Em resumo
Informe o hardware, as horas de GPU de todas as execuções, incluindo ajustes e falhas, a energia em kWh com a ferramenta usada, o local e a intensidade de carbono da rede, as emissões em kg CO₂e e a energia de inferência com um tamanho de lote declarado. Diga o que o limite inclui e quão incertos são os números. Medir à medida que avança, com uma ferramenta como o CodeCarbon, transforma isto numa tabela em vez de uma reconstrução.
Passos
- Acompanhe a energia de cada execução desde o início do projeto, não só da final.
- Informe o hardware, as horas de GPU, a energia, o local, a intensidade de carbono da rede e as emissões numa tabela padrão.
- Dê a energia de inferência por 1.000 pedidos com um tamanho de lote e um comprimento de sequência declarados.
- Indique o limite, incluindo se os custos adicionais do data center são contados.
- Apresente os resultados em relação à computação, como precisão por kWh, ao lado da melhor pontuação.
Informe a computação e a energia como resultados padrão, não como uma nota de rodapé. Sem elas, as alegações de eficiência não podem ser verificadas, e os leitores não sabem se um pequeno ganho de precisão custou dez vezes mais energia.
O argumento foi apresentado cedo: Strubell, Ganesh e McCallum quantificaram em 2019 o custo financeiro e ambiental de treinar vários modelos de linguagem, e Schwartz e colegas defenderam, em "Green AI", que a eficiência fosse informada ao lado da precisão.
O que a tabela deve incluir?
| Item | Exemplo |
|---|---|
| Hardware | Modelo e número de GPUs, CPU, memória |
| Tempo de execução | Horas de GPU das execuções finais e de todos os ajustes e execuções que falharam |
| Energia | kWh, medida ou estimada, com a ferramenta e a versão |
| Local | País ou região da rede, e a intensidade de carbono usada |
| Emissões | kg CO₂e |
| Inferência | Energia por 1.000 pedidos com um tamanho de lote e um comprimento de sequência declarados |
| Limite | Se a refrigeração e os custos adicionais do data center (PUE) estão incluídos |
Se você lançar o modelo, copie os números para o campo co2_eq_emissions do model card no Hugging Face.
Erros comuns
- Informar só a execução vencedora. A busca por trás dela costuma ser a maior parte da energia.
- Não indicar a incerteza. As estimativas por modelos de potência podem diferir dos valores medidos; dê uma faixa.
- Deixar de fora os resultados negativos. Um método de eficiência que não funcionou poupa outras pessoas de repeti-lo.
Os princípios GREENER, de Lannelongue e colegas, oferecem um quadro mais amplo para grupos e instituições. Veja o guia para pesquisadores e como medir a energia da IA.
Fontes
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Relacionados
Como meço a pegada de carbono do treinamento de um modelo?
Acompanhe a energia de um treinamento com uma ferramenta como o CodeCarbon, multiplique pela intensidade de carbono da rede local e informe hardware, tempo e local.
Como defino um orçamento de computação para um projeto de pesquisa?
Defina e acompanhe um orçamento de computação para pesquisa em IA: estime horas de GPU, faça pilotos, pare cedo execuções fracas, reutilize modelos e relate resultados.
IA verde para pesquisadores
Um guia para pesquisadores sobre métodos de IA eficientes, medição e relato de energia em artigos, orçamentos de computação, financiamento e o papel da matemática.
Como medir a energia e o carbono da IA
Um guia prático para medir ou estimar a energia e o carbono do trabalho com IA: ferramentas, limites do sistema, métricas por tarefa e incerteza honesta.