# Jak…? Odpowiedzi o ograniczaniu wpływu AI

> Krótkie odpowiedzi ze źródłami na pytania o ograniczanie wpływu korzystania z AI i jej budowania na środowisko.

Source: https://greenai.guide/pl/jak/

Liczba odpowiedzi: 97. Konkretne odpowiedzi na pytania o korzystanie z AI przy mniejszym zużyciu energii, wody i mniejszej ilości odpadów: dla zwykłych użytkowników, programistów, organizacji i szkół. Najpierw odpowiedź, potem kroki i źródła.

## Codzienne korzystanie z AI

- [Jak korzystać z agentów AI i narzędzi deep research bez marnotrawstwa?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): Agentów i tryby deep research (pogłębionego wyszukiwania) warto zostawić dla zadań, które naprawdę wymagają wielu kroków, np. zbadania szerokiego tematu w wielu źródłach, a do szybkich pytań używać zwykłego czatu. Agenci wywołują model wiele razy w jednym zadaniu: Anthropic podał, że agenci zużywają około cztery razy więcej tokenów niż czat, a systemy wieloagentowe około piętnaście razy więcej.
- [Jak korzystać z AI bez wymiany swoich urządzeń?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): Większość narzędzi AI działa w chmurze i jest dostępna przez przeglądarkę lub aplikację na urządzeniach, które już się posiada, więc nowy sprzęt rzadko jest potrzebny. Dłuższe używanie urządzeń pozwala uniknąć śladu związanego z produkcją nowych, w tym elektroodpadów, których według badaczy generatywna AI będzie przybywać.
- [Jak korzystać z AI w telefonie, nie marnując energii?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): Należy wyłączyć nieużywane funkcje AI, do prostych zadań wybierać szybkie funkcje działające na urządzeniu, a ciężkie zadania, takie jak generowanie obrazów czy wideo, zostawić na sytuacje, gdy są naprawdę potrzebne. Małe modele na urządzeniu pozwalają uniknąć wysyłania danych do centrum danych, ale nadal zużywają baterię. Największą oszczędnością jest więc nieuruchamianie AI, która nic nie wnosi.
- [Jak ocenić moje zużycie energii przez AI we właściwej perspektywie?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): Jedno zwykłe pytanie tekstowe do chatbota zużywa według opublikowanych danych ułamek watogodziny, mniej więcej tyle, ile piekarnik zużywa w około sekundę. Obrazy, wideo, długie dokumenty i tryby rozumowania mogą zużywać wielokrotnie więcej, a suma globalna szybko rośnie, dlatego zarówno „to nic”, jak i „to katastrofa” mijają się z sednem.
- [Jak pisać prompty, które zużywają mniej energii?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): Należy pisać krótkie, konkretne prompty, które mówią dokładnie, czego się oczekuje, podawać tylko kontekst potrzebny modelowi i określać długość odpowiedzi. Energia rośnie wraz z ilością tekstu, który model czyta i pisze, więc najwięcej oszczędza skrócenie obu i uzyskanie użytecznej odpowiedzi za pierwszym razem.
- [Jak pomóc rodzinie korzystać z AI w bardziej zrównoważony sposób?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): Zamiast zasad warto ustalić kilka prostych domowych nawyków: korzystać z najprostszego narzędzia, które działa, zadawać jasne pytania, poprawiać zamiast generować od nowa i traktować obrazy i wideo z AI jako okazjonalną, a nie nieskończoną rozrywkę. Ma też znaczenie dłuższe używanie telefonów, tabletów i laptopów, ponieważ produkcja urządzeń również ma swój ślad.
- [Jak przestać w kółko generować odpowiedzi AI od nowa?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): Należy ustalić, dlaczego pierwsza odpowiedź chybiła, a potem w krótkiej wiadomości powiedzieć AI, co zmienić, zamiast klikać „wygeneruj ponownie”. Każde ponowne generowanie to cała nowa odpowiedź, więc nawyk losowania pięć czy dziesięć razy mnoży energię zadania, zwłaszcza przy obrazach i wideo.
- [Jak rozmawiać z dziećmi o AI i środowisku?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): Warto wyjaśnić, że AI działa na wydajnych komputerach w dużych budynkach zwanych centrami danych, które zużywają energię elektryczną i często wodę do chłodzenia, oraz że niektóre zastosowania, np. tworzenie obrazów i filmów, wymagają znacznie więcej niż inne. Należy mówić spokojnie i praktycznie: celem jest rozważne korzystanie z AI, a nie poczucie winy.
- [Jak sprawdzić, czy do danego zadania w ogóle potrzebuję AI?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): Należy zapytać, czy prostsze narzędzie już niezawodnie wykonuje to zadanie: wyszukiwarka, kalkulator, mapa, słownik, szablon lub formuła w arkuszu kalkulacyjnym. Generatywną AI warto stosować tam, gdzie oszczędza realny czas lub poprawia wynik, np. przy pisaniu szkiców, wyjaśnianiu lub przerabianiu tekstu, a pomijać ją przy wyszukiwaniu informacji i obliczeniach, z którymi dobrze radzą sobie inne narzędzia.
- [Jak sprawić, by długie czaty z AI nie marnowały energii?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): Należy zaczynać nowy czat przy zmianie tematu, a gdy długa rozmowa wciąż jest przydatna, poprosić o krótkie podsumowanie i kontynuować od niego w nowym czacie. Chatboty zwykle ponownie czytają dotychczasową rozmowę, aby odpowiedzieć na każdą nową wiadomość, więc bardzo długie wątki sprawiają, że każda odpowiedź kosztuje więcej, niż powinna.
- [Jak wyszukiwać w internecie bez niepotrzebnych odpowiedzi AI?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): Warto poszukać opcji lub filtra, który pokazuje zwykłe linki, wybrać wyszukiwarkę lub ustawienie bez automatycznych odpowiedzi AI albo przechodzić bezpośrednio do zaufanych stron za pomocą zakładek. Odpowiedź AI generowana przy każdym wyszukiwaniu dodaje pracę modelu, która może być zbędna, zwłaszcza przy prostych wyszukiwaniach, takich jak godziny otwarcia czy znana strona internetowa.
- [Jak wyłączyć funkcje AI, których nie potrzebuję?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): Należy otworzyć ustawienia każdej używanej aplikacji, telefonu, przeglądarki czy pakietu biurowego, poszukać sekcji nazwanych od asystenta AI lub „inteligentnych funkcji” i wyłączyć to, z czego się nie korzysta. Funkcje działające automatycznie na każdym e-mailu, stronie czy dokumencie zużywają energię niezależnie od tego, czy ktoś czyta wynik, dlatego ustawienia domyślne mają znaczenie.
- [Jak zmniejszyć wpływ generowania obrazów i wideo przez AI?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): Należy generować mniej obrazów i filmów, zaplanować prompt przed rozpoczęciem, utrzymywać filmy krótkie i w potrzebnej rozdzielczości oraz ponownie wykorzystywać dobre wyniki. W jednym badaniu generowanie obrazu zużywało ponad tysiąc razy więcej energii na zapytanie niż klasyfikacja tekstu, a krótki film z AI może kosztować jeszcze znacznie więcej.
- [Jak zmniejszyć zużycie energii przy korzystaniu z ChatGPT?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): Należy prosić o to, co potrzebne, w jednym jasnym zapytaniu, utrzymywać krótkie odpowiedzi, zaczynać nowy czat przy nowym temacie i oszczędnie generować obrazy oraz wideo. Według opublikowanych szacunków typowe pytanie tekstowe zużywa mniej więcej jedną trzecią watogodziny, ale długie dane wejściowe, wielokrotne ponowne generowanie i tworzenie multimediów mogą wielokrotnie zwiększyć tę wartość.
- [Jak zrekompensować emisje CO₂ z mojego korzystania z AI?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): Najpierw należy ograniczać, a kompensacje traktować jako opcjonalny dodatek, a nie sposób na „neutralność węglową” korzystania z AI. Dla większości osób ślad codziennej tekstowej AI jest niewielki, a ograniczenie najcięższych zastosowań, takich jak generowanie obrazów i wideo czy niekończące się generowanie od nowa, daje więcej niż zakup kredytów. Standardy dotyczące emisji z oprogramowania nie pozwalają, by kompensacje zmniejszały zmierzony ślad.
- [Kiedy używać trybu „myślenia” lub rozumowania w AI?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): Tryb rozumowania lub „myślenia” warto stosować przy naprawdę trudnych problemach, takich jak wieloetapowa matematyka, skomplikowany kod czy staranna analiza, a do codziennych pytań, szkiców i podsumowań używać modelu standardowego lub szybkiego. Tryby rozumowania przed odpowiedzią zapisują długie, ukryte ciągi obliczeń, a jeden benchmark wykazał, że zużywały średnio 30 razy więcej energii.

