Hoeveel energie kost een ChatGPT vraag gebruiken?

Het korte antwoord is dat een normale tekstquery waarschijnlijk een fractie van een wattuur verbruikt, maar er is geen universeel ‘ChatGPT vraag”. Een verzoek om een ​​zin te corrigeren en een diepgaande onderzoekstaak waarbij tientallen bronnen worden gelezen, zijn verschillende computerklussen. Door ze als onderling uitwisselbaar te beschouwen, wordt elk nauwkeurig ogend figuur minder nuttig dan het lijkt.

Dat betekent niet dat we niets weten. In 2025, OpenAI CEO Sam Altman schreef dat een gemiddelde ChatGPT zoekopdracht gebruikt ongeveer 0.34 wattuur. Rond dezelfde tijd schatten onafhankelijke onderzoekers van Epoch AI een ruwe schatting 0.3 wattuur voor een gemiddelde GPT-4o vraag. De overeenkomst is opmerkelijk, maar niet hetzelfde als een openbare, onafhankelijk gecontroleerde meting. Altman publiceerde de berekening achter zijn cijfer niet, terwijl Epoch aannames moest doen over het model, de hardware, het gebruik en het aantal tokens.

0.3–0.34 Wh is dus een nuttig referentiepunt voor een gewone tekstuitwisseling zoals deze schattingen beschrijven. Het is geen meterstand voor uw specifieke melding, en deze mag niet worden uitgebreid tot elke modus of elk model.

Waarom de ene vraag heel anders kan zijn dan de andere

Een AI-antwoord wordt token voor token gegenereerd. Over het algemeen betekent meer input voor het proces en meer output voor het genereren meer werk. Een kort feitelijk antwoord kan snel klaar zijn. Een lang gesprek brengt de eerdere context naar voren. Het uploaden van een substantieel document brengt verwerkingskosten vooraf met zich mee. Een redeneermodel kan verborgen werkfiches genereren voordat het een antwoord laat zien. Zoeken, het genereren van afbeeldingen en agentische tools kunnen meerdere systemen aanroepen in plaats van één.

De uitgewerkte voorbeelden van Epoch maken de omvang van deze variatie duidelijk. Het model plaatste een zoekopdracht met een invoer van 10,000 tokens rond 2.5 Wh en één met een invoer van 100,000 tokens nabij 40 Wh, onder de gestelde veronderstellingen. Dat zijn geen schattingen voor de gemiddelde chat. Ze laten zien waarom het woord ‘query’ op zichzelf te grof is.

Het model is ook van belang. Een kleiner model voert over het algemeen minder berekeningen per gegenereerd token uit dan een groot model, hoewel architectuur, kwantisering, hardware- en software-optimalisatie de vergelijking bemoeilijken. Mixture-of-experts-modellen activeren slechts een deel van hun totale aantal parameters voor elk token. Moderne versnellers kunnen meer werk per eenheid elektriciteit doen dan oudere hardware. Door efficiënt batchen kan één server meerdere gebruikers tegelijk verwerken, maar een lege of weinig gebruikte server kan per antwoord minder efficiënt zijn.

Dan is er het datacenter rond de chips. Koeling, netwerken en stroomconversie verbruiken ook elektriciteit. Onderzoekers houden voor deze overhead doorgaans rekening met een factor voor de effectiviteit van het energieverbruik. Het resultaat hangt ook af van waar en wanneer de elektriciteit wordt opgewekt: een wattuur heeft overal dezelfde energie, maar de bijbehorende emissies variëren afhankelijk van de netwerkmix.

Wat wordt er eigenlijk geteld?

De meeste cijfers per zoekopdracht beschrijven operationele elektriciteit voor gevolgtrekking: de energie die wordt gebruikt terwijl de dienst een antwoord produceert, plus enige vergoeding voor de overhead van het datacenter. Hieronder vallen mogelijk niet de telefoon of laptop van de gebruiker, netwerktransmissie, opslag, modeltraining, vervaardiging van de chips en gebouwen, of de infrastructuur die tussen de aanvragen door gereed wordt gehouden.

Er is niet één juiste grens voor elke vraag. Als u twee gevolgtrekkingsopties vergelijkt, is operationele energie per reactie nuttig. Als u een koolstofinventarisatie voor het hele bedrijf voorbereidt, kan een bredere levenscyclusgrens geschikter zijn. De problemen beginnen wanneer een enge schatting wordt gepresenteerd als de totale milieukosten – of wanneer een brede schatting wordt vergeleken met een smalle schatting.

Opleiding verdient een aparte behandeling. Het is een grote, incidentele klus waarvan de impact over een onbekend aantal toekomstige toepassingen kan worden verdeeld. Verdeel je het door meer berichten, dan krimpt het aandeel per bericht; omvatten een model dat snel wordt vervangen en het stijgt. Een toewijzing kan helpen bij de boekhouding, maar er wordt geen elektriciteit afgenomen op het moment dat u op verzenden drukt.

Dezelfde voorzichtigheid geldt voor water en koolstof. Het waterverbruik is afhankelijk van de koeltechnologie en de elektriciteitsvoorzieningsketen. Koolstof hangt af van de locatie, het tijdstip en of bij de boekhouding gebruik wordt gemaakt van de fysieke netmix of contractuele aankopen van hernieuwbare energie. Het omzetten van Wh in grammen koolstof zonder deze keuzes te vermelden, verbergt belangrijke onzekerheid.

Hoe het oude 3 Wh-cijfer reisde

Jarenlang zeiden artikelen vaak: a ChatGPT verzoek gebruikte ongeveer 3 Wh, soms gepaard met de bewering dat dit tien keer was Google zoeken. Het cijfer kwam voort uit een vroege schatting waarbij gebruik werd gemaakt van oudere A100-hardware GPT-3.5-scale model en een veronderstelde 2,000 uitvoertokens. Epoch AI legt uit waarom zij deze aannames niet representatief acht voor typisch modern gebruik methodologie en vergelijking.

Het is een goede gewoonte om een schatting bij te werken wanneer hardware en services veranderen. Het bewijst niet dat AI-energiegebruik irrelevant is. Het betekent dat een populair nummer per zoekopdracht slecht verouderd is.

De vergelijking met zoeken op internet is om nog een reden wankel: het vaak geciteerde zoekcijfer kwam vandaan Google in 2009. Zoeken omvat nu verschillende infrastructuur en bevat soms gegenereerde samenvattingen. Door een recente AI-schatting naast een oude zoekschatting te plaatsen, ontstaat een ogenschijnlijk eenvoudige verhouding tussen afwijkende metingen.

Hoe cijfers in beide richtingen worden misbruikt

Eén misbruik is het nemen van een hoge of verouderde schatting, deze te vermenigvuldigen met een groot aantal ingebeelde verzoeken, en het resultaat te presenteren als een gemeten totaal. Dat kan het gewone tekstgebruik overdrijven en de aandacht afleiden van de werkdruk die werkelijk intensiever is.

Het tegenovergestelde misbruik begint met een laag gemiddelde en leidt tot de conclusie dat er niets is om rekening mee te houden. Een kleine hoeveelheid, vermenigvuldigd over groot en groeiend gebruik, is nog steeds systeemvraag. De Het werk van het Internationaal Energieagentschap op het gebied van energie en AI kijkt naar de vraag naar datacenters op dat systeemniveau. Efficiëntie per zoekopdracht en totale elektriciteitsgroei kunnen beide waar zijn wanneer het gebruik toeneemt en nieuwe taken meer rekenkracht vereisen.

Een andere fout is valse precisie. “0.34 Wh” klinkt gemeten tot op twee decimalen, maar de publieke verklaring beschrijft een gemiddelde over een niet bekendgemaakte mix van verzoeken. Het is eerlijker om de context en de onzekerheid vast te houden dan er een universele constante van te maken.

Hoe Treechat schat een bericht in

Treechat kan geen vermogensmeter lezen die aan elk antwoord is gekoppeld. Aanbieders stellen die meting niet bloot. In plaats daarvan maken we een schatting en bestempelen we het resultaat als een schatting.

Onze berekening begint met het gebruikte model en de verwerkte en gegenereerde tokens. Het past een op publieke modellen gebaseerde energiemethodologie toe, voegt overhead van datacenters toe en zet elektriciteit om in geschatte emissies op basis van de gemiddelde koolstofintensiteit van het elektriciteitsnet. De aannames en huidige constanten worden uiteengezet op onze methodologie pagina.

We sturen alledaagse verzoeken standaard door naar een kleiner model, omdat modelkeuze een hefboom is die we daadwerkelijk kunnen gebruiken. We tonen ook een geschatte ontvangst bij het antwoord in plaats van een exacte meting te claimen. Waar het bewijs onvolledig is, keren we ons tegen onszelf. We claimen liever een besparing te weinig dan een nette belofte te doen die de onderliggende gegevens niet kunnen ondersteunen.

Het meest verdedigbare antwoord is dus niet “a ChatGPT query gebruikt precies X". Het is zo: gewone tekstquery's lijken onder recente publieke schattingen ongeveer een fractie van een wattuur te zitten, terwijl lange context, redenering en zwaar gereedschap veel meer kunnen gebruiken. Vraag welk model, hoeveel tokens, welke hardware en welke grens. Zonder die details is het getal een wegwijzer, en geen feit over elke query.