首頁 ai 訓練碳足跡計算 產生日期: 2026年7月20日 下午09:34 訓練碳足跡計算 輸入 GPU 時數1,000,000每 GPU 功耗700 W電力使用效率1.1碳強度400 AI & LLM 訓練碳足跡計算 由總 GPU 時數、每 GPU 功耗、資料中心的電力使用效率與電網的碳強度，估算一次 LLM 訓練的耗電量與碳排放。 公制 輸入 算力 GPU 時數 訓練消耗的加速器時數總和，等於 GPU 數量乘以其運作的實際小時數。一次 1,024 張 GPU、歷時約 41 天的訓練，約為一百萬 GPU 時數。 每 GPU 功耗 W 單張加速器訓練時的平均功耗，含其分攤的主機與記憶體功耗。資料中心 GPU 在負載下常見的功耗約為 400 到 700 瓦。 電力使用效率 ≥ 1 設施總功耗對輸送至運算設備功耗的比值，反映冷卻與配電的損耗。現代超大規模資料中心約為 1.1；數值為 1 代表毫無額外耗能。 電網 碳強度 供電電網每度電所排放的二氧化碳克數。以燃煤為主的電網可超過 700，而水力或核能豐富的電網可低於 100。 結果 輸入數值即可顯示計算結果。 碳排放 同一排放量以公噸表示，便於描述較大型的訓練，約 ... 公噸二氧化碳。 碳排放 訓練的營運碳排放，以公斤計：耗電量乘以電網碳強度，約 ... 公斤。 詳細資料 耗電量 含設施額外耗能的訓練總耗電：GPU 時數乘以每 GPU 功耗再乘以電力使用效率，約 ... 度。 分享 列印報告 重設 嵌入 嵌入這個計算機 預覽 將這段程式碼貼到您的網頁中即可顯示計算機。 複製程式碼 分享這個計算 開啟此連結的人都會看到您填入的數值。 複製連結 分享至 XFacebookLINE 電子郵件 最後更新：2026-06-22 訓練碳足跡 一次大型訓練會連續數週穩定耗電，其排放的碳就是這份電力乘以電網有多「髒」。本計算由總 GPU 時數、每張加速器的平均功耗、資料中心的電力使用效率，以及供電的碳強度，估算一次訓練的營運足跡。 計入的數量 此處的足跡屬營運性質，指訓練期間耗電所產生的排放，而非製造晶片或興建設施所內含的碳。訓練耗用的能源，是加速器時數乘以每張加速器的平均功耗，得出 GPU 本身的耗能。真實設施還會把能源花在冷卻、電力轉換與配電上，因此這個數字會乘以電力使用效率予以放大。再將所得的電力乘以電網碳強度，便把度數換算成二氧化碳公斤數。 計算公式 設 HH 為 GPU 時數，pp 為每張加速器的平均功耗（瓦），PUE\mathrm{PUE} 為電力使用效率，II 為電網碳強度（每度二氧化碳克數），則耗能 EE 與排放 MM 為 E=H⋅p1000⋅PUEM=E⋅I1000\begin{aligned} E &= \frac{H \cdot p}{1000} \cdot \mathrm{PUE} \\ M &= \frac{E \cdot I}{1000} \end{aligned}EM=1000H⋅p⋅PUE=1000E⋅I 將功耗的瓦數除以 1000 得到千瓦，因此 EE 以度（千瓦時）計；將克數除以 1000 得到公斤，再除以 1000 則得公噸。每個輸入都呈線性，因此任一項減半，足跡也隨之減半。 計算範例 取一次一百萬 GPU 時數的訓練，每張加速器平均功耗 700 瓦，設施的電力使用效率為 1.1，電網碳強度為每度 400 克二氧化碳： E=1,000,000×7001000×1.1=770,000 度M=770,000×4001000=308,000 公斤=308 公噸\begin{aligned} E &= \frac{1{,}000{,}000 \times 700}{1000} \times 1.1 = 770{,}000\ \text{度} \\ M &= \frac{770{,}000 \times 400}{1000} = 308{,}000\ \text{公斤} = 308\ \text{公噸} \end{aligned}EM=10001,000,000×700×1.1=770,000 度=1000770,000×400=308,000 公斤=308 公噸 此次訓練耗電 770 兆瓦時，排放 308 公噸二氧化碳。將同一次訓練移至每度 100 克的電網，排放會在耗能完全不變的情況下降至 77 公噸，這也是為何地點與排程往往主導足跡的原因。 適用限制 此估算僅涵蓋營運用電的排放。它不計入製造硬體與興建設施所內含的碳，而後者對於使用新設備的短期訓練可能相當可觀。功耗會隨工作負載變動，鮮少達到額定上限；電力使用效率會隨氣候與負載改變；電網碳強度也會隨發電組合逐時變化。請盡量採用實測功耗與即時電網數據。服務訓練成品模型的持續能源成本由 推論能源成本計算機處理，而同一份算力的租用部分則由 GPU 雲端成本計算機計算。 常見問題（FAQ）碳排放如何估算先計算訓練的耗電量：加速器時數乘以每張加速器的平均功耗，得出 GPU 的耗能，再乘以電力使用效率，加上設施的冷卻與配電額外耗能。 接著將以度計的總耗電量，乘以電網以每度二氧化碳克數計的碳強度，即得營運碳足跡，也就是訓練期間所耗電力產生的排放，並以公斤與公噸表示。 電力使用效率是什麼電力使用效率，即 PUE，是資料中心總耗能對實際送達運算設備能源的比值。多出的部分用於冷卻、電力轉換與配電。 PUE 為 1.5 代表每一瓦的運算就帶有半瓦的額外耗能，而高效的超大規模設施可達約 1.1。由於此數值會乘上整份耗能估算，選用與實際設施相符的數值，與 GPU 功耗本身同等重要。 電網碳強度為何影響如此之大碳強度是單位電力的排放量，會因地點與時間而大幅變動。同一次訓練，在每度高於 700 克、以燃煤為主的電網上，排放可達在水力、風力或核能豐富、每度低於 100 克的電網上的數倍。 由於排放與此數值直接成正比，訓練在何地、何時執行，對碳足跡的影響往往大於任何效率上的調整。年度平均值提供規劃用的估計，即時電網資料則提供更精確的估計。 免責聲明 此估算僅涵蓋用電產生的營運排放，不計入製造硬體與興建設施所內含的碳。功耗、電力使用效率與電網碳強度都會隨時間與地點變動；請盡量採用實測值，並將結果視為近似值。 推薦的下一個 推論能源成本計算機 依每次查詢的能源數據、電力價格與電網碳強度，估算大規模執行大型語言模型（LLM）推論的電費成本與碳排放。 深入了解GPU 雲端成本計算機 依每小時價格、GPU 數量與執行時長，估算租用雲端 GPU 進行固定時長執行的總帳單，以及每張 GPU 所貢獻的成本。 深入了解 200+ 計算機 · 10 種語言 · 完全免費 更多cost 文字轉語音成本計算機代理人成本計算機向量資料庫大小計算機向量資料庫成本計算機自架與 API 損益平衡計算機訓練碳足跡計算 +20 more Show less 批次 API 節省計算機每元詞元數計算機系統提示攤提計算機函式呼叫詞元額外負擔計算機音訊轉錄成本計算機訓練時間與成本計算情境成本增長計算機情境視窗容納計算機推論能源成本計算機嵌入成本計算機提示快取節省計算機結構化輸出額外負擔計算機詞元成本計算機詞元轉字數計算機微調成本計算影像生成成本計算機GPU 利用率成本計算器GPU 雲端成本計算機LLM 每月成本計算機LLM 速率限制規劃計算機 其他ai計算機 inference 多模態影像詞元計算器有效每秒標記數計算器批次推論吞吐量計算器每標記 FLOP 計算機推測解碼加速計算機推論吞吐量計算器推論延遲計算器模型 FLOP 使用率計算機training 有效批次大小計算訓練 FLOPs 計算梯度累積記憶體計算機資料平行擴展計算資料集詞元數計算算力最佳模型大小計算算力預算可訓練輪數計算管線平行氣泡計算學習率暖身計算Chinchilla 最佳詞元數計算LLM 訓練 VRAM 計算機LoRA 參數計算機infrastructure 注意力記憶體計算機專家混合活躍參數計算機量化模型大小計算器模型下載時間計算器GPU 數量需求計算機KV 快取大小計算機LLM 推論 VRAM 計算器Transformer 參數量計算機retrieval RAG 分塊計算器evaluation 困惑度計算器A/B 測試顯著性計算器LLM 評估樣本數計算器pass@k 計算器所有工具 餘弦相似度計算器 這個計算機對您有幫助嗎？ 有幫助 需要改進 需要改進 我們可以如何改進這個計算機？ 送出回饋 由 OneCalc 提供 ↗