## Wybór narzędzi i modeli AI

- [Jak korzystać z asystenta AI do programowania bez dużego śladu?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): Z asystenta należy korzystać tam, gdzie wyraźnie się opłaca, dawać mu skupiony kontekst zamiast całych repozytoriów, wybierać mniejszy lub szybszy model do rutynowych zmian, a trudne zadania dzielić na proste kroki do przejrzenia. Jedno badanie wykazało, że programowanie z pomocą AI miało w testowanych zadaniach ok. 33 razy większy ślad węglowy niż podejście ręczne, więc nawyki mają znaczenie.
- [Jak ocenić, czy zamiast LLM wystarczy klasyczne uczenie maszynowe?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): Jeśli dane wejściowe to dane ustrukturyzowane lub krótki tekst z etykietami, a wynikiem jest liczba, kategoria lub ranking, najpierw warto wypróbować model klasyczny: model liniowy, drzewa wzmacniane gradientowo lub mały klasyfikator. Są one znacznie tańsze w działaniu, szybsze, łatwiejsze do wyjaśnienia i często równie dokładne. Po duży model językowy należy sięgać, gdy zadanie naprawdę wymaga swobodnego języka.
- [Jak odczytać ocenę AI Energy Score?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): Ocena AI Energy Score przyznaje modelowi od jednej do pięciu gwiazdek za efektywność energetyczną w porównaniu z innymi modelami testowanymi w tym samym zadaniu, na podstawie zmierzonej energii GPU na 1000 zapytań. Więcej gwiazdek oznacza mniej energii w danym zadaniu, ale gwiazdki są względne w obrębie zadania, więc modele należy porównywać tylko z innymi ocenionymi w tym samym zastosowaniu.
- [Jak porównać zużycie energii przez różne modele AI?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): Jeśli istnieje standardowy benchmark obejmujący dane zadanie, np. AI Energy Score od Hugging Face, należy z niego skorzystać. W przeciwnym razie warto samodzielnie zmierzyć modele na tym samym zadaniu, sprzęcie i ustawieniach. Energię na udane zadanie należy porównywać razem z jakością, bo tani model, który zawodzi, ostatecznie kosztuje więcej.
- [Jak rozpoznać greenwashing w marketingu AI?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): Należy zachować ostrożność wobec określeń takich jak „zielona”, „zrównoważona” czy „neutralna pod względem emisji AI”, za którymi nie stoją liczby, metody i granice, oraz wobec deklaracji opartych na kompensacji emisji (offsetach) lub rocznych certyfikatach energii odnawialnej. Uczciwe deklaracje mówią, co zmierzono, względem jakiego punktu odniesienia i co pominięto; w UE ogólnikowe deklaracje środowiskowe, których nie da się udowodnić, są zakazane.
- [Jak sprawdzić, czy narzędzie AI jest ekologiczne?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): Należy szukać dowodów, a nie etykiet: publikowanych danych o energii lub emisjach na zapytanie z podaną metodą, możliwości wyboru mniejszych modeli, informacji o tym, gdzie narzędzie działa, oraz niezależnych ocen, takich jak AI Energy Score. Niewiele narzędzi publikuje dziś wszystkie te informacje, dlatego „zielone” czy „zrównoważone” bez liczb należy traktować jako deklarację, a nie fakt.
- [Jak uruchomić model AI lokalnie?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Należy zainstalować lokalne środowisko uruchomieniowe, np. Ollama lub llama.cpp, pobrać mały model z otwartymi wagami w formacie skwantyzowanym, np. GGUF, i uruchomić go na własnym komputerze. Warto wybrać najmniejszy model, który wykonuje zadanie: wersje skwantyzowane potrzebują znacznie mniej pamięci, więc model o 8 mld parametrów, który w formie 16-bitowej wymaga ok. 16 GB, przy 4 bitach mieści się w ok. 4–5 GB.
- [Jak wybrać mniejszy model AI?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): Należy określić na prawdziwych przykładach, co znaczy „wystarczająco dobrze”, a potem testować modele od najmniejszego do największego i zatrzymać się na pierwszym, który spełnia wymagania. Małe modele dedykowane zadaniom mogą zużywać ułamek energii dużych modeli ogólnych: UNESCO i University College London podają oszczędności sięgające 90% w odpowiednich zadaniach.
- [Jak zapytać firmę AI o dane o zużyciu energii?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): Należy poprosić o dane o energii, emisjach i wodzie na typowe zapytanie dla używanego modelu, a także o metodę, granice systemu i miejsce działania. Warto poprosić o dane o emisjach liczone zarówno metodą lokalizacyjną, jak i rynkową. Wielu dostawców nie potrafi jeszcze odpowiedzieć w pełni, ale konkretne pytanie daje lepszą odpowiedź niż ogólne, a powtarzane pytania budują popyt na takie dane.
- [Jak zdecydować, czy uruchamiać AI na urządzeniu, czy w chmurze?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): Małe, częste, prywatne lub wymagające szybkiej reakcji zadania należy uruchamiać na urządzeniu, a duże lub sporadyczne zadania wymagające dużych modeli wysyłać do efektywnej usługi w chmurze. Niektóre badania wykazują duże oszczędności energii na urządzeniu przy odpowiednich modelach, ale dobrze zarządzane centra danych są trudnym punktem odniesienia, więc tam, gdzie to możliwe, warto zmierzyć własny przypadek.
- [Jak znaleźć model dedykowany zadaniu zamiast ogólnego chatbota?](https://greenai.guide/how-do-i/find-a-task-specific-model/): Należy precyzyjnie nazwać zadanie, a następnie przeszukać repozytorium modeli, np. Hugging Face, według typu zadania i przetestować dwóch lub trzech małych kandydatów na własnych przykładach. Model stworzony do jednego zadania może być o rzędy wielkości tańszy w działaniu niż ogólny model generatywny wykonujący to samo zadanie. Warto więc poświęcić popołudnie na testy, zanim wybierze się chatbota.
- [Jaki chatbot AI jest najbardziej ekologiczny?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): Nikt nie potrafi jeszcze wiarygodnie uszeregować dużych chatbotów pod względem energii, ponieważ dostawcy publikują różne dane, mierzone na różne sposoby, a niektórzy nie publikują żadnych. Należy wybrać usługę, która otwarcie informuje o zużyciu energii i wody, oferuje lżejsze modele do prostych pytań i pozwala sterować funkcjami, a potem dobrze z niej korzystać: sposób używania chatbota ma większe znaczenie niż wybór konkretnego.

## Pomiar energii i emisji

- [Jak obliczyć mój osobisty ślad węglowy korzystania z AI?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): Należy z grubsza policzyć, ile pytań tekstowych, długich dokumentów i obrazów używa się w tygodniu, i pomnożyć to przez opublikowane wartości na zapytanie. Daje to przybliżony zakres. Według danych samych firm typowy prompt tekstowy to ułamek watogodziny, a długie dane wejściowe i obrazy kosztują znacznie więcej, więc w sumie zwykle dominują najbardziej energochłonne nawyki. Wynik należy traktować jako szacunek, a nie dokładną liczbę.
- [Jak obliczyć wskaźnik Software Carbon Intensity dla funkcji AI?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): Wskaźnik Software Carbon Intensity (SCI), opublikowany jako ISO/IEC 21031:2024, to ((E × I) + M) na R: zużyta energia razy intensywność emisji sieci liczona metodą lokalizacyjną, plus część emisji wbudowanych w sprzęt, podzielone przez jednostkę funkcjonalną, np. jedno zapytanie lub jeden dokument. Należy wybrać jednostkę, wyznaczyć granice, zebrać lub oszacować każdy składnik i przeliczać wynik po każdej zmianie.
- [Jak oszacować zużycie energii przez moje wywołania API AI?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): Sprzętu, którego się nie kontroluje, nie da się opomiarować, więc należy szacować: rejestrować tokeny wejściowe i wyjściowe każdego wywołania i użyć narzędzia takiego jak EcoLogits, które opakowuje klienta AI i podaje szacowaną energię i emisje na zapytanie. Wartości należy oznaczać jako szacunki, podawać metodę i zastępować je danymi dostawcy, gdy tylko będą dostępne.
- [Jak oszacować ślad wodny AI?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): Zużycie wody wynika ze zużycia energii: energię pracy AI należy pomnożyć przez wskaźnik efektywności zużycia wody (WUE) centrum danych dla chłodzenia na miejscu i doliczyć wodę zużytą na wytworzenie energii elektrycznej, jeśli mieści się w przyjętych granicach. Publikowane wartości na jeden prompt wahają się od ułamka mililitra do dziesiątek mililitrów, głównie dlatego, że liczą różne rzeczy. Miejsce zużycia wody ma takie samo znaczenie jak jej ilość.
- [Jak raportować zużycie energii w moich badaniach nad AI?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): Należy podać sprzęt, GPU-godziny wszystkich przebiegów, w tym strojenia i nieudanych prób, energię w kWh wraz z użytym narzędziem, lokalizację i emisyjność sieci, emisje w kg CO₂e oraz energię inferencji przy podanym rozmiarze partii. Trzeba wskazać, co obejmują granice i jak niepewne są wartości. Pomiar na bieżąco, narzędziem takim jak CodeCarbon, sprawia, że wystarczy wypełnić tabelę zamiast odtwarzać dane.
- [Jak sprawdzić emisyjność mojej sieci elektroenergetycznej?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): Należy używać regionalnych danych o sieci, dopasowanych w czasie do miejsca i pory, w których działała praca z AI. W Wielkiej Brytanii Carbon Intensity API operatora National Energy System Operator podaje regionalne szacunki i prognozy; Electricity Maps obejmuje ponad 350 stref na świecie. Krajowe średnie roczne należy stosować tylko wtedy, gdy nie ma nic dokładniejszego, i podawać, które dane zostały użyte.
- [Jak sprawdzić twierdzenie o zużyciu energii przez AI?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): Należy zadać sześć pytań: na co (prompt, obraz, rok?), kto to zmierzył, co jest uwzględnione, jak stara jest liczba, z czym jest porównywana i czy dotyczy efektywności, czy łącznego zużycia. Większość mylących twierdzeń, zarówno alarmujących, jak i uspokajających, nie przechodzi jednego z tych testów. Publikowane wartości na jeden prompt różnią się głównie dlatego, że liczą różne rzeczy.
- [Jak ustalić budżet obliczeniowy dla projektu badawczego?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): Należy oszacować, ile GPU-godzin potrzebują główne eksperymenty, dodać margines na eksplorację i śledzić zużycie względem tego budżetu tak jak pieniądze. Pomysły warto testować w małej skali, wcześnie przerywać słabe przebiegi, ponownie wykorzystywać wytrenowane wcześniej modele i punkty kontrolne oraz raportować wyniki w odniesieniu do nakładu obliczeń. Budżet uwidacznia kompromisy i zapobiega niekończącemu się strojeniu.
- [Jak ustalić punkt odniesienia, aby udowodnić oszczędność energii w AI?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): Należy zmierzyć obecny system, zanim cokolwiek się zmieni, na tym samym sprzęcie, przy tym samym obciążeniu i tych samych danych wejściowych, które będą używane później, oraz powtórzyć pomiary, aby zobaczyć normalny rozrzut. Energię trzeba podawać na jednostkę użytecznej pracy oraz łącznie, a deklarować wyłącznie oszczędność większą niż szum pomiarowy i osiągniętą bez spadku jakości.
- [Jak uwzględnić ślad węglowy wbudowany w sprzęt AI?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): Wbudowany ślad węglowy to emisje z produkcji, transportu i utylizacji sprzętu. Aby go uwzględnić, należy wziąć łączne emisje wbudowane sprzętu, rozdzielić je według tego, jak długo i w jakiej części sprzęt służy pracy z AI, i dodać ten udział do wartości operacyjnej, tak jak robi to składnik M specyfikacji SCI. Dane są często skąpe, dlatego trzeba podać przyjęte założenia. Warto też pamiętać, że dłuższe używanie sprzętu rozkłada te same emisje na więcej pracy.
- [Jak zmierzyć ślad węglowy trenowania modelu?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): Skrypt trenujący należy objąć narzędziem do śledzenia emisji, takim jak CodeCarbon, które szacuje energię zużytą przez CPU, GPU i pamięć i przelicza ją na emisje według lokalnej sieci. Trzeba liczyć każdy przebieg, w tym strojenie i nieudane próby, zapisywać sprzęt, lokalizację i czas trwania, a wynik publikować razem z modelem. Jeśli brak logów, kalkulator taki jak Green Algorithms pozwala oszacować ślad po fakcie.
- [Jak zmierzyć, ile energii zużywa AI na moim komputerze lub GPU?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): Na własnym komputerze można mierzyć bezpośrednio: użyć CodeCarbon lub narzędzia odczytującego liczniki procesora i GPU albo włączyć między komputer a gniazdko inteligentną wtyczkę z pomiarem energii. Najpierw należy zapisać pobór w spoczynku, próbkować przez całe zadanie zamiast robić pojedyncze odczyty i kilka razy powtórzyć uruchomienie, zanim zaufa się wynikowi.
- [Jak śledzić zużycie energii przez AI na zadanie, a nie tylko łącznie?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): Należy wybrać jednostkę funkcjonalną, która odpowiada wartości dostarczanej przez AI, na przykład na streszczony dokument lub na udane zadanie, i podzielić przez nią zużytą energię. Energię na jednostkę, jakość na jednostkę i sumę warto śledzić obok siebie. Wartości na jednostkę pokazują, czy system staje się wydajniejszy; suma pokazuje, czy wzrost użycia nie wyprzedza tej poprawy.

## Dla programistów i analityków danych

- [Jak dostroić model bez ogromnej mocy obliczeniowej?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): Należy zacząć od wytrenowanego wcześniej modelu i trenować mały adapter zamiast wszystkich wag, korzystając z LoRA lub z QLoRA z wagami 4-bitowymi. LoRA zmniejszyła liczbę trenowanych parametrów 10 000 razy, a pamięć GPU trzy razy w porównaniu z pełnym dostrajaniem GPT-3, a QLoRA pozwoliła dostroić model o 65 mld parametrów na jednym GPU 48 GB. Zanim rozważy się coś większego, należy porównać wynik z wymaganym poziomem jakości.
- [Jak grupować zapytania do AI w partie, aby oszczędzać energię?](https://greenai.guide/how-do-i/batch-ai-requests/): Ruch na żywo należy obsługiwać silnikiem inferencji, który stosuje ciągłe grupowanie (continuous batching), tak aby równoczesne zapytania dzieliły akcelerator. Pracę, która nie wymaga natychmiastowej odpowiedzi, np. nocne przetwarzanie dokumentów, warto kolejkować i uruchamiać w dużych partiach, najlepiej wtedy, gdy sieć jest czystsza. Akcelerator obsługujący jedno zapytanie naraz jest słabo wykorzystany, ale nadal pobiera dużo energii.
- [Jak kierować zapytania do mniejszych modeli?](https://greenai.guide/how-do-i/set-up-model-routing/): Przed modelami należy umieścić router: regułę, mały klasyfikator lub kaskadę, która najpierw próbuje małego modelu i przekazuje zadanie dalej, gdy pewność jest niska lub test nie przejdzie. Opublikowane routery w niektórych testach zmniejszyły koszty o ponad połowę bez obniżenia jakości. Próg należy dostroić na własnych danych i mierzyć koszt na udane zadanie, a nie na wywołanie.
- [Jak ocenić, czy model mixture-of-experts zaoszczędzi energię?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): Model mixture-of-experts (mieszanina ekspertów) kieruje każdy token do kilku wyspecjalizowanych podsieci, więc na każdy token pracuje tylko część modelu. Mixtral ma na przykład 47 mld parametrów, ale na jeden token używa 13 mld. Może to zmniejszyć obliczenia na odpowiedź w porównaniu z modelem gęstym o podobnej jakości, ale wszyscy eksperci muszą nadal znajdować się w pamięci. Dlatego należy porównać jakość, opóźnienie i energię na zapytanie na własnym sprzęcie.
- [Jak ograniczyć długość odpowiedzi LLM?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): Należy ustawić maksymalną długość odpowiedzi w wywołaniu API, podać w prompcie oczekiwany format i długość oraz użyć sekwencji stopu lub danych strukturalnych, aby model kończył, gdy zadanie jest wykonane. Energia rośnie wraz z liczbą tokenów generowanych przez model, więc ograniczenie odpowiedzi to jedna z najprostszych oszczędności w każdej aplikacji.
- [Jak projektować funkcje AI, aby nie działały, gdy nikt ich nie potrzebuje?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): Funkcje AI powinny działać wtedy, gdy użytkownik o to poprosi, a nie automatycznie przy każdym wczytaniu strony, wiadomości czy pliku. Wspólne wyniki należy generować raz i używać ponownie, decyzje, które może podjąć reguła, powierzać zwykłemu kodowi, a funkcje AI, z których korzysta niewiele osób, usuwać. Wytyczne W3C Web Sustainability Guidelines wymagają, aby zespoły oceniły potrzebę użycia AI przed jej wdrożeniem. Dotyczy to zarówno każdej funkcji, jak i każdego wyzwalacza.
- [Jak przechowywać dane treningowe AI, aby potoki danych mniej czytały?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): Dane treningowe i dane cech należy przechowywać w formacie kolumnowym, tak aby zadania czytały tylko potrzebne kolumny i partycje. Surowy tekst warto raz przekonwertować do formatu binarnego, zamiast parsować go od nowa przy każdym przebiegu lub epoce. Należy zmierzyć typowe zadanie przed zmianą i po niej, aby sprawdzić, czy konwersja się zwraca. Obsługę danych łatwo przeoczyć obok modelu, ale działa ona przy każdym eksperymencie.
- [Jak przeprowadzić destylację dużego modelu do mniejszego?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): Najpierw należy sprawdzić, czy istnieje już destylowana wersja danego modelu. Jeśli nie, można użyć dużego modelu „nauczyciela” do etykietowania lub generowania przykładów dla danego zadania, wytrenować na nich mały model „ucznia” i przetestować go na własnych, rzeczywistych przypadkach. DistilBERT, jeden z wczesnych przykładów, był o 40% mniejszy i o 60% szybszy niż BERT, a zachował 97% jego zdolności rozumienia języka.
- [Jak przyciąć (pruning) sieć neuronową?](https://greenai.guide/how-do-i/prune-a-neural-network/): Wytrenowaną sieć przycina się, usuwając wagi, neurony lub warstwy o najmniejszym wkładzie, a następnie krótko ją dostraja, aby odzyskała jakość, i testuje względem wymaganego poziomu. Przycinanie zmniejszyło liczbę parametrów AlexNet dziewięciokrotnie bez utraty dokładności, a bardzo duże modele językowe przycinano jednorazowo do co najmniej 50% rzadkości. Jeśli zwykły sprzęt ma działać szybciej, lepiej wybrać przycinanie strukturalne.
- [Jak przyspieszyć duży model dzięki dekodowaniu spekulatywnemu?](https://greenai.guide/how-do-i/use-speculative-decoding/): Należy połączyć duży model z małym modelem szkicującym z tej samej rodziny: model szkicujący proponuje kilka tokenów, a duży model sprawdza je w jednym przebiegu i zachowuje tylko te, z którymi się zgadza. Wynik jest taki sam jak w przypadku samego dużego modelu, a pierwotne badanie wykazało 2–3-krotnie szybsze wnioskowanie. Warto sprawdzić, czy używany stos serwujący obsługuje tę technikę, a potem mierzyć energię na zapytanie, a nie tylko szybkość.
- [Jak skwantyzować model?](https://greenai.guide/how-do-i/quantise-a-model/): Kwantyzacja zapisuje wagi modelu na mniejszej liczbie bitów, zwykle 8 lub 4 zamiast 16 lub 32, więc model potrzebuje mniej pamięci i często mniej energii na odpowiedź. Można pobrać gotową skwantyzowaną wersję lub skwantyzować model wbudowanymi metodami używanej biblioteki, a potem przetestować go na własnych przykładach w porównaniu z modelem o pełnej precyzji. Warto go zachować, jeśli jakość się utrzymuje, a energia na zapytanie spada.
- [Jak sprawić, by agenci AI nie marnowali tokenów?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): Każdy agent powinien mieć sprawdzalny cel, który kończy przebieg, twarde limity kroków, tokenów, czasu i wydatków oraz wykrywanie pętli, które zatrzymuje go, gdy zaczyna się powtarzać. Należy przycinać kontekst przenoszony w każdym kroku, używać zwykłego kodu do decyzji, które może podjąć reguła, i kierować proste podzadania do małych modeli. Agenci mogą zużywać wielokrotnie więcej tokenów niż czat, więc te limity szybko się opłacają.
- [Jak sprawić, by AI pisała energooszczędny kod?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): Należy wprost poprosić o wydajny kod i nazwać ograniczenie, na przykład pamięć, alokacje lub złożoność algorytmiczną, a przed przyjęciem kodu uruchomić testy i zmierzyć jego zużycie energii. Badania wykazały, że zmiany w prompcie mogą uczynić wygenerowany kod nawet o 91,9% bardziej energooszczędnym, ale często kosztem poprawności. Warto dać asystentowi zasady energetyczne do przestrzegania, a wynik powinien sprawdzać człowiek.
- [Jak sprawić, by chatbot nie wysyłał ponownie całej rozmowy?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): Większość funkcji czatu przy każdej wymianie wysyła do modelu całą rozmowę, więc dane wejściowe rosną z każdą wiadomością. Należy ograniczyć liczbę wysyłanych wcześniejszych wymian, streszczać starsze w krótką notatkę, wyszukiwać tylko te wcześniejsze wiadomości lub dokumenty, które mają znaczenie, oraz buforować stałe prompty systemowe. Długie dane wejściowe kosztują znacznie więcej energii niż krótkie.
- [Jak uniknąć trenowania modelu od zera?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): Należy poszukać wstępnie wytrenowanego modelu bliskiego danemu zadaniu, a potem go dostosować: dostroić, wytrenować mały adapter, na przykład LoRA, albo dodać wiedzę przez wyszukiwanie (retrieval) zamiast ponownego trenowania. Jeśli są już dostępne modele dostrojone z tego samego modelu bazowego, uśrednienie ich wag może poprawić dokładność bez dodatkowego kosztu wnioskowania. Trenowanie od zera rzadko jest potrzebne poza badaniami nad modelami bazowymi.
- [Jak użyć cache, aby zmniejszyć zużycie energii przez wywołania LLM?](https://greenai.guide/how-do-i/cache-llm-calls/): Należy stosować dwie warstwy. Prompt caching u dostawcy ponownie wykorzystuje przetworzenie stałego początku promptu, np. długiego promptu systemowego lub wspólnego dokumentu, dlatego stałą treść należy umieszczać na początku. Własny cache odpowiedzi przechowuje odpowiedzi na identyczne zapytania, więc model nie jest wywoływany ponownie. Oba ograniczają obliczenia, koszty i opóźnienia, o ile ustawi się rozsądny czas wygasania.
- [Jak wybrać między wyszukiwaniem (RAG) a dostrajaniem, aby oszczędzać energię?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): Wyszukiwanie należy stosować, gdy model potrzebuje faktów, które się zmieniają lub dotyczą konkretnej organizacji: umieszcza się je w przeszukiwalnym indeksie i pobiera tylko istotne fragmenty. Dostrajanie należy stosować, gdy model potrzebuje umiejętności, formatu lub stylu, którego mu brakuje. Ponowne trenowanie w celu aktualizacji faktów powtarza koszty trenowania, a wklejanie całych dokumentów do każdego promptu marnuje energię na wnioskowanie. Każde podejście ma więc swoje miejsce.
- [Jak zmniejszyć model na tyle, by działał na urządzeniu brzegowym?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): Należy zacząć od najmniejszego modelu, który może spełnić wymagany poziom jakości, a następnie dalej go zmniejszać przez destylację, kwantyzację i przycinanie (pruning), testując każdy krok na urządzeniu docelowym. Energię na jedno wnioskowanie, opóźnienie i dokładność trzeba mierzyć razem na rzeczywistym sprzęcie, a model powinien przechodzić na lżejszy tryb, gdy bateria jest słaba lub urządzenie się nagrzewa.
- [Jak zmniejszyć zużycie energii podczas trenowania modelu?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): Tam, gdzie to możliwe, należy zaczynać od modelu wstępnie wytrenowanego, wybrać najmniejszą architekturę, która może osiągnąć wymagany poziom, trenować w mieszanej precyzji, zatrzymywać trening, gdy wyniki walidacji przestają się poprawiać, i korzystać z wydajnego sprzętu w niskoemisyjnym regionie i czasie. Patterson i współpracownicy ustalili, że wybór modelu, centrum danych i procesora może zmniejszyć ślad węglowy trenowania nawet ok. 100 do 1000 razy. Każdy przebieg należy mierzyć, aby kompromisy były widoczne.
- [Jak zmniejszyć zużycie energii przy przeszukiwaniu hiperparametrów?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): Zamiast dużego przeszukiwania siatki należy stosować przeszukiwanie losowe lub adaptacyjne, wcześnie przerywać słabe próby, najpierw prowadzić pilotaże na małych danych lub małych modelach i zaczynać od opublikowanych ustawień domyślnych dla danej architektury. Energię należy śledzić dla każdej próby, a nie tylko dla zwycięskiej, i ustalić budżet obliczeniowy przed rozpoczęciem. Przebiegi strojenia często kosztują więcej niż końcowe trenowanie i rzadko są raportowane.
- [Jak zmniejszyć zużycie energii przy serwowaniu modelu w produkcji?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): Należy serwować najmniejszy model spełniający próg jakości, w środowisku zbudowanym do inferencji, z włączonym batchingiem, z wagami w połowicznej precyzji lub skwantyzowanymi oraz z włączonymi zoptymalizowanymi ścieżkami attention i cache w bibliotece. Następnie należy przetestować dwa lub trzy środowiska uruchomieniowe i opcje sprzętu przy rzeczywistym ruchu i wybierać według energii na zapytanie, a także opóźnień.
- [Jak zwiększyć efektywność wyszukiwania wektorowego i RAG?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): Zamiast porównywać każde zapytanie z każdym zapisanym wektorem, należy użyć indeksu przybliżonego wyszukiwania najbliższych sąsiadów, pobierać kilka krótkich, trafnych fragmentów zamiast wielu długich i ponownie tworzyć embeddingi tylko dla treści, które się zmieniły. Potem warto użyć najmniejszego modelu generującego, który dobrze odpowiada na podstawie dobrego kontekstu. Większość marnotrawstwa w systemach wyszukiwania wynika z wyszukiwania siłowego i zbyt dużych promptów.

