Wie viel Energie verbraucht ein ChatGPT Abfrageverwendung?

Die kurze Antwort ist, dass eine normale Textabfrage wahrscheinlich einen Bruchteil einer Wattstunde verbraucht, aber es gibt kein universelles „ChatGPT Abfrage“. Eine Aufforderung, einen Satz zu korrigieren, und eine tiefgreifende Rechercheaufgabe, bei der Dutzende von Quellen gelesen werden, sind unterschiedliche Rechenaufgaben. Wenn man sie als austauschbar behandelt, ist jede präzise aussehende Figur weniger nützlich, als sie scheint.

Das bedeutet nicht, dass wir nichts wissen. Im Jahr 2025 OpenAI CEO Sam Altman schrieb, das sei ein Durchschnitt ChatGPT Abfrage verwendet ungefähr 0.34 Wattstunden. Ungefähr zur gleichen Zeit schätzten unabhängige Forscher von Epoch AI grob 0.3 Wattstunden für einen typischen GPT-4o Abfrage. Die Vereinbarung ist bemerkenswert, aber sie ist nicht dasselbe wie eine öffentliche, unabhängig geprüfte Messung. Altman veröffentlichte die Berechnung hinter seiner Zahl nicht, während Epoch Annahmen über Modell, Hardware, Nutzung und Token-Anzahl treffen musste.

Daher sind 0.3–0.34 Wh ein nützlicher Referenzpunkt für einen gewöhnlichen Textaustausch, wie er in diesen Schätzungen beschrieben wird. Dabei handelt es sich nicht um einen Zählerstand für Ihre spezielle Anforderung, und er sollte nicht auf jeden Modus oder jedes Modell ausgedehnt werden.

Warum eine Abfrage sehr unterschiedlich sein kann

Eine KI-Antwort wird Token für Token generiert. Im Großen und Ganzen bedeutet mehr Input für die Verarbeitung und mehr Output für die Generierung mehr Arbeit. Eine kurze sachliche Antwort kann schnell zu Ende sein. Ein langes Gespräch führt den vorherigen Kontext fort. Das Hochladen eines umfangreichen Dokuments verursacht vorab Bearbeitungskosten. Ein Argumentationsmodell generiert möglicherweise versteckte Arbeitstoken, bevor es eine Antwort anzeigt. Such-, Bildgenerierungs- und Agententools können mehrere Systeme statt nur eines aufrufen.

Die ausgearbeiteten Beispiele von Epoch machen das Ausmaß dieser Variation deutlich. Sein Modell bezifferte eine Abfrage mit einer Eingabe von 10,000 Token auf etwa 2.5 Wh und eines mit einem 100,000-Token-Input in der Nähe von 40 Wh, unter seinen angegebenen Annahmen. Dabei handelt es sich nicht um Schätzungen für den durchschnittlichen Chat. Sie zeigen, warum das Wort „Abfrage“ allein zu grob ist.

Auch das Modell ist wichtig. Ein kleineres Modell führt im Allgemeinen weniger Berechnungen pro generiertem Token durch als ein großes Modell, obwohl Architektur, Quantisierung, Hardware- und Softwareoptimierung den Vergleich erschweren. Mixture-of-Experts-Modelle aktivieren nur einen Teil ihrer gesamten Parameteranzahl für jedes Token. Moderne Beschleuniger können mehr Arbeit pro Stromeinheit leisten als ältere Hardware. Durch effizientes Batching kann ein Server mehrere Benutzer gleichzeitig verwalten, ein leerer oder nur wenig genutzter Server ist jedoch pro Antwort möglicherweise weniger effizient.

Dann gibt es noch das Rechenzentrum rund um die Chips. Auch Kühlung, Vernetzung und Stromumwandlung verbrauchen Strom. Forscher berücksichtigen diesen Mehraufwand üblicherweise mit einem Stromverbrauchseffektivitätsfaktor. Das Ergebnis hängt auch davon ab, wo und wann der Strom erzeugt wird: Eine Wattstunde hat überall die gleiche Energie, die damit verbundenen Emissionen variieren jedoch je nach Netzmix.

Was wird eigentlich gezählt?

Die meisten Zahlen pro Abfrage beschreiben den Betriebsstrom als Rückschluss: die Energie, die verbraucht wird, während der Dienst eine Antwort erstellt, zuzüglich einer gewissen Berücksichtigung des Rechenzentrums-Overheads. Sie umfassen möglicherweise nicht das Telefon oder den Laptop des Benutzers, die Netzwerkübertragung, die Speicherung, das Modelltraining, die Herstellung der Chips und Gebäude oder die zwischen den Anfragen bereitgehaltene Infrastruktur.

Es gibt keine einzige richtige Grenze für jede Frage. Wenn Sie zwei Inferenzoptionen vergleichen, ist die Betriebsenergie pro Antwort hilfreich. Wenn Sie eine unternehmensweite CO2-Inventur erstellen, ist eine breitere Lebenszyklusgrenze möglicherweise angemessener. Probleme beginnen, wenn eine enge Schätzung als Gesamtkosten für die Umwelt dargestellt wird – oder wenn eine breite Schätzung mit einer engen Schätzung verglichen wird.

Die Ausbildung verdient eine gesonderte Behandlung. Es handelt sich um eine große, gelegentliche Arbeit, deren Auswirkungen auf eine unbekannte Anzahl zukünftiger Verwendungszwecke verteilt werden können. Wenn Sie es durch mehr Nachrichten teilen, verringert sich der Anteil pro Nachricht. Dazu gehört ein Modell, das schnell ausgetauscht wird und es steigt. Eine Zuordnung kann bei der Abrechnung hilfreich sein, allerdings wird in dem Moment, in dem Sie auf „Senden“ drücken, noch kein Strom bezogen.

Die gleiche Vorsicht gilt für Wasser und Kohlenstoff. Der Wasserverbrauch hängt von der Kühltechnologie und der Stromversorgungskette ab. Der CO2-Ausstoß hängt vom Standort, dem Zeitpunkt und davon ab, ob bei der Abrechnung der physische Netzmix oder vertragliche Käufe erneuerbarer Energien verwendet werden. Die Umrechnung von Wh in Gramm Kohlenstoff ohne Angabe dieser Entscheidungen birgt erhebliche Unsicherheiten.

Wie sich die alte 3-Wh-Zahl bewegte

Mehrere Jahre lang hieß es in Artikeln oft a ChatGPT Auf Anfrage wurden etwa 3 Wh verbraucht, manchmal gepaart mit der Behauptung, dass dies das Zehnfache eines sei Google suchen. Die Zahl stammt aus einer frühen Schätzung unter Verwendung älterer A100-Hardware, a GPT-3.5-scale Modell und angenommen 2,000 Ausgabe-Tokens. Epoch AI erklärt, warum es diese Annahmen für nicht repräsentativ für die typische moderne Nutzung hält Methodik und Vergleich.

Es empfiehlt sich, eine Schätzung zu aktualisieren, wenn sich Hardware und Dienste ändern. Es beweist nicht, dass der KI-Energieverbrauch irrelevant ist. Dies bedeutet, dass eine beliebte Nummer pro Abfrage stark in die Jahre gekommen ist.

Der Vergleich mit der Websuche ist aus einem anderen Grund wackelig: Die häufig zitierte Suchzahl stammt aus Google im Jahr 2009. Die Suche umfasst jetzt eine andere Infrastruktur und umfasst manchmal generierte Zusammenfassungen. Wenn man eine aktuelle KI-Schätzung neben eine alte Suchschätzung stellt, entsteht ein scheinbar einfaches Verhältnis aus ungleichen Messungen.

Wie Zahlen in beide Richtungen missbraucht werden

Ein Missbrauch besteht darin, einen hochpreisigen oder veralteten Kostenvoranschlag zu nehmen, ihn mit einer großen Anzahl imaginärer Anfragen zu multiplizieren und das Ergebnis als gemessene Summe darzustellen. Das kann die Verwendung normaler Texte übertreiben und von den tatsächlich intensiveren Arbeitsbelastungen ablenken.

Der umgekehrte Missbrauch beginnt mit einem niedrigen Durchschnitt und kommt zu dem Schluss, dass es nichts zu beachten gibt. Eine kleine Menge, multipliziert mit einer großen und wachsenden Nutzung, ist immer noch der Systembedarf. Die Die Arbeit der Internationalen Energieagentur zu Energie und KI betrachtet die Nachfrage nach Rechenzentren auf dieser Systemebene. Sowohl die Effizienz pro Abfrage als auch das Gesamtstromwachstum können zutreffen, wenn die Nutzung zunimmt und neue Aufgaben mehr Rechenleistung erfordern.

Ein weiterer Fehler ist falsche Präzision. „0.34 Wh“ klingt auf zwei Dezimalstellen genau gemessen, aber die öffentliche Erklärung beschreibt einen Durchschnitt über eine nicht genannte Mischung von Anfragen. Es ist ehrlicher, den Kontext und die Unsicherheit beizubehalten, als sie zu einer universellen Konstante zu machen.

Wie Treechat schätzt eine Nachricht

Treechat Ich kann den an jede Antwort angeschlossenen Leistungsmesser nicht ablesen. Die Anbieter geben diese Messung nicht bekannt. Wir schätzen stattdessen und bezeichnen das Ergebnis als Schätzung.

Unsere Berechnung beginnt mit dem verwendeten Modell und den verarbeiteten und generierten Token. Es wendet eine auf öffentlichen Modellen basierende Energiemethodik an, fügt Rechenzentrums-Overhead hinzu und wandelt Strom anhand einer durchschnittlichen Kohlenstoffintensität des Netzes in geschätzte Emissionen um. Die Annahmen und aktuellen Konstanten sind auf unserer Seite aufgeführt Seite zur Methodik.

Wir leiten alltägliche Anfragen standardmäßig an ein kleineres Modell weiter, da die Modellauswahl ein Hebel ist, den wir tatsächlich betätigen können. Wir zeigen bei der Antwort auch einen geschätzten Eingang an, anstatt eine genaue Messung zu beanspruchen. Wo die Beweise unvollständig sind, runden wir gegen uns selbst ab. Wir würden eine Ersparnis lieber unterbewerten, als ein nettes Versprechen abzugeben, das die zugrunde liegenden Daten nicht unterstützen können.

Die vertretbarste Antwort ist also nicht „a ChatGPT Die Abfrage verwendet genau