greenai.guide

Início › Boas práticas › Edge ou nuvem: onde a IA deve rodar?

Boas práticas

Edge ou nuvem: onde a IA deve rodar?

Atualizado · 5 min de leitura

Em resumo

Nem a edge nem a nuvem são mais verdes por padrão. Data centers centrais em geral executam modelos grandes com mais eficiência, enquanto a IA no dispositivo e na edge pode evitar tráfego de rede, manter os dados no local e funcionar offline. Decida caso a caso, comparando a energia por resultado útil em todo o sistema, incluindo dispositivos, rede e hardware.

Pontos-chave

  • Execute localmente tarefas pequenas, frequentes ou sensíveis à latência; envie tarefas grandes ou raras para hardware central eficiente.
  • A IEA estima que as redes de transmissão de dados usaram 260–360 TWh em 2022, cerca de 1–1,5% da eletricidade mundial, com as redes móveis respondendo por cerca de dois terços.
  • A energia das redes não cresce de forma proporcional ao volume de dados, por isso as economias por gigabyte costumam ser exageradas.
  • Bilhões de dispositivos somam muito: conte os dispositivos dos usuários, as baterias deles e o hardware que talvez precisem substituir.
  • A IA local mantém os dados no dispositivo, o que ajuda a privacidade, a soberania e a resiliência.

A IA na edge ou na nuvem é mais verde?

Depende da tarefa, do modelo e do dispositivo, então compare as opções em todo o sistema em vez de presumir. Data centers centrais operam aceleradores com alta taxa de utilização e refrigeração especializada, por isso em geral fazem os cálculos de um modelo grande com mais eficiência. A edge AI, executada no dispositivo ou num servidor próximo, evita enviar dados pela rede e pode desligar por completo quando está ociosa.

Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, fez exatamente essa pergunta. A IA está se espalhando por sensores, câmeras, campainhas, carros e assistentes de celular. Multiplicada por milhões de dispositivos, a IA local gasta mais ou menos energia do que enviar os dados a um data center? Os participantes observaram que há estudos de energia de ponta a ponta para alguns modelos de visão menores implantados na edge, mas poucos para modelos de linguagem de grande porte (LLM). A resposta honesta hoje é: meça o seu caso.

Quais são as vantagens e desvantagens?

Cada opção ganha em aspectos diferentes.

Fator No dispositivo / edge Data center central
Energia por computação Em geral maior em chips de uso geral; melhor em aceleradores neurais dedicados Em geral menor, sobretudo com alta utilização
Tamanho do modelo Modelos pequenos, muitas vezes quantizados Qualquer tamanho
Energia de rede Pouca ou nenhuma Todo pedido trafega
Energia ociosa Pode hibernar ou desligar Capacidade compartilhada mantida pronta
Hardware Espalhado por bilhões de dispositivos; pode forçar trocas Concentrado, renovado a cada poucos anos
Latência Rápida, funciona offline Depende da conexão
Privacidade Os dados podem ficar no dispositivo Os dados saem do controle do usuário
Medição Difícil: dispersa, sem relatórios Possível, se os provedores divulgarem
Controle Distribuído Concentrado em poucos provedores

Quanto a rede importa?

As redes usam muita energia no total, mas grande parte dela é uma base quase constante, então o efeito de um único pedido é menor do que as calculadoras por byte sugerem.

  • A Agência Internacional de Energia estima que as redes de transmissão de dados usaram de 260 a 360 TWh em 2022, cerca de 1 a 1,5% da eletricidade mundial, com as redes móveis respondendo por cerca de dois terços disso.
  • Mytton, Lundén e Malmodin mostraram em 2024 que a energia das redes não é diretamente proporcional ao volume de dados. Os equipamentos de rede consomem energia estejam ocupados ou não, então converter gigabytes diretamente em quilowatts-hora exagera a economia de enviar menos.
  • Reduza os dados mesmo assim: isso economiza energia em servidores e dispositivos, e o tráfego evitado pode evitar capacidade de rede futura. Mas não use economias de rede por gigabyte como principal argumento a favor da edge AI.

Observe que muitos números publicados por prompt deixam de fora a rede e os dispositivos dos usuários. Os números do Gemini divulgados pelo Google em 2025, por exemplo, excluem ambos. Verifique a fronteira do cálculo antes de comparar números de edge e de nuvem.

E os próprios dispositivos?

Conte a energia, a bateria e o hardware dos dispositivos em que a sua IA roda, porque eles fazem parte da sua pegada.

  • Emissões incorporadas: fabricar dispositivos gera carbono. A especificação SCI inclui uma parcela das emissões incorporadas na pegada de um sistema de software. Se a IA no dispositivo levar as pessoas a substituir mais cedo celulares ou notebooks que ainda funcionam, esse custo pode superar qualquer economia operacional.
  • O consumo de bateria é um custo energético oculto que o usuário paga. O sandpit citou os assistentes de IA de celular como exemplo.
  • Adaptação: a Green Software Foundation sugere passar para modelos menores ou frequência mais baixa quando a bateria está fraca ou o dispositivo está quente.
  • Escala: uma pequena economia ou um pequeno custo por dispositivo fica grande em milhões de dispositivos funcionando o tempo todo.

Como entram a privacidade e a resiliência?

A IA local mantém os dados no dispositivo e continua funcionando quando a conexão ou o serviço central falha.

  • Privacidade: dados processados localmente não precisam ser transmitidos nem armazenados por um provedor. Isso apoia o princípio da minimização de dados na legislação de proteção de dados do Reino Unido e da UE, e é adequado para dados sensíveis, como registros de saúde ou de infraestrutura crítica. O sandpit observou que, nos setores de infraestrutura crítica, dados operacionais sensíveis muitas vezes precisam ficar dentro da organização, o que exige modelos locais eficientes.
  • Soberania e controle: a inferência distribuída tira o controle das mãos de poucos grandes provedores.
  • Resiliência: o sandpit também levantou a questão da dependência: o que acontece quando a sociedade depende da IA e a conexão ou a energia cai? Capacidade local pode manter funções essenciais em funcionamento.
  • Prestação de contas: a edge AI é mais difícil de monitorar. Se você a implantar, planeje como vai medi-la e relatá-la.

Como decidir, passo a passo?

Calcule a energia por resultado útil de cada opção e depois pondere privacidade, latência e resiliência.

  1. Defina a tarefa e o padrão de qualidade. O que conta como um resultado bem-sucedido?
  2. Encontre o menor modelo que atinja o padrão (escolha o modelo certo). Modelos quantizados precisam de menos memória: a inferência em 8 bits reduziu pela metade a necessidade de memória no estudo LLM.int8().
  3. Estime a energia na nuvem por resultado, incluindo a sobrecarga do data center e, quando possível, a rede.
  4. Meça a energia do dispositivo por resultado em dispositivos representativos, incluindo os mais antigos e os de baixo consumo.
  5. Some os efeitos de hardware: isso vai exigir novos dispositivos ou servidores de edge dedicados?
  6. Considere a frequência: tarefas pequenas e frequentes costumam combinar com o dispositivo; tarefas raras e pesadas, com a nuvem.
  7. Pondere privacidade, latência, uso offline e resiliência.
  8. Considere uma divisão: um pequeno modelo local atende a maioria dos pedidos e escala os difíceis para a nuvem.
  9. Meça depois da implantação e reveja à medida que modelos e hardware mudam.

Checklist

  • [ ] Energia por resultado útil comparada para edge, nuvem e uma divisão
  • [ ] Fronteira inclui os dispositivos e, quando possível, a rede
  • [ ] Menor modelo adequado escolhido, quantizado para dispositivos onde o desempenho se mantém
  • [ ] Nenhuma troca de dispositivo forçada pelo recurso de IA
  • [ ] Bateria e calor tratados, com um modo mais leve quando a bateria estiver fraca
  • [ ] Benefícios de privacidade e de proteção de dados registrados
  • [ ] Monitoramento planejado para implantações na edge

O que fazer a seguir

  1. Escolha um recurso de IA e esboce as opções de edge, nuvem e divisão.
  2. Meça a energia por resultado num dispositivo típico e estime o equivalente na nuvem; veja medir a energia da IA.
  3. Teste um pequeno modelo quantizado no dispositivo mais antigo que você suporta.
  4. Decida quais dados precisam ficar no local por razões de privacidade ou soberania.
  5. Leia IA na edge para o panorama mais amplo e hospedagem e data centers para o lado da nuvem.
  6. Encontre ferramentas de edge AI no diretório de produtos e grupos de pesquisa em pesquisa.

Perguntas frequentes

A IA no dispositivo é mais verde que a IA na nuvem?

Às vezes. Um modelo pequeno num celular evita a energia do data center e da rede, mas os dispositivos são menos eficientes por computação do que os aceleradores de data center, e comprar hardware novo para rodar IA tem a sua própria pegada. Compare o sistema inteiro.

Enviar dados para a nuvem usa muita energia?

As redes usam bastante energia, mas grande parte dela é uma base quase constante. Reduzir dados ainda ajuda dispositivos e servidores, mas as economias de rede por gigabyte em geral são exageradas.

O que é edge computing?

Computação feita perto de onde os dados são produzidos ou usados: no próprio dispositivo, ou num gateway ou pequeno servidor local próximo, em vez de num data center distante.

Por que a privacidade entra nisso?

Dados processados no dispositivo não precisam sair dele. Isso reduz a exposição e pode facilitar o cumprimento de regras de proteção de dados, como a minimização de dados.

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. Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
  4. Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
  5. Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
  6. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  7. Principle (c): Data minimisation, Information Commissioner's Office (2023)
  8. LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)

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