Programa
Fundamentos da IA
10 h
Melhore as habilidades de IA da sua equipe
Transforme seus negócios capacitando sua equipe com habilidades avançadas de IA por meio do DataCamp for Business. Obtenha melhores insights e eficiência.
Calculando o impacto ambiental da IA: desafios metodológicos
Desde o lançamento do ChatGPT no fim de 2022, a indústria de IA cresceu exponencialmente. Segundo a Statista, o mercado de inteligência artificial superou US$ 184 bilhões em 2024 e deve seguir acelerando, ultrapassando US$ 826 bilhões em 2030.
Tamanho do mercado de IA no mundo, de 2020 a 2030. Fonte: Statista
No entanto, essa agenda expansionista não deve avançar sem antes avaliar os custos planetários da IA. O risco é enorme, já que o mundo está rapidamente ficando sem tempo para evitar um colapso climático generalizado.
Avaliar a pegada ambiental da IA é, portanto, obrigatório. Porém, como explicamos no nosso artigo sobre o impacto ambiental das tecnologias digitais e dos dados, essa é uma tarefa desafiadora.
Apesar do avanço das pesquisas, ainda é impossível fazer uma avaliação abrangente da pegada ambiental da IA. Entre as principais limitações e desafios estão:
Falta de transparência e lacunas de dados
As empresas de IA costumam ser relutantes em divulgar informações sobre seus produtos, incluindo dados relevantes para o meio ambiente. Isso gera lacunas e pontos cegos importantes, dificultando o trabalho dos pesquisadores de IA. Como ressaltado por Sasha Luccioni, líder de clima na Hugging Face:
Nenhuma empresa que oferece ferramentas de IA, que eu saiba, fornece informações sobre uso de energia e pegada de carbono. Nós nem sabemos o quão grandes são modelos como o GPT. Nada é divulgado; tudo é segredo comercial.
Sasha Luccioni, Climate Lead at Hugging Face
O que conta como pegada ambiental?
A maioria dos estudos foca na demanda de energia ou nas emissões de gases de efeito estufa (ou seja, a pegada de carbono). Porém, é importante avaliar outros impactos não energéticos que também compõem a pegada ambiental digital, como o consumo de água e de minerais.
Olhar para todo o ciclo de vida da IA
A maior parte dos artigos analisou a pegada da IA durante o treinamento. No entanto, como apontam Luccioni et al. em um artigo de 2023, outras etapas do ciclo de vida da IA devem ser consideradas, incluindo extração de materiais, fabricação, implantação do modelo e descarte.
Abordagem de avaliação do ciclo de vida. Fonte: Luccioni et al.
A pegada ambiental da IA
Apesar das limitações metodológicas para estimar a pegada ambiental da IA, a realidade é que a IA tem custos substanciais em termos de recursos naturais. Na seção a seguir, vamos abordar apenas as pegadas de carbono e de água da IA. Porém, como já mencionado, novas pesquisas são necessárias para avaliar o impacto da IA em outras áreas, como consumo de minerais ou perda de biodiversidade.
A pegada de carbono da IA
Para entregar seus resultados, a IA requer quantidades consideráveis de energia, o que muitas vezes se traduz em emissões adicionais de carbono.
A energia consumida por LLMs pode ser classificada em duas categorias:
- Energia operacional. É a energia necessária para rodar essas ferramentas, seja no treinamento ou na inferência.
- Fabricação de hardware. É a energia necessária para produzir os equipamentos dos sistemas de IA, como as GPUs (unidades de processamento gráfico).
A maioria dos estudos focou na pegada de carbono da IA durante a fase de treinamento, principalmente porque é a etapa do ciclo de vida da IA com mais dados disponíveis, especialmente no caso de modelos open source.
Por exemplo, em um artigo de 2019, Strubell et al. estimaram que treinar um LLM com 213 milhões de parâmetros pode emitir 626.155 libras de CO2 — quase as emissões de toda a vida útil de cinco carros, incluindo o combustível.
No entanto, a conta de energia durante a inferência (ou seja, o processo de usar um modelo para executar a tarefa para a qual foi treinado) pode ser tão alta quanto, ou até maior do que, a do treinamento de LLMs.
Em um estudo de 2023, Luccioni et al. calcularam que implantar o modelo BLOOM de 176 bilhões de parâmetros por 18 dias usou, em média, 40,32 kWh de energia por dia (aproximadamente o equivalente a 1.110 cargas de smartphone) e emitiu cerca de 19 kg de CO2 equivalente por dia.
Em um artigo mais recente, Lucioni et al. também demonstraram que a energia necessária durante a fase de implantação é fortemente influenciada pela tarefa em questão. Em especial, descobriram que tarefas baseadas em imagens são as mais intensivas em energia.
Fonte: Luccioni et al.
Diante desse cenário, não surpreende que o consumo de eletricidade dos data centers — onde normalmente ocorrem o treinamento e a inferência dos sistemas de IA — possa dobrar até 2026, segundo um estudo recente da Agência Internacional de Energia.
O salto na conta de luz devido à adoção generalizada da IA é uma má notícia para as big techs que miram o net zero. Por exemplo, em seu último relatório de sustentabilidade, o Google admitiu que suas emissões cresceram 13% em 2023 em relação ao ano anterior e 48% desde 2019, principalmente pelo aumento de energia consumida pelos data centers. O mesmo vale para a Microsoft, que reportou um aumento de 29,1% em suas emissões desde 2020, em grande parte devido à eletricidade necessária para rodar a IA.
A pegada hídrica da IA
Um número crescente de pesquisadores está voltado ao preocupante consumo de água da IA. A maior parte da pegada hídrica da IA ocorre em data centers, que exigem bilhões de galões de água para resfriar os servidores que fazem os cálculos de treinamento e resposta a prompts de IA. De acordo com um estudo de 2021, um data center médio usa tanta água quanto três hospitais de porte médio.
A pegada hídrica dos data centers pode crescer dramaticamente nos próximos anos, à medida que novos centros são construídos para atender à demanda da IA. Segundo pesquisadores da UC Riverside, data centers podem consumir entre 4,2 e 6,6 bilhões de metros cúbicos de água em 2027. Isso é mais da metade da retirada anual total de água do Reino Unido.
Até então ocultas como segredo de negócio, as big techs finalmente começaram a divulgar informações sobre o uso de água, em resposta a pressões sociais e regulatórias. Por exemplo, em seu último relatório de sustentabilidade, o Google anunciou um aumento de 17% em sua pegada hídrica em relação a 2025, totalizando 6,1 bilhões de galões — aproximadamente a água necessária para irrigar 41 campos de golfe por ano.
Como sistemas de resfriamento de ponta só funcionam com água limpa, as necessidades dos data centers frequentemente colidem com o interesse dos moradores vizinhos, especialmente quando ficam em áreas que já sofrem com escassez hídrica.
Embora os data centers sejam a principal fonte de uso de água, novas pesquisas são necessárias para lançar luz sobre a pegada hídrica em outras fases do ciclo de vida da IA, particularmente durante a fabricação de hardware, como os semicondutores que compõem os chips de GPU.
3 técnicas para reduzir a pegada ambiental da IA
Diante do crescente custo ambiental de desenvolver e implantar modelos de IA, as empresas precisam implementar estratégias e adotar técnicas para reduzir sua pegada.
Na subseção a seguir, analisamos algumas soluções disponíveis para avançar rumo a uma IA mais sustentável.
1. Otimizar a eficiência dos modelos
Uma das estratégias mais óbvias para reduzir a pegada de carbono de modelos de IA é aumentar sua eficiência. Em termos de IA, isso significa alcançar o mesmo nível de acurácia dos modelos mais avançados com modelos menores e menos complexos.
Por um lado, a eficiência pode ser alcançada no nível do hardware. Por exemplo, se engenheiros e fabricantes de microchips conseguirem manter a Lei de Moore — Gordon Moore previu que o número de transistores nos microchips dobraria aproximadamente a cada dois anos —, veremos nos próximos anos GPUs mais rápidas, menores e eficientes.
Embora alguns analistas prevejam o fim da lei por volta de 2025 devido a limites físicos, outras tecnologias de fronteira — como computação quântica, novos materiais e arquiteturas inovadoras de chips — podem ser cruciais na busca por eficiência. Da mesma forma, inovação no design e na operação de data centers é fundamental para reduzir o consumo de energia.
Por outro lado, há o software. Pesquisadores de IA vêm avançando técnicas e desenhos para tornar os modelos mais eficientes no treinamento e na inferência, como:
- Poda de modelos (model pruning). Técnica que remove parâmetros pouco relevantes de uma rede neural para reduzir o tamanho do modelo e permitir inferência mais eficiente.
- Quantização. Conjunto de técnicas para mapear valores contínuos e infinitos para um conjunto menor de valores discretos e finitos. Você pode ler nosso guia sobre quantização de LLMs para saber mais.
- Destilação de conhecimento. Técnica que visa transferir o aprendizado de um grande modelo pré-treinado para um modelo menor. Saiba mais sobre destilação de LLM em nosso artigo.
2. Usar energia renovável
Outra solução para enfrentar a preocupante pegada de carbono da IA em data centers é investir em energia renovável. A vantagem óbvia de painéis solares, turbinas eólicas ou usinas hidrelétricas é que geram eletricidade sem emitir dióxido de carbono.
Grandes players de IA, como Google, Microsoft e Meta, estão entre os maiores investidores em infraestrutura de energia limpa. No entanto, como alertou Sasha Luccioni, líder de clima na Hugging Face, :
A energia renovável está crescendo, sem dúvida. O problema é que não cresce rápido o suficiente para acompanhar o ritmo da IA.
Sasha Luccioni, Climate Lead at Hugging Face
Como resultado, essas empresas tradicionalmente recorrem a outros instrumentos financeiros para cumprir seus compromissos com energia limpa, como certificados de energia renovável (RECs) e créditos de carbono.
3. Alavancar soluções em nuvem
Graças a economias de escala, provedores de nuvem oferecem às empresas de IA uma solução muito mais econômica para treinar e implantar seus modelos. Isso é ótimo para o bolso das empresas — que evitam o investimento inicial de comprar sua própria infraestrutura computacional — e também para o clima.
Hiperscalers são data centers projetados especificamente para serem eficientes. Eles executam rotinas intensivas em energia de forma mais rápida e em larga escala, gerando economias consideráveis de energia. Ao mesmo tempo, são otimizados para reduzir o uso de água no resfriamento.
Você pode saber mais sobre computação em nuvem no nosso curso Understanding Cloud Computing.
Práticas de IA sustentável na indústria
Se usada com sabedoria, a IA pode ser uma grande aliada no enfrentamento da crise ambiental. Vamos analisar alguns casos de uso em que a IA foi crucial para avançar objetivos de sustentabilidade.
IA para sustentabilidade ambiental
O número de aplicações com IA para enfrentar desafios ambientais cresce rapidamente, indo de iniciativas para monitorar emissões de carbono e identificar regiões vulneráveis ao clima a melhorar a sustentabilidade ambiental em cadeias de suprimentos e implementar agricultura de precisão para limitar o uso de água e a degradação do solo.
Confira abaixo algumas aplicações que valem a pena conhecer:
Modelagem de eventos climáticos extremos
Prever o tempo é uma das tarefas científicas mais antigas e desafiadoras. A IA está ajudando meteorologistas a fazer previsões com precisão inédita — inclusive para eventos climáticos extremos.
Por exemplo, o GraphCast, um modelo de deep learning criado pelo Google, consegue prever com grande precisão as trajetórias de ciclones com mais antecedência, identificar rios atmosféricos associados a risco de enchentes e estimar o início de ondas de calor.
Monitoramento de emissões de gases de efeito estufa (GEE)
A maioria das atividades econômicas humanas libera GEE na atmosfera. Saber onde, quando, quem e quanto se emite é crucial para entender melhor a mudança climática, avançar políticas eficazes e identificar pontos críticos de emissão.
Um ótimo exemplo de como a IA ajuda a rastrear emissões de GEE é o Climate TRACE, um projeto de uma coalizão sem fins lucrativos que usa IA e sensoriamento remoto para monitorar emissões com precisão inédita.
Otimização de redes elétricas
Modernizar a rede elétrica é fundamental para a transição para energia limpa. A ascensão das renováveis adiciona rapidamente complexidade às redes. Diferentemente de usinas que fornecem fluxo constante, painéis solares e turbinas eólicas geram eletricidade variável, muito influenciada pelo clima.
A IA pode desempenhar um papel essencial na gestão dessa complexidade e no equilíbrio entre oferta e demanda. Ao analisar grandes volumes de dados, a IA pode prever automaticamente quanta eletricidade será necessária no dia seguinte e buscar a forma mais econômica de despachá-la.
Descoberta de materiais
Tecnologias verdes, como painéis solares e turbinas eólicas, dependem de materiais inorgânicos. Encontrar novos materiais é crítico para o avanço tecnológico — seja para desenvolver tecnologias mais verdes, seja para tornar as atuais mais eficientes.
A IA está acelerando o processo de descoberta de materiais. Por exemplo, o modelo de IA GNoME do Google descobriu recentemente 380.000 cristais estáveis com potencial para desenvolver tecnologias mais verdes — de baterias melhores para carros elétricos a supercondutores para computação mais eficiente.
Responsabilidade corporativa
Empresas de todos os setores também estão usando IA para atingir objetivos de sustentabilidade. As big techs são exemplos de destaque, dado seu conhecimento incomparável em IA. Por exemplo, em seu AI & Sustainability Playbook, a Microsoft identifica cinco áreas em que a IA pode ser útil:
Fonte: Microsoft
A DataCamp também trabalha por um futuro mais sustentável. Acreditamos em apoiar iniciativas verdes locais e globais com acesso gratuito ou altamente subsidiado à nossa plataforma de educação de classe mundial. Por meio do programa DataCamp Donates, já colaboramos com diversas organizações com missão focada em mudança climática para capacitar seus times.
Com nossa plataforma, podemos apoiar todo tipo de organização e profissional a gerar impacto positivo no meio ambiente. Alguns de nossos maiores cases são com ONGs como a CDP e a Omenda, ou empresas de energia limpa, como a Drax e a SSE.
Considerações éticas sobre o desenvolvimento de IA
Toda indústria é compelida a avaliar seu potencial impacto no planeta e a encontrar formas de reduzir sua pegada ambiental. A indústria de IA não deve ser exceção. Apesar das promessas de a IA avançar objetivos ambientais, são necessários esforços adicionais para reduzir o impacto ambiental do setor.
Inovação é necessária para criar modelos de IA melhores e mais eficientes. Mas isso não basta. Dado o custo ambiental crescente da IA, é muito necessário um debate sério e ético sobre o desenvolvimento e o crescimento dessa indústria.
Trade-offs da IA
Primeiro, precisamos avaliar as implicações de priorizar o desenvolvimento de IA em detrimento de outras necessidades essenciais da sociedade. Embora os players de IA estejam investindo recursos consideráveis em projetos de energia limpa para abastecer seus data centers, essa é uma energia que deixamos de direcionar a outros usos potenciais, como aquecimento ou fornecimento de eletricidade para famílias de baixa renda.
Da mesma forma, é importante lembrar que tecnologias verdes são altamente dependentes de materiais críticos — incluindo minerais, metais e terras raras —, difíceis de encontrar e que exigem enorme quantidade de energia para serem extraídos, com impactos negativos para o planeta.
Enquanto a pegada de carbono da IA tem dimensão global, o mesmo não vale para a pegada hídrica. Aqui o trade-off é claro: a água consumida por um data center é água retirada de vizinhos e da biodiversidade que vive no entorno.
Potenciais efeitos rebote
Em segundo lugar, são necessárias mais pesquisas para avaliar os potenciais efeitos rebote associados ao desenvolvimento da IA. Como observado em outros setores, há a possibilidade de que melhorias na eficiência dos modelos de IA levem a um aumento geral do uso de IA, o que pode acabar anulando esses ganhos de eficiência.
Para ilustrar, vejamos o caso do ChatGPT. Segundo o Goldman Sachs, uma consulta ao ChatGPT precisa de quase 10 vezes mais eletricidade para ser processada do que uma busca no Google. Para uma ferramenta que recebe em média 10 milhões de consultas diárias, isso se traduz em uma conta de energia enorme. Por isso você paga uma assinatura na maioria das versões do ChatGPT e, mesmo nas mais avançadas, há limite diário de prompts.
Agora, imagine que a OpenAI desenvolva uma arquitetura neural inovadora que gere ganhos consideráveis de eficiência. Digamos que, com a nova arquitetura, a versão mais recente do ChatGPT passe a requerer apenas 5 vezes a eletricidade de uma busca no Google. É bem provável que a OpenAI então ofereça planos mais acessíveis do ChatGPT com menos limites de prompts, aumentando a base de usuários.
O resultado? A OpenAI lucra mais e os usuários ficam satisfeitos, mas as emissões podem voltar a subir, já que o ChatGPT se tornará ainda mais popular e onipresente, anulando parte dos ganhos de eficiência trazidos pela nova arquitetura.
IA e a indústria de combustíveis fósseis
Outra forma de olhar para os efeitos rebote é observar os laços próximos entre alguns dos principais players de IA, como a Microsoft, e empresas de combustíveis fósseis. Ao fornecer expertise e acesso a tecnologias de IA, big techs ajudam companhias de petróleo e gás a otimizar e aumentar a produção de combustíveis fósseis, gerando emissões adicionais de GEE e potencialmente atrasando a transição para energias renováveis.
Esse tipo de negócio é preocupante e, de certa forma, conflita com seus compromissos climáticos globais.
Como alertou Holly Alpine, ex-gerente sênior de programas de Sustentabilidade Ambiental em Comunidades de Data Center da Microsoft, em um artigo recente:
Embora as declarações e relatórios públicos da Microsoft destaquem as aplicações benéficas da IA para a sustentabilidade, eles omitem um ponto crucial: uma parte substancial dos negócios da Microsoft é fornecer tecnologia para empresas de combustíveis fósseis aumentarem a produção.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability
