A crescente demanda por Inteligência Artificial (IA) coloca um dilema central: como equilibrar o avanço tecnológico com o aquecimento do planeta? Tradicionalmente, a chamada Red AI negligencia o consumo de energia e a pegada de carbono. Mais recentemente, esta abordagem vem sendo contraposta por autores da Green AI, que busca otimizar os modelos considerando seus aspectos ambientais, o consumo de água e suas fontes de energia.
A expressão Green AI foi popularizada por Schwartz et al. (2019), que propõem uma nova abordagem para a pesquisa em inteligência artificial e criticam as pesquisas da chamada Red AI.
Red AI: A busca implacável por desempenho e baixo custo econômico
A abordagem Red AI, predominante na pesquisa e no desenvolvimento de IA, prioriza a maximização da precisão e velocidade dos modelos, muitas vezes negligenciando os custos energéticos e computacionais associados ao treinamento e à execução desses modelos.
No entanto, essa busca implacável tem um preço. Os grandes modelos de IA exigem mais poder computacional, o que se traduz em maior consumo de energia e emissões de gases de efeito estufa. Essa abordagem, focada unicamente na otimização dos algoritmos, resulta no uso exorbitante de dados e em sistemas computacionais cada vez mais complexos, gerando, consequentemente, impactos ambientais significativos (Team Ciente, 2024 apud Ferraz, 2024).
Para ilustrar essa questão, podemos citar o exemplo dos Large Language Models (LLMs), como o GPT-4, que consomem quantidades de energia equivalentes a grandes cidades. O treinamento desses modelos exige um poder computacional massivo, resultando em um consumo significativo de energia e em emissões consideráveis de CO2. De acordo com estudos recentes, o treinamento de um único modelo de IA pode emitir até 284 toneladas de CO2, o que equivale à emissão de cinco automóveis ao longo de toda a sua vida útil.
Na Irlanda, a previsão é que os data centers consumirão 34% de toda a eletricidade do país até 2027, um salto alarmante dos 17% registrados em 2022. Em números absolutos, o órgão governamental aponta que o uso de energia por data centers foi de 290GWh (gigawatt-hora) em 2015 para impressionantes 1.661GHw em 2023. Isso representa um aumento de 473% em apenas oito anos.
Apesar da proibição das autoridades, Google planeja construir um novo data center de 72 mil metros quadrados na Irlanda até 2027. EirGrid, operadora de energia, afirma que não consegue atender à crescente demanda energética dos data centers. Data centers já consomem 21% da eletricidade da Irlanda, e esse número pode chegar a um terço até 2026.
Em janeiro de 2023, a Microsoft anunciou um investimento de US$ 10 bilhões na OpenAI, empresa por trás do ChatGPT. Esse investimento maciço visou impulsionar o desenvolvimento da IA generativa, o que exige um aumento significativo da capacidade computacional. No mesmo ano, a Microsoft reviu suas promessas de zerar emissões da sua cadeia de valor (Escopo 3) em 2030, reconhecendo a inviabilidade, diante do aumento em 30% do consumo de energia dos seus data centers.
Em 2020, as gigantes da tecnologia, incluindo a Microsoft, anunciaram metas ambiciosas para alcançar a neutralidade de carbono ou até mesmo se tornarem “Net Zero”. No entanto, o boom da direita extremista, e a corrida por poder computacional, impulsiona diretamente os investimentos bilionários em Red IA e o abandono das metas climáticas pelas BigTechs.
Fonte: Environment + Energy Leader, “AI Expansion Jeopardizes Microsoft’s Carbon Negative Pledge”].
O que é Red AI afinal e como ela se expande
A Red AI representa uma visão dominante da IA, onde o desempenho e vantagem competitiva é o fator primordial para negócios e as considerações ambientais são secundárias. Essa abordagem tem sido criticada por promover um ciclo vicioso de modelos cada vez maiores e mais complexos, que consomem mais energia e contribuem para o agravamento das mudanças climáticas.
Red AI e as ameaças ao futuro do planeta
A escolha entre Red AI e Green AI não é apenas uma questão técnica, mas sim, uma decisão ética e moral e existencial. A Red AI, com sua busca implacável por perfomance dos algoritmos, pode nos levar a um futuro insustentável, onde o impacto ambiental da IA comprometerá ainda mais a saúde e a sjstentabilidade do planeta.
A medida que Inteligência Artificial se expande em um ritmo sem precedentes, aceleraremos a crise climática, apoiada por governos, bancos e empresas com investimentos bilionários em data centers e pesquisa, sem a devida consideração pela dupla materialidade e métricas e indicadores ambientais.
A demanda por data centers está explodindo em todo o mundo. Segundo um relatório da Cushman & Wakefield, o mercado global de data centers deverá atingir US$ 348 bilhões até 2027. Essa expansão desenfreada aumenta a pressão sobre os recursos naturais, como água e energia. Fonte: https://www.cushmanwakefield.com/en/insights/global-data-center-market-comparison
O Megaprojeto de IA de Trump X Plano Chinês de desenvolvimento em IA
Embora não tenha havido sido concretizado ainda, Trump anunciou um investimento de 500 bilhões de doláres em BigTechs norte amareicanas para o desenvolvimento da IA, através de uma empresa texana , denominada Stargate. Esse projeto, com um investimento massivo em empresas como OpenAi, Oracle demonstra o apoio do governo Trump ao desenvolvimento da IA, sem a devida consideração pelas implicações ambientais.
Enquanto isso, a China, desde de 2017, busca a liderança global em IA a todo custo, fortalecendo empresas como DeepSeek e principalmente o investimento patentes e pesquisa. Contudo, sua infraestrutura ainda depende fortemente de combustíveis fósseis. Segundo a Forbes: “A China pretende se tornar uma superpotência em IA até 2030, e para atingir essa meta, o país está investindo pesadamente em computação de alto desempenho e infraestrutura de data centers. No entanto, grande parte dessa infraestrutura ainda é alimentada por carvão, o que significa que o boom da IA na China está impulsionando as emissões de gases de efeito estufa.”.
Green AI: A sustentabilidade ambiental como pilar fundamental dos algoritmos
Em contraposição à Red AI, surge a abordagem Green AI, que coloca a sustentabilidade como um pilar fundamental no desenvolvimento e na utilização da IA. A Green AI busca conciliar os avanços da IA com a responsabilidade ambiental, desenvolvendo algoritmos e infraestruturas de IA que sejam mais eficientes em termos de energia e que minimizem o impacto ambiental.
A Green AI reconhece que o desempenho da IA não pode ser avaliado isoladamente, mas sim em conjunto com seus custos energéticos e ambientais. Essa abordagem enfatiza a importância de métricas como o Power Usage Effectiveness (PUE), que mede a eficiência energética dos data centers, e a intensidade de carbono da rede, que indica a quantidade de CO2 emitida por kWh de eletricidade consumida (Ferraz, 2024).
A Green AI propõe uma mudança de paradigma na forma como projetamos e utilizamos a IA. Em vez de buscar modelos cada vez maiores e mais complexos, a Green AI busca modelos mais eficientes e sustentáveis, que alcancem um bom desempenho com um consumo menor de energia.
Abordagens metodológicas da Green AI
A Green AI adota diversas abordagens metodológicas para alcançar seus objetivos, incluindo:
Otimização de Hiperparâmetros: Ajustar os hiperparâmetros dos modelos de IA para reduzir o consumo de energia sem comprometer o desempenho (Stamoulis et al., 2018).
Simplificação de Algoritmos de Árvore de Decisão: Desenvolver algoritmos mais eficientes e menos complexos, que exigem menos poder computacional (García-Martín et al., 2019).
Otimização de Dados: Utilizar técnicas de seleção e compressão de dados para reduzir a quantidade de dados necessários para o treinamento dos modelos (Verdecchia et al., 2021).
Compressão de Modelos: Reduzir o tamanho dos modelos de IA, o que diminui o consumo de energia e acelera a inferência (Han et al., 2015).
Essas abordagens visam a otimizar a eficiência energética dos modelos de IA, reduzindo o consumo de energia e as emissões de carbono sem comprometer o desempenho.
Métricas Essenciais para a Green AI
Para avaliar o progresso em direção a uma IA mais sustentável, é fundamental utilizar métricas adequadas (Ferraz, 2024; Schwartz et al., 2019) que capturem o impacto ambiental dos modelos. Algumas das principais métricas para a Green AI incluem:
- Número de Parâmetros: Modelos maiores demandam mais energia para treinamento.
- PUE (Power Usage Effectiveness): Data centers com PUEs mais altos desperdiçam mais energia e geram mais emissões.
- Intensidade de Carbono da Rede: Quantidade de CO2 emitida por kWh de eletricidade consumida.
- Temporeal Transcorrido: Tempo de execução para gerar resultados de inferência.
- FPO (Floating Point Operations): Mede a eficiência computacional do modelo.
Essas métricas fornecem informações valiosas sobre o impacto ambiental dos modelos de IA, permitindo que pesquisadores e desenvolvedores tomem decisões mais informadas e trabalhem para reduzir a pegada de carbono da IA.
Transição para Green AI
A transição para a Green AI apresenta desafios significativos, como a necessidade de atrair investimentos para desenvolver novas ferramentas e metodologias para medir e otimizar a eficiência energética dos modelos de IA.
É preciso que pesquisadores, desenvolvedores, empresas e governos trabalhem juntos para promover a Green AI, desenvolvendo novas tecnologias, adotando políticas públicas eficazes e promovendo a conscientização sobre a importância da sustentabilidade na IA.
Leia mais a respeito no artigo:
Ivini Ferraz é diretora da Players School, mestre em Ciências pela USP com foco em sustentabilidade. Professora de Pós-graduação na área de ESG e especialista em Comunicação Transmidiática, Jornada do Cliente e Transformação Digital.
https://www.linkedin.com/in/iviniferraz
Referências:
Ferraz, I. Green Al: métricas para eficiência energética e sustentabilidade dos algoritmos de inteligência artificial e data centers. Revista Brasileira de Gestão Ambiental e Sustentabilidade (2024): 11(29): 1255-1265. https://revista.ecogestaobrasil.net/v11n29/v11n29a14a.html
García-Martín, E.; Rodrigues, C. F.; Riley, G.; Grahn, H. Estimation of energy consumption in machine learning. Journal of Parallel and Distributed Computing, v. 134, p. 75-78, 2019.
Han, S.; Mao, H.; Dally, W. J. Deep compression: compressing deep neural networks with pruning, trained quantization and huffman coding. arXiv preprint arXiv:1510.00149, 2015.
Stamoulis, D.; Cai, E.; Juan, D.-C.; Marculescu, D. HyperPower: Power- and memory-constrained hyper-parameter optimization for neural networks. Proceedings of the 2018 Design, Automation, and Test in Europe Conference, Dresden, Germany, p. 19-24, 2018.
Team Ciente. Red Al vs Green AI. Medium, 2024. Disponível em: [INSERIR O LINK DO ARTIGO DO TEAM CIENTE AQUI]
Verdecchia, R.; Sallou, J.; Cruz, L. A systematic review of Green AI. WIRES Data Mining and Knowledge Discovery, v. 13, n. 4, e1507, 2021.