# 如何报告我的 AI 研究的能耗？

> 论文中应写哪些算力和能耗信息：硬件、所有运行的 GPU 小时数、能耗、地点、碳排放、推理成本以及所用的边界。

Source: https://greenai.guide/zh/如何/如何报告我的-ai-研究的能耗/  
Updated: 2026-11-19

## 简而言之

报告硬件；所有运行（包括调参和失败运行）的 GPU 小时数；以 kWh 计的能耗及所用工具；地点和电网碳强度；以 kg CO₂e 计的排放；以及在注明批次大小下的推理能耗。说明边界包括哪些内容，以及这些数字有多大的不确定性。如果边做边测，例如使用 CodeCarbon 之类的工具，这就只是填一张表，而不是事后重建。

## Steps

1. 从项目一开始就记录每一次运行的能耗，而不仅仅是最终运行。
2. 用一张标准表格报告硬件、GPU 小时数、能耗、地点、电网碳强度和排放。
3. 给出在注明的批次大小和序列长度下，每 1,000 次请求的推理能耗。
4. 说明边界，包括是否计入数据中心的额外开销。
5. 在最佳分数之外，同时报告相对于算力的结果，例如每 kWh 的准确率。

**把算力和能耗作为标准结果来报告，而不是写在脚注里。** 没有这些信息，效率方面的说法就无法核实，读者也无从判断一点点准确率的提升是否耗费了十倍的能源。

这一主张很早就有人提出：Strubell、Ganesh 和 McCallum 在 2019 年量化了训练多个语言模型的经济成本和环境成本，Schwartz 及其同事则在《Green AI》一文中主张在报告准确率的同时报告效率。

## 表格应包括哪些内容？ {#what-should-the-table-include}

| 项目 | 示例 |
|---|---|
| 硬件 | GPU 型号和数量、CPU、内存 |
| 运行时间 | 最终运行**以及**所有调参和失败运行的 GPU 小时数 |
| 能耗 | kWh，实测或估算，并注明工具及其版本 |
| 地点 | 国家或电网区域，以及所用的碳强度 |
| 排放 | kg CO₂e |
| 推理 | 在注明的批次大小和序列长度下，每 1,000 次请求的能耗 |
| 边界 | 是否包括冷却和数据中心额外开销（PUE） |

如果您发布模型，请把这些数字填入 Hugging Face 模型卡的 `co2_eq_emissions` 字段。

## 常见错误 {#common-mistakes}

- **只报告获胜的那次运行。** 其背后的搜索过程通常占了大部分能耗。
- **不给出不确定性。** 基于功率模型的估算可能与电表实测值不同；请给出一个范围。
- **略去负面结果。** 一种没有奏效的效率方法，可以让别人免于重复尝试。

Lannelongue 及其同事提出的 GREENER 原则为研究团队和机构提供了更广泛的框架。请参阅[研究人员指南](/zh/指南/面向研究人员的绿色-ai/)和[如何测量 AI 能耗](/zh/良好实践/如何测量-ai-的能耗和碳排放/)。

## 来源

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
