greenai.guide

Strona główna › Jak…? › Jak uwzględnić zieloną AI w kursie uniwersyteckim?

Jak…?

Jak uwzględnić zieloną AI w kursie uniwersyteckim?

Aktualizacja · Czas czytania: 1 min

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

  1. Warto dodać krótkie zajęcia o tym, skąd bierze się ślad energetyczny, wodny i sprzętowy AI.
  2. Studenci powinni zmierzyć energię co najmniej jednego uruchomienia w ramach zajęć narzędziem takim jak CodeCarbon.
  3. W zadaniach technicznych należy wymagać podawania mocy obliczeniowej i energii obok dokładności.
  4. Należy uczyć efektywnych metod, takich jak małe modele, kwantyzacja i ponowne wykorzystanie wytrenowanych modeli.
  5. 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

  1. Student generative AI survey 2026, Higher Education Policy Institute (HEPI) (2026)
  2. AI competency framework for students, UNESCO (2024)
  3. CodeCarbon, CodeCarbon (2026)
  4. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)

Dołącz do nas

Pomóżmy zmniejszyć wpływ AI na planetę

Nowe przewodniki, nabory wniosków i wpisy w katalogach e-mailem, mniej więcej raz w miesiącu. Można też dodać do katalogów swój produkt, kurs, ofertę studiów doktoranckich lub badania.

Bez śledzenia. Rezygnacja jednym kliknięciem. Inne sposoby dołączenia · Prywatność