogits (2025)
- AI Energy Score, Hugging Face (2025)
- Carbon Intensity API, National Energy System Operator (2025)
- Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
Powiązane
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.
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.
Etykiety energetyczne i testy porównawcze dla AI
Stan ocen energetycznych AI w 2026 roku: AI Energy Score, MLPerf Power, dokumentacja z AI Act i ocena centrów danych w UE oraz to, co mogą pokazać etykiety.