Green AI označuje vývoj a využívání umělé inteligence se zaměřením na minimalizaci dopadu na životní prostředí. Na rozdíl od „tradičních“ přístupů v AI, které kladou důraz na maximální výkon za každou cenu, se Green AI snaží snížit uhlíkovou stopu a spotřebu energie AI modelů, přičemž stále poskytuje užitečné výsledky linkedin.com. V praxi to znamená navrhovat, trénovat a nasazovat AI systémy, které jsou nejen přesné, ale také energeticky úsporné a šetrné k životnímu prostředí. Tento posun paradigmatu je významný, protože rychlý růst AI je spojený s rostoucí environmentální cenou. Trénování velkých neuronových sítí může spotřebovat obrovské množství elektřiny – v jednom často citovaném příkladu z roku 2019 bylo odhadnuto, že trénink jednoho hlubokého učicího modelu vyprodukuje tolik uhlíku jako pět aut za celý jejich život infoq.com. Taková zjištění zdůrazňují, proč je Green AI tak zásadní: spojuje technologický pokrok s naší klimatickou odpovědností a zajišťuje, že inovace v oblasti AI neohrožují globální cíle udržitelnosti linkedin.com.
Kromě zmírnění škod může přijetí Green AI přinést i pozitivní vedlejší účinky. Efektivní AI modely často běží rychleji a levněji, což snižuje provozní náklady i emise linkedin.com. Důraz na udržitelnost v AI také podporuje širší odpovědné výzkumné praktiky a inovace v oblastech jako efektivní algoritmy a infrastruktura napájená obnovitelnými zdroji energie. Stručně řečeno, Green AI usiluje o sladění transformačního potenciálu AI s naléhavou potřebou chránit naši planetu. Pokud budeme brát environmentální dopady v úvahu v každém kroku – od návrhu modelů po provoz datových center – můžeme posílit rozvoj AI, který prospívá společnosti bez neúměrné uhlíkové zátěže linkedin.com. Následující části se zabývají environmentálními dopady současných trendů v AI a tím, jak se výzkumníci, firmy i politici snaží, aby se celý životní cyklus AI stal „zelenější“.
Environmentální dopad AI a vysokovýkonných výpočetních technologií
Moderní umělá inteligence, zejména výpočetně náročné výpočty (HPC) potřebné k trénování velkých modelů, spotřebovává obrovské množství energie a zdrojů. Datová centra – páteř cloudových a AI služeb – již v roce 2023 představovala odhadovaných 4,4 % spotřeby elektřiny v USA, přičemž tento podíl by se mohl ztrojnásobit do roku 2028, pokud bude současný trend pokračovat iee.psu.edu. Celosvětově datová centra (vyjma kryptoměn) využívají asi 1–1,5 % elektřiny a Mezinárodní agentura pro energii předpovídá, že jejich poptávka po elektřině by se mohla zdvojnásobit mezi lety 2022 a 2026 institute.global. AI je hlavním hybatelem tohoto růstu. Analytici předpovídají, že exploze AI zátěží může způsobit, že datová centra budou v některých zemích do roku 2030 spotřebovávat až 10 % veškeré elektřiny, přičemž výpočty související s AI budou odpovědné až za 90 % nárůstu institute.global. Podle jedné prognózy by v roce 2030 mohla datová centra po celém světě spotřebovávat 3–4 % globální elektřiny – což představuje obrovskou zátěž pro klima – a s tím spojené emise uhlíku z AI jsou na cestě k zdvojnásobení mezi lety 2022 a 2030, pokud nedojde ke změnám greenly.earth.Energie hladová povaha AI je zřejmá při pohledu na jednotlivé modely. Trénování špičkových neuronových sítí zahrnuje tisíce specializovaných procesorů (GPU nebo TPU), které běží týdny či měsíce a spotřebovávají obrovské množství elektřiny iee.psu.edu iee.psu.edu. Jeden velký jazykový model (LLM) se stovkami miliard parametrů může vyžadovat tisíce kilowatthodin energie na jedno trénování. Například model GPT-3 (175 miliard parametrů) podle odhadů spotřeboval 1 287 MWh elektřiny, což přibližně odpovídá roční spotřebě energie více než 120 amerických domácností, a během trénování vypustil asi 552 metrických tun CO₂ infoq.com. I po nasazení další provoz AI modelů (inference) pro miliony uživatelů dále zvyšuje uhlíkovou stopu. Ve skutečnosti 60–70 % celkové spotřeby energie AI tvoří inference (každodenní provoz modelů pro tvorbu predikcí), nikoli původní trénování greenly.earth. Populární služby jako chatboti a doporučovací algoritmy fungují 24/7, což znamená, že spotřeba elektřiny je nepřetržitá. Koncem roku 2024 měl ChatGPT přibližně 300 milionů uživatelů a energie potřebná k obsluze nespočtu dotazů mu dává obrovskou, ačkoli převážně neměřenou, uhlíkovou stopu greenly.earth greenly.earth. Jedna analýza zjistila, že předchůdce ChatGPT spotřeboval ročně asi 502 tun CO₂ v elektřině – stejně jako 112 automobilů na benzin za rok – jen proto, aby odpovídal uživatelům greenly.earth.
Nehraje roli jen elektřina a uhlíkové emise. Spotřeba vody je další skrytý náklad: AI datová centra potřebují intenzivní chlazení, často za použití vody. Studie vědců z Kalifornské univerzity zjistila, že vytvoření krátkého e-mailu pomocí AI modelu (ChatGPT-4) může spotřebovat 500 ml vody, pokud zohledníme potřebu chlazení datového centra – vynásobte to miliardami dotazů a spotřeba vody dramaticky roste greenly.earth. Navíc krátké životní cykly hardwaru v oblasti AI přispívají k elektronickému odpadu. Nejmodernější AI akcelerátory (GPU, TPU) mohou během několika let zastarat nebo se opotřebovat, což vede ke spoustě elektroodpadu z vyřazených čipů a serverů iee.psu.edu. Výroba nového hardwaru ve velkém měřítku má sama o sobě uhlíkovou stopu a vyžaduje těžbu vzácných minerálů, což ještě více zatěžuje přírodní zdroje iee.psu.edu. Stručně řečeno, environmentální dopad AI zahrnuje elektřinu, emise, vodu a materiály: od uhlí nebo plynu spáleného pro napájení serverových farem, přes litry vody odpařené pro chlazení, až po hromady vyměněné a vyřazené elektroniky. Tento dopad je již nyní významný a rychle roste, což je důvodem, proč se „zelenání“ AI stalo naléhavou prioritou pro výzkumníky i průmysl iee.psu.edu institute.global.
