# Zielona AI dla naukowców

> Przewodnik dla naukowców: efektywne metody AI, pomiar i raportowanie energii w publikacjach, budżety obliczeniowe, finansowanie i rola matematyki.

Source: https://greenai.guide/pl/poradniki/zielona-ai-dla-naukowcow/  
Updated: 2026-11-19

## W skrócie

Naukowcy mogą uczynić AI bardziej ekologiczną na dwa sposoby: rozwijając metody wymagające mniej obliczeń oraz mierząc i raportując energię zużywaną przez własną pracę. Przycinanie (pruning), kwantyzacja, destylacja wiedzy, lepsze metody numeryczne i hybrydowe modele łączące fizykę z uczeniem maszynowym obniżają koszt AI, a narzędzia takie jak CodeCarbon i kalkulator Green Algorithms sprawiają, że koszt ten staje się widoczny w publikacjach.

## Najważniejsze punkty

- Patterson i współpracownicy ustalili, że wybór modelu, centrum danych i procesora może zmniejszyć ślad węglowy trenowania nawet około 100 do 1000 razy.
- Uwagi badaczy wymaga nie tylko trenowanie, ale też inferencja: działa za każdym razem, gdy model jest używany.
- W każdej publikacji należy podawać energię, sprzęt, czas działania i lokalizację, korzystając z bezpłatnego narzędzia, takiego jak CodeCarbon lub kalkulator Green Algorithms.
- Wkład matematyki wykracza poza algorytmy: obejmuje metryki, niepewność, benchmarki i modelowanie rozprzestrzeniania się korzystania z AI.
- Dla projektu należy ustalić budżet obliczeniowy obejmujący nieudane uruchomienia i przeszukiwanie hiperparametrów, a nie tylko ostateczny model.

## Dlaczego zielona AI ma znaczenie dla nauki? {#why-does-green-ai-matter-for-research}

Dlatego, że nauka wyznacza metody, które wszyscy inni powielają, i dlatego, że sama nauka zużywa dużo mocy
obliczeniowej. Technika, która o połowę obniża koszt inferencji (wnioskowania), po upowszechnieniu oszczędza energię
za każdym razem, gdy działa jakikolwiek model, który z niej korzysta.

Argumenty przedstawiono wcześnie. Artykuł Strubell, Ganesha i McCalluma z 2019 roku określił finansowy
i środowiskowy koszt trenowania kilku modeli językowych i zaproponował sposoby jego obniżenia. Patterson
i współpracownicy ustalili później, że wybór architektury modelu, centrum danych i procesora może zmniejszyć ślad
węglowy trenowania nawet około 100 do 1000 razy. Luccioni, Jernite i Strubell wykazali, że uruchamianie
wielozadaniowych modeli generatywnych może być o rzędy wielkości droższe niż modeli dedykowanych temu samemu zadaniu.

Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na
projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przedstawicieli przemysłu, ujął
program badań w trzech etapach, z których każdy jest otwarty na inne techniki: trenowanie od zera, fine-tuning
(dostrajanie) lub adaptacja oraz wdrożenie, w chmurze albo na urządzeniu o niskim zużyciu energii. Zauważono też, że
wiele istniejących prac kryje się w rezultatach projektów i mało znanych repozytoriach kodu, więc pierwszym krokiem
każdego projektu jest ustalenie, co już zrobiono.

## Jakie metody zwiększają efektywność modeli? {#which-methods-make-models-more-efficient}

Główne rodziny metod to usuwanie tego, czego model nie potrzebuje, używanie mniejszej liczby bitów, uczenie się
z mniejszej ilości danych i wbudowywanie znanej struktury w model. Większość z nich można łączyć.

### Przycinanie i rzadkość {#pruning-and-sparsity}

**Przycinanie (pruning)** usuwa wagi, które mają niewielki wpływ na wynik. **Rzadkość (sparsity)** oznacza, że
większość wartości w macierzy lub aktywacji to zera, więc obliczenia mogą je pomijać. Duże sieci często mają znacznie
więcej parametrów, niż wymaga ostateczne zadanie, ponieważ nadmiarowa parametryzacja pomaga w optymalizacji, dlatego
po trenowaniu wiele można usunąć.

Otwarte pytania to m.in.: jak ustalać docelową rzadkość przed trenowaniem, a nie metodą prób i błędów; jak zachować
efektywność **dynamicznej rzadkości** (gdy położenie zer zależy od danych wejściowych) na rzeczywistym sprzęcie; oraz
dlaczego rzadkość jest wciąż za mało wykorzystywana, biorąc pod uwagę ograniczenia architektoniczne popularnych
chipów. Zyski teoretyczne często przewyższają zmierzone przyspieszenia, więc liczą się wyniki empiryczne na
rzeczywistym sprzęcie.

### Kwantyzacja i mieszana precyzja {#quantisation-and-mixed-precision}

**Kwantyzacja** polega na przechowywaniu danych i liczeniu z użyciem mniejszej liczby bitów, np. 8-bitowych liczb
całkowitych zamiast 32-bitowych liczb zmiennoprzecinkowych. **Mieszana precyzja** to niższa precyzja tam, gdzie jest
bezpieczna, i wyższa tam, gdzie jest potrzebna. UNESCO i UCL podają, że kompresja, taka jak kwantyzacja, może
oszczędzić do 44% energii przy zachowaniu dokładności. Specjaliści od analizy numerycznej mają dobre podstawy, by
ocenić, gdzie obniżona precyzja jest bezpieczna i jak propagują się błędy.

### Destylacja i mniejsze modele {#distillation-and-smaller-models}

**Destylacja wiedzy** polega na trenowaniu małego modelu „ucznia”, który naśladuje duży model „nauczyciela”. Uczeń
jest tańszy w działaniu przy każdym zapytaniu. Pokrewne prace nad **fine-tuningiem efektywnym parametrowo**, który
dostosowuje niewielką liczbę dodatkowych parametrów zamiast całego modelu, oraz nad uczeniem ciągłym pozwalają
uniknąć ponownego trenowania od zera.

### Ponowne wykorzystanie modeli {#reusing-models}

Zamiast trenować nowe modele, można łączyć istniejące. Wortsman i współpracownicy wykazali, że uśrednianie wag kilku
dostrojonych modeli („model soups”) może poprawić dokładność bez żadnego dodatkowego kosztu inferencji. Scalanie
i ponowne wykorzystywanie modeli to obiecujący obszar badań nad efektywnością.

### Efektywność danych {#data-efficiency}

Trenowanie na mniejszej ilości lepszych danych bezpośrednio obniża energię trenowania. Techniki obejmują usuwanie
duplikatów i przykładów o małej wartości, uczenie aktywne (wybór najbardziej informatywnych przykładów do
oznaczenia) oraz architektury uogólniające na podstawie niewielu przykładów.

### Metody numeryczne i przesyłanie danych {#numerical-methods-and-data-movement}

Duża część AI to algebra liniowa, do której mają zastosowanie dziesięciolecia analizy numerycznej. Randomizowana
numeryczna algebra liniowa i sketching (kompresja macierzy z zachowaniem jej ważnych własności) mogą ograniczyć
zarówno arytmetykę, jak i **przesyłanie danych**, które na wielu urządzeniach kosztuje więcej energii niż sama
arytmetyka. Przybliżona uwaga (approximate attention), która oblicza tylko istotne części macierzy uwagi, to aktywnie
rozwijany przykład w dużych modelach językowych. Automatyczne różniczkowanie, ogólna technika stojąca za propagacją
wsteczną, łączy AI z istniejącymi kodami naukowymi.

### Hybrydowe modele fizyka-ML {#hybrid-physics-ml}

Zamiast zastępować całą symulację siecią neuronową, można zastąpić tylko tę część, do której się nadaje. Częstym
wzorcem jest wyuczony **model zastępczy (surrogate)** dla najbardziej energochłonnego komponentu modelu klimatu lub
modelu inżynierskiego, przy zachowaniu reszty fizyki. Modele **informowane fizyką (physics-informed)** wbudowują znane
prawa w funkcję straty lub architekturę, co może wymagać znacznie mniej parametrów i danych. Inne narzędzia
strukturalne to wypukłość, algorytmy rozwinięte (zamiana kroków klasycznego solwera na warstwy sieci) i symetria, jak
w geometrycznym uczeniu głębokim.

Na sandpicie pojawiły się też mniej zbadane pomysły:

- dodanie członu energetycznego lub „węglowego” do funkcji celu trenowania, np. karanie aktywnych neuronów lub
  kosztownych ekspertów w modelu mixture of experts (MoE);
- korekcja błędów podczas długich obliczeń, ze sprawdzaniem w odstępach, aby nie trzeba było powtarzać całego
  uruchomienia; oraz
- wykrywanie, kiedy wieloagentowe systemy AI utknęły w pętlach i marnują tokeny.

Więcej na stronach [efektywne trenowanie i inferencja](/pl/dobre-praktyki/efektywne-trenowanie-i-inferencja-ai/) oraz
[matematyka dla efektywnej AI](/pl/artykuly/matematyka-ktora-czyni-ai-bardziej-efektywna/).

## Jak mierzyć i raportować energię w publikacjach? {#how-should-i-measure-and-report-energy-in-papers}

Należy mierzyć na bieżąco, raportować standardowy zestaw informacji i uwzględniać uruchomienia, które nie trafiły do
publikacji. Bez tego deklaracji o efektywności nie da się sprawdzić ani porównać.

Bezpłatne narzędzia:

- **CodeCarbon**, otwartoźródłowy pakiet Pythona, szacuje emisje na podstawie mocy pobieranej przez CPU, GPU i pamięć
  oraz emisyjności lokalnej sieci elektroenergetycznej. Warto dodać go do skryptów trenowania i ewaluacji.
- Kalkulator **Green Algorithms**, autorstwa Lannelongue'a, Grealey i Inouye'a, szacuje ślad obliczeń na podstawie
  sprzętu, czasu działania, pamięci i lokalizacji. Nadaje się do zadań HPC i do prac wykonanych przed rozpoczęciem
  rejestrowania.
- Liczniki sprzętowe, takie jak RAPL w wielu procesorach i interfejsy zasilania producentów GPU, dają bezpośrednie
  odczyty, na których opierają się te narzędzia.

Co raportować:

| Pozycja | Przykład |
|---|---|
| Sprzęt | Model i liczba GPU, CPU, pamięć |
| Czas działania | GPU-godziny dla ostatecznych uruchomień **oraz** dla wszystkich uruchomień strojących i nieudanych |
| Energia | kWh, zmierzone lub szacowane, z nazwą i wersją narzędzia |
| Lokalizacja | Kraj lub region sieci elektroenergetycznej oraz użyta emisyjność |
| Emisje | kg CO₂e |
| Inferencja | Energia na 1000 zapytań przy podanej wielkości partii (batch size) i długości sekwencji |
| Granice | Czy uwzględniono chłodzenie i narzuty centrum danych (PUE) |

Należy jasno określać niepewność. Szacunki z modeli mocy mogą różnić się od wartości zmierzonych licznikiem, a dane
dostawców, takie jak podawane przez Google 0,24 Wh na medianowy tekstowy prompt w Gemini, opierają się na ich
własnych metodach i granicach. Dalej idą nasz przewodnik [pomiar energii AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/) oraz
artykuł [pomiar jest wąskim gardłem](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).

## Jak ustalić budżet obliczeniowy? {#how-do-i-set-a-compute-budget}

Należy z góry zdecydować, ile mocy obliczeniowej może zużyć projekt, i śledzić ją jak pieniądze. Budżet sprawia, że
kompromisy stają się widoczne, i zatrzymuje niekończące się strojenie.

- **Oszacować** GPU-godziny dla głównych eksperymentów, a następnie dodać margines na eksplorację.
- **Prowadzić pilotaże na małą skalę**, aby odrzucić pomysły przed skalowaniem.
- **Preferować efektywne przeszukiwanie** hiperparametrów, np. wczesne zatrzymywanie słabych uruchomień, zamiast
  dużych przeszukiwań siatki (grid search).
- **Ponownie wykorzystywać punkty kontrolne (checkpointy) i wstępnie wytrenowane modele**, gdy pasują.
- **Planować elastyczne zadania** na godziny lub w regionach, w których sieć jest czystsza.
- **Raportować wyniki względem mocy obliczeniowej**, np. dokładność na kWh, a nie tylko najlepszą dokładność.

Zasady GREENER autorstwa Lannelongue'a i współpracowników (Governance, Responsibility, Estimation, Energy and embodied
impacts, New collaborations, Education and Research — zarządzanie, odpowiedzialność, szacowanie, energia i wpływ
wbudowany, nowe współprace, edukacja i badania) dają ramy dla zespołów i instytucji.

## Jak efektywność wpływa na odtwarzalność? {#how-does-efficiency-affect-reproducibility}

Raportowanie energii i mocy obliczeniowej ułatwia odtwarzanie prac, a efektywne metody czynią je tańszym. Wynik
wymagający tysięcy GPU-godzin może sprawdzić niewiele zespołów.

- Publikować kod, konfiguracje i ziarna losowości (seeds) oraz podawać, na ilu uruchomieniach opiera się wynik.
- Podawać wariancję między uruchomieniami. Pojedyncza wartość dokładności z jednego uruchomienia niedeterministycznego
  procesu może wprowadzać w błąd.
- W miarę możliwości udostępniać mniejsze lub destylowane wersje modeli, aby inni mogli na nich budować.
- Dzielić się negatywnymi wynikami dotyczącymi metod efektywności, co oszczędza innym ich powtarzania.

## W czym może pomóc matematyka? {#where-can-mathematics-contribute}

Matematyka pomaga nie tylko w tworzeniu szybszych algorytmów, ale też w decydowaniu, co mierzyć, na ile ufać modelowi
i jak korzystanie z AI rozprzestrzenia się w społeczeństwie. Uczestnicy sandpitu podkreślali, że matematycy muszą
pokazać, za pomocą narzędzi i dowodów, co mogą poprawić.

- **Teoria efektywności:** teoria macierzy losowych dla przycinania i rzadkości, teoria aproksymacji dla małych
  modeli, teoria optymalizacji dla szybszego trenowania.
- **Analiza numeryczna:** precyzja, stabilność, oszacowania błędów i solwery w potokach AI.
- **Kwantyfikacja niepewności:** na ile można ufać modelowi zastępczemu, zwłaszcza poza jego danymi treningowymi, co
  decyduje o tym, czy może on zastąpić kosztowny model fizyczny.
- **Metryki i benchmarki:** uzgodnione, porównywalne miary energii i jakości oraz metryki jakości z wbudowaną
  efektywnością.
- **Modelowanie scenariuszy i systemów:** jak wzrost efektywności zmienia całkowite zużycie
  ([efekt odbicia (rebound effect)](/pl/slowniczek/#rebound-effect)), teoria gier wyjaśniająca, dlaczego organizacje czują
  presję, by korzystać z AI, oraz równowaga między obliczeniami na brzegu sieci (edge) a obliczeniami centralnymi.
- **Wybór metody:** ramy pozwalające ocenić, kiedy problem w ogóle wymaga AI, a kiedy klasyczny algorytm już dobrze
  go rozwiązuje.

## Jak znaleźć finansowanie i współpracowników? {#how-do-i-find-funding-and-collaborators}

Warto połączyć pytanie badawcze dotyczące efektywności z rzeczywistym partnerem aplikacyjnym, któremu zależy na
kosztach lub szybkości. Fundatorzy i przemysł lepiej reagują na oszczędności energii, które przynoszą też szybsze,
tańsze lub bardziej niezawodne wyniki.

- **Krajowe rady badawcze**, takie jak EPSRC w Wielkiej Brytanii, NSF w USA i ich odpowiedniki, finansują badania
  nad metodami; warto śledzić konkursy dotyczące AI, cyfrowej infrastruktury badawczej i neutralności klimatycznej
  (net zero).
- **Programy europejskie**, takie jak Horizon Europe, oraz klastry Eureka, takie jak ITEA, finansują projekty
  realizowane wspólnie z przemysłem. GreenCode, projekt ITEA, jest jednym z przykładów w obszarze zielonej AI
  i energii oprogramowania.
- **Krótkie projekty przemysłowe**, staże i współfinansowane stypendia doktoranckie to tani sposób na rozpoczęcie
  współpracy.
- **Inżynierowie oprogramowania badawczego** (research software engineers) i centra HPC często dysponują wiedzą
  i szkoleniami z zakresu zielonych obliczeń.

Najlepiej sprawdzają się zespoły interdyscyplinarne: specjaliści od sprzętu, oprogramowania, metod numerycznych
i danej dziedziny w jednym pokoju. [Katalog badań](/pl/badania/) zawiera zespoły i projekty z zakresu zielonej AI.

## Jakie są ścieżki doktoranckie? {#what-phd-routes-are-there}

Istnieją projekty doktorskie z zakresu efektywnego uczenia maszynowego, analizy numerycznej, zrównoważonych
i niskoemisyjnych obliczeń, HPC oraz wspólnego projektowania sprzętu i oprogramowania. Wiele z nich nie ma etykiety
„zielona AI”, więc warto szukać także według tych tematów.

Ścieżki obejmują:

- centra i programy kształcenia doktorantów, takie jak UKRI Centres for Doctoral Training w Wielkiej Brytanii;
- sieci doktoranckie w ramach unijnych działań Marie Skłodowska-Curie Actions;
- stypendia doktoranckie współfinansowane lub sponsorowane przez przemysł; oraz
- projekty powiązane z większymi grantami badawczymi.

Aktualne oferty zawiera [katalog studiów doktoranckich](/pl/doktoraty/), a krótkie kursy z efektywnej AI, zielonego
oprogramowania i obliczeń naukowych [katalog kursów](/pl/kursy/).

## Co dalej {#what-to-do-next}

1. **Dodać CodeCarbon** lub podobne rejestrowanie do następnego eksperymentu albo oszacować ostatni projekt
   kalkulatorem [Green Algorithms](https://www.green-algorithms.org/).
2. **Dodać tabelę energii i mocy obliczeniowej** do następnej publikacji, uwzględniając uruchomienia strojące
   i nieudane.
3. **Ustalić budżet obliczeniowy** dla bieżącego projektu i przeglądać go co miesiąc.
4. **Wypróbować jedną metodę efektywności**, taką jak kwantyzacja lub destylacja wiedzy, na już używanym modelu
   i zaraportować kompromis.
5. **Sprawdzić, co już istnieje**, zanim zacznie się budować: przeszukać [katalog badań](/pl/badania/) i niedawne
   rezultaty projektów.
6. **Znaleźć partnera** z kosztownym obciążeniem AI lub symulacyjnym i zaproponować wspólny projekt.
7. **Poszukać szkoleń** w [katalogu kursów](/pl/kursy/) i udostępnić studentom [katalog studiów doktoranckich](/pl/doktoraty/).

## Najczęściej zadawane pytania

### Jak raportować zużycie energii w eksperymentach?

Należy rejestrować energię narzędziem takim jak CodeCarbon w trakcie eksperymentów albo oszacować ją później kalkulatorem Green Algorithms na podstawie sprzętu, czasu działania i lokalizacji. Warto podawać kWh, CO₂e, sprzęt, godziny i region sieci elektroenergetycznej oraz uwzględniać uruchomienia nieudane i strojące.

### Czy kwantyzacja pogarsza dokładność?

Często tylko nieznacznie, ale zależy to od modelu i zadania. UNESCO i UCL podają oszczędności energii do 44% dzięki kompresji, takiej jak kwantyzacja, przy zachowaniu dokładności; należy to sprawdzić na własnych benchmarkach.

### Czy zielona AI to prawdziwa dziedzina badań, czy temat poboczny?

To rosnąca dziedzina obejmująca uczenie maszynowe, analizę numeryczną, sprzęt i systemy obliczeniowe. Badania energii trenowania i inferencji sięgają co najmniej 2019 roku, a EU AI Act wymaga obecnie od dostawców modeli ogólnego przeznaczenia dokumentowania zużycia energii.

### Czy można zrobić doktorat z zielonej AI?

Tak. Warto szukać projektów z zakresu efektywnego uczenia maszynowego, metod numerycznych, zrównoważonych obliczeń lub HPC. Nasz katalog studiów doktoranckich zawiera aktualne oferty.

## Źródła

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al., ICML (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [AI Act, Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission AI Act Service Desk (2024)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (ITEA) (2026)
