Inteligência artificial e energia

O treinamento de algoritmos de inteligência artificial (IA), especialmente modelos de aprendizado profundo como redes neurais, requer uma quantidade significativa de energia. Essa necessidade decorre de vários fatores. Um deles é que os modelos de IA modernos, como o GPT-4, contêm bilhões ou até trilhões de parâmetros. Ajustar esses parâmetros para minimizar erros requer um vasto número de operações matemáticas, que consomem energia.

Muitos algoritmos de IA são treinados em hardware especializado, como unidades de processamento gráfico (GPUs) ou unidades de processamento tensorial (TPUs). Embora essas unidades sejam otimizadas para cálculos relacionados à IA, elas consomem energia considerável quando operam em sua capacidade máxima por longos períodos.

Por outro lado, o treinamento supervisionado, que é uma técnica comum de aprendizado de máquina, necessita de grandes conjuntos de dados. Processar esses dados para treinar modelos requer potência computacional e, consequentemente, consumo de energia.

Mais ainda, alguns modelos de IA podem levar dias, semanas ou até meses para serem treinados, dependendo da complexidade do modelo e da quantidade de dados. Durante esse tempo, os recursos computacionais estão constantemente ativos, consumindo energia. Enquanto isso, o processo de otimização de parâmetros, onde diferentes configurações são testadas para encontrar a melhor performance do modelo, pode multiplicar o consumo de energia, já que o modelo é treinado múltiplas vezes com diferentes configurações.

Os centros de dados – os famosos datacenters - que suportam esses treinamentos consomem grandes quantidades de eletricidade. Por conta disso, empresas e pesquisadores estão explorando algoritmos mais eficientes que requerem menos energia. Em resumo, enquanto o treinamento de modelos de IA é intensivo em termos de energia, a conscientização sobre seus impactos ambientais está levando a esforços para tornar o processo mais sustentável.

Com o rápido crescimento dos modelos de IA, é fundamental buscar melhorias substanciais na eficiência energética da computação. Recentemente, Alexander Conkli e Suhas Kumar, da Universidade de Stanford, publicaram um estudo na Nature Electronics destacando três desafios computacionais cruciais em termos de consumo de energia: modelagem climática em escala planetária, modelagem cerebral em tempo real e simulação evolutiva humana.

Continua após a publicidade..

Com as contínuas melhorias no hardware, os pesquisadores estimam que a quantidade de energia necessária para treinar modelos de IA provavelmente ultrapassará o consumo energético global anual até 2030! Mais ainda, os custos associados à infraestrutura continuarão a crescer, especialmente com os investimentos em tecnologia avançada. Isso sugere que estamos ingressando em uma era de computação altamente vinculada à energia.

Com base em suposições de que os orçamentos para modelos futuros se manterão semelhantes aos atuais, os pesquisadores de Stanford estimaram que se pode resolver desafios como a modelagem climática em escala planetária por volta de 2060, alcançar modelos de modelagem cerebral detalhados por volta de 2080 e abordar simulações evolutivas humanas em menor escala até o final do século.

Eles também estimam que a realização de simulações evolutivas humanas em pequena escala no ambiente digital, alimentado por energia solar, exigiria uma cobertura de painéis solares em grande parte da Europa. Embora os desafios computacionais menores possam estar dentro do alcance do consumo global de energia em ambiente digital, o custo de energia ainda seria proibitivo para a maioria das instituições e governos.

Há um outro desafio: o combate à desigualdade. Os excluídos da energia no planeta são estimados em torno de 700 milhões de pessoas – essas que não têm três refeições por dia. Quando elas entrarem no grande sistema, serão demandadas mais fontes de energia, tanto as que incentivamos o crescimento, que são as renováveis como eólica, solar ou etanol de cana de açúcar, quanto as que servem o planeta atualmente em grande escala, como o petróleo e o gás.

Allan Kardec Duailibe Barros Filho, PhD pela Universidade de Nagoya, Japão, professor titular da UFMA, ex-diretor da ANP, membro da AMC, presidente da Gasmar.

As opiniões, crenças e posicionamentos expostos em artigos e/ou textos de opinião não representam a posição do Imirante.com. A responsabilidade pelas publicações destes restringe-se aos respectivos autores.

Leia outras notícias em Imirante.com. Siga, também, o Imirante nas redes sociais X, Instagram, TikTok e canal no Whatsapp. Curta nossa página no Facebook e Youtube. Envie informações à Redação do Portal por meio do Whatsapp pelo telefone (98) 99209-2383.