W skrócie
Tych dziewięć zajęć uczy o energetycznej i środowiskowej stronie AI z pomocą papieru, opublikowanych danych i dyskusji, dla uczniów w wieku mniej więcej od 9 do 18 lat. Każde ma przedział wiekowy, czas trwania, cele i potrzebne materiały, a żadne nie wymaga płatnego oprogramowania ani kont uczniów w narzędziach AI.
Najważniejsze punkty
- Każde zajęcia działają bez samodzielnego korzystania przez uczniów z narzędzi AI, co pozwala przestrzegać ograniczeń wiekowych ustalonych przez wiele narzędzi.
- Zajęcia z szacowania wykorzystują opublikowane przez Google i OpenAI dane na jeden prompt, cytowane wraz ze źródłem.
- Zajęcia pasują do istniejących treści z informatyki, przedmiotów przyrodniczych, geografii, matematyki i wiedzy o społeczeństwie i nie wymagają dodatkowych godzin w programie.
- Powiązania z programem nauczania są orientacyjne: należy je porównać z własnym krajowym lub regionalnym programem.
Jak korzystać z tych pomysłów?
Wystarczy wybrać jeden pomysł, dopasować czas do klasy i każdą liczbę podawać ze źródłem i rokiem. Wiedza potrzebna do każdych zajęć jest w przewodniku dla nauczycieli, a terminy wyjaśnia słowniczek. Żadne zajęcia nie wymagają, by uczniowie mieli konta w narzędziach AI.
Powiązania z programem nauczania podano na przykładzie Anglii (KS2 to wiek 7–11 lat, KS3 11–14, KS4 14–16). Są orientacyjne, a nie oficjalne; większość krajów ma odpowiednie wątki dotyczące systemów komputerowych, energii, zasobów naturalnych i odpowiedzialnego korzystania z technologii.
Pomysły na zajęcia
1. Ile energii zużywa nasza klasa na AI?
Wiek: 11–16 · Czas: 50 minut · Powiązania: przedmioty przyrodnicze KS3 (energia, moc, kWh, koszty paliw w domu); matematyka (szacowanie, jednostki); informatyka (wpływ technologii)
Cele: przeliczanie Wh na kWh i odwrotnie; wykonanie i uzasadnienie szacunku Fermiego; wyjaśnienie, dlaczego małe ilości się sumują.
Materiały: papier, kalkulatory, opublikowane dane podane poniżej.
Przebieg: uczniowie szacują, ile tekstowych promptów do AI klasa wysyła w ciągu tygodnia (sprawdza się anonimowe podnoszenie rąk). Na podstawie podanych przez Google 0,24 Wh na medianowy tekstowy prompt w Gemini i podanych przez OpenAI 0,34 Wh na przeciętne zapytanie do ChatGPT wyliczają przedział. Na przykład 30 uczniów × 10 promptów × 0,24–0,34 Wh daje mniej więcej 72–102 Wh tygodniowo. Następnie przeliczają to na całą szkołę, kraj i świat i porównują z urządzeniami, których moc znamionowa jest podana na tabliczce. Na koniec omawiają, czego te liczby nie uwzględniają: obrazów, wideo, trenowania i samych urządzeń.
2. Tokeny wyjaśnione na papierze
Wiek: 9–14 · Czas: 30 minut · Powiązania: informatyka KS2 i KS3 (jak reprezentowane są dane)
Cele: wyjaśnienie, czym jest token; wyjaśnienie, dlaczego dłuższy tekst oznacza więcej obliczeń.
Materiały: wydrukowane zdania, nożyczki, stoper.
Przebieg: uczniowie tną zdania na kawałki mniej więcej wielkości tokenów. Według praktycznej reguły OpenAI token to około czterech znaków, czyli trzy czwarte angielskiego słowa, więc długie słowa się dzielą. „Model” (jeden uczeń) musi przeczytać każdy kawałek, zanim doda jedno nowe słowo, a czas jest mierzony. Podwojenie zdania podwaja pracę. Starsi uczniowie mogą wypróbować na projektorze bezpłatną demonstrację tokenizera online i zauważyć, że nietypowe słowa i niektóre języki dzielą się na więcej kawałków.
3. Czy AI to właściwe narzędzie?
Wiek: 11–18 · Czas: 40–60 minut · Powiązania: informatyka KS3 i KS4 (odpowiedzialne korzystanie); wiedza o społeczeństwie
Cele: ważenie korzyści i kosztów technologii; argumentowanie na podstawie dowodów; zrozumienie wystarczalności.
Materiały: karty z zadaniami (na przykład: sprawdzić pisownię, napisać wierszyk urodzinowy, znaleźć stolicę Peru, streścić 40-stronicowy raport, wykryć raka skóry na zdjęciach, stworzyć 25 wersji logo).
