Umělá inteligence a energetika: fakta místo přehánění

Mezi mýty a fyzikou

Energetická stopa umělé inteligence (AI) je legitimní téma. Často však stojí buď na strašácích bez metodiky, nebo na úzkých číslech vytržených z kontextu. „Reálná čísla“ nevzniknou z jediné hodnoty – vyžadují jasně definované hranice systému, transparentní předpoklady a porovnatelné metriky. Tento článek nabízí rámec, jak AI měřit, na co si dát pozor a kde se čísla v praxi nejčastěji zkreslují.

Co přesně měříme? Hranice systému rozhodují

Fáze tréninku vs. inference: trénink (učení modelu) je epizodicky energeticky náročný; inference (používání modelu) je dlouhodobý „provozní“ náklad rozložený na počet požadavků.
IT vs. celé datové centrum: surový příkon GPU/CPU a pamětí není totéž jako spotřeba včetně chlazení, UPS, rozvodů. Korekce se provádí přes PUE (Power Usage Effectiveness).
Životní cyklus (LCA): kromě elektřiny je zde i vložená energie ve výrobě čipů, serverů, baterií a budov. Pro některá rozhodnutí (design infrastruktury) je LCA klíčové, pro operativu méně.

Metriky: z wattů na emise a porovnání

Energie (kWh): základní veličina. Přepočet: E = průměrný příkon (kW) × čas (h).
PUE: PUE = (energie datového centra) / (energie IT zátěže). Moderní zařízení dosahují ~1,1–1,3; starší 1,5+.
Emisní faktor sítě: EF v gCO₂e/kWh. Záleží na mixu (uhlí vs. OZE). Rovnice: Emise = E × EF.
Intenzita na jednotku služby: na trénink (kWh/trénink), na požadavek (Wh/požadavek), na token/obrázek atd. Umožňuje férové porovnání.

Příklad 1: odhad tréninku středně velkého modelu

Ilustrativní, konzervativní výpočet s transparentními kroky (není univerzálně platné číslo):

Hardware a výkon: 8 GPU, každý 350 W při tréninku → IT příkon ~2,8 kW (nezahrnuje CPU, RAM, síť). Přidáme 30 % na zbytek serveru → ~3,64 kW.
Čas: 1 000 hodin tréninku → E_IT ≈ 3,64 kW × 1 000 h = 3 640 kWh.
PUE 1,2: E_DC = 3 640 × 1,2 = 4 368 kWh.
Emise (mix 400 gCO₂e/kWh): ≈ 4 368 × 0,4 = 1,75 t CO₂e.

Interpretace: stejný model na čistším mixu (např. 100 gCO₂e/kWh) klesne na ~0,44 t CO₂e. Naopak při PUE 1,6 a uhlí 700 gCO₂e/kWh může být nad 4 t CO₂e. Fyzika je jednoduchá; rozdíl dělá infrastruktura a mix.

Příklad 2: per-žádost při inferenci

Opět ilustrace, nikoliv univerzální číslo – závisí na modelu, množství tokenů, sdílení GPU a batchování:

IT příkon: GPU/akcelerátor ~200–400 W; při sdílení více požadavků je průměrný příkon na požadavek nízký.
Čas: interaktivní odpověď 1–3 s generace + režie. Řekněme 2 s při 250 W → energie = 250 W × 2 s = 500 J ≈ 0,139 Wh.
PUE 1,2: ≈ 0,167 Wh/požadavek. Při čistším mixu jsou emise řádově desítky mg CO₂e.

Kontext: taková žádost je energeticky srovnatelná s několika sekundami videostreamingu v HD, nebo s dobitím smartphonu o zlomek procenta. Při velkých dávkách (generování dlouhých textů, obrázků, videí) je číslo vyšší; u malých modelů nižší.

Kde se čísla nejvíce zkreslují

Ignorování PUE: uvést pouze GPU spotřebu podhodnocuje realitu; naopak záměnu PUE za „koeficient hrůzy“ bez měření je stejně špatné.
Míchání tréninku a inference: jednorázový trénink přičíst na jednu otázku uživatele nedává smysl; trénink se musí amortizovat přes celý životní cyklus modelu.
Fixní emise/kWh: elektřina není všude a po celý den stejně „špinavá“. Časová a regionální granularita (hodinové EF) mění výsledek.
Bez LCA nebo s „přetíženým“ LCA: někdy se LCA používá, jindy ignoruje – metodika musí být jasná a konzistentní pro porovnání.

Praktická „real-world“ porovnání (orientační)

Trénink středního modelu (příklad výše): řádově MWh → emisně srovnatelné s desítkami až stovkami litrů paliva, podle mixu.
Jedna krátká textová žádost: desetiny Wh → řádově zlomek gramu CO₂e při nízkouhlíkovém mixu; srovnatelné s několika sekundami videa.
Generování obrázků nebo dlouhých textů: jednotky Wh; u obrazů s difuzí závisí na počtu kroků a rozlišení.

Největší páky efektivity na straně provozovatelů

Architektura modelů: menší, specializované modely nebo mixture-of-experts snižují průměrný počet aktivních parametrů při inferenci.
Optimalizace a kvantizace: INT8/FP8, sparsita, kompilátory (graph fusion), batchování – často úspory 2–5× bez ztráty kvality.
Efektivní tréninkové recepty: reuse kontrolních bodů, curriculum learning, low-rank adaptation (LoRA) místo full fine-tune.
PUE a chlazení: free cooling, imerzní chlazení, optimalizace průtoků může snížit PUE na ~1,1–1,2.
Umístění a načasování: kolokace u OZE, smlouvy PPA a time-shifting tréninků do hodin s nízkými emisemi sítě.

Největší páky efektivity na straně uživatelů a produktů

Správný nástroj pro úlohu: malé lokální modely (vyhledávání, klasifikace) místo velkého obecného modelu, pokud stačí.
Prompt a rozumná délka: zbytečně dlouhé výstupy zvyšují energii lineárně s tokeny; při generování obrázků volte nižší rozlišení či méně kroků, pokud účel dovolí.
Cache a opakované využití: u interních aplikací omezují duplicitní výpočty.

Voda, teplo a „skryté“ toky

Kromě elektřiny sledujeme i spotřebu vody (chladicí okruhy, odpar) a odpadní teplo. Ty jsou silně regionální – závisí na klimatu a technologii chlazení. Recyklace tepla (např. vytápění budov) mění environmentální bilanci ve prospěch datového centra.

Životní cyklus zařízení (LCA) – co s ním v praxi

Výroba čipů a serverů: energeticky náročná; smysl má vyšší využitelnost během životnosti (více práce na ten stejný kus HW).
Repas a sekundární trh: opětovné využití GPU/CPU pro méně náročné úlohy snižuje potřebu novové výroby.
Modulární design: možnost výměny komponent (např. SSD, RAM, napájení) prodlužuje životní cyklus serveru.

Transparentní reportování: jak sepsat „reálná čísla“

Definujte hranice: IT vs. celé DC; jen elektřina, nebo LCA; trénink, inference, nebo oboje.
Uveďte parametry: příkon, čas, PUE, emisní faktor (regionální/hodinové), batchování, délky výstupů.
Rozdělte výsledek: kWh, CO₂e a intenzity (Wh/požadavek, Wh/1 000 tokenů, Wh/obrázek).
Citlivost a intervaly: ukažte, jak se čísla mění při PUE ±0,1 či EF ±100 g/kWh. Intervaly často říkají víc než jedno „přesné“ číslo.

Férová porovnání: AI vs. alternativy

Reálná volba nebývá mezi „AI vs. nic“, ale mezi AI vs. alternativní způsob (manuální práce, menší model, heuristiky). Při porovnávání sledujte:

Funkčně ekvivalentní výsledek: stejná kvalita výstupu/úspěšnost úkolu.
Škálování: pokud je výsledek používán milionkrát denně, per-požadavek dominuje; pokud jde o jednorázový model na specifickou misi, dominuje trénink.
Spolunáklady: přenos dat, předzpracování, závislosti na jiných službách (úložiště, CDN).

Politiky a regulace: co skutečně pomáhá

Standardy měření a zveřejňování: minimální pole (PUE, kWh, EF, metodika) pro cloudové AI služby – umožní porovnatelnost.
Cenové signály a čistá elektřina: nízkouhlíkový mix + flexibilní tarify motivují načasovat trénink do „zelených“ hodin.
Podpora efektivních modelů a výzkumu: granty a zadávání zakázek upřednostňující účinnost (Wh/úloha), nejen surový výkon.

Nepohodlná pravda: AI není „zdarma“, ale panika nepomáhá

AI má specifickou energetickou stopu, která roste s poptávkou. Současně má velký manévrovací prostor ke snižování intenzity – od architektury modelu přes optimalizace, PUE, až po načasování práce a nákup čisté energie. Rozdíl mezi „strašákem“ a „realitou“ je v transparentním účtování, ne v ignorování nákladů.

Kontrolní seznam pro „reálná čísla“ ve vašem projektu

Uveďte hardware, čas, PUE, EF a zda jde o trénink nebo inferenci.
Reportujte kWh i intenzity (Wh/úloha), nejen „% úspory“.
Přidejte scénáře citlivosti (PUE ±0,1; EF podle hodiny/místa).
Zahrňte opatření: kvantizace, batchování, menší model, „green window“ tréninky.

Z fyziky k rozhodnutím

Když čísla dávají smysl – mají jasné hranice, metodiku a kontext – přestává být AI „energetickým strašákem“ a stává se optimalizační úlohou. Řešením není ani popírání nákladů, ani apokalyptické titulky. Řešením je přesné měření, efektivní návrh a chytré umístění v čase a prostoru. Takto se AI může rozvíjet s rostoucí produktivitou a klesající intenzitou na jednotku služby – což je jediné „reálné číslo“, na kterém dlouhodobě záleží.