W skrócie
Należy porównać regiony pod względem intensywności emisji sieci energetycznej i udziału energii bezemisyjnej, korzystając z danych o regionach publikowanych przez dostawcę lub ze źródła takiego jak Electricity Maps, a potem uwzględnić opóźnienie, przepisy o lokalizacji danych i koszt. Najłatwiej przenieść pracę wsadową, taką jak trenowanie, dostrajanie i nocne przetwarzanie; wnioskowanie obsługujące użytkowników zwykle musi pozostać blisko nich.
Kroki
- Wypisać obciążenia, które mogą działać gdziekolwiek, zaczynając od trenowania, dostrajania i zadań wsadowych.
- Porównać kandydujące regiony pod względem intensywności emisji sieci i udziału energii bezemisyjnej.
- Sprawdzić dla każdego kandydata ograniczenia dotyczące lokalizacji danych, opóźnienia i kosztu.
- Uwzględnić energię i koszt przeniesienia danych do nowego regionu.
- Co roku ponownie sprawdzać wybór, bo sieci energetyczne i dane dostawców się zmieniają.
Wybór regionu może kilkakrotnie zmienić emisje tego samego zadania, bez żadnej zmiany w kodzie. Energia elektryczna stojąca za kilowatogodziną bardzo różni się między sieciami.
Gdzie znaleźć dane o regionach?
- Google Cloud publikuje dla każdego regionu średni godzinowy udział energii bezemisyjnej oraz intensywność emisji sieci w gCO₂e/kWh. Konsola oznacza regiony etykietą „Low CO2”, gdy udział energii bezemisyjnej wynosi co najmniej 75% lub, jeśli te dane są niedostępne, gdy intensywność emisji sieci wynosi najwyżej 200 gCO₂e/kWh.
- Electricity Maps podaje bieżącą, prognozowaną i historyczną intensywność emisji dla ponad 350 stref, co przydaje się przy każdym dostawcy.
- Strony o zrównoważonym rozwoju i panele emisji innych dostawców; zob. dane o emisjach dostawcy chmury.
Które obciążenia warto przenieść?
Wzorzec Green Software Foundation dla obciążeń AI sugeruje uruchamianie trenowania, dostrajania i pracy wsadowej w regionach o niskiej emisyjności, gdzie opóźnienie ma mniejsze znaczenie. Wytyczne Microsoft Azure Well-Architected zalecają, by przy wyborze regionu rozważać razem intensywność emisji, opóźnienie i odporność.
Częste błędy
- Przenoszenie wnioskowania wrażliwego na opóźnienia daleko od użytkowników, co może pogorszyć ich doświadczenie i zwiększyć ruch sieciowy.
- Pomijanie przesyłu danych. Kopiowanie dużych zbiorów danych między regionami ma własny koszt.
- Poleganie na certyfikatach. Zakup certyfikatów energii odnawialnej przez dostawcę nie sprawia, że sieć o wysokiej emisyjności staje się niskoemisyjna; zob. jak sprawdzić, czy AI działa na energii odnawialnej.
- Traktowanie wyboru regionu jako zamiennika wydajności. Zmniejsza on emisje, a nie zużycie energii.
Więcej na stronie hosting i centra danych.
Źródła
- Carbon free energy for Google Cloud regions, Google Cloud (2025)
- Electricity Maps data, Electricity Maps (2026)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Reliability recommendations for sustainable workloads on Azure, Microsoft Azure Well-Architected Framework (2026)
Powiązane
Jak planować trenowanie na czas, gdy sieć energetyczna jest czystsza?
Jak uruchamiać trenowanie i zadania wsadowe AI przy niskiej emisyjności sieci: prognozy, punkty kontrolne pozwalające wstrzymać zadanie i twarde terminy.
Jak sprawdzić emisyjność mojej sieci elektroenergetycznej?
Skąd brać dane o emisyjności sieci do obliczania śladu AI: regionalne, godzinowe źródła, takie jak GB Carbon Intensity API i Electricity Maps.
Jak sprawdzić, czy moja AI działa na energii odnawialnej?
Jak odróżnić czystą energię godzina po godzinie od rocznych certyfikatów: gdzie działa AI, jaka jest emisyjność sieci i godzinowy udział czystej energii.
Hosting zielonej AI i centra danych
Jak wybrać miejsce działania AI: emisyjność sieci, PUE i WUE, deklaracje o energii odnawialnej, zużycie wody i lokalizacja oraz pytania do dostawców.