Umělá inteligence se stále častěji dostává do centra debat o spotřebě energie a dopadech moderních technologií na životní prostředí. Schneider Electric upozorňuje, že diskuse se přitom často zjednodušuje na souboj úsporných modelů strojového učení s energeticky náročnými generativními modely. Mezi těmito dvěma póly ale existuje důležitá „střední cesta“ – specializované AI systémy určené pro konkrétní rozhodování, pracovní postupy a průmyslové úkoly.
Největší tzv. frontier modely vyžadují značný výpočetní výkon nejen při trénování, ale i při samotném provozu. Jejich energetickou a uhlíkovou stopu navíc komplikuje omezená transparentnost provozovatelů. Firmy tak často přesně nevědí, kolik energie stojí konkrétní požadavek.
Podle Schneider Electric proto není správným řešením automaticky sahat po nejvýkonnějším modelu. Pokud lze úkol zvládnout menším systémem, je jeho použití efektivnější. Výkonné modely mají smysl tam, kde jejich schopnosti skutečně přinášejí odpovídající užitek.
Výrazný posun přitom přináší open-source AI. Menší veřejně dostupné modely rychle dohánějí schopnosti velkých proprietárních systémů. Jako příklad lze uvést model Qwen3.5 s pouhými 2 miliardami parametrů, který podle použitého indexu dosahuje vyššího skóre inteligence než původní ChatGPT s přibližně 175 miliardami parametrů. Ještě menší model s 0,8 miliardy parametrů se dostává na úroveň, která byla dříve vyhrazena podstatně větším systémům.
Pro průmysl je důležitější než samotná velikost modelu především jeho praktický přínos. Schneider Electric využívá AI například jako součást systémů, které automatizují práci s obrovským množstvím dat z dodavatelských řetězců. Inteligentní agenti mohou kontrolovat a zpracovávat miliony údajů potřebných například pro výpočet emisí Scope 3.
Pokud takový systém odhalí jen několik procent úspor například v globálním výrobním nebo logistickém provozu, může být výsledná úspora emisí mnohonásobně větší než uhlíková stopa samotného výpočtu. Klíčovým ukazatelem proto podle společnosti není množství výpočtů, ale dopad dosažený na jednotku spotřebované energie.
Roli navíc hraje i místo, kde AI běží. Stejný výpočet může mít výrazně odlišnou uhlíkovou stopu podle energetického mixu daného datového centra. Provoz v regionech s vysokým podílem vodní, větrné nebo jaderné energie proto může být výrazně šetrnější než na uhlíkově náročné síti.
AI tak nemusí být pro průmyslovou dekarbonizaci problémem. Naopak může pomoci překonat jeden z jejích největších problémů – zpracování rozsáhlých a komplikovaných dat. Rozhodující však bude používat správný model pro správný úkol, na správném místě a s jasně měřitelným přínosem.
Petr Dvořák
zdroj: Schneider Electric Perspectives