W skrócie
Ten słowniczek objaśnia prostym językiem terminy, na które trafia się, zaczynając czytać o kosztach środowiskowych AI, w kolejności alfabetycznej. Każde hasło ma własny link, więc inne strony serwisu mogą odsyłać prosto do niego.
Najważniejsze punkty
- Trenowanie buduje model raz; inferencja to każde późniejsze jego użycie.
- Efektywność oznacza robienie tego samego mniejszym kosztem; wystarczalność to pytanie, czy zadanie w ogóle trzeba wykonywać za pomocą AI.
- PUE porównuje całkowite zużycie energii przez centrum danych z energią zużywaną przez jego komputery; 1,0 byłoby idealne.
- Efekt odbicia zachodzi wtedy, gdy efektywność sprawia, że coś staje się tańsze, i przez to zwiększa całkowite zużycie.
Zielona AI łączy informatykę, matematykę, inżynierię, energetykę i politykę publiczną, a każda z tych dziedzin ma własne słownictwo. Słowa takie jak „model”, „efektywność”, a nawet „AI” znaczą dla różnych ludzi co innego. Brytyjski sandpit o zielonej AI z 2026 roku (sandpit to intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty), w którym wzięli udział matematycy, informatycy i przedstawiciele przemysłu, wykazał, że uczestnicy najbardziej chcieli doprecyzować terminy podstawowe, dlatego ten słowniczek zaczyna od zera. Hasła są ułożone alfabetycznie. Hasła zachowują kolejność alfabetyczną wersji angielskiej, aby linki do nich działały we wszystkich językach. Jeśli brakuje potrzebnego hasła, prosimy dać nam znać.
AI agentowa (agentic AI)
AI, która sama wykonuje zadanie w kilku krokach, na przykład wyszukuje, pisze kod, uruchamia go i poprawia błędy, zamiast udzielić jednej odpowiedzi. Ponieważ każdy krok ponownie wykorzystuje model, AI agentowa może zużywać znacznie więcej tokenów niż czat, a agenci, którzy utkną w pętli, mogą wiele zmarnować. Więcej: AI agentowa i marnowanie tokenów.
AI
Skrót od angielskiego artificial intelligence, czyli sztuczna inteligencja: systemy komputerowe wykonujące zadania, które kojarzymy z ludzką inteligencją, takie jak rozpoznawanie obrazów, rozumienie języka czy przewidywanie. W potocznej mowie w 2026 roku „AI” oznacza zwykle duże modele generatywne, takie jak chatboty, ale termin obejmuje też znacznie mniejsze systemy, na przykład filtry antyspamowe i modele pogodowe, dlatego warto mówić, o które chodzi.
Kompetencje w zakresie AI (AI literacy)
Wiedza i umiejętności pozwalające rozsądnie rozumieć AI, korzystać z niej i ją oceniać: co potrafi, a czego nie, jak sprawdzać jej wyniki oraz jakie są jej koszty, w tym środowiskowe.
Różniczkowanie automatyczne
Technika, która pozwala komputerowi dokładnie obliczyć, jak wynik obliczenia zmienia się przy zmianie każdej danej wejściowej. Tak uczą się sieci neuronowe (gdzie nazywa się to propagacją wsteczną, backpropagation), a technikę tę stosuje się też do optymalizacji symulacji naukowych.
Test porównawczy (benchmark)
Standardowy test służący do uczciwego porównywania systemów, na przykład tego, jak trafnie modele odpowiadają na ten sam zestaw pytań lub ile energii zużywają przy tym samym zadaniu. Benchmarki są tyle warte, ile zadania i pomiary, które zawierają.
Obliczenia uwzględniające emisje (carbon-aware computing)
Uruchamianie zadań obliczeniowych w czasie lub miejscu, w którym energia elektryczna jest czystsza, na przykład odłożenie dużego przebiegu trenowania do chwili, gdy wieje wiatr. Sprawdza się przy pracy, która nie wymaga natychmiastowej odpowiedzi.
Emisyjność (carbon intensity)
Ilość dwutlenku węgla (lub ekwiwalentu gazów cieplarnianych) emitowana na jednostkę energii elektrycznej, zwykle w gramach CO₂e na kilowatogodzinę. Różni się w zależności od kraju i godziny, w zależności od tego, ile energii pochodzi z paliw kopalnych, a ile ze źródeł odnawialnych.
