Em resumo
Acrescente uma vertente curta e prática em vez de um curso novo inteiro: explique para onde vai a energia da IA, peça aos alunos que meçam a energia do seu próprio código ou das execuções dos seus modelos e que informem a computação e a energia junto com a precisão. Nos cursos técnicos, ensine métodos eficientes, como modelos menores, quantização e reutilização; nos outros, concentre-se no uso sensato e na avaliação de alegações.
Passos
- Acrescente uma aula curta sobre a origem da pegada de energia, água e hardware da IA.
- Peça aos alunos que meçam a energia de pelo menos uma execução de um trabalho com uma ferramenta como o CodeCarbon.
- Exija que a computação e a energia sejam informadas junto com a precisão nos trabalhos técnicos.
- Ensine métodos eficientes, como modelos pequenos, quantização e reutilização de modelos pré-treinados.
- Inclua um exercício de verificação de uma alegação publicada sobre o uso de energia da IA.
Uma vertente prática e curta dentro dos cursos existentes alcança mais alunos do que uma nova disciplina optativa. Quase todos os alunos já usam IA: a pesquisa de 2026 do Higher Education Policy Institute concluiu que 95% dos estudantes de graduação do Reino Unido disseram usá-la.
O que essa vertente poderia incluir?
- O básico da pegada. Treino versus inferência, por que imagens e entradas longas custam mais e por que os números publicados diferem.
- Medir alguma coisa. Peça aos alunos que envolvam uma execução de treino ou de inferência no CodeCarbon e informem o resultado com o hardware, o tempo de execução e a localização.
- Relatar como um pesquisador. Peça a computação e a energia ao lado da precisão, incluindo as execuções de ajuste; veja como relatar a energia em pesquisas.
- Métodos eficientes para cursos técnicos: modelos menores e específicos para a tarefa, quantização, destilação e reutilização de modelos pré-treinados.
- Avaliar alegações em qualquer curso: quem mediu, por qual unidade e o que ficou de fora.
Que referenciais ajudam?
O referencial de competências em IA para estudantes da UNESCO inclui a IA ambientalmente sustentável. Para grupos de pesquisa e departamentos, os princípios GREENER, de Lannelongue e colegas, oferecem um referencial de governança, estimativa e educação em ciência computacional sustentável.
O que faz mais diferença
Fazer da energia parte da avaliação. Quando os critérios de correção premiam a precisão por quilowatt-hora, além da precisão, os alunos começam a projetar pensando nisso.
Erros comuns
- Tratar o tema como uma aula isolada de ética, sem nenhuma tarefa prática.
- Penalizar os alunos que usam IA em vez de ensiná-los a usá-la bem.
- Usar números por consulta desatualizados.
Leia letramento em IA nas universidades e explore os cursos para encontrar material reutilizável.
Fontes
- Student generative AI survey 2026, Higher Education Policy Institute (HEPI) (2026)
- AI competency framework for students, UNESCO (2024)
- CodeCarbon, CodeCarbon (2026)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
Relacionados
Letramento em IA nas universidades, incluindo sua pegada
Quase todos os estudantes usam IA, enquanto a formação dos docentes e a avaliação ficam para trás. Por que o letramento em IA deve abordar o impacto ambiental.
Como informo o uso de energia da minha pesquisa em IA?
O que colocar num artigo sobre computação e energia: hardware, horas de GPU de todas as execuções, energia, local, carbono, custo de inferência e o limite usado.
Como meço a energia que a IA usa no meu próprio computador ou GPU?
Meça a energia da IA local com contadores de hardware, telemetria da GPU ou um medidor de tomada, amostre o trabalho todo e subtraia a base em repouso.
Como aprendo sobre IA verde?
Por onde começar a aprender sobre IA verde, qualquer que seja a sua formação: leituras curtas, ferramentas gratuitas, cursos, comunidades e pesquisas.