greenai.guide

Início › Artigos › IA na borda: mais verde ou só menos visível?

Artigo

IA na borda: mais verde ou só menos visível?

Atualizado · 5 min de leitura

Em resumo

Rodar IA em celulares, sensores e servidores locais, em vez de em data centers distantes, pode reduzir a energia gasta para transportar dados e proteger a privacidade. Mas isso espalha a computação por bilhões de dispositivos cuja energia e pegada de fabricação raramente são medidas. Se a edge AI é mais verde depende do modelo, do dispositivo, da frequência de uso e do que ela substitui, e as evidências ainda são escassas.

Pontos-chave

  • A edge AI roda modelos no próprio dispositivo que coleta os dados, ou perto dele, em vez de em um data center central.
  • Ela evita enviar dados por redes, que consomem energia, e mantém os dados privados, mas abre mão da eficiência de servidores compartilhados e plenamente utilizados.
  • Estudos que comparam a inferência na borda e na nuvem discordam; os resultados dependem muito do modelo, do hardware e da base de comparação.
  • Fabricar dispositivos tem um alto custo de carbono, então recursos de IA que encurtam a vida útil dos aparelhos ou exigem hardware novo podem superar a energia poupada.
  • A edge AI é difícil de medir e regular, porque não há medidor de data center, nem PUE, nem obrigação de relatar.

A maior parte do debate sobre o uso de energia da IA trata dos data centers, porque é lá que estão os grandes medidores. Mas uma parcela crescente da IA roda em outros lugares: em celulares, notebooks, carros, câmeras, campainhas e sensores de fábrica. Isso é a "edge AI" (IA na borda). Ela pode ser parte da resposta à pegada da IA, ou uma forma de levar essa pegada para um lugar onde ninguém está contando.

O que é edge AI?

A edge AI roda um modelo no dispositivo que coleta os dados, ou perto dele, em vez de enviar os dados para um data center distante. A IA "no dispositivo" é o caso extremo, em que o modelo roda no próprio celular ou sensor.

A edge AI já é comum:

  • O relatório técnico de 2025 da Apple descreve um modelo de linguagem no dispositivo com cerca de três bilhões de parâmetros, comprimido com treinamento ciente de quantização de 2 bits para caber e rodar em celulares e notebooks.
  • O serviço Android AICore, do Google, permite que aplicativos usem o Gemini Nano, um modelo que roda no dispositivo, em celulares Pixel e Samsung compatíveis.
  • Câmeras industriais, drones, carros e dispositivos médicos rodam modelos de visão e controle localmente, porque não podem esperar por uma conexão de rede nem depender dela.

O número de dispositivos é grande e está crescendo. A IoT Analytics contou cerca de 18,5 bilhões de dispositivos de Internet das Coisas conectados no fim de 2024, sem contar celulares, PCs e tablets, e projetou cerca de 39 bilhões até 2030.

Por que a edge AI poderia poupar energia?

Porque transportar dados custa energia, e o processamento local pode evitar isso. Também mantém dados sensíveis onde estão.

A Agência Internacional de Energia estimou que as redes de transmissão de dados usam aproximadamente 1–1,5% da eletricidade mundial, uma parcela semelhante à dos data centers. Processar os dados onde são coletados, e enviar só os resultados, pode reduzir essa carga.

Há uma ressalva. Mytton, Lundén e Malmodin mostraram em 2024 que a energia da rede não é diretamente proporcional ao volume de dados: grande parte da potência de uma rede é consumida haja ou não dados circulando. Enviar menos dados não poupa energia na mesma proporção, então estimativas simples de "kWh por gigabyte" exageram a economia.

Outros benefícios possíveis:

  • Privacidade e soberania. Dados que nunca saem de um dispositivo, de um hospital ou de um operador da rede elétrica não podem vazar no caminho nem ser usados por terceiros.
  • Resiliência. Um modelo local continua funcionando quando a rede ou a nuvem estão fora do ar.
  • Latência. As respostas chegam sem ida e volta, o que importa para veículos e máquinas.

Por que a edge AI poderia custar mais?

Porque dispositivos pequenos costumam ser menos eficientes que servidores grandes, compartilhados e plenamente utilizados, e porque fabricar dispositivos tem um alto custo de carbono.