## Centra danych, chmura i hosting

- [Gdzie znaleźć dane o emisjach mojego dostawcy chmury?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): Duzi dostawcy chmury publikują dane o emisjach klientów w konsolach rozliczeniowych lub konsolach zrównoważonego rozwoju: AWS Sustainability console, narzędziach Microsoftu do emisji Azure oraz pulpicie Carbon Footprint w Google Cloud. Dzielą one emisje według usługi, regionu i zakresu, ale są miesięczne i szacunkowe, więc należy traktować je jako trend i łączyć z własnymi pomiarami dla poszczególnych obciążeń.
- [Jak mogę zabrać głos w sprawie centrum danych planowanego w mojej okolicy?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): Należy znaleźć wniosek planistyczny, przeczytać oświadczenia inwestora dotyczące energii, wody, hałasu i ciepła i w okresie konsultacji zgłosić uwagi w formie konkretnych pytań opartych na faktach. Warto zapytać, ile mocy sieci i wody będzie zużywać obiekt, czy ciepło odpadowe zostanie wykorzystane i jakie dane o energii i wodzie będą raportowane po uruchomieniu. Konkretne pytania mają większą wagę niż ogólne sprzeciwy.
- [Jak planować trenowanie na czas, gdy sieć energetyczna jest czystsza?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): Należy znaleźć zadania, które mogą poczekać, takie jak trenowanie, dostrajanie, ewaluacja i wnioskowanie wsadowe, i uruchamiać je, gdy prognoza emisyjności pokazuje, że sieć jest czystsza. Regularne punkty kontrolne pozwalają wstrzymywać długie zadania, gdy emisyjność rośnie, i wznawiać je, gdy spada, w ramach sztywnego terminu. Planowanie z uwzględnieniem emisji ogranicza emisje, a nie energię, dlatego należy je stosować jako uzupełnienie działań na rzecz efektywności.
- [Jak rozumieć wskaźniki PUE i WUE?](https://greenai.guide/how-do-i/understand-pue-and-wue/): Wskaźnik efektywności wykorzystania energii (PUE) to całkowita energia centrum danych podzielona przez energię zużywaną przez sprzęt obliczeniowy: im bliżej 1,0, tym mniej traci się na chłodzenie i przetwarzanie zasilania. Wskaźnik efektywności wykorzystania wody (WUE) to liczba litrów wody zużytej na miejscu na kilowatogodzinę obliczeń: im niższy, tym lepiej. Żaden z nich nie mówi, ile obliczeń wykonano, jak czysta jest energia ani czy praca była potrzebna.
- [Jak sprawdzić, czy moja AI działa na energii odnawialnej?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): Należy zapytać, gdzie faktycznie działa używana AI, a następnie sprawdzić dla tego regionu dwie rzeczy: emisyjność sieci i udział energii elektrycznej bilansowanej czystą energią godzina po godzinie. „100% energii odnawialnej” zwykle oznacza roczne certyfikaty lub umowy bilansujące roczne sumy. Nie zmieniają one tego, co lokalna sieć dostarcza o danej godzinie. Warto prosić o dane zarówno według lokalizacji, jak i według rynku.
- [Jak sprawić, by GPU i notatniki nie stały bezczynnie?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): Domyślnym trybem powinno być działanie na żądanie: potoki i zadania trenowania powinny uruchamiać zasoby po wyzwoleniu i zwalniać je po zakończeniu. Bezczynne notatniki i deweloperskie GPU należy automatycznie wyłączać po ustalonym czasie, środowiska nieprodukcyjne skalować do zera poza godzinami pracy, a bezczynne godziny GPU każdego zespołu raportować obok kosztów, aby marnotrawstwo było widoczne.
- [Jak uruchamiać zadania AI na wolnych zasobach chmury?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): Dostawcy chmury tanio sprzedają wolne zasoby pod warunkiem, że mogą je odebrać z krótkim wyprzedzeniem, jako instancje spot lub preemptible. Trening, ewaluacja, inferencja wsadowa i przetwarzanie danych mogą z nich korzystać, jeśli zapisują checkpointy i czysto ponawiają pracę. Microsoft zaleca używać ich tylko do pracy odpornej na przerwania, bo przerwania mogą wprowadzać niestabilność.
- [Jak wybrać energooszczędny sprzęt do AI?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): Należy przetestować własny model na dwóch lub trzech opcjach sprzętu i środowiska uruchomieniowego oraz porównać energię na zapytanie lub na trening przy realistycznych rozmiarach batcha, obok opóźnień i kosztów. Patterson i współpracownicy ustalili, że wybór modelu, centrum danych i procesora może łącznie obniżyć emisje z treningu nawet około 100–1000 razy. Dobry sprzęt warto utrzymywać w pełnym wykorzystaniu i w użyciu, bo produkcja nowego ma własny ślad.
- [Jak wybrać region chmury o niskiej emisyjności?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): Należy porównać regiony pod względem intensywności emisji sieci energetycznej i udziału energii bezemisyjnej, korzystając z danych o regionach publikowanych przez dostawcę lub ze źródła takiego jak Electricity Maps, a potem uwzględnić opóźnienie, przepisy o lokalizacji danych i koszt. Najłatwiej przenieść pracę wsadową, taką jak trenowanie, dostrajanie i nocne przetwarzanie; wnioskowanie obsługujące użytkowników zwykle musi pozostać blisko nich.
- [Jak wybrać zrównoważone centrum danych lub hosting dla AI?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): Należy prosić o dowody, a nie o etykiety: intensywność emisji sieci i godzinowy udział czystej energii tam, gdzie działa dana praca, PUE i zużycie wody w obiekcie, czas użytkowania sprzętu oraz to, czy klient otrzyma dane o energii i emisjach dla własnego konta. W UE większe centra danych muszą raportować zużycie energii i wody, więc dane często istnieją. Warto wybrać czysty hosting, ale nadal ograniczać pracę, którą się tam wysyła.
- [Jak zmniejszyć ślad eksperymentów z AI na klastrze badawczym?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): Należy zacząć od pomiaru: wiele klastrów rejestruje energię każdego zadania w harmonogramie Slurm, a CodeCarbon lub kalkulator Green Algorithms mogą uzupełnić luki. Następnie należy zamawiać tylko tyle GPU, pamięci i czasu, ile potrzeba, testować pomysły na małą skalę, zapisywać checkpointy w długich zadaniach i planować elastyczne zadania na godziny czystszej sieci. Energię należy raportować dla całych projektów, a nie tylko dla końcowych uruchomień.
- [Jak zmniejszyć ślad wodny AI?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): Zużycie wody wynika ze zużycia energii, więc pierwszy krok jest ten sam: mniejsze modele, krótsze odpowiedzi i mniej generowania od nowa. Poza tym warto wybierać dostawców publikujących dane o zużyciu wody, unikać regionów z niedoborem wody przy ciężkich zadaniach i prosić dostawców o dane o wodzie dla poszczególnych obiektów. Na jeden prompt tekstowy zużycie wody jest niewielkie. Liczą się sumy i skutki lokalne.

## Dla organizacji

- [Jak jako decydent polityczny wspierać bardziej ekologiczną AI?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): Należy zacząć od przejrzystości: wymagać od dostawców AI i centrów danych porównywalnych raportów o energii, wodzie i emisjach albo do nich zachęcać. Zamówienia publiczne warto wykorzystać do nagradzania wydajnej AI, planować moce sieci i zasoby wody dla centrów danych oraz finansować badania i umiejętności w zakresie wydajnych metod. Trzeba śledzić łączny popyt, a nie tylko wydajność, bo tańsza AI jest zwykle częściej używana.
- [Jak napisać politykę zielonej AI?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): Polityka powinna być krótka i praktyczna: określać, kiedy warto używać AI, ustalać wydajne opcje domyślne (najmniejszy wystarczający model, limity długości odpowiedzi, funkcje wyłączone, jeśli nie są potrzebne), wymagać pytań o energię w zamówieniach i zobowiązywać do pomiaru na zadanie. Należy wskazać osobę odpowiedzialną, datę przeglądu i kilka mierzalnych zobowiązań oraz powiązać politykę z już istniejącymi procesami.
- [Jak nie dopuścić, by wzrost wydajności AI zniwelował większy poziom jej używania?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): Należy śledzić łączną energię AI, a nie tylko energię na zadanie, aby wzrost był widoczny, i z góry zdecydować, co stanie się z oszczędnościami: wycofać zwolnione zasoby, utrzymać budżet lub limit albo świadomie je reinwestować. Wydajność warto łączyć z wystarczalnością, pytając, czy każde nowe zastosowanie jest tego warte. Bez tego tańsza AI jest zwykle po prostu częściej używana.
- [Jak przeszkolić pracowników w wydajnym korzystaniu z AI?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): Kilku nawyków należy uczyć na krótkiej sesji z rzeczywistymi przykładami z własnej pracy: sprawdzić, czy AI jest właściwym narzędziem, pisać jasne i konkretne prompty, prosić o krótkie odpowiedzi, poprawiać zamiast generować od nowa i oszczędnie korzystać z obrazów i wideo. Szkolenie warto wesprzeć wydajnymi ustawieniami domyślnymi w narzędziach firmy, bo ustawienia domyślne docierają też do osób, które pominęły kurs.
- [Jak składać uczciwe deklaracje o ekologiczności naszej AI?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): Należy deklarować tylko to, co zostało zmierzone, konkretnie wskazać, co się poprawiło i względem jakiego punktu odniesienia, oraz podać metodę, granice i ograniczenia. Trzeba oddzielać wydajność na zadanie od łącznego zużycia i nie opierać deklaracji na kompensacjach ani rocznych certyfikatach. Ogólnikowe określenia, takie jak „zielona AI” czy „neutralna węglowo AI”, są ryzykowne, a w Wielkiej Brytanii i UE mogą naruszać prawo konsumenckie.
- [Jak spełnić wymogi AI Act dotyczące dokumentowania zużycia energii?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): Dostawca modelu AI ogólnego przeznaczenia w UE musi zgodnie z załącznikiem XI do AI Act zawrzeć w dokumentacji technicznej znane lub szacowane zużycie energii przez model oraz zasoby obliczeniowe użyte do trenowania. Należy od początku śledzić moc obliczeniową i energię trenowania, zapisywać metodę i szacować tam, gdzie nie da się zmierzyć. Jeśli organizacja tylko korzysta z AI, obowiązek spoczywa na dostawcy, ale można poprosić go o dane.
- [Jak sprawdzić, czy projekt AI jest wart swojego kosztu środowiskowego?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): Należy oszacować własny ślad AI (trenowanie lub dostrajanie oraz działanie przez cały przewidywany okres użytkowania) i zestawić go z korzyścią mierzoną w tym samym okresie. Porównanie powinno dotyczyć najprostszej opcji bez AI, a nie niepodejmowania żadnych działań. Jeśli projekt ma oszczędzać energię lub emisje, oszczędność musi wyraźnie przewyższać własny koszt AI, inaczej bilans jest ujemny.
- [Jak sprawdzić, gdzie moja organizacja korzysta z AI?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): Należy sporządzić prosty spis z czterema rodzajami pozycji: narzędzia AI, z których pracownicy korzystają bezpośrednio, funkcje AI wbudowane w posiadane już oprogramowanie, zautomatyzowane procesy i agenci oraz dostawcy, których usługi korzystają z AI w imieniu organizacji. Przy każdej pozycji warto zapisać właściciela, częstotliwość działania, model lub dostawcę, jeśli są znane, oraz rodzaj przekazywanych danych. Spis jest punktem wyjścia do ograniczania marnotrawstwa, zarządzania ryzykiem i raportowania.
- [Jak sprawić, by korzystanie z AI w mojej firmie było bardziej zrównoważone?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): Należy zacząć od zmapowania, gdzie firma używa AI, a potem uczynić wydajny wybór domyślnym: najmniejszy model spełniający próg jakości, krótkie odpowiedzi, funkcje AI wyłączone, jeśli nie są potrzebne. Od dostawców warto uzyskać dane o energii na zapytanie i o tym, gdzie działają, mierzyć zużycie na użyteczne zadanie i ująć to w krótkiej polityce z osobą odpowiedzialną. Większość tych kroków obniża też koszty i opóźnienia, a nie tylko zużycie energii.
- [Jak utrzymać niski ślad AI w małej firmie?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): AI warto stosować do zadań, w których wyraźnie oszczędza czas. Zapytania powinny być krótkie i konkretne, a odpowiedzi lepiej poprawiać niż generować od nowa. Z obrazami i wideo należy obchodzić się oszczędnie. Warto wyłączyć funkcje AI, za które się płaci, ale z nich nie korzysta, i prowadzić prosty spis używanych narzędzi, aby móc odpowiedzieć klientom, którzy o to pytają. W małej firmie te same nawyki obniżają koszty subskrypcji i czasu pracowników.
- [Jak uwzględnić emisje z AI w raporcie zrównoważonego rozwoju?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): AI należy raportować w ramach istniejącej inwentaryzacji gazów cieplarnianych, a nie jako osobną liczbę: energia elektryczna dla własnego sprzętu trafia do zakresu 2 (Scope 2), a usługi chmurowe i usługi AI zwykle do zakresu 3 (Scope 3), w kategorii zakupionych towarów i usług. Tam, gdzie to możliwe, należy korzystać z danych dostawców, resztę szacować na podstawie użycia według opisanej metody oraz podać granice i niepewność. Obok sumy warto pokazać energię na jedno użyteczne zadanie.
- [Jak uwzględnić zrównoważony rozwój w zakupach AI?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): Należy poprosić dostawców o dane o energii i emisjach na zapytanie lub na zadanie, wraz z metodą i granicami systemu, o miejsce działania obciążenia oraz o dane o emisjach liczone metodą lokalizacyjną i rynkową. Jakość tych dowodów należy ocenić w przetargu, a raportowanie, wybór modelu i powiadamianie o zmianach modelu wpisać do umowy. Wielu dostawców nie potrafi jeszcze odpowiedzieć w pełni, ale same pytania pokazują, kto traktuje sprawę poważnie.
- [Jak uzasadnić biznesowo inwestycję w zieloną AI?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): Argumenty należy budować wokół kosztów, szybkości i ryzyka, ponieważ to, co ogranicza zużycie energii przez AI (mniejsze modele, mniej tokenów, mniej zmarnowanych wywołań), obniża też rachunki i czas oczekiwania. Warto pokazać jeden zmierzony przykład z własnej pracy, dodać powody związane ze sprawozdawczością i przepisami, a korzyść dla środowiska przedstawić jako realną, ale drugorzędną, jeśli tak lepiej trafia do odbiorców.
- [Jak w zrównoważony sposób korzystać z AI w organizacji charytatywnej?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): Należy używać AI tam, gdzie uwalnia czas pracowników i wolontariuszy na realizację misji, wybierać najlżejsze narzędzie, które wykonuje zadanie, i unikać intensywnych zastosowań, takich jak masowe generowanie obrazów. Warto napisać krótką politykę, która obok ochrony danych obejmuje wpływ na środowisko, zadać dostawcom proste pytania o energię i lokalizację oraz szczerze mówić darczyńcom, jak organizacja korzysta z AI.
- [Jak wyznaczyć cele dotyczące zużycia energii i emisji przez AI?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): Najpierw należy zmierzyć punkt odniesienia, a potem wyznaczyć razem dwa rodzaje celów: cel intensywności (energia lub emisje na użyteczne zadanie) oraz cel bezwzględny lub limit całkowity. Intensywność pokazuje efektywność; wartość bezwzględna pokazuje, czy wzrost korzystania nie pochłania oszczędności. Cele należy przeglądać co najmniej raz w roku, w miarę jak zmieniają się modele i sposób korzystania.
- [Jak wyłączyć niepotrzebne funkcje AI w całej organizacji?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): Należy wykorzystać spis narzędzi, aby znaleźć funkcje AI włączone domyślnie, a potem decydować o każdej z osobna: zostawić to, z czego ludzie korzystają, wyłączyć lub ograniczyć resztę i udostępniać ją na żądanie. Zmiany należy wprowadzać w konsolach administracyjnych, a nie prosić o to użytkowników, informować pracowników, co się zmieniło i dlaczego, oraz co kwartał przeglądać dane o użyciu. Mniej nieużywanych licencji AI to też oszczędność pieniędzy.

