En lärarguide för AI-hållbarhet

Lär ut AI-hållbarhet som en bevisfråga, inte en regel om att varje uppmaning är bra eller dålig. AI-tjänster använder el, kylvatten och fysisk utrustning, men en "fråga" har inget fast fotavtryck. Modellstorlek, uppgift, svarslängd, hårdvara, datacenteroverhead och elkälla har betydelse.

Eleverna ska lämna förmågan att skilja energi från kol och vatten, spåra ett anspråk på dess källa, förklara osäkerhet och välja ett proportionerligt verktyg. Undvik att få unga människor att känna ansvar för infrastrukturbeslut som kontrolleras av leverantörer och institutioner. Personliga val kan minska avfallet; upphandling, produktdesign och offentlig politik formar det större systemet. Klassrummets mål är informerad byrå: använd AI när det stöder lärande, ifrågasätt icke-stödd miljömarknadsföring och se när det räcker med vanlig mjukvara.

Skapa en tydlig gemensam modell

Börja med en fysisk beskrivning. En prompt går till ett datacenter, omvandlas till tokens och bearbetas av specialiserade chips. Modellen läser indata och genererar utdata, vanligtvis en token i taget. Nätverks-, minnes-, kylnings- och kraftkonverteringsstöd som fungerar. Vad händer när du skickar ett AI-meddelande ger en elevvänlig sekvens.

Separera sedan tre mandatperioder i styrelsen. Energi är el som förbrukas. Driftsmässigt kol beror på hur den elen genereras; en bredare koldioxidredovisning kan omfatta tillverkning och konstruktion. Vatten kan användas för kylning, kraftgenerering och spåntillverkning, med lokala effekter som beror på knapphet och tidpunkt.

Internationella energibyrån Energi- och AI-rapport är en stark källa på systemnivå. Det täcker datacenter snarare än att låtsas att varje watt kan tilldelas prydligt till en klassrumsfråga. Denna distinktion hjälper eleverna att hålla ihop två idéer: en vanlig textuppmaning kan vara liten, medan snabbt växande samlad efterfrågan fortfarande kan ha betydelse.

Lär ut osäkerhet utan att lära ut hjälplöshet

Siffror håller inte med eftersom deras gränser inte överensstämmer. En källa kan mäta acceleratorn under aktiv beräkning; en annan kan inkludera lediga maskiner, processorer, minne, kylning och strömförluster. Ett leverantörsgenomsnitt kan kombinera många modeller och begära längder. En forskningsuppskattning kan modellera hårdvara som den inte direkt kan observera.

Ge eleverna ett källkort med fyra kolumner: produkt och datum; mätt eller uppskattat; inkluderad gräns; saknad information. Be dem att bevara etiketter som "median", "genomsnitt" och "scenario". De bör aldrig snitta motstridiga siffror bara för att ge ett snyggt svar.

Google s förstapartsstudie av Gemini Appar är användbara eftersom det är Metoden inkluderar aktiva chips, ledig kapacitet, värdsystem och datacenteroverhead. Den är också begränsad till Google s produkt, tidsperiod och vald gräns. Den kombinationen – användbar och begränsad – är tonen att modellera.

Treechat s metodik beskriver likaså en modellbaserad driftuppskattning, inte en direkt mätaravläsning eller fullständig livscykelpåstående.

Använd diskussionsuppmaningar som avslöjar avvägningar

Följande uppmaningar fungerar i par, seminarier eller en skriftlig utresebiljett:

• En liten modell ger ett svagt svar två gånger; en större modell svarar rätt en gång. Vilket är det mer hållbara valet och vilka bevis saknas?
• Ska en skola föredra ett verktyg med en låg uppskattning per prompt eller ett som publicerar lägre totala årliga utsläpp? Kan båda måtten spela någon roll?
• Är det alltid skadligt att använda vatten för kylning, eller ändrar källa, årstid, brist och alternativa kylningsmetoder bedömningen?
• Om ett företag finansierar trädplantering, vad skulle du behöva innan du kallar dess AI "koldioxidneutral"?
• Vem har mer kontroll över AI:s fotavtryck: en elev, en lärare, en skolköpare, en molnleverantör eller en elregulator?
• När tillför en AI-genererad förklaring tillräckligt pedagogiskt värde för att motivera att använda den istället för sökning eller en lärobok?

