Badacze opracowali nową metodę pomiaru efektywności energetycznej systemów AI, która zmienia perspektywę na rachunkowość zasobów w sztucznej inteligencji. Zamiast liczyć energię zużywaną na sam proces obliczeniowy, proponowana metryka skupia się na energii potrzebnej do osiągnięcia konkretnego celu - czyli tego, do czego AI faktycznie został wykorzystany. To fundamentalna zmiana podejścia, szczególnie istotna w kontekście dynamicznie rozwijających się agentic systems, które muszą samodzielnie planować i wykonywać wieloetapowe zadania w warunkach ograniczonych zasobów obliczeniowych.
Dotychczasowe metryki koncentrują się na ilości operacji floating-point czy ogólnym zużyciu energii, ale nie biorą pod uwagę rzeczywistej wydajności systemu - ile energii potrzeba, żeby rozwiązać konkretny problem. Dla tradycyjnych modeli large language models różnica może wydawać się teoretyczna, ale dla autonomicznych agentów AI, które decydują o liczbie kroków potrzebnych do wykonania zadania, jest to kluczowe. Agent może osiągnąć cel szybko i efektywnie, lub robić zbędne kroki, tracąc zasoby. Nowa metryka pozwala przejrzyście porównać te scenariusze i nagradzać rzeczywistą wydajność.
Taka zmiana w sposobie myślenia o energetyce AI mogłaby znacząco wpłynąć na projektowanie przyszłych systemów autonomicznych. Zamiast optymalizować modele pod kątem szybkości czystych obliczeń, inżynierowie mogliby skupić się na sprawności strategicznego podejmowania decyzji i planowania. W era rosnących obaw dotyczących zużycia energii przez coraz potężniejsze modele AI, takie metryki mogą okazać się niezbędne dla zrównoważonego rozwoju branży.