Inteligência artificial
IA Encontra Eficiência: Novo Chip Reduz o Consumo de Energia dos LLMs em 50%
Adicione Securities.io às suas fontes preferidas no Google
O atual boom da inteligência artificial (IA) está levando a um aumento nos data centers, o que está gerando uma enorme demanda por energia para operar e resfriar os servidores dentro deles.
Embora existam mais de 8.000 data centers em todo o mundo, a maioria nos EUA, esse número aumentará substancialmente nos próximos anos.
De acordo com a estimativa da Boston Consulting Group, a demanda por data centers aumentará de 15 % a 20 % a cada ano até 2030. Nesse ponto, a empresa espera que eles representem 16 % do consumo total de energia dos EUA, frente a apenas 2,5 % antes do lançamento do ChatGPT da OpenAI em 2022.
Enquanto isso, o relatório especial de Energia e IA da Agência Internacional de Energia (IEA) divulgado este ano prevê que a demanda por eletricidade dos data centers em todo o mundo dobrará até o final desta década, chegando a cerca de 945 TWh. Isso equivale quase ao consumo atual do Japão.
A organização intergovernamental autônoma com sede em Paris relata que a IA é o principal impulsionador desse aumento, com a demanda de eletricidade de data centers otimizados para IA projetada para mais de quadruplicar até 2030.
Nos EUA especificamente, o consumo de energia pelos data centers já está a caminho de representar cerca de metade do crescimento da demanda elétrica entre agora e 2030. Impulsionada pelo uso de IA, a economia dos EUA, segundo o relatório, consumirá mais eletricidade para processar dados naquele momento do que para fabricar todos os bens intensivos em energia combinados.
Essa fome insaciável por energia representa um grande problema para o avanço e a adoção da IA. Contudo, o lado positivo é o número crescente de pesquisadores e empresas que trabalham para reduzir o consumo de energia da IA e torná‑la mais eficiente.
O interessante sobre esses esforços é que muitos deles utilizam IA para enfrentar seus próprios desafios energéticos.
Ainda este mês, uma equipe de pesquisadores demonstrou um novo chip que usa IA para reduzir a pegada energética de grandes modelos de linguagem (LLMs) em 50 %, marcando um grande avanço para tornar os LLMs mais econômicos e sustentáveis de operar.
Novo Chip Aproveita IA para Reduzir o Consumo de Energia dos LLMs
Pesquisadores da College of Engineering da Oregon State University desenvolveram o novo chip de IA eficiente para resolver o enorme problema de consumo de eletricidade das aplicações de IA LLM, como o GPT‑4 da OpenAI e o Gemini do Google.
A type of machine learning (ML) model, a large language model (LLM) is pre-trained on vast amounts of data to perform natural language processing (NLP) tasks like text generation, summarization, simplification, text reasoning, language translation, and more.
Os chatbots mais populares e amplamente usados hoje incluem GPT‑4o, o3 e o1 da OpenAI, Gemini e Gemma do Google, Llama da Meta, R1 e V3 da DeepSeek, Claude da Anthropic, Nova da Amazon (AMZN ), Phi da Microsoft (MSFT ) e Grok da xAI.
Nos últimos anos, os LLMs transformaram completamente o campo da IA ao permitir que máquinas compreendam e gerem texto semelhante ao humano com maior precisão. Contudo, essa evolução dos LLMs resultou em um aumento exponencial de seu tamanho.
O tamanho de um LLM, medido pelo número de parâmetros, é o principal fator que impulsiona seu consumo de energia. Isso significa que quanto maior o modelo, maior a necessidade de poder computacional para treinamento e inferência.
Por exemplo, o ChatGPT‑1 tinha pouco menos de 120 milhões de parâmetros, que saltaram para 175 bilhões de parâmetros com o GPT‑3, e depois para cerca de 1,8 trilhão de parâmetros com o GPT‑4.
Esse enorme aumento no tamanho e na capacidade dos LLMs significa que seu consumo de energia também está crescendo em escala sem precedentes. Além do tamanho do modelo, fatores como o tipo de hardware usado para treinar esses LLMs, a duração do processo de treinamento, a infraestrutura — ou seja, data centers —, o processamento de dados, a otimização do modelo e a eficiência dos algoritmos influenciam o consumo de energia dos LLMs.
Portanto, o novo chip dos pesquisadores da OSU. Segundo Tejasvi Anand, professor associado de engenharia elétrica na OSU que também dirige o Mixed Signal Circuits and Systems Lab na universidade:
“O problema é que a energia necessária para transmitir um único bit não está sendo reduzida na mesma taxa em que a demanda de taxa de dados está aumentando. Isso é o que faz os data centers consumirem tanta energia.”
