# Glossário de IA verde

> Definições em linguagem simples dos termos da IA verde, de tokens, inferência e PUE ao efeito rebote, à suficiência e à fusão de modelos.

Source: https://greenai.guide/pt/glossario/  
Updated: 2026-11-19

## Em resumo

Este glossário define os termos que as pessoas encontram quando começam a ler sobre o custo ambiental da IA, em linguagem simples e em ordem alfabética. Cada termo tem o seu próprio link, para que outras páginas do site possam apontar diretamente para ele.

## Pontos-chave

- O treinamento constrói um modelo uma vez; a inferência é cada uso dele depois disso.
- Eficiência significa fazer o mesmo com menos; suficiência significa perguntar se a tarefa precisa mesmo ser feita com IA.
- O PUE compara a energia total de um data center com a energia usada pelos seus computadores; 1,0 seria o ideal.
- O efeito rebote ocorre quando a eficiência torna algo mais barato e, por isso, aumenta o uso total.

A IA verde reúne ciência da computação, matemática, engenharia, energia e políticas públicas, e cada área tem o
seu próprio vocabulário. Palavras como "modelo", "eficiência" e até "IA" significam coisas diferentes para pessoas
diferentes. Um sandpit (laboratório colaborativo) de IA verde realizado no Reino Unido em 2026, com matemáticos,
cientistas da computação e representantes da indústria, concluiu que os termos que as pessoas mais queriam ver
bem definidos eram os básicos. Por isso este glossário começa do zero. Os termos estão em ordem alfabética do
inglês. Se faltar um termo de que você precisa, [conte para nós](/pt/contato/).

### IA agêntica (agentic AI) {#agentic-ai}

IA que realiza sozinha uma tarefa em várias etapas, como pesquisar, escrever código, executá-lo e corrigir erros,
em vez de dar uma única resposta. Como cada etapa usa o modelo de novo, a IA agêntica pode usar muito mais tokens
(unidades de texto) do que um chat, e agentes que ficam presos em loops podem desperdiçar muito. Veja
[IA agêntica e desperdício de tokens](/pt/artigos/ia-agentica-e-desperdicio-de-tokens/).

### IA {#ai}

Abreviação de inteligência artificial: sistemas de computador que fazem tarefas que associamos à inteligência
humana, como reconhecer imagens, entender a linguagem ou fazer previsões. Na fala do dia a dia em 2026, "IA"
costuma significar grandes modelos generativos, como os chatbots, mas o termo também abrange sistemas muito
menores, como filtros de spam e modelos meteorológicos, por isso vale a pena dizer a qual você se refere.

### Letramento em IA (AI literacy) {#ai-literacy}

O conhecimento e as habilidades para entender, usar e avaliar a IA com bom senso: o que ela pode e não pode fazer,
como verificar o que ela produz e quais são os seus custos, incluindo os ambientais.

### Diferenciação automática {#automatic-differentiation}

Uma técnica que permite a um computador calcular exatamente como o resultado de um cálculo muda à medida que cada
entrada muda. É assim que as redes neurais aprendem (onde é chamada de retropropagação, ou backpropagation), e ela
também é usada para otimizar simulações científicas.

### Benchmark {#benchmark}

Um teste padronizado usado para comparar sistemas de forma justa, por exemplo, a precisão de modelos no mesmo
conjunto de perguntas, ou quanta energia eles usam na mesma tarefa. Um benchmark só é tão útil quanto as tarefas e
as medições que contém.

### Computação consciente do carbono {#carbon-aware-computing}

Executar tarefas de computação em horários ou locais em que a eletricidade é mais limpa, por exemplo, adiar uma
grande rodada de treinamento até que haja vento. Combina com trabalhos que não precisam de resposta imediata.

### Intensidade de carbono {#carbon-intensity}

Quanto dióxido de carbono (ou gás de efeito estufa equivalente) é emitido por unidade de eletricidade, normalmente
em gramas de CO₂e por quilowatt-hora. Varia de país para país e de hora em hora, conforme a parcela da energia que
vem de combustíveis fósseis ou de fontes renováveis.

