बिना नारों के AI की पर्यावरणीय लागत को कैसे मापें
AI की पर्यावरणीय लागत के उपयोगी आकलन के लिए, सबसे पहले यह पूछें कि किस गतिविधि को मापा जा रहा है, मापन कहाँ से शुरू और कहाँ समाप्त होता है, तथा किस इकाई में रिपोर्ट किया जा रहा है। किसी मॉडल को प्रशिक्षित करना (training) और किसी प्रॉम्प्ट का उत्तर देना अलग-अलग वर्कलोड हैं; बिजली का उपयोग और उत्सर्जन दोनों एक समान नहीं हैं; और एक प्रॉम्प्ट का आंकड़ा किसी डेटा सेंटर की कुल मांग का प्रतिनिधित्व नहीं कर सकता। एक व्यावहारिक तुलना कोई भी निष्कर्ष निकालने से पहले इन अंतरों को दर्ज करती है।
प्रशिक्षण (training) और अनुमान (inference) को अलग करने से शुरुआत करें
प्रशिक्षण (Training) वह गणना (computation) है जिसका उपयोग किसी मॉडल को बनाने या अपडेट करने के लिए किया जाता है। अनुमान (Inference), जिसे सर्विंग (serving) भी कहा जाता है, डिप्लॉयमेंट के बाद आउटपुट उत्पन्न करने के लिए उपयोग की जाने वाली गणना है। एक एकल प्रशिक्षण रन एक निश्चित अवधि में अत्यधिक ऊर्जा की खपत कर सकता है, जबकि अनुमान उपयोगकर्ताओं और अनुरोधों (requests) के बीच बार-बार दोहराया जाता है। समय के साथ, बार-बार की जाने वाली सर्विंग से होने वाला कुल योग प्रशिक्षण के समानांतर प्रासंगिक हो सकता है, लेकिन संबंधित हिस्से मॉडल, उपयोग और गिनी गई अवधि पर निर्भर करते हैं। कोई भी संयुक्त कुल प्रस्तुत करने से पहले दोनों को अलग-अलग मापा और रिपोर्ट किया जाना चाहिए। अंतर्राष्ट्रीय ऊर्जा एजेंसी (IEA) प्रशिक्षण और डिप्लॉयमेंट दोनों को डेटा-सेंटर गतिविधियों के रूप में वर्णित करती है, और Google का एक तकनीकी अध्ययन विशेष रूप से अनुमान को मापता है जबकि मॉडल प्रशिक्षण को अपनी सीमा से बाहर रखता है। IEA, “Energy demand from AI” और Elsworth et al., “Measuring the environmental impact of delivering AI at Google Scale”
प्रशिक्षण के लिए, उपयोगी रिपोर्टिंग में रन की अवधि, खपत की गई ऊर्जा, शामिल हार्डवेयर, और क्या यह आंकड़ा केवल मुख्य एक्सेलरेटर को कवर करता है या व्यापक कंप्यूटिंग सिस्टम को, शामिल होना चाहिए। अनुमान के लिए, सेवा और कार्य (task) को परिभाषित करें: उदाहरण के लिए, एक निश्चित मापन अवधि के दौरान किसी नामित सहायक के लिए टेक्स्ट जनरेशन। यह शामिल करें कि रिपोर्ट की गई इकाई प्रति अनुरोध, प्रति टोकन, प्रति जनरेटेड आउटपुट है, या कुल सेवा ऊर्जा है। ये विभाजक (denominators) अलग-अलग प्रश्नों के उत्तर देते हैं। प्रति-अनुरोध का मान प्रॉम्प्ट और प्रतिक्रिया की लंबाई, मॉडल रूटिंग और वर्कलोड स्थितियों के साथ भिन्न हो सकता है; प्रति-टोकन मान उन ओवरहेड्स को छिपा सकता है जो सीधे टोकन के साथ स्केल नहीं होते हैं।
आंकड़ों की तुलना करने से पहले सीमा (boundary) की जांच करें
