# Jak mierzyć zużycie energii i emisje AI

> Praktyczny przewodnik po pomiarze lub szacowaniu energii i emisji AI: narzędzia, granice systemu, wskaźniki na zadanie i uczciwa niepewność.

Source: https://greenai.guide/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/  
Updated: 2026-11-19

## 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? {#why-measure-at-all}

**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? {#should-i-meter-or-estimate}

**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 {#know-the-limits-of-your-meter}

- **Telemetria GPU próbkuje, a nie obserwuje w sposób ciągły.** Badacze ustalili, że na GPU A100 i H100
  `nvidia-smi` próbkuje 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? {#what-should-the-system-boundary-include}

**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:

1. **Akcelerator** (GPU, TPU), który wykonuje obliczenia.
2. **Reszta serwera:** CPU, pamięć, magazyn danych.
3. **Moce bezczynne i zarezerwowane**, utrzymywane w gotowości.
4. **Narzut centrum danych:** chłodzenie i przetwarzanie energii, ujmowane przez [PUE](/pl/slowniczek/#pue).
5. **Sieć** między użytkownikami a usługą.
6. **Urządzenia użytkowników.**
7. **Emisje wbudowane:** część emisji z produkcji sprzętu przypadająca na dane użycie.
8. **Trenowanie i fine-tuning (dostrajanie),** rozłożone na okres użytkowania modelu.
9. **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? {#what-should-i-record}

**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? {#how-do-i-turn-energy-into-carbon}

**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](/pl/slowniczek/#carbon-intensity) 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? {#which-per-task-metrics-work-best}

**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)](/pl/slowniczek/#rebound-effect) i raportowanie powinno go pokazywać.

## Jak radzić sobie z niepewnością? {#how-do-i-handle-uncertainty}

**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 {#checklist}

- [ ] 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 {#what-to-do-next}

1. Wybrać jedną funkcję lub jedno obciążenie AI i określić jego jednostkę funkcjonalną.
2. Dodać CodeCarbon do skryptu trenowania lub lokalnej inferencji (wnioskowania) albo EcoLogits do klienta API AI
   i zapisywać zużycie energii przy każdym zapytaniu lub przebiegu.
3. Spisać jednostronicową metodę pomiaru: granica, narzędzia, reguła alokacji, źródło danych o emisjach.
4. Przed wyborem modelu przeprowadzić benchmark kandydatów; zob. [wybór właściwego modelu](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/).
5. Przed opublikowaniem jakiejkolwiek wartości sprawdzić ją pod kątem zasad ze strony
   [uczciwe deklaracje ekologiczne](/pl/dobre-praktyki/uczciwe-deklaracje-ekologiczne-dotyczace-ai/).
6. Przeczytać, dlaczego [pomiar jest wąskim gardłem](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/), a narzędzia
   pomiarowe znaleźć w [katalogu produktów](/pl/produkty/) lub poszukać pomocy u [konsultantów](/pl/konsultanci/).

## 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](https://arxiv.org/abs/2508.15734), Google (arXiv 2508.15734) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Part-time power measurements: nvidia-smi's lack of attention](https://arxiv.org/abs/2312.02741), Yang et al. (arXiv 2312.02741) (2023)
- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO (2024)
- [When to use CodeCarbon](https://docs.codecarbon.io/latest/explanation/when-to-use/), CodeCarbon (2025)
- [EcoLogits documentation](https://ecologits.ai/latest/), EcoLogits (2025)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
- [Carbon Intensity API](https://carbonintensity.org.uk/), National Energy System Operator (2025)
- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