### Data center {#data-centre}

Um prédio cheio de computadores, equipamentos de armazenamento e de rede, com a energia e o resfriamento
necessários para mantê-los funcionando. A maioria dos chatbots de IA roda em data centers, não no dispositivo do
usuário.

### Modelo de difusão {#diffusion-model}

Um tipo de IA generativa, muito usado para imagens e vídeo, que aprende a transformar ruído aleatório, passo a
passo, em uma imagem. Os seus muitos passos ajudam a explicar por que gerar imagens usa muito mais energia do que
gerar um texto curto.

### Destilação (distillation) {#distillation}

Treinar um modelo "aluno" pequeno para imitar um modelo "professor" grande, de modo que o pequeno consiga fazer
uma tarefa quase tão bem, por uma fração do custo computacional.

### IA na borda (edge AI) {#edge-ai}

IA que roda no dispositivo onde estão os dados, ou perto dele, como um celular, uma câmera ou um sensor de
fábrica, em vez de em um data center distante. Pode economizar a energia da rede e proteger a privacidade, mas
dispositivos pequenos multiplicados por milhões também pesam. Veja [borda ou nuvem](/pt/boas-praticas/edge-ou-nuvem-onde-a-ia-deve-rodar/).

### Eficiência {#efficiency}

Obter o mesmo resultado útil com menos recursos: menos energia, tempo, água ou hardware por tarefa. A eficiência é
essencial para a IA verde, mas não basta sozinha, por causa do efeito rebote.

### Carbono incorporado {#embodied-carbon}

As emissões da fabricação, do transporte e do descarte final de equipamentos, por oposição às do seu
funcionamento. No caso da IA, isso inclui a fabricação de chips, servidores e prédios de data centers.

### Rótulo de energia (energy label) {#energy-label}

Uma classificação simples que mostra quanta energia um produto usa, como as etiquetas de A a G das geladeiras na
Europa. Vários grupos estão desenvolvendo equivalentes para modelos de IA, como o AI Energy Score da Hugging Face,
e o AI Act da UE exige que os fornecedores de modelos de IA de uso geral documentem o seu consumo de energia
conhecido ou estimado. Veja [rótulos de energia para IA](/pt/artigos/etiquetas-de-energia-e-benchmarks-para-ia/).

### Ajuste fino (fine-tuning) {#fine-tuning}

Pegar um modelo que já foi treinado e treiná-lo um pouco mais com dados especializados, para que tenha melhor
desempenho em uma tarefa específica. Custa muito menos do que treinar do zero.

### FLOPs {#flops}

Operações de ponto flutuante (floating-point operations): os passos aritméticos básicos (somas e multiplicações
de números decimais) que um computador faz. Contá-los é uma forma comum de estimar quanta computação um modelo
exige. FLOPS com S maiúsculo costuma significar operações por segundo.

### FPGA {#fpga}

Um field-programmable gate array (matriz de portas programável em campo): um chip cujos circuitos podem ser
reconfigurados depois de fabricado. Os FPGAs podem ser muito eficientes em uma tarefa específica e podem ser
reprogramados à medida que os modelos mudam, mas são mais difíceis de programar do que as GPUs.

### IA generativa {#generative-ai}

IA que cria conteúdo novo, como texto, imagens, áudio, vídeo ou código, em resposta a um pedido. Chatbots e
geradores de imagens são IA generativa.

### GPU {#gpu}

Uma unidade de processamento gráfico (graphics processing unit): um chip criado originalmente para computação
gráfica que consegue fazer muitos cálculos ao mesmo tempo. As GPUs são o principal hardware para treinar e
executar a IA moderna.

### IA verde {#green-ai}

IA desenvolvida e usada de modo a manter a sua pegada de energia, carbono, água e materiais a mais baixa possível,
e usada onde agrega valor real. Abrange tanto tornar a IA mais eficiente quanto usá-la apenas onde ela é a
ferramenta certa. Veja [o que é IA verde?](/pt/artigos/o-que-e-ia-verde/).

### Greenwashing {#greenwashing}

Fazer afirmações enganosas de que um produto ou uma organização é melhor para o meio ambiente do que realmente é.
Na UE, a Diretiva (UE) 2024/825 proíbe alegações ambientais genéricas dirigidas aos consumidores que não possam
ser comprovadas. Veja [alegações verdes honestas](/pt/boas-praticas/alegacoes-ambientais-honestas-sobre-ia/).

