Ile prądu zużywa sztuczna inteligencja: liczby dla centrów danych i modeli
Zużycie energii przez sztuczną inteligencję rozkłada się na dwa różne etapy, które łatwo pomylić. Pierwszy to trenowanie modelu, czyli jednorazowy proces przetwarzania ogromnych zbiorów danych. Drugi to wnioskowanie, czyli każde zapytanie wysłane już po wdrożeniu modelu, powtarzane miliony razy dziennie. Trening pochłania więcej mocy w krótkim czasie, ale to wnioskowanie odpowiada za przeważającą część całkowitego zużycia w skali roku, ponieważ trwa nieprzerwanie.
Skala zależy od architektury modelu i sprzętu. Duże modele językowe wymagają tysięcy akceleratorów pracujących równolegle przez wiele tygodni, a pojedyncze urządzenie pobiera moc rzędu kilkuset watów do kilowatów. Serwerownia mieszcząca takie układy potrzebuje dodatkowej energii na chłodzenie, która w większości instalacji sięga od kilkunastu do kilkudziesięciu procent poboru obliczeniowego. Im gęściej upakowane są układy, tym większy udział chłodzenia w rachunku.
Pojedyncze zapytanie do modelu językowego zużywa niewiele energii, ale różnica między modelami jest wyraźna. Model rozumujący, który generuje długi łańcuch kroków przed odpowiedzią, pobiera wielokrotnie więcej mocy niż model odpowiadający jednym zdaniem. Poniższe zestawienie porządkuje główne źródła poboru w centrum danych przystosowanym do pracy z AI.
| Element centrum danych | Co pobiera energię | Udział w całkowitym zużyciu |
|---|---|---|
| Akceleratory i serwery | Obliczenia treningowe i wnioskowanie | Największy, zwykle ponad połowa |
| Chłodzenie | Odprowadzanie ciepła z układów | Od kilkunastu do kilkudziesięciu procent |
| Zasilanie i straty | Transformatory, zasilacze, UPS | Kilka procent |
| Oświetlenie i zaplecze | Infrastruktura pomocnicza hali | Marginalny |
Podane przedziały zależą od lokalizacji i technologii chłodzenia. Instalacje wykorzystujące ciecz zamiast powietrza ograniczają straty na wentylatorach, a centra w chłodnym klimacie oddają ciepło otoczeniu taniej niż w strefie gorącej. Bez pomiaru wskaźnika efektywności energetycznej obiektu żadna wartość nie jest wiarygodna, dlatego operatorzy raportują zużycie w odniesieniu do mocy obliczeniowej, a nie do liczby serwerów.
Skąd bierze się ślad węglowy AI: energia, woda i emisje w cyklu życia
Rozmowa z modelem językowym uruchamia proces, który zaczyna się w kopalni lub elektrowni, a kończy w chłodnicy serwerowni. Każde zapytanie trafia do serwera w centrum danych, gdzie procesor graficzny lub wyspecjalizowany układ obliczeniowy przetwarza je przez kilka sekund, pobierając przy tym energię elektryczną. Ta energia pochodzi z sieci, w której udział paliw kopalnych zależy od kraju i godziny. Ślad węglowy AI to suma emisji z wytwarzania prądu, zużycia wody w chłodzeniu oraz produkcji i utylizacji sprzętu, nie zaś wyłącznie emisja z samego serwera.
Energia elektryczna odpowiada za największą część emisji pośrednich. Węglonośność sieci zmienia się w ciągu doby: wieczorem, gdy fotowoltaika przestaje pracować, a zapotrzebowanie rośnie, każda kilowatogodzina zużyta przez centrum danych generuje więcej dwutlenku węgla niż w południe. Model trenowany przez wiele dni pracuje przy stałym obciążeniu, więc jego emisje zależą od miksu energetycznego regionu, w którym stoi serwerownia. Operatorzy coraz częściej przenoszą obliczenia do lokalizacji z dużą podażą energii odnawialnej albo planują zadania na godziny niskiej emisji.
Woda pojawia się w rachunku, bo większość centrów danych chłodzi serwery, odparowując wodę w wieżach chłodniczych lub przepuszczając ją przez wymienniki. Zużycie zależy od klimatu, konstrukcji chłodzenia i temperatury pracy układów. Chłodzenie cieczą zamkniętą w obiegu ogranicza parowanie, ale wymaga dodatkowej infrastruktury i energii na pompy. W regionach dotkniętych suszą pobór wody przez serwerownię budzi sprzeciw lokalnych społeczności, nawet gdy sama energia pochodzi ze źródeł niskemisyjnych.
Cykl życia sprzętu dopełnia obraz. Produkcja akceleratorów wymaga rzadkich metali i energii w fabrykach, a serwer pracuje kilka lat, zanim trafi do utylizacji. Jeśli ktoś porównuje dwa modele wyłącznie po zużyciu prądu na zapytanie, pomija emisje związane z wydobyciem surowców i transportem podzespołów. Pełny bilans wymaga zatem danych o energii, wodzie i sprzęcie jednocześnie, a te rzadko są publikowane w rozbiciu na poszczególne usługi.
Chłodzenie i zasilanie centrów danych AI: gdzie powstają straty
Największe straty energii w centrum danych nie wynikają z samych obliczeń, lecz z konieczności odprowadzenia ciepła, które one wytwarzają. Serwery przetwarzają prąd na pracę i ciepło, a im gęstsze upakowanie układów scalonych, tym trudniej rozproszyć to ciepło bez dodatkowego nakładu energii. Systemy chłodzenia odpowiadają często za znaczną część całkowitego zużycia prądu w obiekcie, choć ich udział zależy od lokalizacji, konstrukcji budynku i przyjętej technologii.
Tradycyjne chłodzenie powietrzem wymusza duże przepływy powietrza przez wentylatory i jednostki klimatyzacyjne, a każdy stopień obniżenia temperatury w kanale zwiększa zapotrzebowanie sprężarek. Chłodzenie cieczą, kierowane bezpośrednio do płyt lub zamkniętych szaf, przenosi ciepło skuteczniej, ponieważ woda odbiera więcej energii na jednostkę objętości niż powietrze. Wyższa sprawność odbioru ciepła przekłada się na mniejszą pracę wentylatorów i pomp, choć instalacja wymaga własnego zasilania oraz kontroli szczelności.
Straty powstają również na drodze zasilania. Transformatory, zasilacze bezprzerwowe i rozdział prądu do szaf wprowadzają straty cieplne, które same zwiększają obciążenie chłodzenia. Rozproszenie serwerów na dużej powierzchni wydłuża kanały dystrybucji i sprzyja mieszaniu się strumieni powietrza o różnej temperaturze, co obniża efektywność wymiany. Zagęszczenie mocy w mniejszej liczbie szaf ułatwia odseparowanie zimnych i ciepłych stref.
- Zwiększenie temperatury zasilania chłodziwa lub powietrza obniża pracę agregatów, jeśli sprzęt pracuje w dopuszczalnym zakresie.
- Odzysk ciepła odpadowego do ogrzewania budynków lub wody ogranicza ilość energii wyrzucanej do atmosfery.
- Chłodzenie swobodne, wykorzystujące chłodniejsze powietrze zewnętrzne, zmniejsza zużycie sprężarek w chłodniejszych porach roku.
- Monitoring poboru mocy na poziomie pojedynczej szafy pozwala wykryć miejsca, gdzie straty rosną ponad przyjętą normę.
- Regularna konserwacja filtrów i wymienników ciepła zapobiega spadkowi wydajności, który podnosi zapotrzebowanie na energię.
Skuteczność tych rozwiązań zależy od warunków zewnętrznych i sposobu eksploatacji. Wysoka temperatura otoczenia ogranicza korzyści z chłodzenia swobodnego, a nieprawidłowo zaprojektowany obieg cieczy zwiększa ryzyko przestojów. Pomiar zużycia energii na poziomie całego obiektu oraz w podziale na chłodzenie i zasilanie pozwala ustalić, gdzie straty są największe i które działania przynoszą wymierny efekt.
Jak ograniczać zużycie energii przez AI: audyt, efektywne modele i zarządzanie obciążeniem
Punktem wyjścia do ograniczania zużycia energii jest pomiar na poziomie pojedynczego zadania, nie całego obiektu. Rachunek za prąd dla serwerowni pokazuje sumę, w której mieszają się chłodzenie, straty zasilania i praca procesorów. Dopiero rozdzielenie tych składników pozwala wskazać, gdzie oszczędność przyniesie efekt, a gdzie jedynie przeniesie koszt w inne miejsce.
Audyt warto prowadzić równolegle w dwóch warstwach: sprzętowej i programowej. W warstwie sprzętowej liczy się wykorzystanie procesorów graficznych w czasie oraz temperatura nawiewu i powrotu powietrza w chłodzeniu. W warstwie programowej kluczowe jest rozbicie zużycia na etap uczenia i etap wnioskowania, ponieważ odpowiadają za nie różne wzorce obciążenia. Uczenie angażuje wszystkie karty na długo, wnioskowanie pracuje krótkimi zrywami i wtedy liczy się czas bezczynności, nie szczytowa moc.
Dobór modelu do zadania zmniejsza zużycie bez utraty jakości odpowiedzi. Model mniejszy, dostrojony do wąskiej dziedziny, często osiąga wynik zbliżony do modelu ogólnego przy niższym koszcie obliczeń. Techniki kompresji, takie jak kwantyzacja, obniżają precyzję wag i tym samym zapotrzebowanie na pamięć oraz energię, o ile nie pogorszą trafności poniżej progu akceptowanego w danym zastosowaniu.
- Zmierz zużycie energii na pojedyncze zapytanie i porównaj je między wersjami modelu.
- Zastąp model ogólny mniejszym modelem dostrojonym, jeśli trafność pozostaje wystarczająca.
- Zastosuj kwantyzację i sprawdź, przy jakim progu spada jakość odpowiedzi.
- Grupuj zapytania w partie, aby karty pracowały z wyższym wykorzystaniem zamiast stać w gotowości.
- Wyłączaj nieużywane zasoby i przenoś zadania wsadowe na godziny niższego obciążenia sieci.
Zarządzanie obciążeniem domyka całość, bo harmonogram zadań rozłożony w czasie pozwala korzystać z tańszej i czystszej energii w godzinach, gdy w sieci przeważa produkcja odnawialna. Elastyczne zadania, na przykład przetwarzanie dużych zbiorów danych, można przesuwać bez szkody dla użytkownika. Sztywne terminy wymagają rezerwy mocy, która przez resztę doby pozostaje niewykorzystana.
Zielona energia i lokalizacja centrów danych: kryteria wyboru dostawcy i regionu
Deklaracja operatora, że zasila serwerownię energią odnawialną, niewiele mówi o rzeczywistym obciążeniu środowiska. Rozróżnienie między energią kupowaną na papierze a dostarczaną fizycznie do obiektu wyznacza pierwsze kryterium oceny dostawcy. Umowa na tak zwane gwarancje pochodzenia pozwala operatorowi wykazać zakup zielonej energii, choć elektrony w sieci mogą pochodzić z elektrowni węglowej pracującej w tym samym regionie.
Drugie kryterium dotyczy profilu czasowego poboru. Centra danych pracują ze stałym obciążeniem przez całą dobę, a fotowoltaika szczytuje w południe, gdy serwerownia nie potrzebuje dodatkowej mocy. Dostawca, który zestawia zużycie godzinowe z produkcją odnawialną, ogranicza zapotrzebowanie na magazyny i rezerwę gazową. Trzecie kryterium wiąże się z emisją w cyklu życia: panel i turbina też powstają z materiałów obciążających klimat, dlatego sam bilans zakupu nie zamyka rachunku.
Wybór regionu waży więcej niż wybór taryfy, ponieważ o dostępności czystej energii decyduje mikst energetyczny sieci lokalnej, a nie zapis w umowie. Region o dużej liczbie instalacji wiatrowych i wodnych dostarcza stabilną moc o niskiej emisji przez większą część roku. Region oparty na fotowoltaice i węglu wymaga bilansowania wieczornego szczytu, co zwykle zwiększa ślad węglowy obiektu.
Kolejnym czynnikiem jest klimat miejsca inwestycji. Chłodniejszy region pozwala ograniczyć energię na chłodzenie serwerowni, a systemy z chłodzeniem cieczą lub wykorzystaniem ciepła odpadowego zmieniają ten rachunek. Odległość od odbiorców danych wpływa na straty przesyłowe i opóźnienia, więc lokalizacja rozstrzyga kilka zmiennych jednocześnie.
Przy ocenie ofert warto sprawdzić kilka elementów:
- Czy dostawca rozlicza zużycie godzinowe, czy tylko roczne wolumeny energii odnawialnej.
- Jak wygląda mikst energetyczny sieci w regionie według publicznych danych operatora systemu.
- Czy obiekt wykorzystuje ciepło odpadowe i jaką część energii zużywa na chłodzenie.
- Czy operator publikuje dane o emisjach w cyklu życia infrastruktury, a nie wyłącznie o zakupie energii.
Lokalizacja z dostępem do stabilnej energii odnawialnej ogranicza emisję skuteczniej niż umowa na zielone certyfikaty, ponieważ działa na rzeczywisty miks sieci przez całą dobę, a certyfikat zmienia jedynie księgowy bilans. Rekomendacja ma sens tylko wtedy, gdy operator mierzy zużycie godzinowo i publikuje te dane.
Raportowanie i cele redukcji emisji AI: mierniki, które warto śledzić
Rozliczanie śladu węglowego sztucznej inteligencji zaczyna się od rozdzielenia dwóch wielkości: zużycia energii elektrycznej przez infrastrukturę oraz emisji, która z tego zużycia wynika. Sam pobór mocy w megawatach nie mówi nic o wpływie na klimat, dopóki nie zestawi się go z miksem energetycznym danego regionu. Centrum danych zasilane węglem i identyczne pod względem mocy centrum zasilane energią jądrową lub wiatrową generują skrajnie różne wartości emisji. Dlatego pierwszym miernikiem wartym śledzenia jest intensywność emisji na jednostkę pracy obliczeniowej, wyrażana najczęściej w gramach dwutlenku węgla na godzinę przetwarzania lub na pojedyncze zapytanie do modelu.
Drugi miernik to współczynnik wykorzystania mocy zainstalowanej, oznaczany w dokumentacji technicznej jako PUE (ang. power usage effectiveness). Pokazuje, ile energii trafia do samych serwerów, a ile pochłania chłodzenie, zasilanie awaryjne i straty przesyłu. Im bliżej jedności, tym mniej energii marnuje się na utrzymanie budynku. Trzeci wskaźnik, coraz częściej wymagany w sprawozdawczości korporacyjnej, to emisje w trzech zakresach: bezpośrednie ze spalania paliw, pośrednie z zakupionej energii oraz te powstające w łańcuchu dostaw, na przykład przy produkcji akceleratorów. Pominięcie trzeciego zakresu zaniża wynik, ponieważ produkcja sprzętu obciąża środowisko na długo przed uruchomieniem serwerowni.
Same pomiary nie wystarczą, jeśli nie zostaną powiązane z celami redukcyjnymi. W praktyce sprawdzają się zobowiązania rozliczane w horyzoncie kilkuletnim, na przykład ograniczenie emisji na jednostkę obliczeń o ustalony procent względem roku bazowego, z coroczną weryfikacją. Cele oparte wyłącznie na zakupie energii odnawialnej bywają iluzoryczne, gdy centrum pracuje w godzinach szczytu, a sieć w tym czasie opiera się na paliwach kopalnych. Godzinowe dopasowanie zużycia do dostępnej zielonej energii daje wiarygodniejszy obraz niż rozliczenie roczne.
- Intensywność emisji na zapytanie lub godzinę pracy procesora pozwala porównywać modele i konfiguracje sprzętowe.
- Wskaźnik PUE ujawnia, jaka część energii zasila bezpośrednio układy obliczeniowe.
- Emisje w trzech zakresach obejmują także produkcję i utylizację sprzętu.
- Godzinowe dopasowanie do miksu sieci pokazuje rzeczywisty udział energii odnawialnej.
- Cel redukcyjny z rokiem bazowym i coroczną weryfikacją pozwala ocenić postęp.
Dane do raportu warto gromadzić w sposób ciągły, nie tylko na potrzeby rocznego sprawozdania. Liczniki energii na poziomie szaf i pomiar obciążenia procesorów dają materiał do bieżącej optymalizacji, na przykład do przesuwania zadań wsadowych na godziny, gdy sieć dostarcza więcej energii odnawialnej. Bez takiej warstwy pomiarowej deklaracje o ograniczaniu emisji pozostają niesprawdzalne.
Komentarze (0)
Brak komentarzy. Bądź pierwszy!
Dodaj komentarz