# Jak uwzględnić zieloną AI w kursie uniwersyteckim?

> Jak wprowadzić zieloną AI do nauczania akademickiego: krótki moduł o śladzie, pomiar energii w zadaniach, efektywne metody i uczciwe raportowanie.

Source: https://greenai.guide/pl/jak/jak-uwzglednic-zielona-ai-w-kursie-uniwersyteckim/  
Updated: 2026-11-19

## 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.

## Steps

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? {#what-could-the-strand-include}

- **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](/pl/jak/jak-raportowac-zuzycie-energii-w-moich-badaniach-nad-ai/).
- **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? {#which-frameworks-help}

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 {#what-makes-the-biggest-difference}

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 {#common-mistakes}

- 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](/pl/artykuly/kompetencje-w-zakresie-ai-na-uczelniach-z-uwzglednieniem-jej-sladu/) i przejrzeć
[kursy](/pl/kursy/) z materiałami do ponownego wykorzystania.

## Źródła

- [Student generative AI survey 2026](https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/), Higher Education Policy Institute (HEPI) (2026)
- [AI competency framework for students](https://unesdoc.unesco.org/ark:/48223/pf0000391105), UNESCO (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