Klíčové strategie pro snížení uhlíkové stopy AI
Aby bylo možné tyto problémy řešit, vědci a inženýři se věnují mnoha strategiím pro snížení uhlíkových emisí v oblasti AI. Mezi klíčové přístupy patří zlepšení efektivity algoritmů, optimalizace modelů, ekologizace provozu datových center a nové pojetí návrhu hardwaru. Níže uvádíme některé z hlavních technik:
- Energeticky úsporné algoritmy a optimalizace modelů: Jeden z nejpřímějších způsobů, jak snížit uhlíkovou stopu AI, je zajistit, aby samotná AI vyžadovala méně výpočtů. Výzkumníci vyvíjejí algoritmy, které dosahují stejných výsledků s menším počtem výpočtů, a tím pádem s nižší spotřebou energie. Například techniky jako pruning modelu (odstraňování zbytečných spojení), kvantizace (použití méně přesné matematiky) a destilace znalostí (učení menších modelů napodobovat ty velké) mohou zmenšit velikost modelu a jeho energetické nároky s minimální ztrátou přesnosti infoq.com. Další velkou úsporou je opětovné použití a dolaďování již předtrénovaných modelů – místo trénování obrovského modelu od nuly pro každý úkol umožňuje transfer learning vývojářům AI začít od existujícího modelu a tím výrazně snížit požadovaný výpočetní výkon i spotřebu energie infoq.com. Nedávné odborné Q&A zdůraznilo, že oborově specifické modely uzpůsobené na konkrétní úkol mohou být efektivnější než obrovské univerzální modely; tím, že se zaměří přesně na to, co je potřeba, vyhnou se zbytečným režijním nákladům mega-modelů iee.psu.edu. V podstatě „chytřejší“ trénovací metody a návrhy modelů mají za cíl zvládnout více s menším množstvím prostředků – zachovat výkon AI a zároveň snížit počet operací a tím i spotřebu elektřiny.
- Nízkouhlíková datová centra & plánování zátěže: Snížení uhlíkové stopy AI znamená také změnit, kde a jak jsou modely provozovány. Optimalizace datových center může výrazně snížit emise. Přední technologické společnosti umisťují datová centra do regionů s dostatkem obnovitelných zdrojů energie (jako je vítr, slunce, voda) a zlepšují jejich energetickou účinnost i metody chlazení. Mnohá datová centra nyní usilují o ultra nízkou hodnotu Power Usage Effectiveness (PUE) – tedy minimální režijní spotřebu energie nad rámec toho, co potřebují samotné servery. Některá zařízení používají pokročilé techniky chlazení (například chlazení venkovním vzduchem nebo ponořením do kapaliny), aby snížila spotřebu energie na chlazení. Klíčové je, že firmy jako Google a Microsoft se zavázaly napájet svá datová centra 100% bezuhlíkovou energií nepřetržitě během příští dekády cloud.google.com datacenters.google. Tento 24/7 uhlíkově neutrální přístup zajišťuje, že AI zátěž běží skutečně na čistou energii, nikoli pouze na roční vyrovnání pomocí obnovitelných kreditů. Další inovativní strategií je uhlíkově uvědomělé výpočetní zpracování: plánování neurgentních AI úloh v době, kdy je zelená energie dostupná. Výzkum naznačuje, že přesouvání flexibilních výpočtů napříč časovými pásmy nebo do různých cloudových regionů tak, aby více práce probíhalo v době dostupnosti solární nebo větrné energie, může významně snížit emise iee.psu.edu. Například trénink AI může být pozastaven během období, kdy převažuje uhlí, a pokračovat, až bude v regionální síti většina energie z obnovitelných zdrojů. Slaďováním výpočetního výkonu s dodávkou čisté energie může AI čerpat převážně zelenou elektřinu a snížit závislost na fosilních palivech iee.psu.edu.
- Udržitelný design hardwaru a efektivní AI čipy: Klíčovým prvkem v puzzle Zelené AI je vytváření hardwaru, který poskytuje vyšší výkon na watt. Specializované AI akcelerátory jsou už dnes výrazně efektivnější než univerzální čipy pro úkoly strojového učení. Například Google Tensor Processing Units (TPU) a Amazon Trainium čipy jsou speciálně navržené pro AI; postupné generace TPU dosáhly 3× zlepšení uhlíkové efektivity u AI zátěží cloud.google.com cloud.google.com. To znamená, že novější čipy zvládnou stejné výpočty s třetinovými emisemi. Technologické firmy také provádějí posuzování životního cyklu svého hardwaru – zkoumají nejen spotřebu energie během provozu, ale i výrobu a konec životnosti – aby směřovaly ke zelenějším návrhům cloud.google.com cloud.google.com. Dlouhověký, upgradovatelný hardware také pomáhá: návrh modulárních komponent, které lze vyměnit či přidat, prodlužuje životnost serverů a snižuje elektroodpad infoq.com. Do budoucna se pro zvýšení efektivity zkoumají zcela nové výpočetní paradigmy. Neuromorfní čipy (inspirované mozkovými neurony) a optické/fotonické procesory (využívající světlo k výpočtům) jsou dvě slibné cesty, které by mohly provádět AI výpočty s jen zlomkem energie ve srovnání s dnešními křemíkovými čipy iee.psu.edu. Tyto technologie jsou zatím převážně experimentální, ale nabízejí naději na řádové zlepšení efektivity. Dokonce i kvantové počítače jsou zkoumány u některých AI problémů, protože fungují jinak a mohly by některé úlohy vyřešit s exponenciálně menším počtem operací (i když praktická, energeticky úsporná kvantová AI je zatím otázkou budoucnosti) infoq.com. V bližším horizontu je klíčové efektivnější využití existujícího hardwaru. Techniky jako dynamické škálování napětí/frekvence (DVFS) a lepší využití (udržet procesory zaneprázdněné užitečnou prací místo nečinnosti) mohou snížit plýtvání. Shrnutí: lepší čipy a lepší využití čipů znamenají více AI práce na kilowatthodinu – což přímo snižuje uhlíkovou stopu na jeden výpočet.
- Uhlíkově neutrální životní cyklus AI a cirkulární praktiky: Skutečně udržitelný přístup bere v úvahu celý životní cyklus AI systémů. To zahrnuje odpovědné získávání materiálů, snižování odpadu a inovace v oblastech přesahujících pouhé využití elektřiny. Například vědci navrhli nápady jako biologicky rozložitelná elektronika pro AI – použití organických materiálů v některých součástech tak, aby hardware nezůstával jako toxický odpad infoq.com. Ačkoliv jsou tyto nápady zatím v počátcích, ukazují širší snahu o cirkularitu: recyklaci a znovupoužití AI hardwaru, kdekoliv je to možné. Firmy začínají repasovat použité servery nebo je předávat méně náročným úlohám, aby prodloužily jejich užitečný život. Dalším aspektem je kompenzace a zodpovědnost: využívání uhlíkových kompenzací nebo investic do čisté energie na vyrovnání emisí, které zatím nelze odstranit. Dokonce i vylepšení softwaru hraje svou roli – úspornější kód může snížit výpočetní náročnost. Například optimalizací softwarových rámců, ve kterých AI běží (například efektivnějšími knihovnami a kompilátory), lze ušetřit energii bez jakýchkoli změn na hardwaru. Nakonec však žádná jednotlivá strategie nestačí; dosažení zelené AI vyžaduje kombinaci mnoha technik. Optimalizované algoritmy snižují potřebný výpočetní výkon, efektivní hardware provádí úlohy s menší spotřebou energie a zelená infrastruktura zajišťuje, že energie pochází z čistých zdrojů iee.psu.edu cloud.google.com. Řešením problému ze všech stran se AI průmysl snaží zlomit křivku emisí, i když se modely dále zdokonalují.