## Szkoły, uczelnie i szkolenia

- [Jak korzystać z AI w nauce, nie marnując energii?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): AI warto używać tam, gdzie pomaga w nauce, na przykład do wyjaśnienia trudnego zagadnienia, przepytania albo oceny szkicu, a do faktów i źródeł sięgać po notatki, podręczniki i wyszukiwarkę biblioteczną. Należy zadawać konkretne pytania, wklejać tylko potrzebny fragment i nie generować odpowiedzi ponownie ani nie tworzyć obrazów dla zabawy: te nawyki oszczędzają energię i zwykle pomagają też w nauce.
- [Jak się dowiedzieć więcej o zielonej AI?](https://greenai.guide/how-do-i/learn-about-green-ai/): Warto zacząć od krótkiego objaśnienia, na co AI zużywa energię, a potem wypróbować jedno bezpłatne narzędzie na własnym użyciu, np. licznik energii dla kodu lub estymator dla wywołań API AI. Następnie warto wybrać kurs na swoim poziomie oraz społeczność lub grupę badawczą w swojej dziedzinie. Nauka przez pomiar czegoś realnego zostaje w pamięci lepiej niż samo czytanie.
- [Jak uczyć uczniów o wpływie AI na środowisko?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): Warto zacząć od tego, że każda odpowiedź AI powstaje na prawdziwych komputerach, które zużywają energię elektryczną i wodę, a potem użyć kilku wiarygodnych danych i ćwiczenia praktycznego, np. porównania generowania tekstu i obrazów. Temat warto powiązać z informatyką, naukami przyrodniczymi i geografią i przedstawiać go w wyważony sposób: celem jest pomóc uczniom korzystać z AI w przemyślany sposób, a nie wywoływać poczucie winy.
- [Jak ustalić w szkole zasady zrównoważonego korzystania z AI?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): Zamiast pisać osobną politykę, należy dodać krótką część środowiskową do istniejącej szkolnej polityki AI. Warto określić, kiedy AI jest właściwym narzędziem, przedkładać krótki tekst nad generowanie obrazów i wideo, ustawić oszczędne opcje domyślne na kontach szkolnych i wyjaśniać uczniom powody. Część ta powinna stać obok zasad dotyczących ochrony uczniów, ochrony danych i oceniania, które nadal mają pierwszeństwo.
- [Jak uwzględnić zieloną AI w kursie uniwersyteckim?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): Zamiast tworzyć cały nowy kurs, warto dodać krótki, praktyczny wątek: wyjaśnić, na co idzie energia AI, poprosić studentów o zmierzenie energii własnego kodu lub uruchomień modelu i o podawanie mocy obliczeniowej i energii obok dokładności. Na kursach technicznych należy uczyć efektywnych metod, takich jak mniejsze modele, kwantyzacja i ponowne wykorzystanie modeli. Na pozostałych warto skupić się na rozsądnym użyciu i ocenie twierdzeń.
- [Jak znaleźć studia doktoranckie z zielonej AI?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): Warto szukać szerzej niż wśród projektów oznaczonych jako „green AI” (zielona AI): badania nad wydajną AI prowadzi się w informatyce, matematyce, elektrotechnice i naukach dziedzinowych, często pod nazwami takimi jak wydajne uczenie maszynowe, zrównoważone obliczenia czy sprzęt o niskim poborze mocy. Należy przeszukiwać programy szkół doktorskich i listy projektów, czytać najnowsze publikacje, by znaleźć aktywnych promotorów, i pytać, jak w pracy będzie mierzona energia.
