Исследователи Стэнфорда измерили экономическую ценность ИИ на один джоуль
Метод Joules-to-GDP показывает, что самая сильная модель или крупнейший кластер GPU часто не дает лучшей отдачи при ограниченном энергобюджете.
Исследователи из Stanford HazyResearch и их коллеги представили открытую методику Joules-to-GDP для измерения экономической ценности, которую ИИ создает на единицу энергии. Она рассчитывает чистую ценность на джоуль — оценку результата за вычетом стоимости запуска — и сэкономленное время эксперта на джоуль.
Авторы применили метод к 220 профессиональным задачам из 44 профессий в бенчмарке OpenAI GDPval. Результаты опровергают простое правило «самая сильная модель всегда эффективнее». GLM 5.2 показала наибольшую среднюю чистую ценность на задачу, однако Gemma 4 31B обеспечила 56% этого результата, потратив лишь 23% энергии. В пересчете это в 2,5 раза больше чистой ценности на джоуль и в 2,8 раза больше сэкономленного времени на джоуль.
Масштабирование оборудования тоже дало убывающую отдачу. Запуск одной модели на восьми GPU Nvidia H100 потребовал в 3,2 раза больше энергии, чем на одной H100, но сократил время выполнения лишь на 22% при примерно той же экономической ценности.
Методика помогает разработчикам и компаниям выбирать модели, задачи и ускорители с учетом энергобюджета, а не только качества или скорости. Авторы опубликовали статью, код и дополнительный набор GDPWorks по 36 профессиям.
