MIT apresenta EnergAIzer — forma rápida de avaliar consumo de energia de IA em data centers

A IA se tornou tão faminta por eletricidade que avaliar seu consumo energético está se transformando em uma tarefa de engenharia separada. Pesquisadores do MIT e do MIT-IBM Watson AI Lab propuseram EnergAIzer — um método que prevê em segundos quanto de energia uma carga de trabalho de IA específica consumirá em um processador ou acelerador escolhido. Para data centers, isso oferece a oportunidade de tomar decisões antes de executar um modelo, em vez de depois de desperdícios desnecessários de eletricidade.

O problema não é mais teórico. Segundo estimativas do Lawrence Berkeley National Laboratory, até 2028 os data centers podem consumir até 12% de toda a eletricidade dos EUA, e uma parte significativa desse crescimento está relacionada ao desenvolvimento de IA. Os operadores precisam dividir recursos de GPU limitados entre treinamento de modelos, inferência e pré-processamento de dados, mas é difícil entender antecipadamente o custo energético de cada cenário.

Os métodos clássicos geralmente dividem a carga de trabalho em muitas operações separadas e emulam gradualmente o funcionamento dos módulos internos da GPU. Essa abordagem pode levar horas ou até dias, o que não é adequado para decisões de engenharia rápidas. EnergAIzer é construído com base em um modelo mais leve.

A equipe do MIT percebeu que as cargas de trabalho de IA frequentemente contêm padrões computacionais repetitivos, especialmente quando os desenvolvedores já otimizaram o código para GPU: paralelizaram os cálculos, distribuíram os dados corretamente e configuraram as transferências de blocos de memória. Em vez de simulação completa e detalhada, o sistema usa essas estruturas regulares para avaliar rapidamente o perfil de consumo de energia. A ideia é coletar menos informações de baixo nível, mas extrair delas dados suficientes para uma previsão confiável.

Ao mesmo tempo, os pesquisadores não se limitaram a estimativas aproximadas. Levaram em conta que cada execução tem um custo energético fixo para preparação e configuração do programa, e depois há despesas adicionais para processar cada bloco de dados. Também existem fatores de hardware: flutuações no funcionamento do hardware, conflitos de acesso à memória, utilização incompleta da largura de banda.

Para compensar esses efeitos, a equipe coletou medições reais da GPU e adicionou coeficientes corretivos. Como resultado, o método manteve alta velocidade, mas se tornou notavelmente mais preciso do que modelos simples de aproximação. Na prática, um usuário pode passar os parâmetros de sua carga de trabalho para EnergAIzer: qual modelo deseja executar, quantas solicitações de entrada precisam ser processadas e qual o comprimento dessas solicitações.

Em resposta, o sistema fornece uma estimativa de consumo de energia em segundos. Além disso, é possível alterar a configuração da GPU ou a frequência de operação e ver como isso afeta o consumo de energia final. Em testes com cargas de trabalho de IA reais e GPUs reais, o erro médio foi de cerca de 8% — isso é comparável aos enfoques tradicionais, que exigem muito mais tempo.

Os autores também observam que o método pode ser aplicado a configurações de acelerador promissoras, se a arquitetura de hardware não mudar drasticamente. 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 o pós-doutorado do MIT Kyoungmi Lee, o aluno de graduação Zhiye Song, pesquisadores da IBM Research e o autor sênior Anantha Chandrakasan, Provost do MIT.

O próximo passo é testar EnergAIzer em configurações de GPU mais recentes e escaloná-lo para cenários em que uma única carga de trabalho é processada conjuntamente por vários aceleradores. Isso é importante porque as grandes cargas de trabalho de IA estão cada vez mais distribuídas em várias GPUs. A conclusão principal é simples: a eficiência energética da IA depende não apenas de novos chips, mas também da capacidade de medir rapidamente o custo das computações antes de executá-las.

Se a avaliação de energia levar segundos em vez de dias, ela pode ser integrada ao trabalho de rotina dos data centers, equipes de treinamento de modelos e desenvolvedores de algoritmos. Então, o consumo de energia se torna não uma métrica posterior de um relatório, mas um parâmetro real para escolher arquitetura, ajustar aceleradores e planejar computações.