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
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
- 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)
- 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)
- arXiv, „Energy and Policy Considerations for Deep Learning in NLP”, 5 czerwca 2019. https://arxiv.org/abs/1906.02243 (dostęp 14 listopada 2026)
- arXiv, „Carbon Emissions and Large Neural Network Training”, 21 kwietnia 2021. https://arxiv.org/abs/2104.10350 (dostęp 14 listopada 2026)
- arXiv, „Measuring the environmental impact of delivering AI at Google Scale”, 21 sierpnia 2025. https://arxiv.org/abs/2508.15734 (dostęp 14 listopada 2026)
- 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)
- arXiv, „Sustainable AI: Environmental Implications, Challenges and Opportunities”, 30 października 2021. https://arxiv.org/abs/2111.00364 (dostęp 14 listopada 2026)
Zacytuj ten artykuł
Brain, „Energia i ślad węglowy AI: trenowanie czy użytkowanie”, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp270_pl_2026,
author = {Brain},
title = {Energia i ślad węglowy AI: trenowanie czy użytkowanie},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/pl/articles/ai-energia-trenowanie-inferencja/},
note = {CC BY 4.0}
}