Oprogramowanie może zmniejszyć energię potrzebną do wykonania zadania AI albo przesunąć elastyczne obliczenia na inną porę lub do regionu z wolną mocą. Pierwsza metoda ogranicza zużycie energii na zadanie, druga zmienia czas lub miejsce poboru prądu. Żadna sama w sobie nie gwarantuje spadku całkowitego zużycia energii przez centrum danych.

Co oprogramowanie zmienia w zużyciu energii

Przy optymalizacji obliczeń system wykonuje podobne zadanie przy mniejszym zużyciu energii. Przy planowaniu obciążeń zmienia się natomiast to, kiedy lub gdzie działa infrastruktura. W praktyce można na przykład kierować prostsze zapytania do mniejszych modeli, buforować powtarzające się zapytania, grupować zadania w paczki albo dobierać instancje chmurowe do rzeczywistego obciążenia. Ograniczanie liczby tokenów — jednostek, na które model dzieli tekst — zmniejsza ilość przetwarzanych danych.

To różne dźwignie, a ich skuteczność zależy od zadania. Wynik uzyskany podczas trenowania modelu nie jest automatycznie miarą oszczędności przy jego używaniu ani całkowitego poboru prądu przez centrum danych.

Efektywność trenowania i profile mocy GPU

Praca naukowa opisująca Perseus podaje, że w jej ocenie system ograniczył zużycie energii podczas trenowania dużych modeli o maksymalnie 30%, bez utraty przepustowości i bez modyfikacji sprzętu. Perseus planuje obciążenie obliczeniowe w czasie, by ograniczyć niepotrzebne zużycie energii podczas trenowania.

Inną metodę stanowią profile mocy NVIDIA Blackwell. NVIDIA podaje, że pierwsza faza tych profili może przynieść do 15% oszczędności energii, przy zachowaniu ponad 97% poziomu wydajności w krytycznych aplikacjach. Firma deklaruje też do 13% większą przepustowość całego centrum danych w warunkach ograniczonej mocy, gdy zaoszczędzoną moc można wykorzystać do zainstalowania większej liczby GPU. To dwa różne rezultaty: zachowanie wydajności aplikacji i przepustowość całego obiektu.

W zestawieniu NVIDIA z 4 grudnia 2025 r. dla B200 skalowanie częstotliwości wiązało się ze spadkiem wydajności o 10% i redukcją poboru mocy centrum danych o 5%. Dla profilu treningowego wartości wynosiły odpowiednio 1% i 5%, a dla inferencyjnego — 3% i 8%. Są to wyniki przypisane konkretnym profilom w zestawieniu firmy, a nie uniwersalne wartości dla każdego obciążenia.

Przesuwanie obciążeń w odpowiedzi na warunki sieci

Elastyczne zadania wsadowe można planować z wyprzedzeniem albo przesuwać w czasie rzeczywistym, tak by korzystały z dostępnej mocy, gdy lokalne warunki sieciowe są korzystniejsze. Niektóre obciążenia można też skierować do regionu z wolnymi zasobami i energią o niższej emisyjności.

Przeniesienie obliczeń między regionami nie zawsze jest proste: mogą je ograniczać wymogi suwerenności danych, a przesyłanie dużych zbiorów wymaga czasu i zasobów. Więcej o szerszych ograniczeniach infrastruktury AI pisaliśmy w analizie wrześniowego AI Infra Summit 2026.

Efektywność uzupełnia infrastrukturę

Oprogramowanie może lepiej wykorzystać istniejące serwery i energię, ale nie zastępuje wydajniejszego sprzętu ani rozbudowy infrastruktury energetycznej. Według IEA serwery odpowiadają za około 60% zapotrzebowania na energię w nowoczesnych centrach danych; udział ten zależy od typu obiektu. Znaczenie ma też chłodzenie: jego udział w zużyciu energii wynosi 7% w centrach hiperskalowych, a w mniej efektywnych centrach przedsiębiorstw przekracza 30%.

Mniejsza energochłonność pojedynczego zadania nie musi też obniżyć sumy zużytej energii. Jeśli większa efektywność sprawia, że opłaca się uruchamiać więcej obliczeń, wzrost ich liczby może zniwelować oszczędności. To ryzyko określa się jako paradoks Jevonsa.

Co prognozuje IEA na 2030 rok

IEA szacuje, że w 2024 r. centra danych na świecie zużyły około 415 TWh energii elektrycznej, czyli około 1,5% globalnego zużycia. W scenariuszu bazowym agencja prognozuje około 945 TWh w 2030 r. — dla wszystkich centrów danych, nie wyłącznie obiektów obsługujących AI. Wzrost zapotrzebowania na energię serwerów przyspieszonych, napędzany głównie rozwojem AI, IEA omawia osobno.