Para superar esse problema, a equipe projetou e desenvolveu um novo chip que consome apenas metade da energia em comparação com designs convencionais.
Anand e o estudante de doutorado Ramin Javad apresentaram essa nova tecnologia na Conferência IEEE Custom Integrated Circuits (CIC), realizada em Boston no mês passado. A conferência, que reúne fóruns, painéis, exposições e apresentações orais, é dedicada ao desenvolvimento de circuitos integrados (IC), que servem como blocos de construção dos sistemas eletrônicos modernos, oferecendo funcionalidade e poder de processamento em um pacote compacto e eficiente.
A tecnologia mais recente foi desenvolvida com o apoio do Center for Ubiquitous Connectivity (CUbiC), da Semiconductor Research Corporation (SRC) e da Defense Advanced Research Projects Agency (DARPA). Além disso, Javadi recebeu o Prêmio de Melhor Artigo de Estudante na conferência.
Para o novo chip, os pesquisadores realmente aproveitaram princípios de IA que, segundo Javadi, reduzem o uso de eletricidade no processamento de sinais.
Como ele explicou, os LLMs enviam e recebem muitos dados por conexões cabeadas, que são links de comunicação baseados em cobre nos data centers. Todo esse processo requer energia significativa, portanto, uma possível “solução é desenvolver chips de comunicação cabeada mais eficientes.”
Javadi acrescentou que, quando enviados em alta velocidade, os dados realmente ficam corrompidos no final do receptor e, como resultado, precisam ser corrigidos. Para isso, a maioria dos sistemas de comunicação cabeada existentes utiliza um equalizador, que consome muita energia.
“Estamos usando esses princípios de IA no chip para recuperar os dados de forma mais inteligente e eficiente, treinando o classificador no chip para reconhecer e corrigir os erros.”
– Javadi
Embora seja um grande desenvolvimento, esta é apenas a versão inicial do chip. Sua próxima iteração está atualmente em desenvolvimento para melhorar ainda mais sua eficiência energética.
No geral, essa pesquisa em andamento demonstra grande potencial para ter implicações de longo alcance no futuro da infraestrutura de IA e nas operações de data centers. Mas, claro, isso exigiria a implementação bem‑sucedida da tecnologia em escala, o que nunca é uma tarefa fácil.
Clique aqui para saber como a IA está revolucionando a engenharia de microchips.
Domando o Apetite Energético da IA com Avanços em Todas as Camadas
Este desenvolvimento de chip mais recente é apenas um dos muitos projetos de pesquisa que abordam o problema de consumo de energia da IA. Portanto, vamos dar uma breve olhada nas maneiras inovadoras que os pesquisadores adotaram.
Usando Luz para Eficiência Energética da IA
No início deste ano, cientistas da USST desenvolveram um chip de IA microscópico, menor que um grão de poeira ou um grão de sal, que usa luz para processar dados de cabos de fibra óptica. Isso promete cálculos mais rápidos com menor consumo de energia.
O chip manipula a luz para realizar cálculos instantaneamente, em vez de interpretar sinais de luz como os computadores tradicionais. Para isso, ele usa uma “rede neural profunda difrativa totalmente óptica”, tecnologia que utiliza camadas padronizadas e impressas em 3D de componentes empilhados. Embora inovadora, desafios como design específico para tarefas, sensibilidade a imperfeições e dificuldade de produção em larga escala precisam ser superados para que alcance “funcionalidades sem precedentes” em imagens endoscópicas, computação quântica e data centers.
Alguns meses antes disso, cientistas do MIT também usaram luz para executar as operações principais de uma rede neural em um chip, possibilitando cálculos de IA ultrarrápidos (em meio nanosegundo) com 92 % de precisão e enorme eficiência energética.
“Este trabalho demonstra que a computação — em sua essência, o mapeamento de entradas para saídas — pode ser compilada em novas arquiteturas de física linear e não linear que permitem uma lei de escalonamento fundamentalmente diferente entre computação e esforço necessário.”
– Autor sênior Dirk Englund
Os cientistas desenvolveram o chip fotônico, que é composto por módulos interconectados que formam uma rede neural óptica. Notavelmente, o uso de processos de fundição comerciais para sua fabricação significa que ele pode ser escalado e integrado à eletrônica. Além disso, os cientistas superaram o desafio da não linearidade na ótica ao projetar unidades de função óptica não linear (NOFUs) que combinam eletrônica e óptica.
Uma Ferramenta de Software para Treinamento de IA & um Sistema de Resfriamento para Data Centers
Os pesquisadores da Universidade de Michigan, por sua vez, focaram no desperdício de energia criado durante o treinamento de IA, mais especificamente, quando ele é dividido entre GPUs, uma necessidade para processar enormes conjuntos de dados, de forma desigual.
Assim, eles desenvolveram uma ferramenta de software chamada Perseus que identifica subtarefas que levarão mais tempo para ser concluídas e, em seguida, reduz a velocidade dos processadores que não estão nesse ‘caminho crítico’, permitindo que todos concluam suas tarefas simultaneamente, eliminando o uso desnecessário de energia.
Esta ferramenta de código aberto está disponível como parte do Zeus, uma ferramenta para medir e otimizar o consumo de energia da IA.
Enquanto isso, pesquisadores da Universidade do Missouri recorreram ao desenvolvimento de um sistema de resfriamento de próxima geração para ajudar os data centers a se tornarem mais eficientes energeticamente. Eles também estão fabricando um sistema de resfriamento para fácil conexão e desconexão dentro dos racks de servidores.
“Resfriamento e fabricação de chips vão de mãos dadas. Sem resfriamento adequado, os componentes superaquece e falham. Data centers energeticamente eficientes serão fundamentais para o futuro da computação de IA.”
– Chanwoo Park, professor de engenharia mecânica e aeroespacial no Mizzou College of Engineering
Com o apoio de US$ 1,5 milhão de financiamento da iniciativa COOLERCHIPS do DOE, a equipe desenvolveu um sistema de resfriamento de duas fases que dissipa o calor dos chips dos servidores por meio de mudança de fase. Não só pode operar passivamente sem usar energia quando menos resfriamento é necessário, mas mesmo no modo ativo, o sistema consome muito pouca energia.
Hardware CRAM Pode Reduzir o Uso de Energia da IA em 1000x
No verão passado, engenheiros da University of Minnesota Twin Cities desenvolveram um dispositivo de hardware avançado que poderia reduzir o consumo de energia da IA em cerca de 1.000 vezes.
Esse novo modelo é chamado de memória de acesso aleatório computacional (CRAM) e, aqui, os dados nunca deixam a memória; ao contrário, são processados completamente dentro da matriz de memória, eliminando assim a necessidade de transferências de dados lentas e intensivas em energia.
Com duas décadas de desenvolvimento, este estudo faz parte dos esforços da equipe em expandir a pesquisa patenteada do autor sênior Jian‑Ping Wang sobre dispositivos de Junção Túnel Magnética (MTJs). Esses dispositivos nanoestruturados são usados para melhorar sensores, discos rígidos e outros sistemas microeletrônicos como a Memória de Acesso Aleatório Magnética (MRAM).
“Como um substrato de computação digital em‑memória extremamente eficiente em termos de energia, o CRAM é muito flexível, permitindo que a computação seja realizada em qualquer local da matriz de memória,” observou a co‑autora Ulya Karpuzcu, professora associada do Departamento de Engenharia Elétrica e de Computação. Além disso, ele pode ser reconfigurado para atender melhor às necessidades de desempenho de diferentes algoritmos.
IA Inspirada no Cérebro: Reduzindo o Consumo de Energia ao Imitar a Eficiência Humana
Portanto, como vimos, os pesquisadores estão analisando diferentes aspectos da IA para lidar com seus problemas energéticos. Curiosamente, eles também estão se inspirando no cérebro humano. Isso faz sentido, afinal, a IA é a simulação dos processos de inteligência humana por máquinas, embora ainda esteja longe do pensamento e raciocínio humanos, pois sua capacidade de generalizar variações é “significativamente mais fraca que a cognição humana.”
A pesquisa de redução de energia inspirada no cérebro inclui o trabalho do professor associado Chang Xu, do Sydney AI Centre da universidade, que observou que os LLMs que utilizam recursos em plena capacidade, mesmo para tarefas simples, não é a forma correta de operar. Ele explicou:
“Quando você pensa em um cérebro humano saudável – ele não dispara todos os neurônios nem usa toda a sua potência cerebral de uma vez. Ele opera com incrível eficiência energética, apenas 20 watts de potência apesar de possuir cerca de 100 bilhões de neurônios, que utiliza seletivamente de diferentes hemisférios do cérebro para executar diferentes tarefas ou pensamentos.”
Assim, eles estão desenvolvendo algoritmos que evitam os cálculos redundantes desnecessários e não entram em alta velocidade automaticamente.
Em outros casos, a pesquisa se inspirou na neuromodulação cerebral e criou um algoritmo chamado ‘sistema de armazenamento’ para reduzir a energia em 37 % sem qualquer degradação de precisão, a função de autorreparo da célula cerebral chamada astrócitos para dispositivos de hardware, e obteve a forma neuromórfica (inspirada no cérebro) de computação (memristores) para trabalhar em conjunto em vários subgrupos de redes neurais.
