# Jak raportować zużycie energii w moich badaniach nad AI?

> Co podać w artykule o obliczeniach i energii: sprzęt, GPU-godziny wszystkich przebiegów, energię, lokalizację, emisje, koszt inferencji i przyjęte granice.

Source: https://greenai.guide/pl/jak/jak-raportowac-zuzycie-energii-w-moich-badaniach-nad-ai/  
Updated: 2026-11-19

## 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.

## Steps

1. Śledzić energię każdego przebiegu od początku projektu, a nie tylko końcowego.
2. Podawać sprzęt, GPU-godziny, energię, lokalizację, emisyjność sieci i emisje w standardowej tabeli.
3. Podawać energię inferencji na 1000 zapytań przy określonym rozmiarze partii i długości sekwencji.
4. Określić granice, w tym to, czy uwzględniono narzuty centrum danych.
5. 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? {#what-should-the-table-include}

| 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 {#common-mistakes}

- **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](/pl/poradniki/zielona-ai-dla-naukowcow/) i [jak mierzyć energię AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/).

## Źródła

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
