W skrócie
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.
Kroki
- Śledzić energię każdego przebiegu od początku projektu, a nie tylko końcowego.
- Podawać sprzęt, GPU-godziny, energię, lokalizację, emisyjność sieci i emisje w standardowej tabeli.
- Podawać energię inferencji na 1000 zapytań przy określonym rozmiarze partii i długości sekwencji.
- Określić granice, w tym to, czy uwzględniono narzuty centrum danych.
- Podawać wyniki w odniesieniu do nakładu obliczeń, np. dokładność na kWh, obok najlepszego wyniku.
Obliczenia i energię należy raportować jako standardowe wyniki, a nie przypis. Bez nich nie da się sprawdzić deklaracji o wydajności, a czytelnicy nie wiedzą, czy niewielki wzrost dokładności nie kosztował dziesięć razy więcej energii.
Argumenty przedstawiono wcześnie: Strubell, Ganesh i McCallum określili ilościowo w 2019 roku finansowy i środowiskowy koszt trenowania kilku modeli językowych, a Schwartz i współpracownicy w pracy „Green AI” postulowali raportowanie wydajności obok dokładności.
Co powinna zawierać tabela?
| Pozycja | Przykład |
|---|---|
| Sprzęt | Model i liczba GPU, CPU, pamięć |
| Czas działania | GPU-godziny końcowych przebiegów oraz całego strojenia i nieudanych przebiegów |
| Energia | kWh, zmierzone lub oszacowane, z narzędziem i wersją |
| Lokalizacja | Kraj lub region sieci oraz użyta emisyjność |
| Emisje | kg CO₂e |
| Inferencja | Energia na 1000 zapytań przy określonym rozmiarze partii i długości sekwencji |
| Granice | Czy uwzględniono chłodzenie i narzuty centrum danych (PUE) |
Jeśli model jest udostępniany, wartości należy przenieść do pola co2_eq_emissions w karcie modelu w Hugging Face.
Częste błędy
- Raportowanie tylko zwycięskiego przebiegu. Stojące za nim przeszukiwanie zwykle zużywa większość energii.
- Brak niepewności. Szacunki z modeli mocy mogą się różnić od wartości zmierzonych licznikiem; należy podać zakres.
- Pomijanie wyników negatywnych. Metoda poprawy wydajności, która nie zadziałała, oszczędza innym jej powtarzania.
Zasady GREENER autorstwa Lannelongue i współpracowników dają szersze ramy dla zespołów i instytucji. Zob. przewodnik dla badaczy i jak mierzyć energię AI.
Źródła
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Powiązane
Jak zmierzyć ślad węglowy trenowania modelu?
Należy śledzić energię trenowania narzędziem takim jak CodeCarbon, pomnożyć ją przez emisyjność lokalnej sieci i podać sprzęt, czas oraz lokalizację.
Jak ustalić budżet obliczeniowy dla projektu badawczego?
Jak ustalić i śledzić budżet obliczeniowy w badaniach nad AI: oszacować GPU-godziny, zacząć od pilotażu, wcześnie przerywać słabe przebiegi i raportować wyniki.
Zielona AI dla naukowców
Przewodnik dla naukowców: efektywne metody AI, pomiar i raportowanie energii w publikacjach, budżety obliczeniowe, finansowanie i rola matematyki.
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.