最後更新：2026-06-22 訓練碳足跡 一次大型訓練會連續數週穩定耗電，其排放的碳就是這份電力乘以電網有多「髒」。本計算由總 GPU 時數、每張加速器的平均功耗、資料中心的電力使用效率，以及供電的碳強度，估算一次訓練的營運足跡。 計入的數量 此處的足跡屬營運性質，指訓練期間耗電所產生的排放，而非製造晶片或興建設施所內含的碳。訓練耗用的能源，是加速器時數乘以每張加速器的平均功耗，得出 GPU 本身的耗能。真實設施還會把能源花在冷卻、電力轉換與配電上，因此這個數字會乘以電力使用效率予以放大。再將所得的電力乘以電網碳強度，便把度數換算成二氧化碳公斤數。 計算公式 設 HH 為 GPU 時數，pp 為每張加速器的平均功耗（瓦），PUE\mathrm{PUE} 為電力使用效率，II 為電網碳強度（每度二氧化碳克數），則耗能 EE 與排放 MM 為 E=H⋅p1000⋅PUEM=E⋅I1000\begin{aligned} E &= \frac{H \cdot p}{1000} \cdot \mathrm{PUE} \\ M &= \frac{E \cdot I}{1000} \end{aligned}EM=1000H⋅p⋅PUE=1000E⋅I 將功耗的瓦數除以 1000 得到千瓦，因此 EE 以度（千瓦時）計；將克數除以 1000 得到公斤，再除以 1000 則得公噸。每個輸入都呈線性，因此任一項減半，足跡也隨之減半。 計算範例 取一次一百萬 GPU 時數的訓練，每張加速器平均功耗 700 瓦，設施的電力使用效率為 1.1，電網碳強度為每度 400 克二氧化碳： E=1,000,000×7001000×1.1=770,000 度M=770,000×4001000=308,000 公斤=308 公噸\begin{aligned} E &= \frac{1{,}000{,}000 \times 700}{1000} \times 1.1 = 770{,}000\ \text{度} \\ M &= \frac{770{,}000 \times 400}{1000} = 308{,}000\ \text{公斤} = 308\ \text{公噸} \end{aligned}EM=10001,000,000×700×1.1=770,000 度=1000770,000×400=308,000 公斤=308 公噸 此次訓練耗電 770 兆瓦時，排放 308 公噸二氧化碳。將同一次訓練移至每度 100 克的電網，排放會在耗能完全不變的情況下降至 77 公噸，這也是為何地點與排程往往主導足跡的原因。 適用限制 此估算僅涵蓋營運用電的排放。它不計入製造硬體與興建設施所內含的碳，而後者對於使用新設備的短期訓練可能相當可觀。功耗會隨工作負載變動，鮮少達到額定上限；電力使用效率會隨氣候與負載改變；電網碳強度也會隨發電組合逐時變化。請盡量採用實測功耗與即時電網數據。服務訓練成品模型的持續能源成本由 推論能源成本計算機處理，而同一份算力的租用部分則由 GPU 雲端成本計算機計算。 常見問題（FAQ）碳排放如何估算先計算訓練的耗電量：加速器時數乘以每張加速器的平均功耗，得出 GPU 的耗能，再乘以電力使用效率，加上設施的冷卻與配電額外耗能。 接著將以度計的總耗電量，乘以電網以每度二氧化碳克數計的碳強度，即得營運碳足跡，也就是訓練期間所耗電力產生的排放，並以公斤與公噸表示。 電力使用效率是什麼電力使用效率，即 PUE，是資料中心總耗能對實際送達運算設備能源的比值。多出的部分用於冷卻、電力轉換與配電。 PUE 為 1.5 代表每一瓦的運算就帶有半瓦的額外耗能，而高效的超大規模設施可達約 1.1。由於此數值會乘上整份耗能估算，選用與實際設施相符的數值，與 GPU 功耗本身同等重要。 電網碳強度為何影響如此之大碳強度是單位電力的排放量，會因地點與時間而大幅變動。同一次訓練，在每度高於 700 克、以燃煤為主的電網上，排放可達在水力、風力或核能豐富、每度低於 100 克的電網上的數倍。 由於排放與此數值直接成正比，訓練在何地、何時執行，對碳足跡的影響往往大於任何效率上的調整。年度平均值提供規劃用的估計，即時電網資料則提供更精確的估計。 免責聲明 此估算僅涵蓋用電產生的營運排放，不計入製造硬體與興建設施所內含的碳。功耗、電力使用效率與電網碳強度都會隨時間與地點變動；請盡量採用實測值，並將結果視為近似值。