मापन सीमा यह पहचानती है कि किन उपकरणों और गतिविधियों की गणना की गई है। एक संकीर्ण अनुमान सक्रिय GPU या अन्य AI एक्सेलरेटर द्वारा खींची गई बिजली की गणना कर सकता है। एक व्यापक सर्विंग अनुमान में होस्ट CPU और मेमोरी, उपलब्धता के लिए आरक्षित निष्क्रिय मशीनें, बिजली रूपांतरण, कूलिंग और अन्य डेटा-सेंटर ओवरहेड भी शामिल हो सकते हैं। कुछ सीमाएं सुविधा के बाहर के नेटवर्क, एंड-यूज़र डिवाइस, मॉडल प्रशिक्षण, या डेटा स्टोरेज को बाहर रखती हैं। कोई अनुमान आंतरिक रूप से मान्य हो सकता है लेकिन फिर भी वह किसी ऐसे अनुमान के साथ तुलना के लिए अनुपयुक्त हो सकता है जो सिस्टम के अधिक—या अलग—हिस्सों की गणना करता है।
Google का प्रकाशित Gemini Apps अनुमान यह स्पष्ट करता है कि सीमा क्यों महत्वपूर्ण है। मई 2025 का औसत टेक्स्ट प्रॉम्प्ट के लिए इसका अनुमान इसकी व्यापक सर्विंग पद्धति का उपयोग करते हुए 0.24 वॉट-घंटे (Wh) था; उसी अध्ययन में एक संकीर्ण पद्धति, जिसने होस्ट CPU और मेमोरी, निष्क्रिय मशीनों और सुविधा ओवरहेड को बाहर रखा था, ने 0.10 Wh का उत्पादन किया। वे परिणाम केवल एक उत्पाद, तिथि, मीट्रिक और लेखांकन सीमा के लिए हैं, न कि किसी AI प्रॉम्प्ट के लिए सार्वभौमिक मान। यह अध्ययन प्रशिक्षण और एंड-यूज़र डिवाइस को भी बाहर रखता है। Google Cloud, “Measuring the environmental impact of AI inference” और साथ में दिया गया तकनीकी पेपर
किसी भी प्रति-कार्य संख्या को पढ़ते समय, एक संक्षिप्त सीमा विवरण (boundary statement) की तलाश करें। इसमें यह बताया जाना चाहिए कि क्या कुल केवल एक्सेलरेटर-आधारित है या फुल-स्टैक, क्या डेटा-सेंटर ओवरहेड शामिल है, और क्या प्रशिक्षण और गैर-डेटा-सेंटर गतिविधियां शामिल हैं। यदि वह जानकारी गायब है, तो तुलना के लिए उस संख्या को अधूरा मानें। किसी अन्य स्रोत से चुपचाप ओवरहेड मल्टीप्लायर न जोड़ें: सुविधा की दक्षता और वर्कलोड की स्थितियां भिन्न होती हैं।
इकाइयों को दावे से जोड़कर रखें
बिजली को आमतौर पर छोटे कार्य के लिए वॉट-घंटे (Wh), बड़े योगों के लिए किलोवॉट-घंटे (kWh), और सुविधा या क्षेत्रीय योगों के लिए मेगावॉट-घंटे या टेरावॉट-घंटे में रिपोर्ट किया जाता है। एक kWh 1,000 Wh के बराबर होता है। पावर (शक्ति), जिसे वॉट (W) या किलोवॉट (kW) में मापा जाता है, एक क्षण में या एक अंतराल पर एक दर है; ऊर्जा Wh या kWh में समय के साथ संचित होती है। इसलिए किसी डेटा सेंटर की पावर क्षमता के बारे में दिया गया बयान, अपने आप में, यह नहीं बताता है कि उसने एक वर्ष के दौरान कितनी बिजली का उपयोग किया।
उत्सर्जन को आमतौर पर कार्बन डाइऑक्साइड समकक्ष के द्रव्यमान के रूप में व्यक्त किया जाता है, जैसे कि प्रति कार्य ग्राम CO₂e या प्रति वर्ष टन CO₂e। बिजली से संबंधित उत्सर्जन का अनुमान लगाने के लिए, ऊर्जा उपयोग को बिजली के उत्सर्जन कारक (emissions factor) के साथ जोड़ा जाता है, जिसका मान ग्रिड, समय अवधि और लेखांकन पद्धति पर निर्भर करता है। विनिर्माण उपकरणों से होने वाला एम्बॉडीड (निहित) उत्सर्जन एक अलग घटक है और इसे चुनी गई पद्धति के तहत हार्डवेयर के जीवनकाल या उपयोग में आवंटित किया जा सकता है। ऊर्जा और उत्सर्जन को अलग-अलग परिणामों के रूप में रखें; कम उत्सर्जन का आंकड़ा कम कार्बन-गहन बिजली आपूर्ति को दर्शा सकता है, न कि कम बिजली उपयोग को। पानी का उपयोग एक अन्य अलग मीट्रिक है और इसके लिए अपनी सीमा और इकाई की आवश्यकता होती है।
हार्डवेयर दक्षता को एक इनपुट मानें, पूरा परिणाम नहीं
हार्डवेयर दक्षता को ऊर्जा की प्रति इकाई उपयोगी गणना के रूप में, या उपयोगी कार्य की प्रति इकाई ऊर्जा के रूप में व्यक्त किया जा सकता है। लेकिन किसी चिप का चरम प्रदर्शन प्रति वॉट (peak performance per watt) वास्तविक सेवा कार्य को पूरा करने के लिए उपयोग की जाने वाली ऊर्जा के समान नहीं है। वास्तविक दुनिया के परिणाम उपयोग (utilization), सॉफ्टवेयर और मॉडल डिज़ाइन, वर्कलोड आकार, बैचिंग, सिस्टम सहायक उपकरण और सुविधा पर भी निर्भर करते हैं। IEA नोट करता है कि औसतन डेटा-सेंटर की बिजली में सर्वर का एक बड़ा हिस्सा होता है, जबकि कूलिंग और अन्य घटकों के शेयर सुविधा के प्रकार के अनुसार काफी भिन्न होते हैं। IEA, “Energy demand from AI”
व्यक्तिगत तुलना के लिए, उसी सेवा और अवधि पर उसी परिभाषित कार्य को प्राथमिकता दें, यदि उपलब्ध हो तो प्रदाता की प्रति कार्य मापी गई ऊर्जा के साथ। यदि दो मॉडलों या सेवाओं की तुलना कर रहे हैं, तो जांचें कि कार्य, आउटपुट की लंबाई, मापन सीमा और निष्क्रिय क्षमता का प्रबंधन तुलनीय है या नहीं। हार्डवेयर विनिर्देश या बेंचमार्क दक्षता क्षमता को समझाने में मदद कर सकता है, लेकिन यह स्वतंत्र रूप से उत्पादन ऊर्जा उपयोग को स्थापित नहीं करता है।
डेटा-सेंटर के कुल योग का उपयोग व्यापक पैमाने (scale) के लिए करें, प्रति-प्रॉम्प्ट परिशुद्धता के लिए नहीं
किसी सुविधा या राष्ट्रीय स्तर का कुल योग प्रति-अनुरोध अनुमान से भिन्न प्रश्न का उत्तर देता है। कुल बिजली की खपत सभी सर्व किए गए वर्कलोड, सुविधा उपकरण और एक चुने हुए अंतराल पर मांग में बदलाव को दर्शाती है। ऐसे कुल योग को अनुरोधों की अनुमानित संख्या से विभाजित करने पर केवल तभी एक अनुमानित औसत मिल सकता है जब अंश और हर (numerator and denominator) समान सेवाओं, स्थानों और अवधि को कवर करते हों। साझा बुनियादी ढांचा गैर-AI वर्कलोड को भी सर्व करता है, इसलिए सुविधा की पूरी बिजली को AI के लिए जिम्मेदार ठहराना AI के हिस्से को बढ़ा-चढ़ाकर पेश करेगा, जब तक कि आवंटन पद्धति इसे उचित न ठहराए।
अमेरिकी ऊर्जा विभाग की 2024 की लॉरेंस बर्कले नेशनल लेबोरेटरी रिपोर्ट ऐतिहासिक अमेरिकी डेटा-सेंटर बिजली उपयोग का अनुमान लगाती है और 2028 तक भविष्य के मांग परिदृश्यों की एक श्रृंखला प्रस्तुत करती है। वह एक राष्ट्रीय डेटा-सेंटर विश्लेषण है, न कि किसी व्यक्तिगत AI अनुरोध के लिए ऊर्जा का सीधा मापन। इसका पैमाना और परिदृश्य दृष्टिकोण समग्र मांग में अनिश्चितता को समझने के लिए उपयोगी है, जबकि उत्पाद-स्तरीय परिचालन टेलीमेट्री संकीर्ण रूप से परिभाषित सर्विंग कार्य के लिए अधिक प्रासंगिक है। Lawrence Berkeley National Laboratory, “2024 United States Data Center Energy Usage Report”
अनिश्चितता को छिपाने के बजाय उसका वर्णन करें
परिचालन डेटा तक अधूरी पहुंच, मीटर्ड के बजाय अनुमानित वर्कलोड, निष्क्रिय क्षमता के बारे में धारणाएं, हार्डवेयर उपयोग में बदलाव, और साझा उपकरण कैसे आवंटित किए जाते हैं, इसके विकल्पों के माध्यम से अनिश्चितता प्रवेश कर सकती है। उत्सर्जन बिजली के स्थान और समय, उत्सर्जन कारकों और खरीदी गई बिजली के लेखांकन उपचार के माध्यम से और अधिक भिन्नता जोड़ता है। पूर्ण मीटर्ड डेटा अनुपलब्ध होने पर डेटा-सेंटर का कुल योग भी अनुमानों और परिदृश्यों पर निर्भर करता है। IEA स्पष्ट रूप से वर्तमान और भविष्य के डेटा-सेंटर बिजली की खपत में पर्याप्त अनिश्चितता की बात करता है। IEA, “Energy demand from AI”
इसलिए एक उपयोगी रिपोर्ट अपनी अवलोकन अवधि का नाम देती है, सीमा का वर्णन करती है, यह पहचानती है कि आंकड़े सीधे मीटर्ड हैं या मॉडल्ड, और प्रमुख मान्यताओं को स्पष्ट करती है। जहां अनुमान परिदृश्यों या आवंटन विकल्पों पर निर्भर करते हैं, वहां एक सीमा (range) दें या समझाएं कि वे विकल्प परिणाम को कैसे प्रभावित करते हैं। जब अंतर्निहित मापन उनका समर्थन नहीं करता है, तो कई दशमलव स्थानों को प्रस्तुत करने से बचें। एक माध्यिका (median), माध्य (mean), या प्रतिनिधि कार्य को भी सटीक रूप से लेबल किया जाना चाहिए: प्रत्येक वर्कलोड वितरण को अलग तरह से सारांशित करता है, और कोई भी हर अनुरोध का वर्णन नहीं करता है।
किसी दावे का मूल्यांकन करने के लिए एक व्यावहारिक चेकलिस्ट
AI के लिए पर्यावरणीय आंकड़े को दोहराने या तुलना करने से पहले, पूछें:
क्या यह प्रशिक्षण है, अनुमान है, या संयुक्त कुल है?
यह किस सेवा, वर्कलोड, अवधि और कार्यात्मक इकाई का वर्णन करता है?
क्या यह केवल एक्सेलरेटर की गणना करता है, या होस्ट, निष्क्रिय क्षमता और सुविधा ओवरहेड की भी?
क्या यह मान ऊर्जा, शक्ति, उत्सर्जन या पानी है—और किन इकाइयों का उपयोग किया जाता है?
उत्सर्जन के लिए, कौन सा बिजली कारक, स्थान, समय आधार, और एम्बॉडीड-उत्सर्जन उपचार लागू किया गया था?
क्या परिणाम मापा गया है, अनुमानित है, या परिदृश्य-आधारित है, और कौन से महत्वपूर्ण बहिष्करण या अनिश्चितताएं शेष हैं?
सामान्य व्यक्तिगत विकल्पों के लिए, यह चेकलिस्ट संदर्भ-रहित “ऊर्जा प्रति चैट” संख्या की तुलना में अधिक कार्रवाई योग्य है। यह किसी एक परिभाषित सेवा के मापे गए परिणाम को समग्र रूप से AI के बारे में व्यापक दावे से अलग करने में मदद करती है, और यह दिखाती है कि कौन से अनुपलब्ध विवरण तुलना को अविश्वसनीय बना देंगे।