Nedávné trendy a inovace v oblasti udržitelné AI
Za posledních několik let udržitelné postupy v AI zaznamenaly obrovský nárůst zájmu. To, co dříve bylo okrajovou záležitostí, je dnes hlavním tématem jak v AI výzkumu, tak v realizaci. Zde jsou některé z nejvýznamnějších trendů a inovací, které posouvají AI k zelenější budoucnosti:
- Iniciativy pro transparentnost a měření: Základním trendem je snaha přesně měřit environmentální dopad AI a zveřejnit jej transparentně. Na začátku roku 2025 skupina výzkumníků v oblasti AI spustila projekt „AI Energy Score“, který poskytuje standardizované hodnocení energetické efektivity AI modelů (podobně jako hodnocení EnergyStar pro spotřebiče) huggingface.co. Projekt vytvořil veřejný žebříček porovnávající energetickou náročnost více než 160 modelů napříč úlohami (generování textu, analýza obrázků atd.) a zavedl snadno čitelný pětihvězdičkový štítek efektivity pro AI modely huggingface.co huggingface.co. Tento tlak na transparentnost byl široce medializován a nutí hlavní poskytovatele AI ke zveřejňování energetických a uhlíkových údajů svých modelů. Podobně open-source iniciativy, jako například ty od Hugging Face, motivovaly vývojáře k reportování emisí při trénování a k integraci nástrojů (například CodeCarbon) do AI knihoven pro automatický záznam spotřeby energie huggingface.co. Výsledkem je rostoucí kultura odpovědnosti – někteří ji nazývají „ekologické vysvědčení“ pro AI – kde se spolu s přesností sleduje také efektivita. Tento přístup založený na datech umožňuje výzkumníkům a firmám stanovovat benchmarky a sledovat zlepšení v průběhu času, což zajišťuje, že tvrzení o „zelené AI“ jsou podložena čísly.
- Efektivita jako konkurenční ukazatel: Ve výzkumu AI je zřetelný posun směrem k oceňování zlepšení efektivity. Konference a časopisy mají čím dál větší zájem o studie, které nepřinášejí pouze přesnější modely, ale také dokumentují snížení výpočetních nákladů. Termín „Green AI“ ostatně zpopularizoval článek z roku 2020, který navrhl, aby efektivita byla hlavním kritériem hodnocení nových AI systémů cacm.acm.org. Dnes tuto filozofii vidíme v praxi: u řady AI výzev už cílem není jen dosáhnout nejlepší přesnosti, ale dostat se na ni s menším počtem FLOPs (operací s plovoucí desetinou čárkou), menší pamětí nebo nižším příkonem. Vznikají soutěže o „nejefektivnější model“ v dané kategorii a organizace jako AI Committee Nadace pro zelený software pracují na standardizaci metrik (například „Software Carbon Intensity“) pro AI úlohy greensoftware.foundation. Tento trend podněcuje inovace jako výzvy v algoritmické efektivitě (kde se týmy snaží dosáhnout určitého skóre s minimálním výpočetním výkonem) a zavádění energetických metrik do akademických žebříčků. Vše nasvědčuje tomu, že efektivita se stává symbolem prestiže a konkurenční výhodou ve vývoji AI, což je dlouhodobě velmi příznivé pro udržitelnost.
- Pokroky v hardwaru a efektivitě čipů: Rychlý vývoj hardwaru je dalším trendem, který umožňuje Green AI. Každá nová generace AI čipů skokově překonává tu předchozí v poměru výkonu na watt. Například nedávno představené akcelerátory Google TPU v4 a v5 a nejnovější GPU od Nvidie (jako Hopper H100) jsou výrazně energeticky úspornější pro AI úlohy než jejich předchůdci. Google uvádí trojnásobné zlepšení uhlíkové efektivity AI výpočtů z TPU v4 na jejich nejnovější TPU (kódové označení „Trillium“), díky lepšímu návrhu čipů a výrobním zlepšením cloud.google.com. Podobně startupy vyrábějí AI akcelerátorové čipy optimalizované pro zařízení s nízkou spotřebou na okraji sítě, čímž snižují energii potřebnou pro úlohy jako rozpoznávání klíčových slov nebo obrazů na smartphonech (součást hnutí TinyML). Dalším vzrušujícím vývojem je specializace čipů: firmy nyní nabízejí odlišný hardware pro trénink a inferenci nebo dokonce pro konkrétní typy modelů (vize vs. jazyk), přičemž každý je laděn na maximální efektivitu. Také vidíme rozšířenější používání AI na okraji sítě – provoz AI přímo na zařízení (od telefonů po IoT senzory) – což zabraňuje energetickým nákladům na neustálou komunikaci s datovými centry a umožňuje využití efektivních lokálních čipů. Zatímco velké serverové modely stále spotřebují nejvíce energie, tyto hardwarové inovace zajišťují, že každý výpočetní cyklus poskytuje více AI než kdy dříve, což pomáhá zmírnit růst energetické poptávky.
- Inovativní chlazení a řízení spotřeby energie: Provozovatelé datových center inovují nejen v oblasti čipů, ale i v tom, jak jsou tyto čipy chlazeny a napájeny. Jedním z trendů je zavádění pokročilých chladicích technik, jako je kapalinové chlazení (cirkulace chladicí kapaliny přímo přes horké komponenty) a dokonce i ponořovací chlazení (ponořování serverů do speciálních chladicích kapalin). Tyto metody mohou dramaticky snížit množství energie potřebné na chlazení ve srovnání s tradiční klimatizací. Dalším trendem je využití samotné AI k optimalizaci provozu datových center: Google známě nasadil systém DeepMind AI k řízení svého chladicího zařízení a dosáhl přibližně 30% snížení spotřeby energie na chlazení díky dynamickému a efektivnějšímu nastavení ventilátorů a chladičů než lidský operátor trellis.net. Nyní jej následují další společnosti a používají AI řízené systémy pro vše od chlazení po distribuci energie ve svých serverovnách. Na straně dodávky energie je integrace obnovitelných zdrojů energie klíčovou inovací. Poskytovatelé cloudu uzavírají obrovské smlouvy o nákupu elektřiny z větrných a solárních elektráren a efektivně tím financují rozvoj nových kapacit čisté energie pro svá datová centra. Experimentují také s akumulací energie, bateriemi na místě i malovýrobou (například solárními panely na střechách datových center), aby při přechodu na obnovitelné zdroje zajistili spolehlivost. Čistý efekt těchto snah je, že moderní datová centra jsou na každou výpočetní operaci mnohem ekologičtější než ta před deseti lety. Google například v roce 2022 dosáhl čtyřnásobného výpočetního výkonu oproti roku 2017 při stejné spotřebě elektřiny díky zvýšení efektivity a vylepšení infrastruktury datacenters.google datacenters.google. Tento trend vytěžení většího množství práce z každého wattu je zásadní pro udržitelnost AI i s rostoucí poptávkou.
