greenai.guide

Início › Guias › IA verde para pesquisadores

Guia

IA verde para pesquisadores

Atualizado · 10 min de leitura

Em resumo

Os pesquisadores podem tornar a IA mais verde de duas formas: desenvolvendo métodos que exigem menos computação e medindo e relatando a energia que o próprio trabalho consome. Poda, quantização, destilação, métodos numéricos melhores e modelos híbridos de física e aprendizado de máquina reduzem o custo da IA, enquanto ferramentas como o CodeCarbon e a calculadora Green Algorithms tornam esse custo visível nos artigos.

Pontos-chave

  • Patterson e colegas constataram que a escolha 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.
  • A inferência, e não só o treinamento, merece atenção da pesquisa: ela roda toda vez que um modelo é usado.
  • Relate energia, hardware, tempo de execução e local em todo artigo, usando uma ferramenta gratuita como o CodeCarbon ou a calculadora Green Algorithms.
  • A matemática contribui além dos algoritmos: em métricas, incerteza, benchmarks e na modelagem de como o uso da IA se espalha.
  • Defina um orçamento de computação para o projeto, incluindo execuções que falharam e buscas de hiperparâmetros, e não só o modelo final.

Por que a IA verde importa para a pesquisa?

Porque a pesquisa define os métodos que todos os outros copiam, e porque a própria pesquisa usa muita computação. Uma técnica que reduz pela metade o custo da inferência, uma vez adotada, economiza energia toda vez que qualquer modelo que a usa é executado.

O argumento foi apresentado cedo. O artigo de 2019 de Strubell, Ganesh e McCallum quantificou o custo financeiro e ambiental de treinar vários modelos de linguagem e propôs formas de reduzi-lo. Mais tarde, Patterson e colegas constataram 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. Luccioni, Jernite e Strubell mostraram que rodar modelos generativos multiuso pode custar ordens de grandeza mais do que modelos específicos para a mesma tarefa.

Um sandpit britânico de IA verde realizado em 2026, com matemáticos, cientistas da computação e representantes da indústria, organizou a agenda de pesquisa em três etapas, cada uma aberta a técnicas diferentes: treinamento do zero, ajuste fino (fine-tuning) ou adaptação, e implantação, seja na nuvem, seja em um dispositivo de baixo consumo de energia. O grupo também observou que boa parte do trabalho existente está em entregáveis de projetos e em repositórios de código pouco conhecidos, então um primeiro passo para qualquer projeto é descobrir o que já foi feito.

Quais métodos tornam os modelos mais eficientes?

As principais famílias são: remover o que o modelo não precisa, usar menos bits, aprender com menos dados e incorporar estrutura conhecida ao modelo. A maioria pode ser combinada.

Poda e esparsidade

A poda (pruning) remove pesos que contribuem pouco para a saída. Esparsidade significa que a maioria dos valores de uma matriz ou ativação é zero, de modo que a computação pode pulá-los. Redes grandes muitas vezes têm muito mais parâmetros do que a tarefa final exige, porque a sobreparametrização ajuda a otimização, então muita coisa pode ser removida depois do treinamento.

Entre as questões em aberto estão: como definir metas de esparsidade antes do treinamento, e não por tentativa e erro; como manter eficiente a esparsidade dinâmica (em que os zeros dependem da entrada) em hardware real; e por que a esparsidade ainda é pouco usada, dadas as restrições de arquitetura dos chips mais comuns. Os ganhos teóricos muitas vezes superam as acelerações medidas, então os resultados empíricos em hardware real importam.

Quantização e precisão mista

A quantização armazena e calcula com menos bits, por exemplo inteiros de 8 bits em vez de ponto flutuante de 32 bits. A precisão mista usa precisão menor onde é seguro e precisão maior onde é necessário. A UNESCO e a UCL relatam que a compressão, como a quantização, pode economizar até 44% de energia mantendo a acurácia. Os especialistas em análise numérica estão bem posicionados para dizer onde a precisão reduzida é segura e como os erros se propagam.

Destilação e modelos menores

A destilação treina um modelo "aluno" pequeno para imitar um "professor" grande. O aluno custa menos para rodar a cada solicitação. Trabalhos relacionados sobre ajuste fino eficiente em parâmetros, que adapta um pequeno número de parâmetros extras em vez do modelo inteiro, e sobre aprendizado contínuo evitam treinar de novo do zero.

Reutilização de modelos

Em vez de treinar novos modelos, combine os existentes. Wortsman e colegas mostraram que tirar a média dos pesos de vários modelos ajustados ("model soups") pode melhorar a acurácia sem nenhum custo extra de inferência. Fundir e reutilizar modelos é uma área promissora para a pesquisa em eficiência.

Eficiência de dados

Treinar com menos dados, e dados melhores, reduz diretamente a energia do treinamento. As técnicas incluem remover exemplos duplicados e de pouco valor, aprendizado ativo (escolher os exemplos mais informativos para rotular) e arquiteturas que generalizam a partir de poucos exemplos.

Métodos numéricos e movimentação de dados

Boa parte da IA é álgebra linear, e décadas de análise numérica se aplicam. A álgebra linear numérica randomizada e o sketching (comprimir uma matriz mantendo as suas propriedades importantes) podem reduzir tanto a aritmética quanto a movimentação de dados, que em muitos dispositivos custa mais energia do que a própria aritmética. A atenção aproximada, que calcula só as partes da matriz de atenção que importam, é um exemplo ativo em modelos de linguagem de grande porte (LLMs). A diferenciação automática, a técnica geral por trás da retropropagação (backpropagation), liga a IA aos códigos científicos existentes.

Modelos híbridos de física e aprendizado de máquina

Em vez de substituir uma simulação inteira por uma rede neural, substitua só a parte que se presta a isso. Um padrão comum é um modelo substituto (surrogate) aprendido para o componente que mais consome energia em um modelo climático ou de engenharia, mantendo o resto da física. Os modelos informados pela física (physics-informed) incorporam leis conhecidas à função de perda ou à arquitetura, o que pode exigir muito menos parâmetros e menos dados. Outras ferramentas estruturais incluem convexidade, algoritmos desenrolados (transformar os passos de um solucionador clássico em camadas da rede) e simetria, como no aprendizado profundo geométrico.

O sandpit também levantou ideias menos exploradas:

  • acrescentar um termo de energia ou de "carbono" ao objetivo de treinamento, por exemplo penalizando neurônios ativos ou especialistas caros em um modelo de mistura de especialistas (mixture-of-experts);
  • correção de erros durante computações longas, com verificações periódicas para que uma execução não precise ser repetida; e
  • detectar quando sistemas de IA multiagente estão presos em loops e desperdiçando tokens.

Veja treinamento e inferência eficientes e matemática para uma IA eficiente.

Como devo medir e relatar a energia nos artigos?

Meça durante o trabalho, relate um conjunto padrão de informações e inclua as execuções que não entraram no artigo. Sem isso, as alegações de eficiência não podem ser verificadas nem comparadas.

Ferramentas gratuitas:

  • O CodeCarbon, um pacote Python de código aberto, estima as emissões a partir da potência consumida por CPU, GPU e memória e da intensidade de carbono da rede local. Acrescente-o aos scripts de treinamento e avaliação.
  • A calculadora Green Algorithms, de Lannelongue, Grealey e Inouye, estima a pegada de uma computação a partir do hardware, do tempo de execução, da memória e do local. Ela é adequada para trabalhos de HPC e para o que foi feito antes de você começar a registrar.
  • Contadores de hardware, como o RAPL em muitas CPUs e as interfaces de energia dos fabricantes de GPU, fornecem leituras diretas em que essas ferramentas se baseiam.