Przebieg: w grupach uczniowie dzielą karty na „AI to najlepsze narzędzie”, „wystarczy coś prostszego” i „to zależy”, a potem bronią jednego wyboru przed klasą. Warto omówić, co znaczy „błahy” i kto o tym decyduje.
4. Gdzie powinno stanąć centrum danych?
Wiek: 11–16 · Czas: 60 minut · Powiązania: geografia KS3 (działalność gospodarcza i zasoby naturalne; oddziaływanie procesów społecznych i przyrodniczych; mapy i GIS)
Cele: rozpoznanie czynników decydujących o lokalizacji; ważenie kompromisów; korzystanie z map i danych.
Materiały: wydrukowane lub bezpłatne mapy online pokazujące wytwarzanie energii odnawialnej, rzeki, temperaturę, przyłącza do sieci elektroenergetycznej i miasta.
Przebieg: uczniowie wcielają się w komisję planistyczną, która wybiera spośród trzech fikcyjnych lokalizacji: chłodnej i wietrznej, ale odległej; w pobliżu miasta z niedoborem wody; obok farmy fotowoltaicznej w gorącym regionie. Każdą oceniają pod kątem zasilania, chłodzenia, wody, terenu, miejsc pracy i wpływu na okolicę. Jako prawdziwy przykład można wykorzystać Irlandię: centra danych zużyły w 2024 roku 22% opomiarowanej energii elektrycznej kraju, wobec 5% w 2015 roku (Central Statistics Office).
5. Gra o efektywności i efekcie odbicia
Wiek: 11–18 · Czas: 40 minut · Powiązania: informatyka KS4 (wpływ technologii); ekonomia; matematyka
Cele: wyjaśnienie efektu odbicia (rebound effect) i paradoksu Jevonsa.
Materiały: żetony lub pionki, prosta karta z zasadami.
Przebieg: każda drużyna ma stały „budżet energii” w żetonach. W każdej rundzie AI staje się dwa razy bardziej efektywna (zadanie kosztuje o połowę mniej żetonów), ale drużyny same decydują, ile zadań wykonać. W każdej rundzie zapisuje się całkowitą zużytą energię. Uczniowie zwykle odkrywają, że całkowite zużycie rośnie. Można nawiązać do ekonomisty Williama Stanleya Jevonsa, który w 1865 roku dowodził, że bardziej efektywne maszyny parowe zwiększą zużycie węgla, a nie je zmniejszą. Pytanie do klasy: jakie zasady utrzymałyby całkowite zużycie na niskim poziomie?
6. Tekst, obraz czy wideo?
Wiek: 13–18 · Czas: 40 minut · Powiązania: przedmioty przyrodnicze KS3 (energia); informatyka
Cele: porównanie energii zużywanej przez różne zadania AI; krytyczne odczytanie wyniku badań.
Materiały: wydrukowane dane podane poniżej.
Przebieg: nauczyciel przedstawia jeden wynik badań: w badaniu z 2024 roku wygenerowanie 1000 obrazów najmniej efektywnym z badanych modeli zużyło 11,49 kWh, tyle co 522 ładowania smartfona, podczas gdy najbardziej efektywny model tekstowy zużył na 1000 uruchomień tyle, co 9% jednego ładowania (Luccioni, Jernite i Strubell). Uczniowie omawiają, dlaczego obrazy kosztują więcej, co znaczy „najbardziej” i „najmniej efektywny” i jak zaprojektowaliby uczciwy test.
7. Projektowanie etykiety zielonej AI
Wiek: 9–16 · Czas: 50 minut · Powiązania: technika i projektowanie; informatyka; wiedza o społeczeństwie
Cele: zrozumienie etykiet energetycznych; decydowanie, które informacje są przydatne i uczciwe.
Materiały: przykłady etykiet energetycznych urządzeń i etykiet na żywności, papier, długopisy.
Przebieg: uczniowie projektują etykietę, która miałaby się pojawiać obok odpowiedzi AI lub aplikacji. Co powinna pokazywać: energię, wodę, emisje, miejsce wykonania obliczeń? Jak powstrzymać firmy przed składaniem wprowadzających w błąd deklaracji (greenwashing)? Starsi uczniowie mogą przeczytać artykuł etykiety energetyczne dla AI.
8. Prompt golf
Wiek: 13–18 · Czas: 30 minut · Powiązania: informatyka; język (zwięzłe pisanie)
Cele: pisanie jasnych, konkretnych instrukcji; powiązanie zwięzłości z efektywnością.
Materiały: papier; opcjonalnie jedna demonstracja AI prowadzona przez nauczyciela.
Przebieg: uczniowie przepisują długie, niejasne prośby na możliwie najkrótszy prompt, który nadal daje dokładnie to, co potrzebne (dla kogo, jaka długość, jaki format). Liczą słowa, a potem szacują tokeny. Nauczyciel może przetestować na żywo dwa najlepsze. Warto omówić, dlaczego jeden jasny prompt jest lepszy niż pięć prób.
9. Debata: czy kraj powinien zbudować własną zieloną AI?
Wiek: 15–18 · Czas: 60 minut · Powiązania: wiedza o społeczeństwie; polityka; informatyka
Cele: budowanie argumentów dotyczących polityki technologicznej; rozważenie suwerenności, kosztów, energii i sprawiedliwości.
Materiały: krótki materiał wprowadzający, na przykład artykuł suwerenna AI a zrównoważony rozwój.
Przebieg: teza debaty brzmi: „Zbudujemy krajową, publiczną usługę AI zasilaną energią odnawialną”. Drużyny przeciwstawiają równy dostęp i kontrolę nad danymi kosztom, energii, infrastrukturze i ryzyku politycznemu. Nad tym pytaniem debatowano podczas brytyjskiego sandpitu o zielonej AI w 2026 roku (sandpit to intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) z udziałem matematyków, informatyków i przedstawicieli przemysłu, a zdania były podzielone, co czyni je dobrym pytaniem otwartym.
Jak oceniać postępy?
Dobrze sprawdzają się krótkie odpowiedzi pisemne: „Wyjaśnij, dlaczego pojedynczy prompt zużywa mało energii, ale AI jako całość zużywa dużo” albo „Podaj jeden sposób, by korzystanie z AI było bardziej efektywne, i jeden, by było bardziej wystarczalne”. Warto zwracać uwagę na rozumowanie o skali i na obie strony zielonej AI.
Co dalej
- Wypróbować zajęcia 2 lub 3 w tym semestrze; żadne z nich nie wymaga technologii.
- Udostępnić stronę Zielona AI dla uczniów jako lekturę przed lekcją lub pracę domową.
- Przed lekcją sprawdzić fakty i częste nieporozumienia w przewodniku dla nauczycieli.
- Wypisać na tablicy kluczowe terminy ze słowniczka.
- Dać nam znać przez stronę kontaktową, jak poszły zajęcia, abyśmy mogli ulepszać te pomysły.
Najczęściej zadawane pytania
Czy te lekcje wymagają komputerów?
Większość nie wymaga żadnych. Kilka zajęć może opcjonalnie wykorzystać bezpłatną stronę internetową, na przykład demonstrację tokenizera lub mapę online, którą nauczyciel pokazuje na projektorze.
Od których zajęć zacząć?
Najszybsze są papierowe tokeny (zajęcia 2): 30 minut, bez technologii, a wyjaśniają, dlaczego dłuższe prompty i odpowiedzi wymagają więcej obliczeń. Zajęcia „Czy AI to właściwe narzędzie?” (zajęcia 3) dobrze sprawdzają się jako kontynuacja.
Czy są powiązane z podstawą programową?
Wspierają istniejące treści angielskich programów nauczania informatyki, przedmiotów przyrodniczych i geografii oraz podobne wątki w innych krajach, ale nie są materiałami oficjalnymi i nie są powiązane z żadnymi wymaganiami egzaminacyjnymi.
Źródła
- Measuring the environmental impact of delivering AI at Google scale, Google (arXiv:2508.15734) (2025)
- The Gentle Singularity, Sam Altman (OpenAI) (2025)
- What are tokens and how to count them?, OpenAI Help Center (2025)
- Energy and AI, International Energy Agency (2025)
- Data centres metered electricity consumption 2024, Central Statistics Office, Ireland (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (arXiv:2311.16863) (2024)
- The coal question (1865), summary and extracts, Yale University, Energy History (1865)
- National curriculum in England: computing programmes of study, Department for Education (2013)
- National curriculum in England: geography programmes of study, Department for Education (2013)
- National curriculum in England: science programmes of study, Department for Education (2013)
Powiązane
Zielona AI: przewodnik dla nauczycieli
Proste wprowadzenie do kosztu energetycznego, wodnego i węglowego AI: sprawdzone fakty do klasy ze źródłami, punkty polityki i częste nieporozumienia.
Zielona AI dla uczniów
Krótki, przyjazny przewodnik dla młodych ludzi: czym jest zielona AI, dlaczego AI zużywa energię i wodę, dobre nawyki i gdzie dowiedzieć się więcej.
Zielona AI dla szkół
Dlaczego koszt energetyczny, wodny i węglowy AI pasuje do lekcji informatyki, przyrody, geografii i WOS – z przewodnikami dla nauczycieli i uczniów.
Efektywność to nie wystarczalność: efekt odbicia w AI
Dlaczego większa efektywność AI nie gwarantuje mniejszego łącznego zużycia energii, czym jest efekt odbicia (paradoks Jevonsa) i co pomaga utrzymać realne oszczędności.