- Spolupráce a sdílení znalostí: V neposlední řadě je důležitým nedávným trendem růst mezisektorové spolupráce zaměřené na udržitelnou AI. Iniciativy jako Green AI Institute a komunita Climate Change AI spojují odborníky na strojové učení, klimatologii a politiku, aby sdíleli osvědčené postupy a podporovali výzkum na pomezí AI a udržitelnosti. Průmyslové konsorcium – například Green AI Committee nadace Green Software Foundation – vytváří standardy a směrnice pro měření a snižování dopadu AI greensoftware.foundation greensoftware.foundation. I vlády a mezinárodní orgány nyní výslovně zkoumají energetický dopad AI a financují výzkum a vývoj zaměřený na zmírnění tohoto dopadu. Tento duch spolupráce přináší otevřené datové sady (pro uhlíkovou intenzitu různých výpočetních oblastí), nástroje (jako open-source sledovače uhlíkové stopy pro ML) a fóra (workshopy, summity) věnované Green AI. Dá se říci, že udržitelná AI se přesunula z okrajové myšlenky do hlavního proudu, spojující zainteresované strany z velkých technologických firem, startupů, akademické sféry i vlád. Výsledkem je rychlejší šíření nápadů a taktik – to, co se jedna firma naučí při optimalizaci využití GPU, se rychle dostane do cloudových platforem a ML frameworků, které používají všichni. Tato zrychlená výměna znalostí je inovací sama o sobě, která zesiluje dopad jednotlivých zelených průlomů v celém ekosystému AI.
Politiky a iniciativy podporující Green AI
Vzhledem k významu omezení uhlíkové stopy AI kroky podnikají tvůrci politik i organizace po celém světě. Kombinace vládních opatření, průmyslových iniciativ a závazků firem se spojuje a podporuje Green AI na více frontách. Níže jsou uvedeny některé klíčové snahy a návrhy, které tento posun pohánějí:
- Vládní politické agendy: Vlády začínají zahrnovat energetický dopad AI do svých klimatických a technologických politik. Například politická agenda z roku 2024 od Tony Blair Institute představila pětibodový plán pro „zelenější AI“, který nabádá vlády, aby (1) budovaly kapacity pro plánování spotřeby energie umělé inteligence v agenturách, (2) stanovily standardizované metriky pro vykazování spotřeby energie a emisí uhlíku AI, (3) stanovily flexibilní cíle a certifikaci zelené AI pro motivaci efektivních postupů, (4) investovaly do čisté energie a výzkumu a vývoje zelené AI (například pokročilé čipy s nízkou spotřebou a open-source modely, aby se předešlo zbytečným velkým tréninkům), a (5) koordinovaly postup na mezinárodní úrovni prostřednictvím fór, jako je každoroční klimatická konference COP institute.global institute.global. To odráží rostoucí pochopení, že politiky pro AI a energii musí být propojené. Některé země dokonce přijaly krátkodobá opatření, například moratorium na nové datové centrum v regionech, kde je elektrická síť přetížená institute.global. Například Irsko a Singapur dočasně pozastavily výstavbu datových center, aby znovu posoudily jejich udržitelnost a dopad na síť. Celkově politický trend směřuje ke stimulaci inovací v oblasti zelené AI a zároveň k řízení „šokové poptávky“ AI po energetické infrastruktuře. Výrazně se zapojují i hlavní poskytovatelé vědeckých grantů: americká National Science Foundation a Ministerstvo energetiky zahájily grantové programy pro výzkum energeticky efektivní AI a Evropská unie zařadila cíle udržitelné výpočetní techniky do své digitální a klimatické strategie iee.psu.edu.
- Firemní závazky k udržitelnosti: Mnoho technologických společností učinilo odvážné závazky v oblasti udržitelnosti, které zahrnují jejich provoz v oblasti AI.Například Google je uhlíkově neutrální (prostřednictvím kompenzací) od roku 2007 a od roku 2017 pokrývá 100 % své spotřeby elektřiny z obnovitelných zdrojů blog.google blog.google.Nyní si Google klade ještě ambicióznější cíl: napájet všechna svá datová centra a kampusy 24/7 bezuhlíkovou energií do roku 2030, což znamená, že každá hodina provozu bude podpořena místní čistou energií (bez fosilních paliv) blog.google blog.google.To je přímo motivováno rostoucími energetickými potřebami AI – Google to označuje za svůj „největší udržitelný moonshot“, a to kvůli složitosti zajištění nepřetržité čisté energie blog.google.Microsoft se rovněž zavázal být uhlíkově negativní do roku 2030 (odstraní více CO₂, než vyprodukuje) a do roku 2030 provozovat své služby na 100% bezuhlíkovou energii, a to i s rozšiřováním svých AI služeb, jako je cloud Azure a partnerství s OpenAI.Microsoft výrazně investuje do projektů obnovitelné energie a skladování energie, aby těchto cílů dosáhl.Meta (Facebook) oznámila, že dosáhla nulových čistých emisí ve svých provozech v roce 2020 přechodem na 100% obnovitelnou energii a snížením provozních emisí o 94 % oproti úrovni z roku 2017 sustainability.fb.com.Všechna nová datová centra společnosti Meta jsou navržena s ohledem na efektivitu (jejich průměrné PUE za celý provoz v roce 2023 bylo přibližně 1,10, což je velmi nízké).Meta a další však také otevřeně přiznávají, že boom AI představuje výzvu v oblasti emisí scope 3 (dodavatelský řetězec a výroba hardwaru), protože jejich celková stopa vzrostla kvůli masivním investicím do AI infrastruktury trellis.net.To je vedlo k tomu, že se ještě více zaměřili na inovace, které by tento růst kompenzovaly (například tým pro udržitelnost společnosti Meta využívá umělou inteligenci k identifikaci příležitostí ke snížení uhlíkové stopy při stavbě a provozu trellis.net).Amazon (AWS) má také klimatický závazek dosáhnout nulových emisí do roku 2040 a AWS směřuje k tomu, aby do roku 2025 používalo 100% obnovitelné energie pro svůj globální cloud.V praxi to znamená, že většina AI pracovních zátěží běžících na AWS bude během několika let poháněna obnovitelnými zdroji energie.Kromě energie integrují společnosti udržitelnost do nákupu a procesů – například někteří poskytovatelé cloudu nyní nabízejí zákazníkům informační panely, které ukazují uhlíkovou stopu jejich používání cloudu a dokonce i doporučení na alternativy s nižší uhlíkovou stopou infoq.com.Všechny tyto kroky firem nejenže snižují přímé emise, ale také nastavují průmyslová měřítka a konkurenční tlak: pokud jedna cloudová služba inzeruje výrazně nižší emise CO₂ na jedno AI inferenční volání, ostatní mají motivaci zlepšovat se nebo být alespoň transparentní.
- Průmyslové koalice a standardy: Technologický sektor nečeká na nařízení – vytvořil koalice pro samoregulaci a sdílení osvědčených postupů. Green Software Foundation (GSF) například v roce 2024 svolala Green AI Committee, do které se zapojili členové z firem jako Microsoft, Google, IBM, Accenture a další greensoftware.foundation. V roce 2025 vydali Green AI Position Paper, který definuje Green AI jako snižování environmentálního dopadu AI v celém jejím životním cyklu a zdůrazňuje potřebu standardizovaných metrik a hodnocení životního cyklu greensoftware.foundation greensoftware.foundation. Komise pracuje na pokynech podobných standardům efektivity softwaru, ale přizpůsobených AI systémům – například protokoly pro konzistentní měření uhlíkových emisí trénovacích běhů nebo standardy pro vykazování spotřeby energie v dokumentaci AI modelů. Dalším odvětvovým úsilím je Climate Neutral Data Centre Pact v Evropě, kdy provozovatelé datových center (včetně velkých cloudových a kolokačních poskytovatelů) dobrovolně přijali závazky, jako je zlepšení efektivity (PUE), používání 100% bezuhlíkové energie do roku 2030 a recyklace tepla a hardwaru, kdykoli je to možné. K roku 2023 mělo toto ujednání přes 100 signatářů a je bedlivě sledováno regulátory EU datacentremagazine.com europarl.europa.eu. Takové samoregulační iniciativy mají za cíl předejít přísnějším regulacím tím, že ukazují ochotu průmyslu jednat. Podobně firmy spolupracují na otevřených nástrojích, jako je ML Carbon Dashboard (který pomáhá vybírat cloudové regiony s nižší uhlíkovou elektřinou) a přispívají organizacím jako Climate Change AI, které poskytují politické rady o roli AI v ochraně klimatu (včetně snižování vlastní uhlíkové stopy).
- Mezinárodní spolupráce a dohody: Na mezinárodní úrovni roste povědomí o tom, že klimatický dopad AI je globální problém vyžadující spolupráci. Na konci roku 2023 a v roce 2024 se do konferencí OSN o změně klimatu dostala diskuse o „zelené AI“. V rámci rámce COP byly navrženy návrhy na zařazení agendy týkající se emisí digitálních technologií, což by zahrnovalo AI. Smyslem je, aby se státy dohodly na normách pro udržitelnou výpočetní techniku – obdobně jako u dohod o snižování průmyslových emisí. Například by státy mohly slíbit podporu energeticky účinného výzkumu a vývoje AI nebo sdílení dat o spotřebě energie AI. I když zatím neexistuje žádná závazná mezinárodní smlouva přímo k emisím AI, organizace jako Mezinárodní telekomunikační unie (ITU) a OECD zahájily iniciativy za účelem zkoumání spotřeby energie ICT (informačních a komunikačních technologií) a vypracování politických doporučení. Jedním z konkrétních návrhů od odborníků na politiku je „Průlom v oblasti zelené AI“ jako součást COP Breakthrough Agenda – v podstatě globální cíl, aby energetické požadavky AI byly pokryty čistou energií a aby AI byla využívána k urychlení (nikoli bránění) klimatických řešení institute.global. Mezitím se regionální iniciativy, jako například navrhované aktualizace směrnice EU o energetické účinnosti, začleňují i datová centra do své působnosti, což požaduje, aby velká datová centra hlásila spotřebu energie, vody a recyklaci zbytkového tepla, což nepřímo nutí operace s vysokým zatížením AI k optimalizaci. Setkáváme se i s mezinárodními výzkumnými spolupracemi, například spoluprací EU-Japonsko pro zelené ICT, které často pokrývají i témata efektivní AI. Stručně řečeno, na úrovni politiky se jednotlivé prvky začínají slaďovat: vznikají metriky a standardy k objasnění problému, pobídky a regulace ke zlepšení praxe a závazky na vysoké úrovni, které mají vést odvětví k udržitelnosti. Ačkoli je před námi ještě mnoho práce, tyto iniciativy poskytují rámec, ve kterém může kvést Zelená AI.
Případové studie: Organizace, které vedou v oblasti zelené AI
Mnoho organizací se objevilo jako lídři v implementaci praktik zelené AI a ukazují, co je možné díky odhodlání a inovacím. Níže uvádíme několik pozoruhodných případových studií:
- Google: Jako jeden z největších světových poskytovatelů AI a cloudu postavila společnost Google udržitelnost do centra své strategie. Datová centra Google jsou proslulá svou efektivitou – v roce 2023 byla jejich průměrná PUE přibližně 1,10, což je téměř 1,8× efektivnější než běžné podnikové datové centrum datacenters.google datacenters.google. Společnost od roku 2017 vyrovnává 100 % své spotřeby elektřiny obnovitelnými zdroji a nyní usiluje o to, aby do roku 2030 běžela 24/7 na bezuhlíkovou energii na všech místech blog.google blog.google. To znamená, že AI pracovní zátěže Google budou čím dál více přímo poháněny větrem, sluncem, vodní energií a dalšími nefosilními zdroji v každou hodinu dne. Google také jako první použil AI pro své vlastní operace – zejména využití strojového učení DeepMind k řízení chladicích systémů, což v raných testech přineslo asi 30% snížení spotřeby energie na chlazení trellis.net. Co se týče hardwaru, Google vyvíjí své vlastní čipy TPU (Tensor Processing Unit), které jsou velmi optimalizované pro efektivitu AI. Studie z roku 2025 ukázala, že 6. generace TPU Google (kódové označení „Trillium“) dokáže provést stejný AI úkol s třetinovými emisemi oproti svému předchůdci 4. generace cloud.google.com. Google navíc sdílí metodiky jako je Compute Carbon Intensity (CCI) – měření gramů CO₂ na jednotku výpočetního výkonu – aby pomohl průmyslu porovnávat efektivitu hardwaru cloud.google.com. V praxi Googlu víceúrovňové úsilí (efektivní hardware + zelená energie + chytré chlazení) umožnilo v posledních letech zčtyřnásobit svůj výpočetní výkon bez zvýšení spotřeby energie datacenters.google. Toto prvenství má další dopad: Google často uvolňuje své nástroje na zvyšování efektivity jako open source a zveřejňuje své poznatky, čímž pomáhá nastavovat zelenější standardy v celé oblasti AI.
- Meta (Facebook): Meta dosáhla významných výsledků v oblasti udržitelnosti, zejména v obstarávání obnovitelné energie. Do roku 2020 dosáhla Meta nulových čistých emisí provozu a od té doby podporuje svá datová centra 100% obnovitelnou energií, čímž snížila provozní emise o 94 % (v porovnání se základní hodnotou z roku 2017) sustainability.fb.com. Všechna datová centra Meta jsou stavěna podle velmi přísných standardů efektivity (LEED Gold nebo vyšší) a společnost se pyšní průměrným PUE okolo 1,1. Případ Meta však názorně ukazuje na výzvy spojené s udržitelným rozšiřováním AI. Rozvoj AI ve společnosti – včetně výstavby obrovských nových datových center pro AI superpočítání – způsobil, že celková uhlíková stopa firmy vzrostla mezi lety 2021 a 2023 přibližně o 38 %, a to i přesto, že provoz zůstal ekologický trellis.net. V roce 2023 činily emise Meta (včetně dodavatelského řetězce) asi 14 milionů tCO₂, což je dvojnásobek hodnoty z roku 2019 trellis.net. To tlačí na Meta, aby hledala kreativní řešení, jak sladit růst AI s klimatickými cíli. Jedním řešením je využití AI k řešení vlastních problémů s udržitelností. Tým pro udržitelnost ve společnosti Meta nasadil AI modely pro analýzu a zlepšení energetické účinnosti. Například Meta vyvinula AI systém pro optimalizaci otáček chladicích ventilátorů ve svých datových centrech, což snížilo spotřebu energie ventilátorů o 20 % bez dopadu na teplotu trellis.net. V dalším projektu Meta využila AI pro nalezení receptur na beton s nižší uhlíkovou stopou pro stavbu zdí datových center – použitím materiálů, jako je popílek či recyklované sklo, snížili zabudovaný uhlík betonu asi o 40 %, aniž by došlo ke ztrátě pevnosti trellis.net. Díky velikosti jejich zařízení jde o výrazné úspory. Meta také investuje do dlouhodobého odstraňování uhlíku (např. zalesňování a přímého zachycování uhlíku ze vzduchu), aby kompenzovala obtížně eliminovatelné emise ze svého dodavatelského řetězce, a nadále se snaží prosazovat nové čisté zdroje energie v regionech, kde působí. Studie případu Meta ukazuje jak odhodlání – i přes rostoucí nároky AI zůstávají „100% oddaní“ svým klimatickým závazkům trellis.net – tak náročnost, která vyžaduje neustálé inovace pro udržení emisí pod kontrolou při explozivním růstu AI. Je to příklad toho, proč Green AI znamená stejně tak chytré provozní řízení a výzkum i vývoj, jako nákup zelené energie.
- Hugging Face & BigScience: Hugging Face, malý AI startup známý svou populární platformou pro strojové učení, se výrazně angažoval v prosazování „zelené AI“. Hugging Face byl hlavním organizátorem projektu BigScience, rok trvajícího výzkumného projektu, který v roce 2022 vytrénoval otevřený jazykový model s 176 miliardami parametrů (BLOOM) s bezprecedentním důrazem na transparentnost a efektivitu. Rozhodli se trénovat BLOOM na francouzském národním superpočítači (Jean Zay), který je z velké části poháněn nízkouhlíkovou elektřinou (francouzská síť je většinou jaderná a obnovitelná). Výsledkem je, že trénování BLOOM vypustilo pouze asi 25 tun CO₂ (při zohlednění provozní energie) – zhruba 20krát méně než srovnatelný model jako GPT-3 trénovaný v roce 2019 researchgate.net. I při započítání výroby a celého životního cyklu měla BLOOM celkovou uhlíkovou stopu (50 t CO₂) řádově menší než GPT-3 (~500 t). Výzkumníci z Hugging Face tyto emise pečlivě měřili a publikovali detailní studii, aby se z ní mohla poučit celá komunita researchgate.net. Taková otevřenost byla nová – dokonce zveřejnili i záznamy o spotřebě energie během trénování, což velké korporátní AI projekty téměř nikdy nedělají. Na základě tohoto přístupu zahájila v roce 2025 Hugging Face iniciativu AI Energy Score (zmíněnou dříve), která hodnotí efektivitu modelů a motivuje poskytovatele AI k zveřejňování údajů o spotřebě energie huggingface.co. Hugging Face integroval do svých knihoven nástroje, které umožňují komukoli, kdo trénuje model, odhadovat emise uhlíku na základě odběru energie a lokace. Také spolupracují s univerzitami na výzkumu, který odhaduje uhlíkovou stopu různých modelů hostovaných na jejich platformě arxiv.org huggingface.co. Díky tomu se Hugging Face stal zastáncem energetické transparentnosti v AI – v podstatě tlačí na odvětví, aby „pojmenovalo a zostudilo“ energeticky náročné modely a oceňovalo efektivní přístupy. I když mají samotné operace Hugging Face malý rozsah (převážně poskytují online modelový hub), jejich vliv ve formě komunitní a politické aktivity je významný. Ukazují, že i menší hráči mohou jít příkladem: demonstrují, že je možné vytrénovat velké modely odpovědně, a snaží se o změnu v celém odvětví tak, aby efektivita a uhlíkový dopad byly součástí každé AI konverzace.
- Ostatní: Zmínku si zaslouží několik dalších organizací. Microsoft investuje jak do zelené energie, tak do výzkumu efektivity AI; spoluzaložil zelené AI iniciativy GSF a má plán stát se uhlíkově negativním do roku 2030, což znamená, že odstraní více uhlíku, než vyprodukuje (částečně jako reakci na nárůst svých AI cloudových služeb) microsoft.com interface.media. Výzkumníci Microsoftu pracovali na technikách jako jsou řídké modely (které aktivují pouze potřebné části sítě a šetří výpočetní výkon) a zkoumají kapalinové chlazení pro svá AI datacentra. OpenAI, ač není příliš transparentní ohledně svých operací, údajně spolupracuje s poskytovateli cloudu, aby zajistila, že část energie na trénování modelů jako GPT-4 pochází z obnovitelných zdrojů, a investuje do zlepšení efektivity (například GPT-4 má být efektivnější při tréninku než GPT-3, přinášet vyšší výkon na jednotku výpočtu – i když přesná čísla nejsou veřejná). IBM má dlouhou historii energeticky efektivního výpočetního hardwaru (od mainframů po neuromorfní čipy jako TrueNorth) a pokračuje ve výzkumu algoritmů přátelských k hardwaru, které dokážou běžet s minimální spotřebou energie, což je v souladu s cíli udržitelnosti jejich firemních klientů. Na akademické půdě pak iniciativy jako Climate Change AI spojují výzkumníky, aby využívali AI jak pro řešení klimatických problémů, tak pro snižování vlastní stopy AI prostřednictvím workshopů a publikací. Dokonce i národní laboratoře a superpočítačová centra (jako Švýcarské národní superpočítačové centrum a NERSC v USA) začala sledovat spotřebu energie AI úloh a nabízet prioritu nebo slevy pro úlohy, které lze spouštět během zvýšené produkce obnovitelné energie. Každé z těchto úsilí, malé i velké, přispívá k rostoucímu ekosystému zelených AI praktik.
