# 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.

Source: https://greenai.guide/pt/como/como-informo-o-uso-de-energia-da-minha-pesquisa-em-ia/  
Updated: 2026-11-19

## 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.

## Steps

1. Acompanhe a energia de cada execução desde o início do projeto, não só da final.
2. Informe o hardware, as horas de GPU, a energia, o local, a intensidade de carbono da rede e as emissões numa tabela padrão.
3. Dê a energia de inferência por 1.000 pedidos com um tamanho de lote e um comprimento de sequência declarados.
4. Indique o limite, incluindo se os custos adicionais do data center são contados.
5. 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? {#what-should-the-table-include}

| 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 {#common-mistakes}

- **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](/pt/guias/ia-verde-para-pesquisadores/) e [como medir a energia da IA](/pt/boas-praticas/como-medir-a-energia-e-o-carbono-da-ia/).

## Fontes

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
