Przejdź do treści

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.

Perseus, LiGO i EnergAIzer: ile energii oszczędza trening AI
Spis treści
  1. Czy trenowanie modeli AI zużywa tyle energii, co elektrownia?
  2. Ile energii oszczędza Perseus i kto go opracował?
  3. Jak Perseus ogranicza pobór mocy?
  4. Czym różni się Perseus od LiGO i EnergAIzer?
  5. Czy EnergAIzer obniża rachunki za prąd?
  6. Gdzie w rachunku za AI jest inferencja?
  7. Co mogą zrobić firmy w Polsce?
  8. Najczęstsze pytania
  9. 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].

KryteriumPerseusLiGOEnergAIzer
Autor i rokUniversity of Michigan, UW, UC San Diego; 2024MIT; 2023MIT i MIT-IBM Watson AI Lab; 2026
Co robisteruje częstotliwością GPU w trakcie treningurośnie duży model z mniejszego, wcześniej wytrenowanegoszacuje pobór mocy GPU dla obciążenia
Deklarowany efektdo 30 proc. mniej energiiokoło 50 proc. mniej kosztu obliczeniowego niż trening od zeraokoło 8 proc. błędu szacunku
Dostępnośćopen source w projekcie Zeusmetoda badawczanarzędzie 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

  1. [2312.06902] Reducing Energy Bloat in Large Model Training (arXiv, 2024) — https://arxiv.org/abs/2312.06902
  2. Reducing Energy Bloat in Large Model Training (SymbioticLab, SOSP 2024) — https://symbioticlab.org/publications/files/perseus:sosp24/perseus-sosp24.pdf
  3. Perseus (SOSP '24) — Zeus Project (ML.ENERGY) — https://ml.energy/zeus/research_overview/perseus
  4. Zeus Project (ML.ENERGY) — https://ml.energy/zeus
  5. Learning to grow machine-learning models (MIT News, 2023) — https://news.mit.edu/2023/new-technique-machine-learning-models-0322
  6. New LiGO technique accelerates training of large machine-learning models (TechXplore, 2023) — https://techxplore.com/news/2023-03-ligo-technique-large-machine-learning.html
  7. A faster way to estimate AI power consumption (MIT News, 2026) — https://news.mit.edu/2026/faster-way-to-estimate-ai-power-consumption-0427
  8. A faster way to estimate AI power consumption (MIT Sustainability, 2026) — https://sustainability.mit.edu/article/faster-way-estimate-ai-power-consumption
  9. Explained: Generative AI's environmental impact (MIT News, 2025) — https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
  10. Paradoks taniej AI: modele kosztują mniej, ale rachunki rosną (CRN) — https://crn.pl/aktualnosci/paradoks-taniej-ai-gdy-modele-kosztuja-mniej-ale-rachunki-rosna
  11. Koszty wdrażania sztucznej inteligencji – co warto wiedzieć? (Azurro) — https://azurro.pl/koszty-wdrazania-sztucznej-inteligencji-co-warto-wiedziec
  12. 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
  13. Otwarte modele AI sposobem na niższe rachunki (CRN) — https://crn.pl/aktualnosci/otwarte-modele-ai-sposobem-na-nizsze-rachunki
  14. 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
  15. NVIDIA obniża koszt trenowania modeli (ITHardware) — https://ithardware.pl/aktualnosci/nvidia_vera_rubin_ai_post_training_intelligence_per_dollar-52616.html
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji