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
- Acrescente o CodeCarbon ou um registro semelhante ao seu próximo experimento, ou estime o seu último projeto com a calculadora Green Algorithms.
- Inclua uma tabela de energia e computação no seu próximo artigo, com as execuções de ajuste e as que falharam.
- Defina um orçamento de computação para o seu projeto atual e revise-o todo mês.
- Teste um método de eficiência, como quantização ou destilação, em um modelo que você já usa, e relate o custo-benefício.
- Verifique o que já existe antes de construir: pesquise no diretório de pesquisa e nos entregáveis recentes.
- Encontre um parceiro com uma carga de trabalho de IA ou de simulação cara e proponha um projeto conjunto.
- 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
- Carbon emissions and large neural network training, Patterson et al. (2021)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- CodeCarbon, CodeCarbon (2026)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al., ICML (2022)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- AI Act, Annex XI: technical documentation for providers of general-purpose AI models, European Commission AI Act Service Desk (2024)
- Green AI and energy-aware computing, GreenCode (ITEA) (2026)
Relacionados
Treinamento e inferência de IA eficientes
Técnicas para desenvolvedores e pesquisadores reduzirem a energia da IA: poda, esparsidade, quantização, destilação, KV cache, batching, precisão mista e agendamento.
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.
A matemática que torna a IA mais eficiente
Poda, esparsidade, sketching, teoria de matrizes aleatórias e modelos informados pela física: como a matemática reduz a computação, a memória e a energia da IA.
A medição é o gargalo da IA verde
Por que é difícil confiar em números de energia da IA ou compará-los: dados autodeclarados, estimativas em vez de medições, fronteiras diferentes.