Investindo em Inteligência Artificial
Uma empresa global de semicondutores, AMD, é conhecida por suas tecnologias de computação de alto desempenho, gráficos e visualização. Embora esteja em competição direta com a queridinha da IA, NVIDIA (NVDA ), ela está ganhando rapidamente terreno nos mercados de data center e aceleradores de IA. Sua série MI300 tem como alvo especificamente cargas de trabalho de IA de nova geração e aplicações de HPC.
Sua presença de destaque no espaço de CPUs para data centers, forte foco em P&D, crescimento de receita, base de clientes e aquisições tornam a AMD um player forte no setor.
Advanced Micro Devices (AMD )
Em 2022, a AMD realizou um acordo recorde na indústria de chips avaliado em US$ 50 bilhões com a aquisição da Xilinx, tornando‑se líder em computação de alto desempenho e adaptável. E, mais recentemente, concluiu a aquisição da ZT Systems para atender à oportunidade de US$ 500 bilhões em aceleradores de IA para data centers em 2028.
O desempenho de mercado da AMD também está se recuperando este ano após ser afetado por turbulências tarifárias. No momento da escrita, as ações da AMD estão sendo negociadas a US$ 120, com queda de 6,9 % no ano, mas ainda cerca de 47 % abaixo de seu pico de março de 2024. Com isso, sua capitalização de mercado é de US$ 182,34 bilhões, com EPS (TTM) de 1,36 e P/E (TTM) de 82,44.
Quanto às finanças da empresa, a AMD registrou um aumento de 36 % YoY na receita, chegando a US$ 7,4 bilhões no primeiro trimestre de 2025, o que a CEO Dra. Lisa Su chamou de “um início extraordinário” para o ano, “apesar do ambiente macro e regulatório dinâmico.” Esse crescimento foi impulsionado por “a expansão do impulso em data centers e IA,” acrescentou.
Durante esse período, a receita operacional da AMD foi de US$ 806 milhões, o lucro líquido de US$ 709 milhões e o lucro por ação diluído foi de US$ 0,44. Para o segundo trimestre de 2025, projeta aproximadamente US$ 7,4 bilhões em receita.
Alguns desenvolvimentos importantes realizados pela empresa incluem a expansão de parcerias estratégicas com Meta Platforms, Inc. (META ) (Llama), Alphabet Inc. (GOOG ) (GOOGL ) (Gemma), Oracle Corporation (ORCL ), Core42, Dell Technologies (DELL ), entre outros. A AMD, juntamente com a Nokia, Cisco Systems, Inc. (CSCO ) e Jio, também anunciou uma nova Open Telecom AI Platform para oferecer soluções impulsionadas por IA que aprimoram eficiência, segurança e capacidades.
Nesta semana, a AMD e a Nvidia firmaram parceria com a Humain, uma subsidiária focada em IA do Fundo de Investimento Público da Arábia Saudita, para fornecer semicondutores para um projeto de data center de grande escala que deve ter capacidade de 500 MW.
Clique aqui para uma lista das principais empresas de computação não-silício.
Últimas Tendências e Desenvolvimentos da Advanced Micro Devices (AMD)
Conclusão
Nos últimos anos, a mania por IA viu um crescimento explosivo, e por boas razões. Essa tecnologia, afinal, tem grande potencial para transformar uma ampla gama de setores, desde saúde, manufatura e ciência dos materiais até finanças, entretenimento, educação, varejo e cibersegurança.
No entanto, o avanço tecnológico, a crescente adoção e a subsequente expansão desses LLMs resultaram em uma demanda substancial de energia, que contribui para as emissões de gases de efeito estufa (GEE) e mudanças climáticas, aumenta o custo econômico e impacta a sustentabilidade da tecnologia.
Isso representa um grande desafio para a IA. Se quisermos realizar plenamente seu verdadeiro potencial em termos de redução de custos, aumento da produtividade e melhoria na tomada de decisões em escala, os modelos precisam alcançar custo‑efetividade e sustentabilidade.
O lado positivo, porém, é que pesquisadores ao redor do mundo já estão trabalhando arduamente para tornar a IA energeticamente eficiente, como evidencia o chip alimentado por IA da Oregon State, que sugere uma forte possibilidade de alinhar inovação com sustentabilidade.
Claro, as tecnologias propostas precisam superar seu maior obstáculo para alcançar impacto no mundo real: a escalabilidade. Ainda assim, uma coisa é certa: o futuro mais verde da IA é viável, e está chegando!
Clique aqui para aprender tudo sobre investir em inteligência artificial.
Estudos Referenciados:
1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). Transporte de imagem totalmente óptico através de fibra multimodo usando uma rede neural difrativa miniaturizada na faceta distal. Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). Rede neural profunda fotônica de chip único com treinamento apenas avançado. Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). Demonstração experimental de memória de acesso aleatório computacional baseada em junção túnel magnética. npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3