Výzvy a kompromisy při implementaci zelené AI
Přestože pokrok je patrný, škálová implementace zelené AI čelí několika výzvám a kompromisům, které je třeba řešit:
- Kompromis mezi výkonem a efektivitou: Historicky se komunita AI intenzivně soustředila na zlepšení výkonu – přesnosti, schopností a rychlosti trénování – často na úkor efektivity. Větší modely a více výpočtů obecně znamenaly lepší výsledky, což vytvořilo “čím větší, tím lepší” myšlení. Posun ke Green AI někdy znamená přijmout, že malé je krásné, nebo alespoň že efektivita musí být rovnocenná přesnosti cacm.acm.org. To může vytvářet napětí: výzkumníci možná budou muset věnovat více času optimalizaci modelů nebo se vzdát několika procentních bodů přesnosti, aby mohli použít model, který je 10× efektivnější. Stejně tak firmy musejí vyvažovat přínos výstupu AI systému s energetickými náklady na jeho získání. V některých případech zlepšení efektivity může dokonce zlepšit výkon (například menší model může lépe zobecnit a být rychlejší), ale v jiných případech jde o skutečný kompromis. Výzva spočívá v kultivaci kultury, kde jsou efektivní řešení oceňována a nejsou vnímána pouze jako druhořadá oproti čistému výkonu. Toto se postupně mění se zaváděním metrik efektivity do výzkumu, ale vyžaduje to změnu myšlení: pokrok v AI by měl být měřen v “kvalitě na výpočet” a ne jen samotné kvalitě.
- Efekt rozsahu/odrazu: Existuje jev v oblasti udržitelnosti, kdy zlepšení efektivity může vést k většímu využití – známý jako rebound efekt nebo Jevonsův paradox. AI tím může být ovlivněná. Jak se modely a hardware stávají efektivnějšími, je také levnější a snazší nasadit AI všude, což následně zvyšuje celkovou poptávku po výpočetním výkonu. Například pokud firma zdvojnásobí efektivitu AI inference, může jednoduše zdvojnásobit počet AI funkcí ve svém produktu (protože každá nyní stojí poloviční náklady na provoz), čímž se energetické úspory anulují. Tento jev vidíme ve velkém měřítku v datových centrech: navzdory ziskům v efektivitě celková spotřeba energie datovými centry stále roste, protože naše chuť po digitálních službách (mnoho z nich pohání AI) roste ještě rychleji trellis.net datacenters.google. To znamená, že snahy Green AI musejí být spojeny se zodpovědným škálováním. Vyvolává to obtížné otázky, například: Měli bychom vůbec daný AI systém nasazovat, pokud jeho celkový společenský přínos neospravedlňuje jeho uhlíkovou stopu? Hnutí Green AI povzbuzuje ptát se: “Opravdu potřebujeme obří hluboký model pro tento problém, nebo existuje jednodušší alternativa?” greensoftware.foundation už ve fázi návrhu. Znamená to také, že zisky v efektivitě musí neustále předcházet růstu využití, aby skutečně vedly ke snižování emisí. Kompromis zde je v podstatě mezi přínosy AI a jejími ekologickými náklady na úrovni společnosti – tedy najít zlatou střední cestu, kdy neobětujeme důležité inovace, ale zároveň se vyhneme zbytečné spotřebě výpočetního výkonu.
- Transparentnost a mezery v datech: Další výzvou je prostě vědět, kde se nacházíme pokud jde o environmentální dopad AI. Mnoho vývojářů AI (zejména v průmyslu) bylo zdrženlivých v sdílení údajů o spotřebě energie, ať už kvůli konkurenčnímu tajemství, nebo strachu z kritiky huggingface.co. Až donedávna jen málo vědeckých prací či oznámení AI produktů vůbec zmiňovalo uhlíkovou stopu. Tento nedostatek transparentnosti ztěžuje identifikaci největších neefektivit a znemožňuje organizacím brát odpovědnost. Znamená to také, že si vědci nemohou snadno předávat zkušenosti z chyb nebo úspěchů při snižování spotřeby energie. Zatímco iniciativy jako AI Energy Score a lepší reportování se snaží tuto mezeru překlenout, účast všech hlavních hráčů zatím není univerzální – například k roku 2025 mnoho předních AI laboratoří ještě veřejně nezveřejnilo údaje o spotřebě energie svých nejnovějších modelů huggingface.co. To se pomalu mění pod tlakem zainteresovaných stran (zákazníci, zaměstnanci, dokonce i investoři, kteří se ptají na ESG výkonnost). Hlavní kompromis zde je mezi vlastnickou výhodou a kolektivním dobrem: firmy se obávají, že zveřejnění údajů o efektivitě by mohlo napovědět jejich modelové architektury nebo náklady, ale je to zásadní pro globální zlepšení. Překonání této překážky vyžaduje budování důvěry a možná nezávislé audity třetích stran, aby společnosti mohly důvěrně sdílet údaje, které přispívají k průmyslovým benchmarkům.
- Ekonomické a technické překážky: Zavádění opatření Green AI často přináší počáteční náklady nebo technickou složitost. Například navrhovat vlastní AI čip s nízkou spotřebou nebo modernizovat datové centrum pro kapalinové chlazení je drahé. Vytrénovat model s novým efektivním algoritmem může vyžadovat více výzkumu a experimentování (čas = peníze) ve srovnání s použitím známé, ale silově orientované techniky. Malé firmy a výzkumníci s omezenými zdroji mohou investici do efektivity považovat za obtížnou, pokud nepřináší okamžitou úsporu nákladů. Existuje také znalostní bariéra – odbornost v oblasti AI i optimalizace energie je poměrně vzácná, takže organizace musí najmout nebo vyškolit lidi s touto interdisciplinární dovedností. Co se týče infrastruktury, přístup k skutečně zelené elektřině 24/7 může být v některých regionech náročný; firmy mohou platit příplatek za obnovitelné zdroje nebo investovat do akumulace energie, aby pokryly výpadky. Tyto překážky mohou udržitelnost stavět do pozice „luksusu“, který si mohou dovolit jen bohatí technologičtí giganti, což je pohled, který musíme změnit. Povzbudivé je, že existují známky toho, že se mnohé zelené investice z dlouhodobého hlediska vyplácejí – energeticky efektivní návrhy často šetří peníze časem na účtech za elektřinu a ceny obnovitelných zdrojů klesají. I tak ale organizace čelí klasickému krátkodobému vs. dlouhodobému kompromisu: musí být ochotny nést určité okamžité náklady (nebo akceptovat mírně nižší základní výkon) ve jménu udržitelnosti a budoucích úspor. Politiky jako zpoplatnění uhlíku nebo normy efektivity mohou pomoci tento výpočet změnit, protože učiní udržitelnou volbu výhodnější i z ekonomického hlediska.
