Cyberpediaod Brain

Energia i ślad węglowy AI: trenowanie czy użytkowanie

Trenowanie modelu AI i korzystanie z niego zużywają energię w dwóch momentach. Rzędy wielkości z badań i nawyki rozsądnego użycia.

Na tej stronie
  1. 1W 30 sekund
  2. 2O co chodzi
  3. 3Pytania wprost
  4. 4Jak to działa
  5. 5Co robić
  6. 6Pułapki
  7. 7Źródła
  8. 8Zacytuj ten artykuł

W 30 sekund

Gdzie to się zdarza
Przy każdym pytaniu zadanym asystentowi AI[1] oraz wcześniej, podczas trenowania modeli, które wymaga znacznych zasobów obliczeniowych i energii[2].
Co pokazują pomiary
Mediana zapytania tekstowego w Gemini Apps zużywa 0,24 Wh według Google[1]; końcowe trenowanie BLOOM wyemitowało według jego autorów około 24,7 tony ekwiwalentu CO2 (tylko moc dynamiczna), a przy uwzględnieniu wszystkich procesów 50,5 tony[2].
Odruch
Wybierać model odpowiedni do zadania i unikać zbędnych zapytań.

O co chodzi

Model AI zużywa energię w dwóch momentach: podczas trenowania, a potem za każdym razem, gdy ktoś z niego korzysta. Drugi moment ma swoją nazwę, inferencja: użycie już wytrenowanego modelu do tworzenia prognoz, tekstu lub obrazów[1].

Ten artykuł podaje rzędy wielkości z opublikowanych badań. To szacunki, a liczby bardzo się różnią w zależności od badania. Kończy się nawykami, które pracownik może przyjąć na co dzień.

Pytania wprost

Co nazywa się trenowaniem?

To faza, w której model jest budowany. Autorzy badania o BLOOM, modelu językowym o 176 miliardach parametrów, piszą, że trenowanie modeli wymaga znacznych zasobów obliczeniowych, energii i materiałów[2]. W przypadku BLOOM szacują, że końcowe trenowanie wyemitowało około 24,7 tony ekwiwalentu CO2, jeśli liczyć tylko zużycie energii dynamicznej, i 50,5 tony, jeśli liczyć wszystkie procesy, od produkcji sprzętu po zużycie energii[2].

Już w 2019 roku badacze oszacowali przybliżony koszt finansowy i środowiskowy trenowania kilku modeli przetwarzania języka. Według nich wzrost dokładności tych modeli zależy od wyjątkowych zasobów obliczeniowych, które wymagają równie dużego zużycia energii[3].

Co nazywa się inferencją?

To moment, w którym wytrenowany model odpowiada na zapytanie[1]. Badanie o BLOOM analizuje też energię i emisje związane z jego wdrożeniem: model odbiera zapytania użytkowników w czasie rzeczywistym przez interfejs dostępowy (API)[2].

Ile zużywa jedno zapytanie?

To zależy od metody pomiaru, modelu i firmy. Google szacuje, że mediana zapytania tekstowego w Gemini Apps zużywa 0,24 Wh, emituje 0,03 gCO2e i zużywa 0,26 mL wody, czyli około pięciu kropli[1]. Według Google energia na jedno zapytanie odpowiada mniej niż dziewięciu sekundom oglądania telewizji[1]. Te liczby opierają się na jednorazowej analizie danych z maja 2025 roku; Google zaznacza, że nie odzwierciedlają wpływu wszystkich zapytań tekstowych w Gemini Apps i nie przesądzają o przyszłych wynikach[1].

Inny zespół porównał 30 modeli w komercyjnych centrach danych. Wynika z tego, że krótkie zapytanie o 0,42 Wh, pomnożone przez 700 milionów zapytań dziennie, daje roczne zużycie energii elektrycznej porównywalne z zużyciem 35 000 amerykańskich gospodarstw domowych[6]. W jego wynikach najbardziej energochłonne modele przekraczają 29 Wh przy długim zapytaniu, czyli ponad 65 razy więcej niż najbardziej efektywne systemy[6].

Dlaczego liczby tak bardzo się różnią?

Z badań wyłaniają się cztery czynniki.

  • Metoda obliczeń. Google liczy moc akceleratorów w działaniu, ale także nieaktywne maszyny, które pozostają w gotowości na szczyty ruchu, procesor i pamięć serwerów oraz zużycie centrów danych (chłodzenie, dystrybucja energii elektrycznej)[1]. Licząc tylko aktywne TPU i GPU, Google otrzymuje 0,10 Wh dla mediany zapytania i uznaje tę liczbę za optymistyczną i bardzo zaniżoną w stosunku do rzeczywistego śladu[1].
  • Miejsce. Przy trenowaniu udział energii bezemisyjnej i emisje w ekwiwalencie CO2 różnią się około 5 do 10 razy, nawet w obrębie jednego kraju i jednej organizacji[4].
  • Centrum danych i procesor. Centra danych w chmurze mogą być około 1,4 do 2 razy bardziej energooszczędne niż typowe centra danych, a akceleratory dedykowane machine learning około 2 do 5 razy bardziej efektywne niż systemy dostępne w sprzedaży[4].
  • Typ modelu. Bardzo duże sieci neuronowe z częściową aktywacją mogą zużywać mniej niż jedną dziesiątą energii sieci gęstych, bez utraty dokładności[4].

Autorzy ostatniego z tych badań szacują, że wybór sieci, centrum danych i procesora może zmniejszyć ślad węglowy nawet około 100 do 1 000 razy[4]. Dodają, że te różnice utrudniają szacunki sporządzane po fakcie[4].

Jak to działa

Ślad AI nie ogranicza się do energii elektrycznej zużywanej przez układy. Badacze przeanalizowali cykl rozwoju modeli w przemysłowych zastosowaniach oraz cykl życia sprzętu: liczą ślad węglowy eksploatacji i produkcji[7].

Po stronie inferencji Google opisuje kilka dźwigni efektywności dla Gemini. Architektury typu Mixture-of-Experts uruchamiają tylko niewielką część dużego modelu, by odpowiedzieć na zapytanie, co według Google zmniejsza obliczenia i transfery danych 10 do 100 razy[1]. Destylacja tworzy mniejsze modele (Gemini Flash i Flash-Lite) na podstawie większych[1]. Google podaje średni PUE równy 1,09 dla wszystkich swoich centrów danych; ten wskaźnik mierzy energię zużywaną przez infrastrukturę wokół sprzętu informatycznego[1].

Według Google w ciągu dwunastu miesięcy energia i całkowity ślad węglowy mediany zapytania w Gemini Apps zmniejszyły się 33 i 44 razy[1]. Google zaznacza, że to porównanie dotyczy maja 2024 i maja 2025 roku oraz że dane nie zostały zweryfikowane przez niezależną stronę trzecią[1].

Co robić

  • Wybierać model odpowiednio do zadania. W badaniu 30 modeli różnica między najbardziej energochłonnymi a najbardziej efektywnymi przekracza 65 razy przy długim zapytaniu[6]. Sam Google proponuje mniejsze modele do obsługi zapytań[1].
  • Unikać zbędnych zapytań. Krótkie zapytanie o 0,42 Wh wydaje się pomijalne, ale pomnożone przez 700 milionów zapytań dziennie odpowiada według tego zespołu rocznemu zużyciu energii elektrycznej 35 000 amerykańskich gospodarstw domowych[6]. Zespół opisuje paradoks: gdy AI staje się tańsza i szybsza, jej globalne przyjęcie powoduje nieproporcjonalne zużycie zasobów[6].
  • Pamiętać o rzędach wielkości, nie podając ich jako pewników: zależą od badania, modelu i miejsca.

Pułapki

  • Porównywać liczby uzyskane różnymi metodami. Liczba 0,24 Wh od Google obejmuje nieaktywne maszyny i energię centrów danych, czego według Google nie uwzględnia wiele obecnych obliczeń[1]. Autorzy badania Google mówią też, że przed ich badaniem żadne nie mierzyło tych wskaźników usługi AI w środowisku produkcyjnym[5].
  • Brać liczbę od Google za wartość niezależną. Google zaznacza, że porównanie między majem 2024 a majem 2025 (spadek 33 i 44 razy) nie zostało zweryfikowane przez niezależną stronę trzecią[1].
  • Wierzyć, że jedna liczba obowiązuje dla wszystkich modeli. Google zaznacza, że energia mediany zapytania może się zmienić, gdy dodawane są nowe modele, gdy zmienia się architektura i gdy zmienia się zachowanie użytkowników[1].
  • Zapominać o trenowaniu. Autorzy badania z 2021 roku uważają, że energia i emisje powinny znaleźć się wśród wskaźników oceny modeli[4].

Źródła

  1. Google, „How much energy does Google’s AI use? We did the math”, 21 sierpnia 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (dostęp 14 listopada 2026)
  2. arXiv, „Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model”, 3 listopada 2022. https://arxiv.org/abs/2211.02001 (dostęp 14 listopada 2026)
  3. arXiv, „Energy and Policy Considerations for Deep Learning in NLP”, 5 czerwca 2019. https://arxiv.org/abs/1906.02243 (dostęp 14 listopada 2026)
  4. arXiv, „Carbon Emissions and Large Neural Network Training”, 21 kwietnia 2021. https://arxiv.org/abs/2104.10350 (dostęp 14 listopada 2026)
  5. arXiv, „Measuring the environmental impact of delivering AI at Google Scale”, 21 sierpnia 2025. https://arxiv.org/abs/2508.15734 (dostęp 14 listopada 2026)
  6. arXiv, „How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference”, 14 maja 2025. https://arxiv.org/abs/2505.09598 (dostęp 14 listopada 2026)
  7. arXiv, „Sustainable AI: Environmental Implications, Challenges and Opportunities”, 30 października 2021. https://arxiv.org/abs/2111.00364 (dostęp 14 listopada 2026)