Betygsätt inte elever på att ha nått ett godkänt moraliskt svar. Betygsätt kvaliteten på gränsen, bevis och resonemang. Den AI miljöpåverkan FAQ kan fungera som en startreferens, inte ett svarsformulär.

Prova två ärliga klassrumsaktiviteter

För en skaderevision, ge grupper ett socialt inlägg eller rubrik om AI-vatten, energi eller träd. Eleverna hittar den ursprungliga källan och identifierar produkten, årtalet, enheten, nämnaren och undantagen. De skriver om rubriken så att den förblir korrekt. Detta lär ut mediekunskap utan att behöva tillgång till privata leverantörsdata.

För en uppgiftsdesignövning, sätt upp ett inlärningsmål – kanske förklara fotosyntes för en yngre elev. Grupper designar tre rutter: ingen generativ AI, en liten textmodell och en funktionstung assistent. De förutsäger vilka steg som tillför värde, vilken data som skulle skickas och vilka delar som sannolikt kräver mer beräkning. De bedömer sedan svarskvaliteten och reviderar sin förutsägelse.

Visa inte svarstid, en enhetsbatteriavläsning eller en leverantörs gränssnittsikon som en direkt energimätning. Om det inte finns något jämförbart avslöjande är "vi kan inte avgöra vinnaren" ett framgångsrikt fynd. Unescos AI-kompetensram för lärare placerar hållbarhet vid sidan av mänsklig handling, etik, grunder och pedagogik; verksamheten bör hålla ihop dessa mål.

Ställ in en proportionerlig klassrumsövning

En fungerande norm är: använd det minst komplexa godkända verktyget som uppfyller inlärningssyftet. Sök efter källor. Använd en kalkylator för aritmetik. Använd en liten modell för rutinmässigt språkstöd. Reservera större resonemangs-, bild- eller forskningssystem för uppgifter där deras förmåga är relevant.

Be om kortfattad utskrift, trimma irrelevanta sammanhang och undvik att generera många engångsvarianter. Men förvandla inte tokenräkning till ett beteendediagram eller straffa en elev som behöver hjälpmedel. Tillgänglighet, språkstöd och säkerhet kan motivera beräkning. Hållbarhet är ett övervägande inom bra pedagogik, inte en ransoneringstävling.

Var tydlig om integritet och bedömning. Följ institutionernas policy, undvik att ladda upp personlig studentinformation och berätta för eleverna när AI-stöd är tillåtet och hur det ska erkännas. Unescos vägledning för generativ AI inom utbildning och forskning rekommenderar åldersanpassad, människocentrerad användning och uppmärksamhet på dataskydd.

Ställ bättre frågor till din institution

Lärare bör inte förväntas granska en global molntjänst ensam. Fråga inköpsteam om leverantörer avslöjar modellval, uppgiftsspecifik energi, datacenterkostnader, vattengränser och absoluta årliga effekter. Fråga om gränssnittet låter användare välja en mindre modell och om det gör verktygsanrop synliga.

Inkludera studenter i denna förfrågan. De kan formulera frågor, jämföra leverantörernas svar och identifiera var marknadsföringspåståenden överskrider bevis. Vår elevens guide till AI:s miljöpåverkan ger dem en parallell checklista, medan välja en AI-assistent efter energianvändning förklarar varför enbart modellnamn är otillräckliga.

Behåll svaren och granska dem när kontrakt, verktyg eller leverantörsupplysningar ändras.

Sluta på byrå snarare än larm. En ansvarsfull klass kan använda AI eftertänksamt, kräva tydligare avslöjande och ändå erkänna osäkerhet. Lektionen är inte "fråga aldrig". Det är "förstå jobbet, använd rätt verktyg och behåll bevisen bifogade varje påstående".