# Como escolho hardware de IA eficiente em energia?

> Escolha o hardware de IA pela energia medida por tarefa com os seus lotes reais, compare runtimes e aceleradores e pese o equipamento novo contra o carbono incorporado.

Source: https://greenai.guide/pt/como/como-escolho-hardware-de-ia-eficiente-em-energia/  
Updated: 2026-11-19

## Em resumo

Faça testes de desempenho com o seu modelo real em duas ou três opções de hardware e de runtime e compare a energia por pedido ou por execução de treinamento com tamanhos de lote realistas, junto com a latência e o custo. Patterson e colegas concluíram que a escolha do modelo, do data center e do processador, em conjunto, pode reduzir o carbono do treinamento em até cerca de 100 a 1.000 vezes. Mantenha o bom hardware ocupado e em serviço, porque fabricar equipamento novo tem a sua própria pegada.

## Steps

1. Teste o desempenho do seu próprio modelo em duas ou três opções de acelerador e de instância.
2. Meça a energia por pedido ou por execução com os seus tamanhos de lote reais, junto com a latência.
3. Experimente mais de um runtime de inferência em cada opção.
4. Escolha a opção com a menor energia que atenda às suas necessidades de latência e qualidade.
5. Pese o carbono incorporado do hardware novo contra a economia esperada.
6. Teste de novo quando o modelo ou o tráfego mudarem.

**Escolha o hardware pela energia medida para a sua carga de trabalho, não pelas especificações de pico.** O mesmo
modelo pode usar energias muito diferentes em aceleradores, tipos de instância e runtimes diferentes, e a melhor
escolha depende dos seus tamanhos de lote e do seu tráfego.

## Como comparo as opções de forma justa? {#how-do-i-compare-options-fairly}

Os padrões da Green Software Foundation recomendam escolher aceleradores e tipos de instância eficientes, e
frameworks e runtimes de inferência eficientes, com base em provas. Na prática:

- execute o mesmo modelo, com as mesmas entradas e configurações, em cada candidato;
- meça a energia por pedido (ou por execução) com os tamanhos de lote que você vai usar de fato, não só no melhor
  caso;
- registre a latência e a qualidade junto com a energia;
- inclua o runtime: outro motor de serviço no mesmo chip pode mudar o resultado.

Patterson e colegas concluíram que a escolha da arquitetura do modelo, do data center e do processador pode reduzir
a pegada de carbono do treinamento em até cerca de 100 a 1.000 vezes, por isso a escolha do hardware deve ser feita
junto com essas outras decisões.

## Devo comprar hardware novo? {#should-i-buy-new-hardware}

Não automaticamente. Wu e colegas da Meta relataram que o carbono incorporado, gerado na fabricação do hardware, era
cerca de 30% da pegada do aprendizado de máquina em grande escala da Meta. Um acelerador novo precisa poupar energia
suficiente ao longo da sua vida para compensar a sua fabricação. Veja [contabilizar o carbono incorporado](/pt/como/como-contabilizo-o-carbono-incorporado-do-hardware-de-ia/).

## Erros comuns {#common-mistakes}

- **Subutilizar aceleradores grandes.** Uma GPU grande com baixa utilização pode usar mais energia por resposta do
  que uma menor mantida ocupada; veja [agrupar pedidos de IA em lotes](/pt/como/como-agrupo-pedidos-de-ia-em-lotes-para-economizar-energia/).
- **Testar o desempenho uma única vez.** Teste de novo quando o modelo, o runtime ou o tráfego mudarem.

Veja [treinamento e inferência eficientes](/pt/boas-praticas/treinamento-e-inferencia-de-ia-eficientes/).

## Fontes

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Select efficient accelerators and instance types for AI workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/efficient-hardware-ai-workloads.md), Green Software Foundation, Green Software Patterns (2025)
- [Select efficient ML frameworks and inference runtimes](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/select-efficient-ml-frameworks-inference-runtimes.md), Green Software Foundation, Green Software Patterns (2025)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
