MIT apresenta o EnergAIzer, um jeito rápido de estimar o consumo de energia da IA em data centers

A IA ficou tão faminta por eletricidade que estimar seu gasto de energia virou um problema de engenharia à parte. Pesquisadores do MIT e do MIT-IBM Watson AI Lab propuseram o EnergAIzer, um método que prevê em poucos segundos quanta energia uma carga de IA específica vai consumir em um processador ou acelerador escolhido. Para os data centers, isso significa decidir antes de rodar o modelo, e não depois de gastar eletricidade à toa.

O problema já não é teórico. Segundo o Lawrence Berkeley National Laboratory, em 2028 os data centers podem consumir até 12% de toda a eletricidade dos EUA, e uma parte relevante desse crescimento está ligada ao avanço da IA. Os operadores precisam dividir recursos limitados de GPU entre treinamento de modelos, inferência e pré-processamento de dados, mas é difícil saber de antemão o custo energético de cada cenário.

Os métodos clássicos costumam dividir a carga em inúmeras operações separadas e emular, etapa por etapa, o funcionamento dos módulos internos da GPU. Isso pode levar horas ou até dias, o que não combina com decisões rápidas de engenharia.

O EnergAIzer se baseia em um modelo mais leve. A equipe do MIT notou que as cargas de IA costumam ter padrões de cálculo repetitivos, principalmente quando os desenvolvedores já otimizaram o código para a GPU: paralelizaram os cálculos, distribuíram bem os dados e ajustaram a transferência de blocos de memória. Em vez de uma simulação detalhada completa, o sistema usa essas estruturas regulares para estimar rapidamente o perfil de consumo. A ideia é partir de menos informação de baixo nível, mas extrair dela dados suficientes para uma previsão confiável.

Os pesquisadores não se limitaram a uma estimativa grosseira. Eles levaram em conta que toda execução tem um custo energético fixo para preparar e configurar o programa, seguido de custos adicionais para processar cada bloco de dados. Há também fatores de hardware: oscilações no funcionamento do equipamento, conflitos de acesso à memória e uso incompleto da largura de banda. Para compensar esses efeitos, a equipe coletou medições reais de GPUs e adicionou coeficientes de correção. Com isso, o método manteve a velocidade, mas ficou nitidamente mais preciso que modelos aproximados simples.

Na prática, o usuário pode informar ao EnergAIzer os parâmetros da carga: qual modelo quer rodar, quantas requisições de entrada precisam ser processadas e qual o tamanho delas. O sistema devolve em segundos uma estimativa de consumo. Também é possível mudar a configuração da GPU ou a frequência de operação e ver como isso afeta o gasto total de energia.

Em testes com cargas de IA e GPUs reais, o erro médio foi de cerca de 8%, comparável ao de abordagens tradicionais, que exigem muito mais tempo. Os autores também observam que o método pode ser aplicado a configurações futuras de aceleradores, desde que a arquitetura do hardware não mude radicalmente.

O trabalho foi apresentado em 27 de abril de 2026, e os resultados também estão sendo apresentados no IEEE International Symposium on Performance Analysis of Systems and Software. Entre os autores estão a pós-doutoranda do MIT Kyungmi Lee, o doutorando Zhiye Song, pesquisadores da IBM Research e o autor sênior Anantha Chandrakasan, provost do MIT.

O próximo passo é testar o EnergAIzer nas configurações de GPU mais recentes e escalá-lo para cenários em que vários aceleradores processam juntos uma mesma carga. Isso é importante porque grandes cargas de IA são cada vez mais distribuídas entre várias GPUs.

A principal conclusão é simples: a eficiência energética da IA não depende só de chips novos, mas também de conseguir medir rapidamente o custo do cálculo antes da execução. Se estimar a energia leva segundos, e não dias, isso pode entrar na rotina de data centers, de equipes que treinam modelos e de desenvolvedores de algoritmos. Assim, o consumo de energia deixa de ser uma métrica a posteriori de um relatório e passa a ser um parâmetro real para escolher arquitetura, ajustar aceleradores e planejar a computação.