W skrócie
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.
Kroki
- Warto dodać krótkie zajęcia o tym, skąd bierze się ślad energetyczny, wodny i sprzętowy AI.
- Studenci powinni zmierzyć energię co najmniej jednego uruchomienia w ramach zajęć narzędziem takim jak CodeCarbon.
- W zadaniach technicznych należy wymagać podawania mocy obliczeniowej i energii obok dokładności.
- Należy uczyć efektywnych metod, takich jak małe modele, kwantyzacja i ponowne wykorzystanie wytrenowanych modeli.
- Warto dodać ćwiczenie ze sprawdzania opublikowanego twierdzenia o zużyciu energii przez AI.
Krótki praktyczny wątek w istniejących kursach dociera do większej liczby studentów niż nowy przedmiot fakultatywny. Niemal wszyscy studenci korzystają dziś z AI: w badaniu Higher Education Policy Institute z 2026 roku 95% brytyjskich studentów studiów licencjackich zadeklarowało, że jej używa.
Co może obejmować taki wątek?
- Podstawy śladu. Trenowanie a wnioskowanie, dlaczego obrazy i długie dane wejściowe kosztują więcej i dlaczego publikowane wartości się różnią.
- Pomiar. Studenci mogą objąć jedno uruchomienie trenowania lub wnioskowania narzędziem CodeCarbon i podać wynik wraz ze sprzętem, czasem działania i lokalizacją.
- Raportowanie jak w badaniach. Warto wymagać podania mocy obliczeniowej i energii obok dokładności, łącznie z przebiegami strojenia. Zobacz raportowanie energii w badaniach.
- Efektywne metody na kursach technicznych: mniejsze modele i modele do konkretnych zadań, kwantyzacja, destylacja i ponowne wykorzystanie wytrenowanych modeli.
- Ocena twierdzeń na każdym kursie: kto to zmierzył, w odniesieniu do czego i co pominięto.
Jakie ramy mogą pomóc?
Ramy kompetencji AI dla studentów UNESCO obejmują zrównoważoną środowiskowo AI. Dla grup badawczych i wydziałów zasady GREENER Lannelongue i współpracowników stanowią ramy zarządzania, szacowania i edukacji w zrównoważonych obliczeniach naukowych.
Co daje największą różnicę
Uwzględnienie energii w ocenianiu. Gdy kryteria oceny nagradzają nie tylko dokładność, ale też dokładność na kilowatogodzinę, studenci zaczynają projektować z myślą o niej.
Częste błędy
- Traktowanie tematu jako jednorazowego wykładu z etyki bez zadania praktycznego.
- Karanie studentów za korzystanie z AI zamiast uczenia ich, jak dobrze z niej korzystać.
- Używanie nieaktualnych wartości na jedno zapytanie.
Warto przeczytać kompetencje AI na uniwersytetach i przejrzeć kursy z materiałami do ponownego wykorzystania.
Źródła
- Student generative AI survey 2026, Higher Education Policy Institute (HEPI) (2026)
- AI competency framework for students, UNESCO (2024)
- CodeCarbon, CodeCarbon (2026)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
Powiązane
Kompetencje w zakresie AI na uczelniach, z uwzględnieniem jej śladu środowiskowego
Studenci niemal powszechnie korzystają z AI, a szkolenia kadry i ocenianie nie nadążają. Dlaczego edukacja o AI na uczelniach powinna obejmować jej wpływ na środowisko.
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.
Jak zmierzyć, ile energii zużywa AI na moim komputerze lub GPU?
Pomiar energii lokalnej AI: liczniki sprzętowe, telemetria GPU lub miernik w gniazdku, próbkowanie przez całe zadanie i odjęcie poboru w spoczynku.
Jak się dowiedzieć więcej o zielonej AI?
Od czego zacząć naukę o zielonej AI, niezależnie od doświadczenia: krótkie lektury, bezpłatne narzędzia, kursy, społeczności i badania warte śledzenia.