Cyberpediapor Brain

Energia e carbono da IA: treinar ou utilizar

Treinar um modelo de IA e utilizá-lo consomem energia em dois momentos. Ordens de grandeza de estudos e gestos de utilização razoável.

Nesta página
  1. 1Em 30 segundos
  2. 2Do que se trata
  3. 3Perguntas diretas
  4. 4Como funciona
  5. 5O que faz
  6. 6As armadilhas
  7. 7Fontes
  8. 8Citar este artigo

Em 30 segundos

Onde acontece
A cada pergunta feita a um assistente de IA[1] e, antes disso, durante o treino dos modelos, que exige recursos de cálculo e de energia importantes[2].
O que as medições dão
O prompt de texto mediano do Gemini Apps consome 0,24 Wh segundo a Google[1]; o treino final do BLOOM emitiu cerca de 24,7 toneladas de equivalente CO2 segundo os seus autores (só a potência dinâmica), e 50,5 toneladas contando todos os processos[2].
O reflexo
Escolher um modelo adaptado à tarefa e evitar pedidos inúteis.

Do que se trata

Um modelo de IA consome energia em dois momentos: quando é treinado e, depois, de cada vez que alguém o utiliza. O segundo momento tem um nome, a inferência: a utilização de um modelo já treinado para produzir previsões, texto ou imagens[1].

Esta ficha apresenta ordens de grandeza retiradas de estudos publicados. São estimativas, e os números variam muito de um estudo para outro. Termina com os gestos que um colaborador pode adotar no dia a dia.

Perguntas diretas

O que se chama treino?

É a fase em que o modelo é construído. Os autores do estudo sobre o BLOOM, um modelo de linguagem de 176 mil milhões de parâmetros, escrevem que o treino dos modelos exige recursos de cálculo, de energia e de materiais importantes[2]. Para o BLOOM, estimam que o treino final emitiu cerca de 24,7 toneladas de equivalente CO2 se só se contar o consumo de energia dinâmica, e 50,5 toneladas se se contarem todos os processos, do fabrico dos equipamentos ao consumo de energia[2].

Já em 2019, investigadores quantificaram o custo financeiro e ambiental aproximado do treino de vários modelos de processamento de linguagem. Segundo eles, os ganhos de precisão destes modelos dependem de recursos de cálculo excecionais, que exigem um consumo de energia igualmente importante[3].

O que se chama inferência?

É o momento em que um modelo treinado responde a um pedido[1]. O estudo sobre o BLOOM examina também a energia e as emissões da sua implementação: o modelo recebe pedidos de utilizadores em tempo real através de uma interface de acesso (API)[2].

Quanto consome um pedido?

Depende do método de medição, do modelo e da empresa. A Google estima que o prompt de texto mediano do Gemini Apps consome 0,24 Wh, emite 0,03 gCO2e e consome 0,26 mL de água, ou seja, cerca de cinco gotas[1]. Segundo a Google, a energia por prompt equivale a menos de nove segundos de televisão[1]. Estes números assentam numa análise pontual dos dados de maio de 2025; a Google especifica que não representam o impacto de todos os prompts de texto do Gemini Apps e que não permitem prever o desempenho futuro[1].

Outra equipa comparou 30 modelos em centros de dados comerciais. Conclui que um pedido curto de 0,42 Wh, multiplicado por 700 milhões de pedidos por dia, atinge um consumo anual de eletricidade comparável ao de 35 000 lares americanos[6]. Nos seus resultados, os modelos mais exigentes ultrapassam 29 Wh para um prompt longo, ou seja, mais de 65 vezes os sistemas mais eficientes[6].

Porque é que os números diferem tanto?

Quatro fatores sobressaem dos estudos.

  • O método de cálculo. A Google conta a potência dos aceleradores em atividade, mas também as máquinas inativas que ficam prontas a absorver os picos de tráfego, o processador e a memória dos servidores, e o consumo dos centros de dados (arrefecimento, distribuição elétrica)[1]. Contando apenas as TPU e as GPU ativas, a Google obtém 0,10 Wh para o prompt mediano, e considera este número otimista e muito subestimado em relação à pegada real[1].
  • O local. No treino, a parte de energia sem carbono e as emissões em equivalente CO2 variam por um fator de cerca de 5 a 10, mesmo dentro de um mesmo país e para uma mesma organização[4].
  • O centro de dados e o processador. Os centros de dados da cloud podem ser cerca de 1,4 a 2 vezes mais eficientes em energia do que os centros de dados típicos, e os aceleradores dedicados à aprendizagem automática cerca de 2 a 5 vezes mais eficientes do que sistemas comerciais[4].
  • O tipo de modelo. Redes neuronais muito grandes mas de ativação parcial podem consumir menos de um décimo da energia de redes densas, sem perda de precisão[4].

Os autores deste último estudo estimam que a escolha da rede, do centro de dados e do processador pode reduzir a pegada de carbono até um fator de cerca de 100 a 1 000[4]. Acrescentam que estas diferenças tornam difíceis as estimativas feitas a posteriori[4].

Como funciona

A pegada de uma IA não se limita à eletricidade dos chips. Investigadores examinaram o ciclo de desenvolvimento dos modelos em casos de utilização industriais e o ciclo de vida do equipamento: contam a pegada de carbono de exploração e a de fabrico[7].

No lado da inferência, a Google descreve várias alavancas de eficiência para o Gemini. As arquiteturas do tipo Mixture-of-Experts ativam apenas uma pequena parte de um grande modelo para responder a um pedido, o que reduz os cálculos e as transferências de dados por um fator de 10 a 100 segundo a Google[1]. A destilação cria modelos mais pequenos (Gemini Flash e Flash-Lite) a partir de modelos maiores[1]. A Google indica um PUE médio de 1,09 no conjunto dos seus centros de dados; este indicador mede a energia consumida pela infraestrutura em redor dos equipamentos informáticos[1].

Segundo a Google, ao longo de doze meses, a energia e a pegada de carbono total do prompt mediano do Gemini Apps diminuíram por um fator de 33 e de 44[1]. A Google especifica que esta comparação diz respeito a maio de 2024 e maio de 2025 e que os dados não foram verificados por um terceiro independente[1].

O que faz

  • Escolha o modelo consoante a tarefa. No estudo sobre 30 modelos, a diferença entre os mais exigentes e os mais eficientes ultrapassa um fator de 65 para um prompt longo[6]. A própria Google propõe modelos mais pequenos para responder aos pedidos[1].
  • Evite os pedidos inúteis. Um pedido curto de 0,42 Wh parece negligenciável, mas, multiplicado por 700 milhões de pedidos por dia, representa a eletricidade anual de 35 000 lares americanos segundo essa equipa[6]. Descreve um paradoxo: quando a IA se torna mais barata e mais rápida, a sua adoção mundial faz consumir recursos de forma desproporcionada[6].
  • Tenha as ordens de grandeza presentes sem as citar como certezas: dependem do estudo, do modelo e do local.

As armadilhas

  • Comparar números provenientes de métodos diferentes. O número de 0,24 Wh da Google inclui as máquinas inativas e a energia dos centros de dados, o que, segundo a Google, muitos cálculos atuais não têm em conta[1]. Os autores do estudo da Google dizem também que nenhum estudo tinha medido estes indicadores de um serviço de IA em ambiente de produção antes do seu[5].
  • Tomar um número da Google por um valor independente. A Google especifica que a comparação entre maio de 2024 e maio de 2025 (diminuição por um fator de 33 e de 44) não foi verificada por um terceiro independente[1].
  • Acreditar que um número vale para todos os modelos. A Google especifica que a energia do prompt mediano pode mudar quando se acrescentam novos modelos, quando a arquitetura evolui e quando o comportamento dos utilizadores muda[1].
  • Esquecer o treino. Os autores do estudo de 2021 estimam que a energia e as emissões deveriam figurar entre os indicadores de avaliação dos modelos[4].

Fontes

  1. Google, «How much energy does Google’s AI use? We did the math», 21 de agosto de 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (consultado em 14 de novembro de 2026)
  2. arXiv, «Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model», 3 de novembro de 2022. https://arxiv.org/abs/2211.02001 (consultado em 14 de novembro de 2026)
  3. arXiv, «Energy and Policy Considerations for Deep Learning in NLP», 5 de junho de 2019. https://arxiv.org/abs/1906.02243 (consultado em 14 de novembro de 2026)
  4. arXiv, «Carbon Emissions and Large Neural Network Training», 21 de abril de 2021. https://arxiv.org/abs/2104.10350 (consultado em 14 de novembro de 2026)
  5. arXiv, «Measuring the environmental impact of delivering AI at Google Scale», 21 de agosto de 2025. https://arxiv.org/abs/2508.15734 (consultado em 14 de novembro de 2026)
  6. arXiv, «How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference», 14 de maio de 2025. https://arxiv.org/abs/2505.09598 (consultado em 14 de novembro de 2026)
  7. arXiv, «Sustainable AI: Environmental Implications, Challenges and Opportunities», 30 de outubro de 2021. https://arxiv.org/abs/2111.00364 (consultado em 14 de novembro de 2026)