Quanto eletricidade a IA consome?

Qualidade do artigo e transparência dos dados

• Vários comentaristas consideram o artigo mal pesquisado e numericamente impreciso (por exemplo, cifra de carregamento de smartphone citada incorretamente, comparações duvidosas com Netflix).
• Debate sobre por que grandes empresas de IA não publicam números detalhados de energia:
  • Um lado: agregar o uso específico de IA entre muitas equipes é um trabalho caro que o jornalista deveria, em parte, fazer.
  • Outro lado: as empresas externalizam os custos climáticos, então a divulgação detalhada deveria ser esperada, não tratada como “enfeites” para um artigo.
• Alguns acham que o texto retrata as empresas como indiferentes ao consumo de energia, ignorando que muitos pesquisadores agora monitoram e otimizam o uso de computação em artigos.

Quanta eletricidade a IA usa

• Tema recorrente: “na verdade, não sabemos”, mas a IA é um subconjunto do uso de data centers.
• Faixas citadas:
  • Data centers ~1–2% da eletricidade global; a IA atualmente é uma parcela pequena, mas de rápido crescimento.
  • Estimativas de que IA+ML podem ser 1–5% da eletricidade global, dependendo das definições.
• O treinamento do GPT‑3 é descrito como surpreendentemente pequeno em comparação com o uso doméstico, mas modelos mais novos treinados “adequadamente” seriam muito mais intensivos em energia.

Externalidades ambientais e renováveis

• Alguns argumentam que o consumo de eletricidade importa principalmente via CO₂, e que os hyperscalers estão construindo renováveis e offsets de forma agressiva.
• Outros enfatizam que a otimização corporativa visa o lucro, não os limites planetários, e pedem regulação e transparência obrigatória.
• Debate sobre se 0,5–1% da eletricidade global para IA é “pequeno” ou “enorme”; 1% é retratado por alguns como massivo, dadas as necessidades concorrentes.

Valor vs. desperdício (IA vs. cripto)

• Céticos veem a IA generativa atual como frívola (texto lixo, imagens de memes) e não merecedora de grandes orçamentos energéticos.
• Defensores a veem como pesquisa fundamental e uma ferramenta de propósito geral, já ajudando em:
  • Otimização de redes, logística, agricultura, diagnóstico médico, detecção de fraude, etc.
• Um longo subfio compara IA ao Bitcoin:
  • Estimativas aproximadas colocam o Bitcoin em torno de ~0,3–0,4% da eletricidade global.
  • Proof-of-work é inerentemente intensivo em energia; a mudança do Ethereum para proof-of-stake mostra um caminho para reduções drásticas.
  • Críticos dizem que o deep learning ainda não apresenta uma mudança estrutural análoga de eficiência.

Hardware, escala e paradoxo de Jevons

• Discussão sobre GPUs, TPUs e possíveis ASICs:
  • Alguns acham que chips especializados e avanços algorítmicos reduzirão drasticamente a energia por inferência.
  • Outros respondem que as GPUs já estão próximas do ideal para a matemática atual, e que quaisquer ganhos serão superados pelo crescimento da demanda (paradoxo de Jevons).
• Preocupação de que, à medida que a IA fica mais barata e mais capaz, o uso pode se expandir até consumir toda a computação disponível e frações significativas da energia da rede, especialmente se a IA começar a usar autonomamente mais IA.

Custos sistêmicos mais amplos e questões sociais

• Pontos levantados sobre:
  • Energia para fabricação de chips (por exemplo, wafers de nós avançados na TSMC) e a cadeia de suprimentos global como custos “ocultos” da IA.
  • Se toda a pilha tecnológica está, na prática, a serviço da automação/IA.
  • O que acontece com o uso de recursos dos trabalhadores cujos empregos são automatizados: seus padrões de consumo mudam, ou a IA representa uma carga puramente adicional?