Green AI na Prática: Medindo o Consumo de Energia e a Pegada de Carbono de Modelos Generativos sob Diferentes Matrizes de Energia
Resumo
Este trabalho avalia o consumo energético e o impacto ambiental de quatro arquiteturas de deep learning em CPUs locais e TPUs em nuvem, utilizando a biblioteca CodeCarbon para quantificar o Energy–Delay Product (EDP). Os resultados indicam que a TPU reduz significativamente o EDP em modelos complexos (Transformers), enquanto CPUs são mais eficientes para arquiteturas simples. Conclui-se que a pegada de carbono é drasticamente influenciada pela localização geográfica da matriz elétrica, variando até seis vezes, o que reforça a necessidade de diretrizes de Green AI na escolha de infraestruturas.
Referências
Argerich, M. F.; Patiño-Martínez, M. (2024). “Measuring and improving the energy eflciency of large language models inference”. IEEE Access, v. 12, p. 80194–80207.
Dodge, J.; Prewitt, T.; Combes, R. T. D. ; Odmark, E.; Schwartz, R.; Strubell, E.; Luccioni, A. S.; Smith N. A.; DeCario, N.; Buchanan, W. C (2022). “Measuring the Carbon Intensity of AI in Cloud Instances”. DOI: 10.48550/arXiv.2206.05229.
Goodfellow, I.; Pouget-Abadie, J.; Mirza, M.; Xu, B.; Warde-Farley, D.; Ozair, S.; Couville, A.; Bengio, Y. (2014). “Generative Adversarial Networks”. Advances in Neural Information Processing Systems. DOI: 10.48550/arXiv.1406.2661.
Henderson, P.; Hu, J.; Romoff, J.; Brunskill, E,; Jurafsky, D.; Pineau, J. (2020). “Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning”. Journal of Machine Learning Research”. DOI: 10.48550/arXiv.2002.05651.
Ho, J.; Jain, A.; Abbeel, P. (2020). “Denoising Diffusion Probabilistic Models”. DOI: 10.48550/arXiv.2006.11239.
Jegham, N.; Abdelatti, M.; Koh, Y. C.; Elmoubarki, L.; Hendawi, A. (2025). “How hungry is AI? Benchmarking energy, water, and carbon footprint of LLM Inference”. DOI: 10.48550/arXiv.2505.09598.
Kingma, D.; Welling, M. (2014). “Auto-Encoding Variational Bayes”. ICLR. DOI: 10.48550/arXiv.1312.6114
Lacoste, A.; Luccioni, A.; Schmidt, V.; Dandres, T. (2019). “Quantifying the Carbon Emissions of Machine Learning”. DOI: 10.48550/arXiv.1910.09700.
Luccioni, A. S.; Hernandez-Garcia, A (2023). “Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning”. DOI: 10.48550/arXiv.2302.08476.
Patterson, D.; Gonzalez, J.; Le, Q.; Liang, C.; Munguia, L.; Rothchild, D.; So, D.; Texier, M.; Dean, J. (2021). “Carbon Emissions and Large Neural Network Training”. DOI: 10.48550/arXiv.2104.10350.
Schwartz, R.; Dodge, J.; Smith, A. N.; Etzioni, O. (2020). “Green AI”. Communications of the ACM. DOI: 10.1145/3381831.
Strubell, E.; Ganesh, A.; Mccallum, A. (2019). “Energy and Policy Considerations for Deep Learning in NLP”. ACL. DOI: 10.48550/arXiv.1906.02243.
SBC (2025). "Grandes desafios da computação no Brasil, 2025-2035". Porto Alegre: Sociedade Brasileira de Computação. DOI: 10.5753/sbc.17434.6.
Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, N, A.; Kaiser, L.; Polosukhin, I. (2017). “Attention Is All You Need”. Advances in Neural Information Processing Systems. DOI: 10.48550/arXiv.1706.03762.
Dodge, J.; Prewitt, T.; Combes, R. T. D. ; Odmark, E.; Schwartz, R.; Strubell, E.; Luccioni, A. S.; Smith N. A.; DeCario, N.; Buchanan, W. C (2022). “Measuring the Carbon Intensity of AI in Cloud Instances”. DOI: 10.48550/arXiv.2206.05229.
Goodfellow, I.; Pouget-Abadie, J.; Mirza, M.; Xu, B.; Warde-Farley, D.; Ozair, S.; Couville, A.; Bengio, Y. (2014). “Generative Adversarial Networks”. Advances in Neural Information Processing Systems. DOI: 10.48550/arXiv.1406.2661.
Henderson, P.; Hu, J.; Romoff, J.; Brunskill, E,; Jurafsky, D.; Pineau, J. (2020). “Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning”. Journal of Machine Learning Research”. DOI: 10.48550/arXiv.2002.05651.
Ho, J.; Jain, A.; Abbeel, P. (2020). “Denoising Diffusion Probabilistic Models”. DOI: 10.48550/arXiv.2006.11239.
Jegham, N.; Abdelatti, M.; Koh, Y. C.; Elmoubarki, L.; Hendawi, A. (2025). “How hungry is AI? Benchmarking energy, water, and carbon footprint of LLM Inference”. DOI: 10.48550/arXiv.2505.09598.
Kingma, D.; Welling, M. (2014). “Auto-Encoding Variational Bayes”. ICLR. DOI: 10.48550/arXiv.1312.6114
Lacoste, A.; Luccioni, A.; Schmidt, V.; Dandres, T. (2019). “Quantifying the Carbon Emissions of Machine Learning”. DOI: 10.48550/arXiv.1910.09700.
Luccioni, A. S.; Hernandez-Garcia, A (2023). “Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning”. DOI: 10.48550/arXiv.2302.08476.
Patterson, D.; Gonzalez, J.; Le, Q.; Liang, C.; Munguia, L.; Rothchild, D.; So, D.; Texier, M.; Dean, J. (2021). “Carbon Emissions and Large Neural Network Training”. DOI: 10.48550/arXiv.2104.10350.
Schwartz, R.; Dodge, J.; Smith, A. N.; Etzioni, O. (2020). “Green AI”. Communications of the ACM. DOI: 10.1145/3381831.
Strubell, E.; Ganesh, A.; Mccallum, A. (2019). “Energy and Policy Considerations for Deep Learning in NLP”. ACL. DOI: 10.48550/arXiv.1906.02243.
SBC (2025). "Grandes desafios da computação no Brasil, 2025-2035". Porto Alegre: Sociedade Brasileira de Computação. DOI: 10.5753/sbc.17434.6.
Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, N, A.; Kaiser, L.; Polosukhin, I. (2017). “Attention Is All You Need”. Advances in Neural Information Processing Systems. DOI: 10.48550/arXiv.1706.03762.
Publicado
19/07/2026
Como Citar
NASCIMENTO, Jean P. S.; SOARES, Pedro H. L.; LUNA, José L.; MOURA, Thiago R. S.; SIROTHEAU, Silvério.
Green AI na Prática: Medindo o Consumo de Energia e a Pegada de Carbono de Modelos Generativos sob Diferentes Matrizes de Energia. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 53. , 2026, Gramado/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 370-375.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2026.22637.
