Wyścig o stworzenie modeli AI, które potrafią „myśleć” jak człowiek, generuje astronomiczne zużycie energii. Najnowsze badanie AI Energy Score pokazuje, że modele wnioskowania pobierają średnio aż stukrotnie więcej energii niż standardowe systemy.
Badanie przeprowadzili Sasha Luccioni, naukowczyni badawcza Hugging Face i Boris Gamazaychikov, szef ds. zrównoważonego rozwoju AI w Salesforce.
W artykule
Gdy AI zaczyna „rozumować”, liczniki energii wariują
Badacze przetestowali 40 otwartych modeli, w tym systemy OpenAI, Google, Microsoftu i chińskiego DeepSeek. Każdy model działał na identycznym sprzęcie i otrzymał te same polecenia. Od banalnych pytań sportowych po złożone zadania matematyczne. Zużycie energii monitorowano narzędziem CodeCarbon, dzięki czemu dało się dokładnie odtworzyć koszt energetyczny generowania odpowiedzi.
Wyniki AI Energy Score drastyczne. Uproszczona wersja modelu DeepSeek R1 przy wyłączonym trybie rozumowania zużywała zaledwie 50 watogodzin (Wh), czyli tyle, ile 50-watowa żarówka świecąca przez godzinę. Włączenie rozumowania zmieniało jednak wszystko. Ten sam model potrzebował aż 308 186 Wh – ponad sześciotysięczny wzrost.
Podobnie w przypadku modeli Microsoftu: Phi-4 „bez rozumowania” zużywał 18 Wh, a z aktywnym trybem już 9462 Wh. Nawet modele OpenAI, choć nie tak ekstremalne, nadal generowały ogromne różnice. Od 313 Wh przy niskim poziomie rozumowania do ponad 8500 Wh przy najwyższym.
Dlaczego tak się dzieje? Modele rozumujące produkują znacznie dłuższe, analityczne teksty. Każdy dodatkowy token to obliczenia, a każde obliczenie to kolejny impuls energetyczny. W skali jednostkowego zapytania to drobiazg, ale w skali globalnego wykorzystania – poważne obciążenie.
Centra danych na granicy wydolności według analizy AI Energy Score
Problem nie jest teoretyczny. Globalna infrastruktura energetyczna już dziś zaczyna się uginać pod naciskiem ekspansji AI. Analiza Bloomberga pokazuje, że w regionach sąsiadujących z największymi centrami danych hurtowe ceny energii skoczyły w pięć lat nawet o 267%. Międzynarodowa Agencja Energetyczna podaje, że zużycie energii przez centra danych niemal się podwoi do 2030 roku. A te pracujące głównie na potrzeby AI wzrosną ponad czterokrotnie.
Coraz częściej mówi się o tym, że największe firmy technologiczne mogą nie osiągnąć swoich celów klimatycznych. Wszystko dlatego, że skala zapotrzebowania na energię rośnie szybciej, niż rozwija się zeroemisyjna infrastruktura.
Satya Nadella, CEO Microsoftu, stwierdził ostatnio, że branża będzie musiała „zasłużyć na społeczną zgodę na zużywanie energii”, pokazując realne korzyści gospodarcze i społeczne wynikające z rozwoju sztucznej inteligencji. To rzadkie, ale symboliczne przyznanie, że energetyczna strona AI staje się problemem, którego nie można dłużej marginalizować.
Przeczytaj także: ONZ ostrzega: sztuczna inteligencja grozi „Kolejną Wielką Dywergencją”. Bez pilnych działań pogłębią się nierówności
Branża chętnie inwestuje w rozumowanie, ale czy pamięta o kosztach?
Model o1, czyli pierwszy głośny system wnioskowania od OpenAI, zapoczątkował modę na „myślące” modele. W przeciwieństwie do dotychczasowych narzędzi, które odpowiadały natychmiast, o1 analizował polecenia dłużej. Generował w efekcie uzasadnione, wieloetapowe wnioski. Po nim podobne systemy zaczęły wprowadzać firmy z całej branży. W efekcie rozumowanie staje się nowym standardem, nawet jeśli użytkownik nie zawsze go potrzebuje.
Tyle że wraz z możliwościami rośnie też koszt energetyczny. I to w tempie, którego nikt nie zakładał kilka lat temu.
Badacze w analizie AI Energy Score podkreślają, że firmy często nie mają świadomości, z jak energochłonnych narzędzi korzystają. Brakuje przejrzystości, a wielu integratorów AI nie analizuje śladu węglowego wykorzystywanych modeli. W efekcie na zapleczu biznesowych wdrożeń powstaje problem, który pozostaje niewidoczny dla użytkowników, a odczuwalny dla sieci energetycznych.
Czy każde zapytanie potrzebuje rozbudowanego modelu?
Sasha Luccioni zwraca uwagę, że branża powinna zacząć traktować zużycie energii jako kryterium wyboru modelu. Tak samo jak koszt, szybkość czy dokładność. Nie każdy prompt wymaga zaawansowanego modelu rozumującego. Proste pytania mogą obsługiwać lekkie systemy, a jedynie realnie złożone zadania powinny uruchamiać modele generujące długie, analityczne wywody.
Badacze sugerują stworzenie ustandaryzowanego oznaczenia energochłonności modeli – w stylu etykiety Energy Star. Tylko w ten sposób użytkownicy i firmy mogliby świadomie wybierać narzędzia, które nie obciążają infrastruktury ponad miarę.
Przeczytaj także: Sztuczna inteligencja w edukacji: między „trucizną poznawczą” a przełomem
AI Energy Score – energia jako najważniejszy temat przyszłości AI
Według badania większość firm nie monitoruje zużycia energii przez wykorzystywane modele, co prowadzi do błędnego koła:
- Modele są coraz większe i bardziej energochłonne.
- Konsumenci i korporacje korzystają z nich bezrefleksyjnie.
- Centra danych rosną szybciej niż możliwości sieci.
- Sektor energetyczny nie nadąża z transformacją.
To poważny problem, który będzie tylko eskalował. Według IEA już w 2030 roku centra danych mogą zużywać więcej energii niż cała Japonia dziś. Wnioski z raportu AI Energy Score są jasne –
energochłonność modeli rozumowania nie jest pobocznym kosztem, to fundamentalne wyzwanie dla przyszłości AI.
Dlatego kolejnym krokiem jest nie tylko budowanie coraz potężniejszych modeli, ale także tworzenie narzędzi efektywnych i świadomie wykorzystywanych. Branża zaczyna dostrzegać, że wyścig o potężniejszą sztuczną inteligencję nie może odbywać się kosztem stabilności energetycznej całego świata.
Porozmawiaj z nami o sztucznej inteligencji
Dołącz do grupy "AI Business" na Facebooku
Polecamy e-book o AI
AI w marketingu – jak zwiększyć sprzedaż i zaangażowanie klientów?
Test Turinga: Czy AI jest już inteligentniejsze od człowieka?