Energy MCP Server

生态效率

GES：绿色效率得分 --每瓦特智能。

](https://pypi.org/project/ecoai-efficiency/)  

生态效率 使用统一的指标衡量AI的能源效率。

GES = Accuracy (%) / Energy (kWh per 1000 inferences)

from ai_efficiency import measure

score = measure(your_model, test_data)
print(score)
# → Efficiency: 47,000 (accuracy per kWh)
# → Grade: A
# → Carbon: 0.8g CO2 per 1000 queries

为什么？

• 监管机构来了。 欧盟人工智能法案将要求能源披露。
• 投资者在问。 ESG基金想要人工智能的碳足迹。
• 成本正在爆炸。 GPU账单很重要。效率=节省的钱。

没有标准的方法来衡量人工智能的效率。现在有了。

安装

pip install ecoai-efficiency

快速开始

测量任何模型

from ai_efficiency import measure

# Works with any model that has a predict() or __call__() method
score = measure(
    model=your_model,
    test_data=X_test,
    n_samples=1000
)

print(f"Efficiency Score: {score.efficiency:,.0f}")
print(f"Energy per 1K queries: {score.kwh_per_1k:.4f} kWh")
print(f"Carbon per 1K queries: {score.co2_per_1k:.2f}g CO2")
print(f"Grade: {score.grade}")

比较型号

from ai_efficiency import compare

results = compare([model_a, model_b, model_c], test_data)

# Output:
# Model     | Accuracy | kWh/1K  | Efficiency | Grade
# ----------|----------|---------|------------|------
# model_a   | 94.2%    | 0.0100  | 9,420      | B
# model_b   | 91.8%    | 0.0008  | 114,750    | A+
# model_c   | 96.1%    | 0.0450  | 2,136      | C

生成报告

from ai_efficiency import report

r = report(model, test_data)
r.save("efficiency_report.pdf")  # For regulators, investors
r.save("efficiency_report.json") # For CI/CD pipelines

绿色效率评分（GES）

                    Accuracy (or Quality Metric)
GES = ──────────────────────────────────────────────
       Energy Consumption (kWh per 1000 inferences)

越高越好。使用0.001千瓦时的模型准确率为95%，得分为95000。

成绩

阈值来自74个模型基准人群（NeurIPS 2026 D&B）：

碳计算

我们使用区域电网碳强度：

from ai_efficiency import measure

# Specify your region for accurate carbon calculation
score = measure(model, data, region="KR")  # South Korea: 450g CO2/kWh
score = measure(model, data, region="EU")  # Europe avg: 250g CO2/kWh
score = measure(model, data, region="US-CA")  # California: 200g CO2/kWh

实时碳强度

获取实时电网碳数据（需要 电力地图 API密钥）：

from ai_efficiency import get_carbon_intensity

# Set API key (or use ELECTRICITY_MAPS_API_KEY env var)
intensity = get_carbon_intensity("KR", real_time=True, api_key="your-key")
print(f"Current grid intensity: {intensity} gCO2/kWh")

云提供商碳因素

from ai_efficiency import get_cloud_carbon_factor

# AWS, GCP, Azure carbon factors
aws_carbon = get_cloud_carbon_factor("aws", "us-east-1")  # 379 gCO2/kWh
gcp_carbon = get_cloud_carbon_factor("gcp", "us-west1")   # 92 gCO2/kWh (low!)

SCI for AI（绿色软件基金会）

生成符合以下要求的报告 人工智能SCI 标准：

from ai_efficiency import sci_report

sci = sci_report(model, test_data, region="KR")
print(sci)
# → SCI Score: 0.0234 gCO2eq/1000 inferences
# → E (Energy): 0.000052 kWh
# → I (Carbon Intensity): 450 gCO2eq/kWh
# → M (Embodied): 0.0001 gCO2eq

# Export SCI-compliant report
print(sci.to_sci_report(model_name="MyModel"))

学术论文指标

使用LaTeX导出生成纸质指标：

from ai_efficiency import measure_academic

metrics = measure_academic(
    model, test_data, test_labels,
    region="KR",
    flops_per_sample=1.2e9  # Optional: FLOPs if known
)

# LaTeX table for papers
print(metrics.to_latex_table())

# Markdown for README
print(metrics.to_markdown_table())

# Full metrics
print(f"GES: {metrics.ges:,.0f}")           # Green Efficiency Score
print(f"Energy/FLOP: {metrics.energy_per_flop:.2e}")  # If FLOPs provided

比较模型（学术）

from ai_efficiency import compare_academic

latex_table = compare_academic(
    [model_a, model_b],
    ["BERT-base", "DistilBERT"],
    test_data, test_labels
)
# → Generates LaTeX table sorted by efficiency

支持的模型

• PyTorch：任何 nn.Module
• TensorFlow/Keras：任何型号 predict()
• Scikit学习：任何估算值
• 拥抱脸：变压器、扩散器
• OpenAI/人类学：基于API的模型（估计）
• 自定义：任何可调用 .predict() 或 __call__()

CLI工具

# Measure a saved model
ecoai-efficiency measure model.pt --data test.csv

# Compare multiple models
ecoai-efficiency compare model_a.pt model_b.pt --data test.csv

# Generate compliance report
ecoai-efficiency report model.pt --data test.csv --output report.pdf

CI/CD集成

# .github/workflows/efficiency.yml
- name: Check AI Efficiency
  run: |
    pip install ecoai-efficiency
    ecoai-efficiency check model.pt --min-grade B --fail-below C

研究

该项目基于韩巴特国立大学EcoAI实验室的研究：

• 具有能源意识的机器学习
• 人工智能系统的碳足迹
• 高效推理优化

贡献

我们需要帮助：

• GPU功率测量精度
• 更多硬件配置文件（TPU、苹果硅）
• 云提供商集成（AWS、GCP、Azure）
• 区域碳强度数据

看 贡献.md.

路线图

• \[x\] 基本测量（CPU）
• \[x\] GPU功率测量（NVIDIA）
• \[x\] 实时碳强度（电力地图API）
• \[x\] 云提供商碳因素（AWS、GCP、Azure）
• \[x\] 人工智能合规SCI（绿色软件基金会）
• \[x\] LaTeX导出的学术指标
• \[x\] 碳含量计算
• \[\]过程级功率测量
• \[\]优化建议
• \[\]API认证

引用

如果您在研究中使用ecoai效率，请引用：

@inproceedings{lee2026ges,
  title = {GES: A Unified Metric and Benchmark for AI Energy Efficiency},
  author = {Lee, Sangkeum},
  booktitle = {NeurIPS 2026 Datasets and Benchmarks Track},
  year = {2026},
  url = {https://github.com/ecoailab/ecoai-efficiency}
}

@software{ecoai_efficiency,
  title = {ecoai-efficiency: Green Efficiency Score for AI},
  author = {EcoAI Lab, Hanbat National University},
  year = {2025},
  version = {1.0.0},
  url = {https://github.com/ecoailab/ecoai-efficiency}
}

许可证

麻省理工学院

团队

汉巴特国立大学生态人工智能实验室

• 主任：李教授
• 网站： ecoai.hanbat.ac.kr

______________________________________________________________________

*“最环保的人工智能是用更少的资源做更多的事情。”*