# 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.

Source: https://greenai.guide/pt/guias/ia-verde-para-pesquisadores/  
Updated: 2026-11-19

## 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? {#why-does-green-ai-matter-for-research}

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? {#which-methods-make-models-more-efficient}

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 {#pruning-and-sparsity}

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 {#quantisation-and-mixed-precision}

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 {#distillation-and-smaller-models}

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 {#reusing-models}

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 {#data-efficiency}

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 {#numerical-methods-and-data-movement}

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 {#hybrid-physics-ml}

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](/pt/boas-praticas/treinamento-e-inferencia-de-ia-eficientes/) e
[matemática para uma IA eficiente](/pt/artigos/a-matematica-que-torna-a-ia-mais-eficiente/).

## Como devo medir e relatar a energia nos artigos? {#how-should-i-measure-and-report-energy-in-papers}

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](/pt/boas-praticas/como-medir-a-energia-e-o-carbono-da-ia/) e o artigo
[a medição é o gargalo](/pt/artigos/a-medicao-e-o-gargalo-da-ia-verde/) vão mais longe.

## Como defino um orçamento de computação? {#how-do-i-set-a-compute-budget}

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? {#how-does-efficiency-affect-reproducibility}

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? {#where-can-mathematics-contribute}

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](/pt/glossario/#rebound-effect)), 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? {#how-do-i-find-funding-and-collaborators}

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](/pt/pesquisa/) lista grupos e projetos em IA verde.

## Que caminhos de doutorado existem? {#what-phd-routes-are-there}

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](/pt/doutorados/) para as oportunidades atuais e o [diretório de cursos](/pt/cursos/) para
cursos curtos sobre IA eficiente, software verde e computação para pesquisa.

## O que fazer a seguir {#what-to-do-next}

1. **Acrescente o CodeCarbon** ou um registro semelhante ao seu próximo experimento, ou estime o seu último projeto com
   a calculadora [Green Algorithms](https://www.green-algorithms.org/).
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](/pt/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](/pt/cursos/) e compartilhe o [diretório de doutorados](/pt/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](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al., ICML (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [AI Act, 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)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (ITEA) (2026)