O que relatar:

Item Exemplo
Hardware Modelo e quantidade de GPUs, CPU, memória
Tempo de execução Horas de GPU das execuções finais e de todas as execuções de ajuste e que falharam
Energia kWh, medidos ou estimados, com a ferramenta e a versão
Local País ou região da rede elétrica, e a intensidade de carbono usada
Emissões kg CO₂e
Inferência Energia por 1.000 solicitações, com tamanho de lote e comprimento de sequência declarados
Limite Se a refrigeração e os custos adicionais do data center (PUE) estão incluídos

Seja claro sobre a incerteza. Estimativas feitas a partir de modelos de potência podem diferir de valores medidos por medidor, e os números dos provedores, como os 0,24 Wh informados pelo Google para um prompt de texto mediano no Gemini, usam métodos e limites próprios. O nosso guia sobre como medir a energia da IA e o artigo a medição é o gargalo vão mais longe.

Como defino um orçamento de computação?

Decida com antecedência quanta computação um projeto pode usar e acompanhe isso como se fosse dinheiro. Um orçamento torna as escolhas visíveis e impede ajustes sem fim.

  • Estime as horas de GPU dos experimentos principais e depois acrescente uma margem para exploração.
  • Use pilotos em pequena escala para descartar ideias antes de aumentar a escala.
  • Prefira buscas eficientes de hiperparâmetros, como interromper cedo as execuções ruins, a grandes buscas em grade.
  • Reutilize checkpoints e modelos pré-treinados quando eles servirem.
  • Agende os trabalhos flexíveis para horários ou regiões em que a rede elétrica está mais limpa.
  • Relate os resultados em relação à computação, por exemplo acurácia por kWh, e não só a melhor acurácia.

Os princípios GREENER de Lannelongue e colegas (Governance, Responsibility, Estimation, Energy and embodied impacts, New collaborations, Education and Research, ou seja, governança, responsabilidade, estimativa, energia e impactos incorporados, novas colaborações, educação e pesquisa) oferecem um referencial para grupos e instituições.

Como a eficiência afeta a reprodutibilidade?

Relatar energia e computação torna o trabalho mais fácil de reproduzir, e métodos eficientes o tornam mais barato de reproduzir. Um resultado que exige milhares de horas de GPU só pode ser verificado por poucos grupos.

  • Publique código, configurações e sementes, e diga em quantas execuções um resultado se baseia.
  • Relate a variância entre execuções. Um único número de acurácia de uma única execução de um processo não determinístico pode enganar.
  • Disponibilize versões menores ou destiladas dos modelos quando possível, para que outros possam construir sobre elas.
  • Compartilhe resultados negativos com métodos de eficiência, o que poupa outros de repeti-los.

Onde a matemática pode contribuir?

A matemática ajuda além de algoritmos mais rápidos: a decidir o que medir, quanto confiar em um modelo e como o uso da IA se espalha pela sociedade. O sandpit enfatizou que os matemáticos precisam mostrar, com ferramentas e evidências, o que podem melhorar.

  • Teoria da eficiência: teoria de matrizes aleatórias para poda e esparsidade, teoria da aproximação para modelos pequenos, teoria da otimização para um treinamento mais rápido.
  • Análise numérica: precisão, estabilidade, limites de erro e solucionadores dentro dos pipelines de IA.
  • Quantificação de incerteza: até que ponto se pode confiar em um modelo substituto, especialmente fora dos seus dados de treinamento, o que decide se ele pode substituir um modelo físico caro.
  • Métricas e benchmarks: medidas de energia e qualidade acordadas e comparáveis, e métricas de qualidade com a eficiência incorporada.
  • Modelagem de cenários e sistemas: como os ganhos de eficiência mudam o uso total (o efeito rebote), a teoria dos jogos sobre por que as organizações se sentem empurradas a usar IA e o equilíbrio entre a computação na borda e a centralizada.
  • Escolha do método: referenciais para decidir quando um problema realmente precisa de IA e quando um algoritmo clássico já o resolve bem.

Como encontro financiamento e colaboradores?

Combine uma pergunta de pesquisa sobre eficiência com um parceiro de aplicação real que se importe com custo ou velocidade. Financiadores e indústria respondem melhor a economias de energia que também tragam resultados mais rápidos, mais baratos ou mais confiáveis.

  • Conselhos nacionais de pesquisa, como o EPSRC no Reino Unido, a NSF nos EUA e os seus equivalentes, financiam pesquisa sobre métodos; verifique as chamadas sobre IA, infraestrutura digital de pesquisa e emissões líquidas zero.
  • Programas europeus, como o Horizon Europe, e clusters Eureka, como o ITEA, financiam projetos colaborativos com a indústria. O GreenCode, um projeto do ITEA, é um exemplo em IA verde e energia de software.
  • Projetos curtos com a indústria, estágios e bolsas de doutorado cofinanciadas são formas de baixo custo de começar uma colaboração.
  • Engenheiros de software de pesquisa e centros de HPC muitas vezes têm experiência e formação em computação verde.

Equipes interdisciplinares funcionam melhor: reúna especialistas em hardware, software, métodos numéricos e no domínio da aplicação na mesma sala. O diretório de pesquisa lista grupos e projetos em IA verde.

Que caminhos de doutorado existem?

Há projetos de doutorado em aprendizado de máquina eficiente, análise numérica, computação sustentável e de baixo carbono, HPC e codesign de hardware e software. Muitos não levam o rótulo "IA verde", então pesquise também esses temas.

Os caminhos incluem:

  • centros e programas de formação doutoral, como os UKRI Centres for Doctoral Training no Reino Unido;
  • redes doutorais no âmbito das Ações Marie Skłodowska-Curie da UE;
  • bolsas de doutorado cofinanciadas ou patrocinadas pela indústria; e
  • projetos vinculados a financiamentos de pesquisa maiores.

Veja o diretório de doutorados para as oportunidades atuais e o diretório de cursos para cursos curtos sobre IA eficiente, software verde e computação para pesquisa.

O que fazer a seguir

  1. Acrescente o CodeCarbon ou um registro semelhante ao seu próximo experimento, ou estime o seu último projeto com a calculadora Green Algorithms.
  2. Inclua uma tabela de energia e computação no seu próximo artigo, com as execuções de ajuste e as que falharam.
  3. Defina um orçamento de computação para o seu projeto atual e revise-o todo mês.
  4. Teste um método de eficiência, como quantização ou destilação, em um modelo que você já usa, e relate o custo-benefício.
  5. Verifique o que já existe antes de construir: pesquise no diretório de pesquisa e nos entregáveis recentes.
  6. Encontre um parceiro com uma carga de trabalho de IA ou de simulação cara e proponha um projeto conjunto.
  7. Procure formação no diretório de cursos e compartilhe o diretório de doutorados com os alunos.

Perguntas frequentes

Como relato o consumo de energia dos meus experimentos?

Registre a energia com uma ferramenta como o CodeCarbon enquanto os experimentos rodam, ou estime-a depois com a calculadora Green Algorithms a partir do hardware, do tempo de execução e do local. Relate kWh, CO₂e, hardware, horas e região da rede elétrica, e inclua as execuções que falharam e as de ajuste.

A quantização prejudica a acurácia?

Muitas vezes só um pouco, mas depende do modelo e da tarefa. A UNESCO e a UCL relatam economias de energia de até 44% com compressão, como a quantização, mantendo a acurácia; verifique nos seus próprios benchmarks.

A IA verde é um campo de pesquisa de verdade ou um tema secundário?

É um campo em crescimento que abrange aprendizado de máquina, análise numérica, hardware e sistemas de computação. Estudos sobre a energia do treinamento e da inferência remontam pelo menos a 2019, e o AI Act da UE agora pede aos provedores de modelos de uso geral que documentem o consumo de energia.

Posso fazer um doutorado em IA verde?

Sim. Procure projetos em aprendizado de máquina eficiente, métodos numéricos, computação sustentável ou HPC. O nosso diretório de doutorados lista as oportunidades atuais.

Fontes

  1. Carbon emissions and large neural network training, Patterson et al. (2021)
  2. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  3. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  4. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  5. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  6. CodeCarbon, CodeCarbon (2026)
  7. Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
  8. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al., ICML (2022)
  9. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  10. AI Act, Annex XI: technical documentation for providers of general-purpose AI models, European Commission AI Act Service Desk (2024)
  11. Green AI and energy-aware computing, GreenCode (ITEA) (2026)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade