Porque é que a IA consome tanta eletricidade?

Os sistemas de IA não respondem a partir de uma lista estática de respostas guardadas. Quando um utilizador envia um prompt, carrega uma imagem ou chama uma API de IA, o sistema executa operações matemáticas num modelo treinado para produzir uma saída.

Essas operações requerem processadores, memória, rede e armazenamento. Um pedido isolado pode ser pequeno, mas produtos modernos de IA podem lidar com tráfego enorme em chatbots, assistentes de pesquisa, ferramentas de programação, geradores de imagens e aplicações empresariais.

Por isso, o consumo de energia é inseparável da infraestrutura de IA. A experiência visível pode ser uma resposta curta no ecrã, mas por trás estão chips, servidores, datacenters, arrefecimento e sistemas elétricos a realizar trabalho físico.

A IA moderna depende muito das GPUs porque as redes neurais envolvem muitos cálculos que podem ser executados em paralelo. As GPUs foram concebidas para esse tipo de cálculo paralelo, tornando-se mais adequadas do que CPUs para muitas cargas de treino e inferência.

A contrapartida é que servidores GPU de alto desempenho consomem muita potência, sobretudo quando funcionam com elevada utilização em clusters. Uma grande implantação de IA pode ligar muitos aceleradores por redes rápidas para partilhar dados e sincronizar cálculos.

Isto não significa que as GPUs sejam ineficientes para IA. Em muitos casos são a escolha eficiente para a tarefa. Mas como as tarefas são grandes e contínuas, os clusters GPU tornam-se uma das fontes mais visíveis da procura elétrica da IA.

O treino é a fase em que um modelo aprende com dados. Grandes treinos podem processar conjuntos de dados enormes durante muitos passos repetidos, ajustando milhares de milhões de parâmetros até o modelo ser útil para prever, gerar ou classificar.

Este trabalho pode manter grandes clusters GPU a funcionar durante dias, semanas ou mais. A procura energética é concentrada porque muitos aceleradores, sistemas de armazenamento e redes trabalham em conjunto no mesmo processo de treino.

O treino não é a única parte do consumo energético da IA, mas é importante porque o desenvolvimento de modelos de fronteira, a experimentação e o retreino podem exigir picos intensos de eletricidade e muita capacidade de datacenter.

A inferência é a fase em que um modelo treinado é usado. Cada resposta ao estilo ChatGPT, geração de imagem, tradução, recomendação, resumo ou sugestão de código exige cálculo de inferência.

Ao contrário do treino, a inferência acontece sempre que as pessoas usam sistemas de IA em produção. Se um serviço processa milhões ou milhares de milhões de prompts, pedidos de imagem e chamadas API, pequenas quantidades de energia por pedido podem somar uma procura diária significativa.

É por isso que o consumo energético da IA está cada vez mais ligado à adoção. Quanto mais a IA entra na pesquisa, ferramentas de escritório, desenvolvimento de software, apoio ao cliente, produção de media e dispositivos móveis, mais infraestrutura de inferência tem de funcionar continuamente.

O hardware de IA funciona dentro de datacenters, e as GPUs são apenas parte da história elétrica. Servidores precisam de memória, armazenamento, equipamento de rede, fontes de alimentação e sistemas de backup. Os dados têm de circular entre máquinas, racks e por vezes regiões.

O arrefecimento também conta. Servidores de IA de alta densidade geram muito calor, por isso as instalações usam arrefecimento a ar, líquido, chillers, bombas, ventoinhas ou permutadores de calor para manter temperaturas seguras.

A eficiência de um datacenter é frequentemente resumida pelo PUE. Um PUE mais baixo significa que mais eletricidade é usada pelo equipamento de computação em vez da infraestrutura do edifício, mas nenhum grande datacenter opera sem energia de suporte.

As estimativas públicas variam porque a maioria dos fornecedores de IA não divulga o consumo energético completo em tempo real por modelo, produto ou tipo de pedido. Investigadores e analistas combinam sinais públicos de adoção, pressupostos de hardware, estimativas de tamanho de modelos e intervalos de eficiência de datacenters.

O resultado depende de muitas variáveis: tamanho do modelo, número de tokens, resolução de imagem, geração de hardware, utilização, batching, largura de banda de memória, localização geográfica, mix elétrico e se o sistema está a treinar, servir inferência ou inativo.

Por isso, os números de eletricidade da IA devem ser tratados como estimativas direcionais, não como medições oficiais exatas. A pergunta útil muitas vezes não é um número único, mas quais fatores fazem o consumo subir ou descer.

A IA pode tornar-se mais eficiente ao nível de uma tarefa comparável. Chips melhores, arquiteturas de modelo melhoradas, quantização, cache, batching, destilação e encaminhamento para modelos menores podem reduzir o cálculo necessário para saídas úteis.

Os datacenters também podem melhorar com melhor arrefecimento, maior utilização do hardware, eletricidade mais limpa e distribuição elétrica mais eficiente. Estas melhorias reduzem desperdício e podem baixar a energia por pedido.

A pergunta mais difícil é a procura total. Se a eficiência melhora mas o uso da IA cresce mais depressa, o consumo total de eletricidade ainda pode aumentar. Uma visão equilibrada acompanha os dois lados: eficiência por tarefa e escala da adoção global.