# Jak uwzględnić ślad węglowy wbudowany w sprzęt AI?

> Należy doliczyć emisje z produkcji chipów i serwerów AI: przypisać udział według czasu użycia, pytać dostawców o dane i dłużej używać sprzętu.

Source: https://greenai.guide/pl/jak/jak-uwzglednic-slad-weglowy-wbudowany-w-sprzet-ai/  
Updated: 2026-11-19

## W skrócie

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.

## Steps

1. Poprosić dostawcę sprzętu lub chmury o dane o emisjach wbudowanych dla używanego sprzętu.
2. Przypisać pracy z AI udział według czasu i części sprzętu, z której korzysta.
3. Dodać ten udział do emisji operacyjnych i podać, co zostało uwzględnione.
4. Podać założenia, w tym przewidywany okres eksploatacji sprzętu.
5. Wydłużać okres eksploatacji sprzętu tam, gdzie ma się na to wpływ, aby emisje wbudowane obejmowały więcej użytecznej pracy.

**Należy liczyć sprzęt, a nie tylko energię elektryczną, bo im czystsza sieć, tym większy udział produkcji.** Wu
i współpracownicy z Meta podali w 2022 roku, że wbudowany ślad węglowy stanowił około 30% śladu uczenia maszynowego
na dużą skalę w Meta. Twierdzili też, że staje się on dominującym źródłem, w miarę jak energia operacyjna staje się
czystsza.

## Jak go przypisać? {#how-do-i-allocate-it}

Specyfikacja SCI organizacji Green Software Foundation ujmuje emisje wbudowane jako składnik M. Proste podejście:

1. Wziąć łączne emisje wbudowane urządzenia od producenta lub dostawcy.
2. Podzielić je przez przewidywany okres eksploatacji, aby uzyskać emisje na rok lub na godzinę.
3. Pomnożyć przez czas, na jaki praca zarezerwowała urządzenie, i przez wykorzystaną część maszyny.

W usługach chmurowych sprzętu nie widać, dlatego należy zapytać dostawcę, czy jego sprawozdawczość emisji obejmuje
produkcję (zakres 3) i jak jest ona przypisywana. Zob. [dane o emisjach dostawcy chmury](/pl/jak/gdzie-znalezc-dane-o-emisjach-mojego-dostawcy-chmury/).

## A co z elektroodpadami? {#what-about-e-waste}

Wang i współpracownicy oszacowali w 2024 roku, że duże modele językowe mogą wytworzyć łącznie od 1,2 do 5,0 mln ton
odpadów elektronicznych w latach 2020–2030, zależnie od tempa wzrostu ich użycia. Ponowne użycie i recykling mogłyby
znacznie to ograniczyć.

## Częste błędy {#common-mistakes}

- **Pomijanie wbudowanego śladu węglowego bez informacji o tym.** W każdym przypadku należy to ująć w opisie granic.
- **Domyślne zakładanie krótkiego okresu eksploatacji.** Wczesna wymiana sprzętu zwiększa roczny udział.
- **Kupowanie nowego sprzętu dla niewielkiego wzrostu wydajności** bez sprawdzenia, ile dodaje to emisji z produkcji.

Zob. [jak mierzyć energię AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/), aby określić granice.

## Źródła

- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang et al., Nature Computational Science (2024)
- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