  • Utilização. Um acelerador de data center pode agrupar pedidos de muitos usuários e se manter ocupado. Um celular ou sensor executa o pedido de um usuário e depois fica ocioso.
  • Fabricação. Wu e colegas, da Meta, relataram em 2022 que o carbono incorporado, vindo da fabricação do hardware, estava se tornando a principal fonte da pegada total da IA, e observaram que a computação que migra para a borda pode rodar onde o acesso a energia renovável é limitado. Recursos de IA que exigem celulares novos, ou fazem os antigos parecerem lentos, somam emissões de fabricação que podem superar qualquer energia poupada.
  • Multiplicação. Um custo pequeno por dispositivo, vezes bilhões de dispositivos, é um custo grande. Uma campainha ou câmera que roda um modelo o tempo todo pode usar, no total, mais energia do que chamadas ocasionais à nuvem usariam.

O que dizem as evidências?

Elas são mistas e dependem muito da comparação. Li, Islam e Ren (2025) compararam a inferência de IA generativa na nuvem e em dispositivos de borda e encontraram uma pegada ambiental menor na implantação na borda de vários modelos, com economia de energia de mais de 90% nos seus testes em um celular recente. A base de comparação na nuvem não era um serviço de produção totalmente otimizado, e isso importa: servidores com bom agrupamento de pedidos, em um data center eficiente, são uma referência mais difícil de superar.

Estudos de ponta a ponta, que acompanham um serviço de IA inteiro, do dispositivo à rede e ao data center, ainda são raros, sobretudo para modelos de linguagem de grande porte (LLMs). Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, listou como questão em aberto a modelagem do efeito líquido de energia da edge AI em milhões de dispositivos.

Por que a edge AI é difícil de medir e regular?

Porque não existe um medidor único. Os data centers relatam o uso de energia e a eficácia no uso de energia (PUE) e, na UE, os maiores precisam reportar a um sistema comum. Celulares, sensores e estações de trabalho de IA de mesa não têm essa obrigação.

A energia aparece, quando aparece, como bateria descarregada ou uma conta de luz um pouco mais alta, espalhada por milhões de residências e empresas. Isso torna fácil alegar economias ao levar trabalho para a borda sem que ninguém consiga verificar. Veja a medição é o gargalo.

O que torna a edge AI mais verde?

Modelos pequenos e eficientes, executados só quando necessário, em hardware que as pessoas já têm. Os mesmos métodos que reduzem a energia nos data centers importam ainda mais em uma bateria:

  • Modelos comprimidos: poda, quantização e destilação. Veja a matemática que torna a IA mais eficiente.
  • Processamento orientado a eventos: acionar o modelo quando algo acontece, em vez de rodá-lo continuamente.
  • Enviar resumos, e não dados brutos, quando a nuvem for necessária.
  • Dar suporte a dispositivos mais antigos, para que recursos de IA não obriguem a trocá-los.

O GreenCode, um projeto europeu de pesquisa sobre software com eficiência energética, faz o mesmo argumento: modelos pequenos e ajustados, recuperação de informação em vez de contexto na força bruta, encaminhamento para o componente capaz mais barato e agendamento são o que tornam a IA viável com bateria e em hardware limitado, onde não há opção de gastar mais energia.

O que fazer agora

  • Decida entre borda e nuvem caso a caso, usando as perguntas de borda ou nuvem?.
  • Conte a energia de fabricação, além da energia de funcionamento, e evite recursos que exijam hardware novo.
  • Meça a energia do dispositivo durante os testes, e não só a precisão e a velocidade.
  • Rode os modelos por eventos, e não continuamente, e envie resultados em vez de dados brutos.
  • Se você compra produtos de edge AI, peça aos fornecedores a energia por inferência e a vida útil dos dispositivos suportados. Veja compras (aquisição) sustentáveis de IA.

Perguntas frequentes

O que é edge AI?

IA que roda no dispositivo onde os dados são coletados, ou perto dele, como um celular, uma câmera, um carro ou um sensor de fábrica, em vez de em um data center remoto.

A IA no dispositivo é melhor para o meio ambiente?

Às vezes. Ela pode poupar a energia de enviar dados para a nuvem, mas dispositivos pequenos são menos eficientes que servidores compartilhados, e novos recursos de IA podem levar as pessoas a comprar hardware novo. O efeito líquido depende do caso.

A IA no dispositivo descarrega a bateria do meu celular?

Rodar um modelo em um celular consome bateria como qualquer outro aplicativo exigente. Os fabricantes usam modelos pequenos e comprimidos e chips dedicados para reduzir isso, mas a energia continua sendo usada, e não aparece em nenhuma estatística de data center.

Fontes

  1. Data centres and data transmission networks, International Energy Agency (2023)
  2. Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
  3. Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
  4. Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
  5. Gemini Nano with Android AICore, Google, Android Developers (2024)
  6. A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
  7. Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
  8. Green AI and energy-aware computing, GreenCode (2026)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade