UIA – UNIDADE DE INFRAESTRUTURA PARA IA: QUANTIFICANDO O CONSUMO FÍSICO DE ELETRICIDADE E ÁGUA EM APLICAÇÕES DE INTELIGÊNCIA ARTIFICIAL
DOI:
https://doi.org/10.56238/ERR01v10n7-002Palavras-chave:
Inteligência Artificial, Sustentabilidade Digital, Eficiência Computacional, UIA, Consumo Energético, Pegada Hídrica, Green AI, Infraestrutura ComputacionalResumo
O crescimento acelerado da Inteligência Artificial (IA) tem ampliado significativamente a demanda por recursos físicos, como eletricidade e água, frequentemente negligenciados nas análises econômicas e tecnológicas convencionais. Este artigo propõe a UIA – Unidade de Infraestrutura para IA, uma métrica quantitativa padronizada destinada a expressar o consumo combinado de energia (kWh) e água (litros) por operação de inferência em modelos de IA. A metodologia integra dados empíricos de centros de dados, padrões internacionais de eficiência (PUE e WUE) e coeficientes econômico-ambientais para construir uma unidade composta de custo físico. Foram estimados e comparados valores de UIA para diferentes modelos de linguagem de grande porte, abrangendo cenários de consultas curtas e longas. Os resultados evidenciam variações expressivas de consumo físico entre modelos, indicando que difer enças de infraestrutura e hardware podem multiplicar em até 80 vezes o custo ambiental por operação. A análise demonstra que ganhos marginais de eficiência, quando aplicados em larga escala, representam reduções significativas de energia e água. Conclui-se que a adoção da UIA pode contribuir para a transparência ambiental, a precificação justa e o incentivo à eficiência computacional. A métrica propõe uma nova forma de mensurar a sustentabilidade da IA, tornando visível a base material de sistemas que, até então, eram tratados como puramente digitais.
Downloads
Referências
[1] Li, P. et al. (2023). Making AI Less ”Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. arXiv:2304.03271.
[2] Patterson, D. et al. (2021). Carbon Emissions and Large Neural Network Training. Google Research Technical Report.
[3] Strubell, E., Ganesh, A., McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. ACL.
[4] Masanet, E. et al. (2020). Recalibrating Global Data Center Energy-Use Estimates. Science.
[5] ISO/IEC 30134-2:2016. Data centres — Key performance indicators — Part 2: Power usage effectiveness (PUE).
[6] ISO/IEC 30134-9:2022. Data centres — Key performance indicators — Part 9: Water usage effectiveness (WUE).
[7] The Green Grid. (2011). White Paper 35: Water Usage Effectiveness (WUE): Usage Guidelines for the Data Center Industry.
[8] The Green Grid. (2010). White Paper 32: Carbon Usage Effectiveness (CUE): A Green Grid Data Center Sustainability Metric.
[9] Henderson, P. et al. (2020). Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning. JMLR, 21.
[10] Mytton, D. (2021). Data Centre Water Consumption. npj Clean Water, 4(11).
[11] International Energy Agency / 4E (2025). Data Centre Energy Use: Critical Review of Models and Results.
[12] Uptime Institute. (2025). Water is Local: Generalities Do Not Apply.
