Avanços Inspirados na NVIDIA Reduzem em 100 Vezes as Necessidades de Energia para Treinamento de IA

Inteligência artificial (IA) dominou todo o mundo, e nenhum setor ficou intocado pela magia desse avanço tecnológico. Hoje, 77% dos dispositivos incorporam tecnologia de IA, apesar de apenas um terço dos consumidores acreditarem que estão usando plataformas de IA. 

Um número crescente de organizações também está adotando cada vez mais IA para o crescimento dos negócios, com 9 em cada 10 empresas apoiando a tecnologia para obter vantagem competitiva. Essa utilização deve eliminar 85 milhões de empregos, mas, ao mesmo tempo, criar 97 milhões de novos postos.

Esses números refletem as estimativas de que o mercado de IA contribuirá com US$ 15,7 trilhões para a economia global até 2030. O tamanho do mercado de IA também deve crescer pelo menos 120% ano a ano.

Entretanto, à medida que a adoção de IA cresce, também aumenta a demanda por energia para alimentar os data centers, que são extremamente intensivos em energia. Operar e resfriar milhares de servidores 24 horas por dia requer enormes quantidades de energia. Atualmente, essa energia é extraída da rede elétrica, o que causa problemas durante picos de demanda e sobrecarrega o sistema. De acordo com Chevron (CVX ) CEO Mike Wirth:

“O crescimento e a demanda por energia podem sobrecarregar uma rede que já está estressada. Isso pode aumentar os custos para os consumidores. O gás natural ajudará a alimentar o rápido crescimento da inteligência artificial com sua demanda insaciável por eletricidade confiável.”

Em resposta a essa demanda, a Chevron anunciou recentemente que trabalharia com GE (GE ) Verona e Engine No. 1 para gerar eletricidade para IA construindo usinas de gás natural diretamente conectadas aos data centers.

Atualmente, os data centers representam cerca de 1% do consumo global de eletricidade, de acordo com um relatório da Agência Internacional de Energia (IEA). 

Mas isso é apenas o começo, já que as empresas gastam bilhões de dólares para construir ainda mais data centers. 

Microsoft (MSFT ) está planejando investir US$ 80 bilhões em data centers habilitados para IA, com metade alocada nos EUA. Segundo Blackstone (BX ) estima que mais de US$ 1 trilhão será investido em data centers dos EUA até 2030, com Google (GOOGL ), Meta (META ), e Amazon (AMZN ) entre os gigantes de tecnologia que estão construindo data centers em todo o país.

Portanto, o consumo de energia do setor só tende a acelerar a partir daqui. Goldman Sachs (GS ) estima que a demanda de energia dos data centers crescerá 160% nos próximos cinco anos, o que naturalmente impulsionará um crescimento sem precedentes no uso de eletricidade.

De acordo com as estimativas do Electric Power Research Institute (EPRI), o consumo de energia por essas instalações nos EUA pode representar entre 4,6% e 9,1% da geração total de eletricidade até o final desta década. 

Enquanto isso, na Europa, especificamente na Alemanha, os data centers consumiram cerca de 16 bilhões de kWh de energia em 2020 para computação, armazenamento e transmissão, número que se espera subir para 22 bilhões de kWh até 2025.

Como resultado, os pesquisadores estão constantemente explorando maneiras de reduzir os requisitos de energia da IA. 

Reduzindo o Consumo de Energia da IA

A tecnologia de IA está desempenhando um papel fundamental na melhoria da eficiência energética em vários setores, otimizando o consumo de energia, prevendo a demanda e permitindo a gestão de redes inteligentes, resultando, em última análise, em menor desperdício de energia e menores emissões de carbono. 

Por exemplo, a Vodafone UK utilizou IA para reduzir o consumo diário de energia das unidades de rádio 5G (RUs) usando soluções avançadas de software baseadas em IA e aprendizado de máquina da Ericsson. Eles já conseguiram reduzir em 33% em sites selecionados em Londres.

A Vodafone UK implementou três principais recursos de economia de energia como parte do teste. 

Isso inclui um Mapa de Eficiência de Energia de Rádio, que usa ML para identificar e classificar sites com desempenho inferior para melhorias de eficiência direcionadas, criando uma representação visual de todas as células da rede. Em seguida, há a Orquestração do Modo de Sono de Células 4G, que desenvolveu um modelo comportamental das células da rede para ajustar finamente os parâmetros de sono, criando um equilíbrio entre economia de energia e desempenho. Enquanto isso, o Deep Sleep 5G utiliza algoritmos preditivos impulsionados por IA, reduzindo o consumo de energia em 70% durante horários de baixa demanda.

Mas e quanto ao consumo de energia da IA? Bem, pesquisadores e empresas têm focado em diversas áreas para reduzir o consumo de energia dessa tecnologia em rápido crescimento.

Isso inclui otimizar modelos de IA, utilizar hardware energeticamente eficiente e adotar práticas sustentáveis como energia renovável e refrigeração eficiente em data centers.

Quando se trata de otimizar modelos de IA, diferentes abordagens podem ser adotadas, como poda, quantização e destilação. Na poda de modelo, parâmetros e conexões desnecessárias são removidos de um modelo sem impactar a precisão. A quantização trata de reduzir a precisão dos parâmetros do modelo para diminuir os requisitos computacionais e o consumo de energia. Na destilação, modelos menores são treinados para imitar o comportamento de um modelo maior e mais complexo, proporcionando um modelo mais eficiente em termos de energia com desempenho semelhante.

Conforme observado pela MIT Technology Review nesta publicação anual, modelos menores são um dos avanços tecnológicos que definirão a próxima era. Esses modelos são treinados em conjuntos de dados mais focados e podem oferecer precisão específica de domínio, eficiência de custos e maior segurança de dados em comparação com grandes modelos de linguagem (LLMs). 

GPT-4o mini da OpenAI, Phi da Microsoft, Gemini Nano da Google DeepMind e Haiku do Claude 3 da Anthropic são alguns exemplos de versões menores de grandes modelos de IA de gigantes tecnológicos.

No que diz respeito ao hardware, o foco tem sido o uso de GPUs e outros processadores de IA especializados, projetados especificamente para cargas de trabalho de alto desempenho. 

Em seguida, há servidores e processadores energeticamente eficientes que ajustam o uso de energia com base nas demandas da carga de trabalho, virtualização para melhor utilização de recursos ao executar múltiplos processos em menos máquinas físicas, e tecnologias avançadas de refrigeração para reduzir a necessidade de sistemas de ar condicionado que consomem muita energia. 

Como compartilhamos no mês passado, pesquisadores da Universidade de Tohoku, da Agência Japonesa de Energia Atômica e do Instituto Nacional de Ciência dos Materiais conquistaram um hardware de IA altamente eficiente e econômico. Os pesquisadores usaram dispositivos spintrônicos para chips de IA de baixo consumo e demonstraram um dispositivo de torque spin-órbita programado por corrente (SOT) que abre portas para uma nova geração de hardware de IA.

Outra forma de reduzir o consumo de energia da IA é por meio de práticas sustentáveis. Os data centers podem utilizar fontes de energia renovável, implementar sistemas de refrigeração energeticamente eficientes e projetar layouts eficientes para reduzir o consumo de energia.

As empresas estão ativamente assumindo compromissos nesse sentido, com o Google avançando em energia geotérmica. A Microsoft é outra, que pretende reabrir a usina nuclear de Three Mile Island para se tornar neutra em carbono até 2030.

Curiosamente, a IA está sendo usada para trazer eficiência energética à própria IA. A tecnologia é usada para otimizar o consumo de energia em edifícios e indústrias, prever quando equipamentos precisam de manutenção e reduzir a demanda de pico aproveitando as condições da rede em tempo real.

No meio de tudo isso, pesquisadores da Universidade Técnica de Munique (TUM) desenvolveram um método inovador que treina redes neurais até 100 vezes mais rápido, reduzindo significativamente o consumo de energia associado a aplicações de IA.

Para isso, os pesquisadores calcularam os parâmetros diretamente com base em probabilidades, em vez de usar uma abordagem iterativa, mas os resultados até agora têm sido comparáveis em qualidade aos métodos iterativos existentes.

Uma Nova Forma de Reduzir Consideravelmente o Consumo de Energia da IA 

Além do aumento do uso de IA, o lançamento de aplicações de IA mais complexas nos próximos anos resultará em um aumento substancial nas demandas de capacidade dos data centers. 

Essas aplicações consumirã​o enormes quantidades de energia para o treinamento de redes neurais. Portanto, o novo estudo foca em reduzir a enorme energia necessária para treinar redes neurais para IA. 

As redes neurais são usadas em IA para reconhecer imagens e processar linguagem, entre outras tarefas. O funcionamento dessas redes é inspirado na forma como o cérebro humano opera.

A rede neural é composta por nós interconectados chamados neurônios artificiais. Aqui, os sinais de entrada são ponderados com parâmetros específicos antes de serem somados e, se o limite definido for ultrapassado, o sinal é passado para o próximo nó.

Agora, para treinar a rede, a seleção inicial de valores de parâmetros é tipicamente aleatória e, em seguida, ajustada gradualmente para melhorar as previsões da rede progressivamente.

Essa abordagem, obviamente, requer muitas iterações, o que torna o treinamento extremamente exigente, levando, por sua vez, ao consumo de muita eletricidade.

Portanto, uma equipe de pesquisadores liderada por Felix Dietrich, professor de Aprendizado de Máquina aprimorado por Física, desenvolveu um novo método. Dietrich é membro central do Munich Data Science Institute (MDSI) e membro associado do Munich Center for Machine Learning (MCML).

O que essa nova técnica faz é usar probabilidades em vez de determinar os parâmetros entre os nós repetidamente. Esse novo método probabilístico faz uso direcionado de valores em locais críticos nos dados de treinamento. São locais onde ocorrem mudanças grandes e rápidas nos valores.

Com essa abordagem, o estudo busca obter sistemas dinâmicos que conservam energia a partir dos dados. Esses sistemas dinâmicos mudam ao longo do tempo de acordo com as regras. Tais sistemas podem ser encontrados em mercados financeiros e modelos climáticos.

“Nosso método torna possível determinar os parâmetros necessários com potência computacional mínima. Isso pode tornar o treinamento de redes neurais muito mais rápido e, como resultado, mais eficiente em termos de energia. Além disso, observamos que a precisão do novo método é comparável à das redes treinadas iterativamente.”

– Dietrich

Este avanço tem o potencial de reduzir substancialmente o impacto ambiental da IA ao diminuir a energia necessária para treinar redes neurais. Poderemos ver indústrias implantando modelos de IA em larga escala adotando este método nos próximos 1 a 3 anos, levando a soluções de IA mais sustentáveis e econômicas.

Empresa Inovadora

NVIDIA Corporation

Um líder em computação de IA, a NVIDIA (NVDA ) desenvolve GPUs e aceleradores de IA energeticamente eficientes, inovando continuamente para melhorar o desempenho enquanto reduz o consumo de energia.​

No ano passado, na AI Summit DC, a empresa informou que o uso de energia de suas GPUs teve uma redução massiva de 2.000 vezes no treinamento ao longo da última década. Durante esse período, também experimentou uma redução de energia de 100.000 vezes na geração de tokens. A melhoria na eficiência foi de 2.000 vezes, enquanto um avanço de 4.000 vezes foi registrado no desempenho computacional nos últimos dez anos.

De acordo com Bob Pette, VP de plataformas empresariais da Nvidia na época:

“Se os carros tivessem melhorado sua eficiência tanto quanto melhoramos o desempenho de inferência, você poderia dirigir por mais de 300 anos com um único tanque de gasolina. No cerne da computação acelerada está a computação sustentável.”

O Blackwell da Nvidia é sua nova arquitetura de GPU flagship, que sucede a Hopper e foi projetada para melhorar o desempenho de IA “de maneira significativa”. Esta plataforma está equipada com o chip mais poderoso do mundo, motor de transformador de segunda geração e NVLink de quinta geração, sendo extremamente eficiente em energia para inferência e treinamento.

A NVIDIA Corporation é, na verdade, uma empresa de infraestrutura de computação full-stack, com seus segmentos incluindo Compute & Networking e Graphics.

O segmento Compute & Networking abrange data center, redes, soluções para veículos autônomos e elétricos, serviços de computação em nuvem DGX, e Jetson, enquanto o segmento Graphics cobre GPUs GeForce, GeForce NOW, software de GPU virtual, GPUs NVIDIA RTX e software Omniverse Enterprise.

Com uma capitalização de mercado de US$ 2,96 trilhões, as ações da NVIDIA, ao momento da redação, estão sendo negociadas a US$ 121,50, queda de 9,4% no ano. A empresa tem um EPS (TTM) de 2,94 e um P/E (TTM) de 41,40, enquanto seu dividend yield está em 0,03%.

Apesar da queda nos preços das ações da NVIDIA observada recentemente, que não é exclusiva do fabricante de chips, a empresa continua a atrair investidores. Afinal, o valor de suas ações disparou mais de 1.800% desde 2020, tornando-a uma das empresas mais valiosas do mundo.

O interesse na NVIDIA é especialmente forte entre investidores jovens, já que supera Tesla (TSLA ) como a ação mais detida na Robinhood . A grande maioria (75%) das contas financiadas nesta plataforma de investimento sem comissão são mantidas por Millennials e Gen Z. 

O CEO da Robinhood, Vlad Tenev, também acredita que a Nvidia será mais importante do que nunca, graças à IA.

“Acredito que a IA tornará o investimento mais importante porque, se o controle da tecnologia for centralizado nas empresas de tecnologia, então você precisa ser investidor nessas empresas para se beneficiar.”

– Tenev

Em relação às finanças da empresa, a Nvidia reportou o quarto trimestre encerrado em 26 de janeiro de 2025, revelando receita de US$ 39,3 bilhões, um aumento de 12% e 78% em relação ao trimestre anterior e ao ano passado, respectivamente. 

No segmento de data center, a receita da empresa no quarto trimestre foi um recorde de US$ 35,6 bilhões. Durante esse período, a NVIDIA foi escolhida para servir como parceiro tecnológico chave para o Projeto Stargate de US$ 500 bilhões.

Outros desenvolvimentos incluíram provedores de serviços em nuvem AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure e Oracle (ORCL ) Cloud Infrastructure (OCI) usando sistemas NVIDIA® GB200 para atender à crescente demanda de IA, disponibilizando a plataforma de computação em nuvem AI NVIDIA DGX™ e os microserviços NVIDIA NIM™ através do AWS Marketplace, Cisco integrando o NVIDIA Spectrum-X™ ao seu portfólio de redes, colaborando com a Verizon para integrar o NVIDIA AI Enterprise, e fazendo parceria com IQVIA (IQV ), Mayo Clinic, Illumina e Arc Institute para avançar na descoberta de medicamentos, genômica e saúde.

A receita de Gaming e AI PC caiu para US$ 2,5 bilhões, enquanto a NVIDIA anunciou novas placas gráficas GeForce RTX™ 50 Series e laptops alimentados pela arquitetura Blackwell, lançou as placas gráficas GeForce RTX 5090 e 5080 e introduziu o DLSS 4. 

Além disso, a receita da Visualização profissional foi de US$ 511 milhões e US$ 570 milhões vieram da divisão Automotiva e de Robótica.

Durante este trimestre, o lucro GAAP por ação diluída da empresa foi de US$ 0,89, um aumento de 14% em relação ao trimestre anterior e 82% a mais do que no ano passado. O lucro não-GAAP por ação diluída, por sua vez, foi de US$ 0,89.

Para o exercício fiscal de 2025, a receita foi de US$ 130,5 bilhões, um aumento massivo de 114% em relação ao ano anterior. O lucro GAAP por ação diluída no período foi de US$ 2,94 e o lucro não-GAAP por ação diluída foi de US$ 2,99. 

“A demanda por Blackwell é incrível, pois a IA de raciocínio adiciona outra lei de escala — aumentando compute para treinamento torna os modelos mais inteligentes e aumentando compute para pensamento prolongado torna a resposta mais inteligente.“

– CEO e fundador Jensen Huang

Portanto, a empresa aumentou a produção de seus supercomputadores AI Blackwell, alcançando bilhões de dólares em vendas.

Para o primeiro trimestre do exercício fiscal de 2026, a empresa espera que a receita seja de US$ 43 bilhões, as despesas operacionais GAAP sejam de US$ 5,2 bilhões e a outra receita não-GAAP seja de cerca de US$ 400 milhões.

“A IA está avançando em velocidade da luz, enquanto a IA agente e a IA física preparam o cenário para a próxima onda de IA revolucionar as maiores indústrias.”

– Huang

Últimas Notícias sobre a NVIDIA Corporation

Conclusão

A IA está pronta para revolucionar os negócios em todos os setores, mas isso significa um aumento sem precedentes na demanda de energia. Essa demanda apresenta um grande desafio, que muitos pesquisadores estão trabalhando para superar. 

O desenvolvimento de um novo método de treinamento probabilístico marca um avanço significativo na IA energeticamente eficiente, reduzindo as necessidades de energia em até 100 vezes. Com o consumo de energia relacionado à IA projetado para disparar à medida que os data centers se expandem, esse avanço pode reduzir substancialmente os custos operacionais e o impacto ambiental.

Combinado com o foco da Nvidia em GPUs e aceleradores de IA energeticamente eficientes, essas inovações podem ajudar a acelerar a adoção de IA e aumentar a produtividade.

Clique aqui para aprender tudo sobre investir em inteligência artificial.