Centrum danych
Budynek pełen komputerów, pamięci masowych i sprzętu sieciowego, z zasilaniem i chłodzeniem, które utrzymują je w działaniu. Większość chatbotów AI działa w centrach danych, a nie na urządzeniu użytkownika.
Model dyfuzyjny
Rodzaj generatywnej AI, szeroko stosowany do obrazów i wideo, który uczy się krok po kroku zamieniać losowy szum w obraz. Duża liczba kroków pomaga wyjaśnić, dlaczego generowanie obrazów zużywa znacznie więcej energii niż krótki tekst.
Destylacja wiedzy
Trenowanie małego modelu „ucznia”, by naśladował duży model „nauczyciela”, tak aby mały model wykonywał zadanie niemal równie dobrze za ułamek kosztu obliczeniowego.
AI na brzegu sieci (edge AI)
AI działająca na urządzeniu, na którym są dane, lub w jego pobliżu, na przykład w telefonie, kamerze lub czujniku fabrycznym, a nie w odległym centrum danych. Może oszczędzać energię sieci i chronić prywatność, ale małe urządzenia pomnożone przez miliony też się sumują. Więcej: brzeg sieci czy chmura.
Efektywność
Uzyskanie tego samego użytecznego wyniku mniejszym nakładem: mniejszym zużyciem energii, czasu, wody lub sprzętu na zadanie. Efektywność jest niezbędna dla zielonej AI, ale sama nie wystarcza z powodu efektu odbicia.
Emisje wbudowane (embodied carbon)
Emisje związane z produkcją, transportem i ostatecznie utylizacją sprzętu, w odróżnieniu od jego eksploatacji. W przypadku AI obejmują produkcję układów scalonych, serwerów i budynków centrów danych.
Etykieta energetyczna
Prosta ocena pokazująca, ile energii zużywa produkt, jak etykiety od A do G na lodówkach w Europie. Kilka grup opracowuje odpowiedniki dla modeli AI, na przykład AI Energy Score od Hugging Face, a unijny akt w sprawie sztucznej inteligencji (AI Act) wymaga od dostawców modeli AI ogólnego przeznaczenia dokumentowania ich znanego lub szacowanego zużycia energii. Więcej: etykiety energetyczne dla AI.
Fine-tuning (dostrajanie)
Wzięcie już wytrenowanego modelu i dodatkowe trenowanie go na danych specjalistycznych, aby lepiej radził sobie z konkretnym zadaniem. Kosztuje znacznie mniej niż trenowanie od zera.
FLOPs
Operacje zmiennoprzecinkowe (floating-point operations): podstawowe kroki arytmetyczne (dodawanie i mnożenie liczb dziesiętnych) wykonywane przez komputer. Ich liczenie to popularny sposób szacowania, ile obliczeń potrzebuje model. FLOPS z wielkim S oznacza zwykle operacje na sekundę.
FPGA
Bezpośrednio programowalna macierz bramek (field-programmable gate array): układ scalony, którego obwody można przekonfigurować po wyprodukowaniu. Układy FPGA mogą być bardzo efektywne w konkretnym zadaniu i można je przeprogramować wraz ze zmianą modeli, ale programuje się je trudniej niż GPU.
Generatywna AI
AI, która tworzy nowe treści, takie jak tekst, obrazy, dźwięk, wideo lub kod, w odpowiedzi na polecenie. Chatboty i generatory obrazów to generatywna AI.
GPU
Procesor graficzny (graphics processing unit): układ pierwotnie zaprojektowany do grafiki komputerowej, który potrafi wykonywać wiele obliczeń jednocześnie. GPU to główny sprzęt do trenowania i uruchamiania współczesnej AI.
Zielona AI
AI rozwijana i używana w taki sposób, by jej ślad energetyczny, węglowy, wodny i materiałowy był jak najmniejszy, i stosowana tam, gdzie wnosi realną wartość. Obejmuje zarówno zwiększanie efektywności AI, jak i korzystanie z niej tylko tam, gdzie jest właściwym narzędziem. Więcej: czym jest zielona AI?.
Greenwashing
Wprowadzające w błąd twierdzenia, że produkt lub organizacja są lepsze dla środowiska, niż są w rzeczywistości. W UE dyrektywa (UE) 2024/825 zakazuje ogólnych deklaracji środowiskowych kierowanych do konsumentów, których nie da się udowodnić. Więcej: uczciwe deklaracje ekologiczne.
Inferencja (wnioskowanie)
Używanie wytrenowanego modelu do uzyskania wyniku, na przykład odpowiedzi na pytanie lub wygenerowania obrazu. Każdy prompt to inferencja, więc w przypadku popularnych narzędzi energia zużywana na inferencję rośnie przez cały czas, gdy model jest w użyciu.
Paradoks Jevonsa
Obserwacja ekonomisty Williama Stanleya Jevonsa z jego książki The Coal Question z 1865 roku, że bardziej efektywne maszyny parowe sprawiły, iż Wielka Brytania spalała więcej węgla, a nie mniej. To skrajny przypadek efektu odbicia, w którym efektywność zwiększa całkowite zużycie.
Pamięć podręczna KV (KV cache)
Skrót od key–value cache, czyli pamięci podręcznej kluczy i wartości. Gdy model językowy pisze odpowiedź token po tokenie, przechowuje wyniki pośrednie („klucze” i „wartości” z obliczeń mechanizmu uwagi), aby nie musieć liczyć ich od nowa na każdym kroku. Oszczędza to wiele obliczeń, ale zajmuje pamięć.
Duży model językowy
Model generatywnej AI wytrenowany na ogromnych ilościach tekstu, by przewidywać i tworzyć język, często w skrócie LLM (large language model). Większość chatbotów jest zbudowana na takim modelu.
Opóźnienie (latency)
Czas między zadaniem pytania a otrzymaniem odpowiedzi. Niektóre techniki zielonej AI wymieniają nieco większe opóźnienie na mniejsze zużycie energii, na przykład przez grupowanie zapytań lub czekanie na czystszą energię.
Błąd McNamary
Błąd polegający na traktowaniu tego, co łatwo zmierzyć, jako jedynej rzeczy, która się liczy, i pomijaniu tego, czego zmierzyć się nie da. W zielonej AI to przestroga przed ocenianiem systemów wyłącznie na podstawie wygodnych liczb przy pomijaniu szkód trudniejszych do policzenia, takich jak zużycie wody czy skutki społeczne.
Mieszana precyzja (mixed precision)
Wykonywanie części obliczeń z mniejszą liczbą cyfr precyzji niż pozostałych, tam gdzie nie szkodzi to wynikowi. Niższa precyzja zużywa mniej pamięci i energii.
Mixture of experts (MoE)
Architektura modelu złożona z wielu wyspecjalizowanych podsieci („ekspertów”), w której router kieruje każde wejście tylko do kilku z nich. Do każdej odpowiedzi wykorzystuje tylko część modelu, co oszczędza obliczenia, choć cały model musi być w pamięci i jest potrzebny podczas trenowania.
Model
W AI model to wytrenowany system, który zamienia dane wejściowe w wyniki: wyuczony zbiór liczb (parametrów) i struktura, która z nich korzysta. W nauce i inżynierii „model” może też oznaczać matematyczny opis systemu, na przykład model klimatu, dlatego warto mówić, o który chodzi.
Łączenie modeli (model merging, souping)
Łączenie dwóch lub więcej modeli, często przez uśrednienie ich parametrów, aby uzyskać jeden model z zaletami każdego z nich bez trenowania nowego od zera. Nazwy „model soups” użyli Wortsman i współpracownicy w 2022 roku.
System wieloagentowy
Zespół agentów AI, którzy współpracują lub przekazują sobie zadania. Mogą być bardzo skuteczni, ale jeśli utkną na rozmowie między sobą, mogą zużyć ogromne liczby tokenów bez żadnego użytecznego wyniku.
Model o otwartych wagach (open-weight)
Model, którego wytrenowane parametry (wagi) są opublikowane, tak aby każdy mógł go pobrać i uruchomić, nawet jeśli dane treningowe i kod nie są dostępne. Modele o otwartych wagach można uruchamiać lokalnie i dostosowywać, a ich zużycie energii można mierzyć niezależnie.
Orkiestracja
Koordynowanie kilku modeli, narzędzi lub gotowych komponentów w celu wykonania zadania, zamiast zlecać jednemu dużemu modelowi wygenerowanie wszystkiego. Więcej: orkiestracja zamiast generowania.
Parametry
Liczby wewnątrz modelu, które są dostrajane podczas trenowania i razem przechowują to, czego model się nauczył. Duże modele językowe mają ich miliardy; rodzina Llama 3.1 firmy Meta ma na przykład wersje z 8, 70 i 405 mld parametrów. Więcej parametrów oznacza zwykle więcej obliczeń na odpowiedź.
Sieć neuronowa uwzględniająca fizykę (physics-informed neural network)
Sieć neuronowa trenowana tak, by oprócz dopasowania do danych przestrzegała znanych praw fizyki, na przykład zasady zachowania energii. Wbudowanie tej wiedzy może oznaczać mniej danych, mniej parametrów i krótsze trenowanie.
Prompt (polecenie)
Polecenie lub pytanie, które człowiek przekazuje modelowi generatywnej AI. Jasne, konkretne prompty zwykle za pierwszym razem dają dobrą odpowiedź, co oszczędza i czas, i energię.
Przycinanie (pruning)
Usuwanie z wytrenowanego modelu tych części, na przykład pojedynczych wag lub całych połączeń, które niewiele wnoszą do wyniku. Przycięty model jest mniejszy i tańszy w działaniu, często przy niewielkiej utracie dokładności.
PUE
Współczynnik efektywności zużycia energii (power usage effectiveness): całkowite zużycie energii przez centrum danych podzielone przez energię zużywaną przez jego sprzęt obliczeniowy. PUE równe 1,0 oznaczałoby, że żadna energia nie idzie na chłodzenie ani straty zasilania; im niższe, tym lepiej. Typowe wartości i ich źródła: hosting i centra danych.
Kwantyzacja
Zapisywanie liczb modelu z mniejszą liczbą cyfr, na przykład jako liczb 8- lub 4-bitowych zamiast 16- lub 32-bitowych. Zmniejsza to model i ogranicza energię potrzebną do jego działania, zwykle przy niewielkiej utracie jakości.
Efekt odbicia (rebound effect)
Sytuacja, w której wzrost efektywności sprawia, że coś staje się tańsze lub łatwiejsze, więc ludzie używają tego więcej, a część oszczędności lub całość przepada. Jeśli użycie rośnie tak bardzo, że całkowite zużycie się zwiększa, jest to paradoks Jevonsa. Więcej: efektywność to nie wystarczalność.
Routing
Kierowanie każdego zapytania do najodpowiedniejszego modelu, na przykład małego, taniego modelu przy łatwych pytaniach i dużego tylko przy trudnych. Ważne jest właściwe ustawienie progu: zbyt mały model może zawieść i wymusić drugą, większą próbę.
Emisje z zakresów 1, 2 i 3
Trzy kategorie według Greenhouse Gas Protocol. Zakres 1 to emisje bezpośrednie ze źródeł, które organizacja posiada lub kontroluje; zakres 2 to emisje z kupowanej energii elektrycznej, ciepła lub chłodu; zakres 3 to wszystkie pozostałe emisje pośrednie w jej łańcuchu wartości, na przykład z produkcji kupowanego sprzętu.
Mały model językowy
Model językowy o stosunkowo niewielkiej liczbie parametrów, zaprojektowany do taniego działania, czasem na laptopie lub telefonie. W wąskich zadaniach dobrze dobrany mały model może dorównać znacznie większemu. Więcej: wybór właściwego modelu.
Emisyjność oprogramowania (software carbon intensity)
Metoda organizacji Green Software Foundation, opublikowana też jako norma ISO, służąca do obliczania emisji na jednostkę pracy wykonywanej przez oprogramowanie, na przykład na użytkownika lub na zapytanie.
Suwerenna AI
Zdolności w zakresie AI, takie jak modele, dane i infrastruktura obliczeniowa, które kraj lub region kontroluje sam, zamiast polegać na zagranicznych dostawcach. Rodzi to własne pytania o zrównoważony rozwój; więcej: suwerenna AI a zrównoważony rozwój.
Rzadkość (sparsity)
Sytuacja, w której wiele liczb w modelu lub wiele jego aktywacji dla danego wejścia to zera. Obliczenia mogą pomijać zera, więc rzadki model może działać znacznie taniej, jeśli sprzęt i oprogramowanie to obsługują.
Impulsowa sieć neuronowa (spiking neural network)
Sieć neuronowa, która podobnie jak mózg przekazuje informacje w postaci krótkich impulsów (spike'ów), a między nimi pozostaje w większości bezczynna. Na odpowiednim sprzęcie zapowiada bardzo niskie zużycie energii, zwłaszcza na brzegu sieci.
Wystarczalność (sufficiency)
Korzystanie z zasobu tylko w takim stopniu, jakiego naprawdę wymaga potrzeba, w tym pytanie, czy AI jest w ogóle potrzebna. To uzupełnienie efektywności: efektywność pyta „jak zrobić to mniejszym kosztem?”, a wystarczalność pyta „czy w ogóle musimy to robić?”.
Model zastępczy (surrogate model)
Szybki, przybliżony model wytrenowany, by zastępował powolne, kosztowne obliczenia, na przykład część symulacji klimatycznej lub inżynierskiej. Dobry model zastępczy może zaoszczędzić dużo energii, pod warunkiem że jego dokładność zostanie sprawdzona.
Zrównoważona AI
Szerokie określenie AI, którą można rozwijać i używać bez wyczerpywania zasobów, od których zależy, często obejmujące oprócz skutków środowiskowych także społeczne i ekonomiczne. Pokrywa się z pojęciem zielonej AI i oba terminy często stosuje się zamiennie.
Token
Fragment tekstu, który model językowy czyta i pisze, często część słowa. Według praktycznej reguły OpenAI dla języka angielskiego jeden token to około czterech znaków, czyli około trzech czwartych słowa; inne języki często potrzebują więcej tokenów, by wyrazić to samo. Więcej tokenów oznacza więcej obliczeń.
TPU
Jednostka przetwarzania tensorowego (tensor processing unit): układ zaprojektowany przez Google specjalnie do obliczeń stosowanych w uczeniu maszynowym.
Trenowanie
Budowanie modelu przez pokazywanie mu dużych ilości danych i wielokrotne dostrajanie jego parametrów, aby zmniejszyć liczbę błędów. Trenowanie dużego modelu może trwać miesiące na tysiącach układów; Meta podaje 39,3 mln godzin GPU na trenowanie rodziny Llama 3.1.
Kwantyfikacja niepewności
Określanie, na ile można ufać wynikowi modelu, na przykład przez podanie przedziału zamiast jednej liczby. Pomaga zdecydować, kiedy tańszy model jest wystarczająco dobry, a kiedy wynik wymaga sprawdzenia.
WUE
Współczynnik efektywności zużycia wody (water usage effectiveness): woda zużywana przez centrum danych na miejscu, w litrach, podzielona przez energię zużywaną przez jego sprzęt obliczeniowy, w kilowatogodzinach. Im niżej, tym lepiej, choć system chłodzenia oszczędzający wodę może zużywać więcej energii elektrycznej i odwrotnie.
Najczęściej zadawane pytania
Czym różni się zielona AI od zrównoważonej AI?
Terminy te są używane w sposób, który częściowo się pokrywa. Zielona AI skupia się zwykle na ograniczaniu energii, emisji, wody i materiałów zużywanych przez AI; zrównoważona AI ma często szerszy zakres i obejmuje też skutki społeczne i ekonomiczne oraz to, czy zasoby odnawiają się tak szybko, jak są zużywane.
Czym jest token w AI?
Token to fragment tekstu, który model językowy czyta lub pisze, często część słowa. Według praktycznej reguły OpenAI dla języka angielskiego jeden token to około czterech znaków, czyli trzy czwarte słowa.
Czym różni się trenowanie od inferencji?
Trenowanie to budowanie modelu przez uczenie się na danych, zwykle jednorazowo i dużym kosztem. Inferencja (wnioskowanie) to używanie gotowego modelu do odpowiedzi na pytanie lub stworzenia obrazu, co dzieje się za każdym razem, gdy ktoś go używa.
Źródła
- What are tokens and how to count them?, OpenAI Help Center (2025)
- Uptime Institute global data center survey 2025, Uptime Institute (2025)
- Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
- GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
- W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
- Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
- Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
- Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
- Software Carbon Intensity specification, Green Software Foundation (2024)
- ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
- Llama 3.1 8B model card, Meta (Hugging Face) (2024)