- Rozsah dopadu a odpovědnosti: Ekologická stopa AI má široký rozsah – od těžby minerálů pro čipy, přes výrobu elektřiny, až po likvidaci hardwaru. Řešit všechny tyto aspekty je komplexní. Výzvou pro zastánce Green AI je zabránit pouhému přesouvání dopadu jinam. Například pokud budou datová centra bezuhlíková, ale výrazně vzroste výroba hardwaru, můžeme emise pouze přesouvat do výrobních závodů a těžebních míst. Je potřeba holistický přístup, ale ten vyžaduje koordinaci napříč průmysly (elektronika, energetika, výpočetní technika) a dokonce i mezi zeměmi. Žádná AI laboratoř nebo firma nemůže ovládat uhlíkovou stopu celého dodavatelského řetězce. To otevírá otázky odpovědnosti: Měly by být AI společnosti zodpovědné za emise továren na čipy ve svém dodavatelském řetězci? Mnohé firmy nyní zvažují emise Scope 3 (nepřímé emise z dodavatelského řetězce a používání produktů) a stanovují si cíle na jejich snižování, což je pozitivní vývoj trellis.net. Spolehlivý výpočet a snižování těchto emisí však vyžaduje sdílení dat napříč odvětvími a kolektivní akci (například, aby výrobci čipů přešli na obnovitelné zdroje energie nebo zavedli recyklační programy pro elektroniku). Dosáhnout tak široké koordinace je náročné. Existuje zde dilema zaměření – řešit nejprve „nízko visící ovoce“ (jako efektivita provozu), nebo věnovat úsilí těžším, systémovým otázkám typu dekarbonizace dodavatelského řetězce? Odpovědí je, že nakonec je třeba věnovat se obojímu, ale stanovování priorit a pořadí kroků zůstává stálou výzvou.
Stručně řečeno, implementace Green AI není bez obtíží. Je třeba překonat technické kompromisy, změny v kultuře i systémové výzvy. Povzbudivou zprávou je, že žádná z těchto překážek není nepřekonatelná: AI komunita je kreativní a spolupracující, a tyto vlastnosti mohou vyřešit otázku efektivity stejně, jako v minulosti řešily problémy s výkonem. Klíčem k zvládnutí těchto kompromisů je rozšíření diskuze: zapojení nejen inženýrů, ale i produktových manažerů (k přehodnocení zbytečných funkcí), politiků (k úpravě pobídek) a veřejnosti (k podpoře udržitelné technologie). Tím, že budeme tyto výzvy předvídat a přímo je řešit – a transparentně přiznávat i slabá místa – může hnutí za Green AI dále nabírat na síle bez vykolejení neočekávanými úskalími.
Výhled do budoucna pro udržitelný rozvoj AI
Při pohledu do budoucna má snaha o Green AI zrychlit a stát se nedílnou součástí vývoje AI. Stále více panuje shoda, že udržitelnost se zařadí po bok přesnosti, spravedlnosti a bezpečnosti jako základní kritérium, podle kterého se budou AI systémy hodnotit. Řada trendů naznačuje budoucnost, kde se AI inovace a environmentální odpovědnost budou vzájemně doplňovat:
- Integrace principů Green AI: Můžeme očekávat, že během několika let bude běžné, aby výzkumné AI články a uvedení produktů na trh obsahovaly údaje o spotřebě energie a uhlíkové stopě. Stejně jako se dnes běžně uvádí „velikost modelu“ nebo „latence“, zítřejším standardem může být hlášení typu „model X dosáhl přesnosti Y s využitím Z kWh energie“. Tato transparentnost bude umožněna vylepšenými nástroji – představte si vývojová prostředí, která automaticky vypočítají uhlíkovou stopu při trénování vašeho modelu. Jakmile se tyto metriky stanou samozřejmostí, budou ovlivňovat rozhodování o návrhu již od začátku. AI inženýr v roce 2030 se může rozhodnout nevyhledávat určitou masivní architekturu modelu, protože rychlý výpočet ukáže, že by byla příliš energeticky náročná, a raději zvolí chytřejší a efektivnější metodu se srovnatelným výsledkem. Jinými slovy, povědomí o energii bude součástí životního cyklu vývoje AI. Zaměření Green Software Foundation na hodnocení životního cyklu a standardizované metriky připravuje cestu pro tuto greensoftware.foundation greensoftware.foundation. I ve vzdělávání bude pravděpodobně další generace AI odborníků školena k tomu, aby optimalizaci a udržitelnost považovala za základní dovednosti, podobně jako se učí o složitosti algoritmů.
Na závěr lze říct, že budoucnost AI směřuje k tomu, aby byla zelenější záměrně. Pokud současné trendy budou pokračovat, uvidíme AI systémy, které budou výrazně efektivnější, poháněné čistou energií a nasazované ve prospěch klimatických řešení. Existuje realistická naděje, že bychom mohli oddělit přínosy AI od jejích uhlíkových nákladů, což umožní exponenciální zlepšování schopností AI při současném zplošťování (nebo dokonce snižování) křivky emisí. K dosažení tohoto cíle bude potřeba pokračující odhodlání – technické inovace, podpůrné politiky, spolupráce v odvětví i podpora veřejnosti. Ale jak jsme ukázali, mnoho z těchto dílků už do sebe začíná zapadat. Green AI se stává z okrajového tématu novým standardem ve vývoji AI. V éře výpočetní techniky už snižování emisí není brzdou inovací – je to příležitost inovovat chytřeji. Propletením udržitelnosti s budoucností AI zajistíme, že naše snaha o zvyšování inteligence zůstane v souladu s planetou, která nás živí. Nadcházející roky budou klíčové a pokud uspějeme, budoucí generace se mohou ohlédnout a vidět Green AI jako jednu z velkých proměn této éry, kdy technologie a péče o životní prostředí postoupily společně k lepšímu světu.
Zdroje:
- Rapaka, R. (2024). Snižování uhlíkové stopy AI: Úvod do Green AI linkedin.com linkedin.com
- Kandemir, M. (2025). Proč AI spotřebovává tolik energie – a co s tím můžeme dělat. Blog Penn State IEE iee.psu.edu iee.psu.edu
- Greenly Earth. Skryté náklady umělé inteligence. (2023) greenly.earth greenly.earth
- InfoQ (2025). Nárůst spotřeby energie a vody využíváním AI modelů a jak ji lze snížit infoq.com infoq.com
- Green AI Institute – Policy White Paper (2024) greensoftware.foundation greensoftware.foundation
- Tony Blair Institute (2024). Zelenání AI: Politická agenda pro revoluci AI a energetiky institute.global institute.global
- Clancy, H. (2024). Dilema společnosti Meta: Investovat miliardy do AI, ale najít také cesty ke snížení emisí. GreenBiz/Trellis trellis.net trellis.net
- Patterson, D., et al. (2025). Navrhování udržitelné AI: efektivita TPU a emise. Google Cloud Blog cloud.google.com cloud.google.com
- Sasha Luccioni et al. (2022). Odhad uhlíkové stopy BLOOM (176B model). JMLR researchgate.net
- Sasha Luccioni & Boris Gamazaychikov (2025). Skrývají AI modely svou energetickou stopu? Tady je, co můžete dělat. (Hugging Face blog) huggingface.co huggingface.co
- Schwartz et al. (2020). Zelená AI. Communications of the ACM cacm.acm.org
- Google Data Centers – stránka o udržitelnosti (2023) datacenters.google datacenters.google
- Sundar Pichai (2020). Naše třetí dekáda klimatických akcí: Realizace budoucnosti bez uhlíku. Google Blog blog.google blog.google
- Microsoft CSR – Zpráva o udržitelnosti (2023) microsoft.com
- (Další odkazy v textu od IEA, ITU atd. jsou citovány výše uvedenými zdroji.)
