News & analizy
Perseus, LiGO i EnergAIzer: ile energii oszczędza trening AI
Zaktualizowano: Autor: Andrzej Niemiec7 min czytania
30 proc. mniej energii w treningu to wynik systemu Perseus z University of Michigan, nie MIT. Wyjaśniamy, co robią Perseus, LiGO i EnergAIzer.
Spis treści
- Czy trenowanie modeli AI zużywa tyle energii, co elektrownia?
- Ile energii oszczędza Perseus i kto go opracował?
- Jak Perseus ogranicza pobór mocy?
- Czym różni się Perseus od LiGO i EnergAIzer?
- Czy EnergAIzer obniża rachunki za prąd?
- Gdzie w rachunku za AI jest inferencja?
- Co mogą zrobić firmy w Polsce?
- Najczęstsze pytania
- Źródła
Czy trenowanie modeli AI zużywa tyle energii, co elektrownia?
Nie ma publicznego źródła, które potwierdzałoby porównanie kosztu treningu z kosztem elektrowni. Dyskusja o wydatkach na AI miesza trzy różne wielkości: energię zużytą podczas treningu, moc zamówioną w centrum danych i rachunek wystawiany operatorowi. Ten ostatni zależy od ceny energii, opłat infrastrukturalnych, czasu pracy GPU i ceny sprzętu. Procentowa oszczędność energii jest więc osobną miarą od procentowej oszczędności na rachunku [1][2].
Koszt całkowity to nie tylko trening. Na rachunek składają się też inferencja, przechowywanie danych i transfer [11]. Rozdzielenie tych pozycji jest warunkiem sensownej rozmowy o oszczędnościach.
Ile energii oszczędza Perseus i kto go opracował?
Perseus deklaruje do 30 proc. mniej energii podczas treningu dużych modeli, bez zmian sprzętowych [1][2]. Wynik pochodzi z pracy zaprezentowanej na SOSP w 2024 roku. Autorzy to badacze University of Michigan, University of Washington i UC San Diego, a nie MIT [2][3]. W eksperymentach na rzeczywistych GPU notowano również niższe wartości, do 28,5 proc. [2].
Ten szczegół ma znaczenie, bo 30 proc. bywa przypisywane MIT. MIT prowadzi własne prace nad efektywnością, ale omawiany wynik nie jest ich autorstwa [3].
Jak Perseus ogranicza pobór mocy?
Perseus steruje częstotliwością pracy GPU. Spowalnia obliczenia, które nie leżą na ścieżce krytycznej, i ogranicza straty powodowane nierównym podziałem pracy oraz wolniejszymi procesorami w klastrze, czyli stragglers [2][3]. Trening trwa podobnie długo, a pobiera mniej prądu.
System jest dostępny jako open source w projekcie Zeus, który służy do pomiaru i optymalizacji energii w uczeniu głębokim [3][4]. To projekt akademicki i narzędziowy, nie komercyjny produkt konkretnej spółki [3][4].
Czym różni się Perseus od LiGO i EnergAIzer?
Trzy narzędzia odpowiadają na różne pytania: Perseus zmienia sposób treningu, LiGO skraca drogę do dużego modelu, a EnergAIzer tylko mierzy pobór mocy [1][5][7].
| Kryterium | Perseus | LiGO | EnergAIzer |
|---|---|---|---|
| Autor i rok | University of Michigan, UW, UC San Diego; 2024 | MIT; 2023 | MIT i MIT-IBM Watson AI Lab; 2026 |
| Co robi | steruje częstotliwością GPU w trakcie treningu | rośnie duży model z mniejszego, wcześniej wytrenowanego | szacuje pobór mocy GPU dla obciążenia |
| Deklarowany efekt | do 30 proc. mniej energii | około 50 proc. mniej kosztu obliczeniowego niż trening od zera | około 8 proc. błędu szacunku |
| Dostępność | open source w projekcie Zeus | metoda badawcza | narzędzie do porównywania konfiguracji |
LiGO, opisane przez MIT w marcu 2023 roku, wykorzystuje mniejszy, wcześniej wytrenowany model do rozrostu większego i raportuje około 50 proc. redukcji kosztu obliczeniowego względem treningu od zera [5][6]. EnergAIzer działa inaczej: nie zmienia treningu, tylko mierzy [7].
Czy EnergAIzer obniża rachunki za prąd?
Nie. EnergAIzer szacuje pobór mocy danego obciążenia na konkretnym procesorze, żeby można było porównywać konfiguracje sprzętowe i programowe [7][8]. Testy wykazały około 8 proc. błędu. Narzędzie nie steruje treningiem i nie gwarantuje oszczędności [7].
W praktyce oznacza to zmianę roli: zamiast obiecywać redukcję rachunku, EnergAIzer skraca czas potrzebny na ustalenie, ile energii zużyje dana konfiguracja. Decyzję o optymalizacji podejmuje się po pomiarze.
Gdzie w rachunku za AI jest inferencja?
MIT wskazuje, że energia jest zużywana także po treningu, podczas wdrożenia modelu. Przy masowym użyciu inferencja może stać się dominującym źródłem zużycia [9]. Optymalizacja samego treningu nie wyczerpuje więc tematu.
Rynek pokazuje równoległy efekt. OpenAI obniżyło ceny mniejszych modeli, według doniesień nawet o 80 proc. [12], a mimo to rachunki firm rosną, bo rośnie wolumen użycia [10]. Tańszy token nie musi oznaczać niższego rachunku.
Co mogą zrobić firmy w Polsce?
Polecamy zacząć od pomiaru. Bez danych o poborze mocy nie da się ocenić, czy problem leży w treningu, czy w inferencji [7][9]. Drugi krok to rozdzielenie tych dwóch etapów w budżecie i przypisanie im właścicieli.
Trzecia decyzja dotyczy modeli. Mniejsze modele i otwarte wagi bywają wskazywane jako droga do niższych rachunków [13][14]. Dostawcy sprzętu obiecują dodatkowe oszczędności: NVIDIA twierdzi, że platforma Vera Rubin zwiększy wydajność i obniży koszty rozwoju agentów AI [15]. Obietnice tego typu wymagają weryfikacji na własnym obciążeniu.
Praktyczne wdrożenia AI opisujemy szerzej w przewodniku po praktycznych zastosowaniach AI. Kwestie pomiaru sprzętu i benchmarków porusza też tekst o benchmarkach AI i OpenClaw. Dla zespołów pracujących z danymi przydatny będzie materiał o Codexie w data science.
Najczęstsze pytania
Czy metoda z 30 proc. oszczędności pochodzi z MIT?
Nie. Wynik do 30 proc. mniej energii pochodzi z systemu Perseus, opracowanego przez zespół University of Michigan, University of Washington i UC San Diego, zaprezentowanego na SOSP w 2024 roku [1][2]. MIT prowadzi odrębne prace, między innymi LiGO i EnergAIzer, ale nie jest autorem tego wyniku [5][7].
Ile energii zużywa trening dużego modelu?
Nie ma jednej liczby. Zużycie zależy od architektury, liczby parametrów, czasu treningu i sprzętu. Publikacje podają wyniki dla konkretnych konfiguracji, a nie uniwersalne wartości. Dlatego EnergAIzer powstał jako narzędzie do szacowania poboru mocy dla danego obciążenia z błędem około 8 proc. [7][8].
Czy Perseus jest dostępny komercyjnie?
Nie. Perseus jest częścią otwartego projektu Zeus, który służy do pomiaru i optymalizacji energii w uczeniu głębokim [3][4]. Źródła nie wskazują spółki oferującej produkt pod tą nazwą. Korzystanie z niego wymaga pracy inżynierskiej we własnym środowisku.
Czy niższa cena modelu obniża rachunek za AI?
Nie zawsze. OpenAI obniżyło ceny mniejszych modeli, według doniesień nawet o 80 proc. [12], ale rosnący wolumen użycia podnosi rachunki [10]. Na koszt składają się też inferencja, przechowywanie i transfer danych [11]. Oszczędność zależy od tego, jak zmieni się zużycie, a nie tylko od cennika.
Źródła
- [2312.06902] Reducing Energy Bloat in Large Model Training (arXiv, 2024) — https://arxiv.org/abs/2312.06902
- Reducing Energy Bloat in Large Model Training (SymbioticLab, SOSP 2024) — https://symbioticlab.org/publications/files/perseus:sosp24/perseus-sosp24.pdf
- Perseus (SOSP '24) — Zeus Project (ML.ENERGY) — https://ml.energy/zeus/research_overview/perseus
- Zeus Project (ML.ENERGY) — https://ml.energy/zeus
- Learning to grow machine-learning models (MIT News, 2023) — https://news.mit.edu/2023/new-technique-machine-learning-models-0322
- New LiGO technique accelerates training of large machine-learning models (TechXplore, 2023) — https://techxplore.com/news/2023-03-ligo-technique-large-machine-learning.html
- A faster way to estimate AI power consumption (MIT News, 2026) — https://news.mit.edu/2026/faster-way-to-estimate-ai-power-consumption-0427
- A faster way to estimate AI power consumption (MIT Sustainability, 2026) — https://sustainability.mit.edu/article/faster-way-estimate-ai-power-consumption
- Explained: Generative AI's environmental impact (MIT News, 2025) — https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
- Paradoks taniej AI: modele kosztują mniej, ale rachunki rosną (CRN) — https://crn.pl/aktualnosci/paradoks-taniej-ai-gdy-modele-kosztuja-mniej-ale-rachunki-rosna
- Koszty wdrażania sztucznej inteligencji – co warto wiedzieć? (Azurro) — https://azurro.pl/koszty-wdrazania-sztucznej-inteligencji-co-warto-wiedziec
- OpenAI mocno obniża ceny modeli AI. Taniej nawet o 80 procent (TVN24 Biznes) — https://tvn24.pl/biznes/tech/openai-mocno-obniza-ceny-modeli-ai-taniej-nawet-o-80-procent-st9167686
- Otwarte modele AI sposobem na niższe rachunki (CRN) — https://crn.pl/aktualnosci/otwarte-modele-ai-sposobem-na-nizsze-rachunki
- Jak firmy mogą obniżyć koszty AI? Mniejsze modele zamiast drogich tokenów (Business Insider Polska) — https://businessinsider.com.pl/wideo/jak-firmy-moga-obnizyc-koszty-ai-mniejsze-modele-zamiast-drogich-tokenow/7e0dw0v
- NVIDIA obniża koszt trenowania modeli (ITHardware) — https://ithardware.pl/aktualnosci/nvidia_vera_rubin_ai_post_training_intelligence_per_dollar-52616.html
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji