Inteligência artificial verde

Embora seja invisível, a IA está presente em grande parte do nosso dia a dia. Previsões meteorológicas, rotas de navegação por GPS, sistemas de recomendação na Internet e inúmeras outras tarefas digitais que realizamos dependem de grandes motores de inteligência artificial. Apesar de oferecer grandes vantagens, essa tecnologia também gera um impacto mensurável no meio ambiente, uma vez que aumentam significativamente o consumo de energia e outros recursos. 

Com o avanço da produção e integração de modelos de IA, também aumenta a preocupação com o desenvolvimento de uma tecnologia que respeite o planeta em plena transição energética. Esta é a origem da Inteligência Artificial Verde, um conceito que vem ganhando cada vez mais relevância no setor. 

O que é a inteligência artificial verde?

A inteligência artificial ecológica, conhecida como a vertente “verde na IA” (Green-in-AI), é uma abordagem emergente que visa reduzir o impacto ambiental das tecnologias de IA por meio de práticas mais sustentáveis. Essa visão contempla a otimização de algoritmos e modelos para consumir menos energia, o uso de infraestruturas mais eficientes e a adoção de hardwares projetados para minimizar o consumo de energia.  

Este paradigma estabelece que, para reduzir o consumo energético, é necessário equilibrar o volume de dados utilizados no treinamento de modelos, o tempo dedicado a esse treinamento e o número de interações necessárias para sua otimização. Como resultado, obtém-se um conjunto de tecnologias altamente eficientes para impulsionar o uso de aplicações de inteligência artificial. 

Alguns exemplos concretos de Green-in-AI ao longo de toda a cadeia de valor da computação: 

• Origem renovável: autoconsumo e armazenamento para maximizar a eficiência. 

• Otimização do conjunto de dados: eliminação de dados de baixo valor. 

• Otimização de algoritmos: redução de parâmetros ou técnicas como Mixtures of Experts que otimizam o consumo. 

• Hardware adequado: além de prevenir a obsolescência, utiliza equipamentos específicos para seu uso, como TPUs (tensor processing units) ou VPUs (vision processing units). 

• Inferência eficiente: aplicações que armazenam consultas importantes para evitar inferências repetidas. 

• Módulos eficientes: otimização da localização dos racks, o tipo de refrigeração e a densidade computacional para garantir que o consumo seja aproveitado. 

• Edifícios eficientes: o último passo para reduzir a pegada da IA é diminuir o consumo em climatização, iluminação, segurança e demais sistemas dos próprios edifícios e campus. 

Ao mesmo tempo, essa abordagem reforça a necessidade de priorizar fontes de energia renováveis nos centros de processamento de dados (data centers) e nas infraestruturas e tecnologias utilizadas para treinar e executar modelos de inteligência artificial, o que ajuda a reduzir a pegada de carbono. Também defende uma maior transparência na medição e no relatório do consumo de energia e das emissões de CO₂ nesses processos. 

Por outro lado, a inteligência artificial “verde por IA” (Green-by-AI) engloba as iniciativas que aplicam tecnologias de inteligência artificial a problemas ambientais, como a otimização de processos logísticos ou de gestão de recursos com impacto ambiental, ou como a otimização do consumo de energia por meio de modelos avançados de previsão meteorológica ou gestão de consumo e mercados.  

Esta união entre inteligência artificial e sustentabilidade defende estratégias mais responsáveis que garantam que os avanços tecnológicos estejam alinhados com os objetivos globais de sustentabilidade. Isso representa mais um passo em direção a um futuro ecológico que não sacrifica o progresso. 

Por que a IA verde é importante? A pegada ecológica da inteligência artificial cológica de la inteligencia artificial 

As ferramentas de inteligência artificial têm uma vida útil composta por diferentes fases, e cada uma delas pode gerar impactos prejudiciais ao meio ambiente. Alguns números ilustram essa realidade: 

• Em 2024, os data centers consumiram aproximadamente 415 TWh.  
• Estima-se que, até 2030, esse consumo chegará a 945 TWh, o equivalente ao consumo elétrico total da Rússia. 
• Calcula-se que o GPT-3.5 (ChatGPT) consumiu cerca de 1,3 GWh para ser treinado, enquanto o consumo do GPT-4 foi de 50 GWh. 
• Se cada busca no Google usasse IA generativa, o consumo diário seria de 80 GWh, mais do que o consumo diário total da Irlanda. Atualmente, as buscas indexadas consomem cerca de 1 GWh. 
• O ChatGPT consome de seus usuários cerca de 620 MWh por dia, ou seja, a cada dois dias consome a mesma quantidade de energia que precisou para seu próprio treinamento. 
• Estima-se que o treinamento e a inferência até o momento do GPT-3 e do GPT-4 (usados no ChatGPT) consumiram 380 GWh. 

Fontes: “We did the math on AI’s energy footprint. Here’s the story you haven’t heard”,Link externo, abra em uma nova aba.  MIT Technology Review; “AI Environment Statistics 2025: How AI Consumes 2% of Global Power and 17B Gallons of Water”,Link externo, abra em uma nova aba.  All about AI.

Fatores que contribuem para as emissões de carbono na IA

• Treinamento de modelos em grande escala 

• Infraestrutura e data centers 

• Produção e descarte de hardware 

Estratégias de mitigação

• Otimização de modelos e algoritmos: Compreensão dos modelos, algoritmos verdes e treinamento eficiente com métodos como o aprendizado transferido: aprendizado inicial de uma tarefa geral e, em seguida, ajustes para tarefas específicas, em vez de treinamento a partir do zero.  

• Uso de energia renovável: Migração dos data centers para fontes de energia renováveis e implementação de tecnologias de armazenamento de energia. 

• Otimização de hardware: Melhoria na produção e reciclagem de hardware, promovendo a eficiência energética e a reutilização. 

• Regulação e normativas: Desenvolvimento de normas que promovam a eficiência energética e a sustentabilidade. Aplicação de incentivos fiscais e marcos regulatórios que impulsionem o uso de energia renovável. 

• Monitoramento e relatório de emissões: Fomento à transparência na divulgação do consumo de energia e das emissões de carbono por parte das empresas de IA e desenvolvimento de ferramentas para sua redução. 

Entre os recursos de referência disponíveis, destaca-se o relatório Energy and AI World Energy Outlook [PDF] da Agência Internacional de Energia (IEA), resultado da Conferência Mundial sobre Energia e Inteligência Artificial 2024.Link externo, abra em uma nova aba.  O documento busca preencher essa lacuna com base em novos modelos e conjuntos de dados globais e regionais, bem como em uma ampla consulta a governos e reguladores, ao setor tecnológico, à indústria energética e a especialistas internacionais. O relatório inclui projeções de quanta eletricidade a IA poderia consumir durante a próxima década e as fontes de energia que devem ser usadas para ajudar a satisfazer essa demanda. Também analisa o que a adoção da IA pode significar para a segurança energética, as emissões, a inovação e a acessibilidade. 

Ferramentas de medição

Recentemente, a Secretaria de Estado de Digitalização e Inteligência Artificial (SEDIA), em parceria com a Associação Espanhola de Normalização (UNE), publicou uma especificação técnica pioneira que permitirá medir o impacto ambiental dos sistemas de Inteligência Artificial (IA). Esta iniciativa faz parte do Programa Nacional de Algoritmos Verdes (PNAV) e faz parte da Estratégia Nacional de Inteligência Artificial 2024. 

O novo marco normativo estabelece critérios comuns para avaliar o consumo de energia, a pegada de carbono, o uso de água e o desempenho dos modelos de IA, principalmente nas fases de treinamento e implementação. A especificação fornece um guia detalhado para quantificar o impacto ambiental dos modelos, com atenção especial aos sistemas de IA generativa e aos grandes modelos de linguagem (LLMs), devido à sua elevada carga computacional. 

A elaboração do documento contou com a participação de um grupo formado por mais de 40 especialistas, incluindo pesquisadores em algoritmos verdes, empresas de tecnologia, consultorias especializadas em IA e organismos de certificação. Entre as entidades participantes esteve a área de Tecnologia da Iberdrola, contribuindo com a perspectiva de verificação técnica. 

Paralelamente às atividades de normalização, foram criadas diversas ferramentas para medir o consumo da IA, que estão sendo continuamente adaptadas à criação de novos modelos e arquiteturas. Estes são alguns exemplos: 

• PyJoules é uma ferramenta em Python que mede o consumo energético de código durante sua execução, utilizando sensores de hardware como Intel RAPL e NVIDIA NVML para avaliar a eficiência energética de sistemas e algoritmos. 
• CodeCarbon é uma ferramenta leve e de código aberto em Python que estima as emissões de CO₂ geradas pelo uso de recursos computacionais durante a execução do código, ajudando a otimização e redução de seu impacto ambiental.