### Inferência {#inference}

Usar um modelo treinado para produzir um resultado, como responder a uma pergunta ou gerar uma imagem. Cada prompt
é uma inferência, por isso, em ferramentas populares, a energia da inferência continua se acumulando enquanto o
modelo estiver em uso.

### Paradoxo de Jevons {#jevons-paradox}

A observação, feita pelo economista William Stanley Jevons no seu livro de 1865 *The Coal Question* (A questão do
carvão), de que máquinas a vapor mais eficientes levaram a Grã-Bretanha a queimar mais carvão, e não menos. É o
caso extremo do efeito rebote, em que a eficiência aumenta o uso total.

### Cache KV (KV cache) {#kv-cache}

Abreviação de cache de chave–valor (key–value cache). Quando um modelo de linguagem escreve uma resposta um token
de cada vez, ele guarda resultados intermediários (as "chaves" e os "valores" do seu cálculo de atenção) para não
precisar recalculá-los a cada passo. Economiza muita computação, mas usa memória.

### Modelo de linguagem de grande porte {#large-language-model}

Um modelo de IA generativa treinado com enormes quantidades de texto para prever e produzir linguagem, muitas
vezes abreviado como LLM (large language model). A maioria dos chatbots é construída sobre um deles.

### Latência {#latency}

O tempo entre pedir algo e receber a resposta. Algumas técnicas de IA verde trocam um pouco de latência por menos
energia, por exemplo, agrupando pedidos em lotes ou esperando por energia mais limpa.

### Falácia de McNamara {#mcnamara-fallacy}

O erro de tratar o que é fácil de medir como tudo o que importa e ignorar o que não é. Na IA verde, é um alerta
contra julgar sistemas apenas por números convenientes, deixando de lado danos mais difíceis de contabilizar, como
o consumo de água ou os efeitos sociais.

### Precisão mista {#mixed-precision}

Fazer alguns cálculos com menos dígitos de precisão do que outros, quando isso não prejudica o resultado. Uma
precisão menor usa menos memória e energia.

### Mistura de especialistas (mixture of experts) {#mixture-of-experts}

Uma arquitetura de modelo formada por muitas sub-redes especializadas ("especialistas"), em que um roteador envia
cada entrada para apenas algumas delas. Usa só parte do modelo em cada resposta, o que economiza computação,
embora o modelo inteiro precise estar na memória e seja necessário durante o treinamento.

### Modelo {#model}

Em IA, um modelo é o sistema treinado que transforma entradas em saídas: o conjunto de números aprendidos
(parâmetros) e a estrutura que os utiliza. Em ciência e engenharia, "modelo" também pode significar uma descrição
matemática de um sistema, como um modelo climático, por isso ajuda dizer a qual você se refere.

### Fusão de modelos (model merging, souping) {#model-merging-souping}

Combinar dois ou mais modelos, muitas vezes tirando a média dos seus parâmetros, para obter um único modelo com os
pontos fortes de cada um, sem treinar um novo do zero. "Model soups" (sopas de modelos) foi o nome usado por
Wortsman e colegas em 2022.

### Sistema multiagente {#multi-agent-system}

Um conjunto de agentes de IA que trabalham juntos ou passam tarefas entre si. Podem ser poderosos, mas, se ficarem
presos conversando entre si, podem consumir grandes quantidades de tokens sem nenhum resultado útil.

### Modelo de pesos abertos (open-weight model) {#open-weight-model}

Um modelo cujos parâmetros treinados (pesos) são publicados para que qualquer pessoa possa baixá-lo e executá-lo,
mesmo que os seus dados de treinamento e o seu código não sejam. Modelos de pesos abertos podem ser executados
localmente e adaptados, e o seu consumo de energia pode ser medido de forma independente.

### Orquestração {#orchestration}

Coordenar vários modelos, ferramentas ou componentes prontos para concluir uma tarefa, em vez de deixar um único
modelo grande gerar tudo. Veja [orquestração em vez de geração](/pt/artigos/orquestracao-em-vez-de-geracao/).

### Parâmetros {#parameters}

Os números dentro de um modelo que são ajustados durante o treinamento e que, juntos, armazenam o que ele
aprendeu. Os modelos de linguagem de grande porte têm bilhões deles; a família Llama 3.1 da Meta, por exemplo,
existe em tamanhos de 8, 70 e 405 bilhões de parâmetros. Mais parâmetros normalmente significam mais computação
por resposta.

### Rede neural informada pela física (physics-informed neural network) {#physics-informed-neural-network}

Uma rede neural treinada para respeitar leis conhecidas da física, como a conservação da energia, além de se
ajustar aos dados. Incorporar esse conhecimento pode significar menos dados, menos parâmetros e menos treinamento.

### Prompt {#prompt}

A instrução ou pergunta que uma pessoa dá a um modelo de IA generativa. Prompts claros e específicos costumam
obter uma boa resposta logo na primeira vez, o que economiza tempo e energia.

### Poda (pruning) {#pruning}

Remover partes de um modelo treinado, como pesos individuais ou conexões inteiras, que pouco contribuem para o seu
resultado. Um modelo podado é menor e mais barato de executar, muitas vezes com pouca perda de precisão.

### PUE {#pue}

Power usage effectiveness (eficácia no uso de energia): o consumo total de energia de um data center dividido pela
energia usada pelos seus equipamentos de computação. Um PUE de 1,0 significaria que nenhuma energia é gasta em
resfriamento ou perdas elétricas; quanto mais baixo, melhor. Veja
[hospedagem e data centers](/pt/boas-praticas/hospedagem-e-data-centers-para-ia-verde/) para valores típicos e as suas fontes.

### Quantização (quantisation) {#quantisation}

Armazenar os números de um modelo com menos dígitos, por exemplo, números de 8 ou 4 bits em vez de 16 ou 32 bits.
Isso reduz o tamanho do modelo e corta a energia necessária para executá-lo, normalmente com apenas uma pequena
perda de qualidade.

### Efeito rebote {#rebound-effect}

Quando um ganho de eficiência torna algo mais barato ou mais fácil, as pessoas passam a usá-lo mais e parte da
economia, ou toda ela, se perde. Se o uso cresce tanto que o consumo total aumenta, trata-se do paradoxo de
Jevons. Veja [eficiência não é suficiência](/pt/artigos/eficiencia-nao-e-suficiencia-o-efeito-rebote-na-ia/).

### Roteamento (routing) {#routing}

Enviar cada pedido para o modelo mais adequado, por exemplo, um modelo pequeno e barato para perguntas fáceis e um
grande apenas para as difíceis. Acertar o limite é importante: um modelo pequeno demais pode falhar e obrigar a
uma segunda tentativa, com um modelo maior.

### Emissões de escopo 1, 2 e 3 {#scope-1-2-and-3-emissions}

As três categorias do Greenhouse Gas Protocol. O escopo 1 são as emissões diretas de fontes que uma organização
possui ou controla; o escopo 2 são as emissões da eletricidade, do calor ou do resfriamento que ela compra; o
escopo 3 são todas as outras emissões indiretas da sua cadeia de valor, como a fabricação do hardware que ela
compra.

### Modelo de linguagem pequeno (small language model) {#small-language-model}

Um modelo de linguagem com relativamente poucos parâmetros, projetado para rodar a baixo custo, às vezes em um
notebook ou celular. Em tarefas específicas, um modelo pequeno bem escolhido pode se igualar a um muito maior.
Veja [como escolher o modelo certo](/pt/boas-praticas/escolha-o-modelo-certo-para-a-tarefa/).

### Intensidade de carbono do software (software carbon intensity) {#software-carbon-intensity}

Um método da Green Software Foundation, também publicado como norma ISO, para calcular o carbono emitido por
unidade de trabalho que um software realiza, por exemplo, por usuário ou por pedido.

### IA soberana {#sovereign-ai}

Capacidade de IA, como modelos, dados e infraestrutura de computação, que um país ou uma região controla por
conta própria, em vez de depender de fornecedores estrangeiros. Levanta as suas próprias questões de
sustentabilidade; veja [IA soberana e sustentabilidade](/pt/artigos/ia-soberana-e-sustentabilidade/).

### Esparsidade (sparsity) {#sparsity}

Quando muitos dos números de um modelo, ou muitas das suas ativações para uma determinada entrada, são zero. A
computação pode pular os zeros, então um modelo esparso pode ser muito mais barato de executar se o hardware e o
software derem suporte a isso.

### Rede neural de pulsos (spiking neural network) {#spiking-neural-network}

Uma rede neural que, como o cérebro, transmite informação em pulsos breves (spikes) e fica quase sempre ociosa
entre eles. Em hardware adequado, promete um consumo de energia muito baixo, especialmente na borda.

### Suficiência {#sufficiency}

Usar apenas a quantidade de um recurso que uma necessidade realmente exige, incluindo perguntar se a IA é mesmo
necessária. É a parceira da eficiência: a eficiência pergunta "como podemos fazer isso com menos?", a suficiência
pergunta "precisamos fazer isso?".

### Modelo substituto (surrogate model) {#surrogate-model}

Um modelo rápido e aproximado, treinado para substituir um cálculo lento e caro, como parte de uma simulação
climática ou de engenharia. Um bom modelo substituto pode economizar muita energia, desde que a sua precisão seja
verificada.

### IA sustentável {#sustainable-ai}

Um termo amplo para a IA que pode ser desenvolvida e usada sem esgotar os recursos de que depende, muitas vezes
incluindo efeitos sociais e econômicos, além dos ambientais. Sobrepõe-se à IA verde, e os termos são muitas vezes
usados como sinônimos.

### Token {#token}

O pedaço de texto que um modelo de linguagem lê e escreve, muitas vezes parte de uma palavra. A regra prática da
OpenAI para o inglês é que um token tem cerca de quatro caracteres, ou cerca de três quartos de uma palavra;
outros idiomas muitas vezes precisam de mais tokens para o mesmo significado. Mais tokens significam mais
computação.

### TPU {#tpu}

Uma unidade de processamento tensorial (tensor processing unit): um chip projetado pelo Google especificamente
para os cálculos usados em aprendizado de máquina.

### Treinamento {#training}

Construir um modelo mostrando a ele grandes quantidades de dados e ajustando repetidamente os seus parâmetros para
reduzir os seus erros. Treinar um modelo grande pode levar meses em milhares de chips; a Meta relata 39,3 milhões
de horas de GPU para treinar a sua família Llama 3.1.

### Quantificação de incerteza {#uncertainty-quantification}

Determinar quanta confiança podemos ter no resultado de um modelo, por exemplo, dando um intervalo em vez de um
único número. Ajuda a decidir quando um modelo mais barato é bom o suficiente e quando um resultado precisa ser
verificado.

### WUE {#wue}

Water usage effectiveness (eficácia no uso da água): a água que um data center usa no local, em litros, dividida
pela energia usada pelos seus equipamentos de computação, em quilowatts-hora. Quanto mais baixo, melhor, embora um
projeto de resfriamento que economize água possa usar mais eletricidade, e vice-versa.

## Perguntas frequentes

### Qual é a diferença entre IA verde e IA sustentável?

As pessoas usam os termos de formas que se sobrepõem. A IA verde costuma se concentrar em reduzir a energia, o carbono, a água e os materiais que a IA usa; a IA sustentável é muitas vezes mais ampla, abrangendo também efeitos sociais e econômicos e a questão de os recursos poderem ser renovados tão rápido quanto são usados.

### O que é um token em IA?

Um token é o pedaço de texto que um modelo de linguagem lê ou escreve, muitas vezes parte de uma palavra. A regra prática da OpenAI para o inglês é de cerca de quatro caracteres, ou três quartos de uma palavra, por token.

### Qual é a diferença entre treinamento e inferência?

Treinamento é construir um modelo fazendo-o aprender com dados, normalmente uma única vez e a um custo elevado. Inferência é usar o modelo pronto para responder a uma pergunta ou criar uma imagem, o que acontece toda vez que alguém o utiliza.

## Fontes

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission, AI Act Service Desk (2024)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
